经典好看的复杂性中的思维在线阅读-第22部分-破晓小说

　　　
　　在一些实验中，要求主观上有意向地去实现双手协调的两种模式之间的转变。短暂的过程所相应的转变时间，已经进行了测量。两种模式的稳定性，用序参量的涨落来度量。相对的相动力学用非线性演化方程来进行建模。　
　　　
　　图4．26a示意了按照这个具有两个势能极小值方程的内在动力学。意向性信息对于相对相的动力学的贡献，用图4．26b中的势来表示。把内在的和意向性的动力学加和，得到完整的动力学，结果示意在图4．26c中。在地形中的小球，在O＝0时比O＝180时沿着陡峭斜坡要滚动得快一些，这相应于经验上测量的转变时间。显然，意向可以通过使得其中一种模式失稳而另一种模式稳定化，从而改变内在动力学。意向性信息在此被看作模式动力学的一部分，吸引着系统向所倾向的模式运动。在此意义上，意向性信息定义了态空间的一个吸引子，此内在动力学模型就建立在此态空间中。　
　　　
　　意向性和语言的意义常常被当作人类思维的根本性特征。意向性状态的例子有疼痛、酥痒、骚痒、信念、害怕、希望、欲望、感觉经验、行动经验、思维、感受等等。它们都使用相应的语句来表达，如“我觉得胃疼”、“我希望得到一辆小汽车”、“我相信上帝”等等。西尔斯提出，精神状态与其他的生物状态如乳汁分泌、光合作用或消化一样地真实。他认识到，精神状态是生物脑的一种宏观态，由微观尺度上的神经元之间的神经生理相互作用引起。因此，它们是不可能由单个神经元的神经生理状态来验证的。　
　　在大脑的微观态和宏观态之间的区分，是用例如与液体的微观态和宏观态的比拟来加以说明的：液体的宏观态不可能还原为单个分子，或换言之，单个分子不可能是液体。在此意义上，信念、欲望、口渴、视觉经验都是大脑的真实因果特征，如同　
　　桌子的固体性或水的液体性一样真实。意向性状态自身可以由大脑的结构引起并由大脑的结构来实现。西尔斯主张，对此并不存在形而上学障碍。　
　　然而，他特别指出，任何纯粹的模型都不足以充分地模拟意向性，因为形式性质并非意向性的组成部分。他持有这种看法的理由是以“中文小屋’思想实验为基础的。把一个只懂得英文的人锁在一间小屋内，室内贮藏了大量的中文符号，并有一套用英文写下的复杂的翻译规则，籍以对中文符号序列进行操作。他不断地通过一条窄缝接收中文符号序列（图4．27）。他应用那些翻译规则，进一步产生出中文符号序列，并通过窄缝显示出来。　
　　对于小屋中的那个人来说，并不了解储藏的序列中包含了大量的用中文写下的关于某一主题的信息。通过窄缝输入序列的是关于这些主题的问题或见解。输出的序列的是对于这些收到的输入见解的反应或建议。所用的翻译规则是一种形式程序，模拟了以中文为母语的说话人的通常行为。在中文小屋中的那个人，正确地应用此形式翻译规则，但不理解中文符号序列，这些中文符号序列对于他是无意义的。　
　　西尔斯认为，形式符号的操作本身并没有任何意向性，因为它们对于使用者来说是完全无意义的。在此情形中，意向性是形式符号如字词、句子等等的特征，它们涉及到“所指”的事物（符号的语义关系）以及使用者（符号的实用关系）。西尔斯断定，这种特征仅仅是大脑的精神状态所固有的。　
　　　
　　他的论证是针对“计算机模拟”的缺陷的，因为他把模拟限定在由程序控制的图林计算机的形式算法。但是我们已表明，大脑具有典型的自组织、自参照复杂系统的特征，这与程序控制的计算机完全不同（参见第6章）。复杂系统的自组织和自参照性并不局限于人类或哺乳动物的大脑。它们仅仅是特殊的复杂系统的生物化学和神经生理学的实现，是在生物进化中产生出来的。因此，原则上，不可能排除，这些具有特征动力学的复杂结构可能通过人的技术以完全不同的材料来实现。结果是，正如自参照和自组织的特征使得意向性成为可能，那么，用不同于生物脑的复杂模型来加以至少是部分地模拟意向性，也就是原则上不能排除的。　
　　在传统哲学中，意向性常常以所谓的人的“自我”为基础，被认为能够涉及世界和自身（作为自参照性的“自我意识”）。但是自我隐藏在大脑的何处？传统的观点，如种种柏拉图主义或唯灵论或唯物主义，甚至仍然为一些现代的脑研究人员所持有。例如，在约翰·艾克尔斯爵士看来，自我表现为一种与大脑相互作用的心灵实体，只在本性上完全不同。但是应该怎样坚持或拒绝这种假设呢？它只是一种以高度形而上学为代价的假定，人们可以相信它也可以不相信它。　
　　假设也许是该受批判的，可能是虚假的，但是对于进一步的研究是有益的。因此，形而上学的代价是太高了。哲学上的奥卡姆剃刀要求我们扔掉多余的假设，保留形而上学实体的经济假定，把看来是经验研究所不可或缺的假设数目限制到最小。复杂系统探究方式是一种数学的跨学科模型的研究纲领，避免了形而上学教条。从长远看，它可能失效。但是这种建模策略已经在若干科学和技术中得到许多成功的确证，而且更重要的是，它为进一步的经验研究提示了一些富有成果的概念。另一方面，传统的唯物论以单个神经元来解释神经生理学过程的精神状态，则是错误的。　
　　然而，在脑研究中，出现的问题是：大脑中的哪一部分是“自我”中心？皮层是大脑的一部分，它使我们能够进行学习、记忆和思维，并创造出所有的人类文化和人类文明。但是，如果皮层主要当作具有一定学习程序的复杂联想记忆存贮来进行建模，那么它就仅仅是一种复杂的、高度精致的设备，是在生物进化中为增进适者生存而进化起来的设备而已。　
　　的确，皮层是人的大脑进化中最年青的部分。大脑中有一些老得多的但更为初级的结构，这样的结构也可以在鸟类、爬行动物、两栖动物和鱼类中找到。一些科学家假定，基本的感受性如性欲、疼痛和所有的伺服机制，是爬行动物的生存所必要的，从根本上说是在这些早期的大脑结构中实现的。这种中心将会刺激所有各种活动，把皮层仅仅用作为巨大而有效的联想装置。因此，在这种解释中，“自我”就被大脑中的小爬虫体代替了，大脑以某些高度复杂的设施如皮层来发挥作用，从而在越来越复杂的环境中生存下来。意向性由于皮层而变得可能，但却是由人的大脑中的爬虫体的基本本能激起的。　
　　具有高度有效的神经生存手段的爬虫体的概念，比起上一世纪流行的达尔文信条——猿是人的祖先，显得更加损伤我们的虚荣心。当然，从科学的观点看，这不是我们自尊心的受损，而是促使我们对“神经爬虫体”概念进行批判。主要的根据在于，我们的感受性并不停留在爬虫体水平上，而是在生物和文化的进化中得到了发展。　
　　我们的性欲和疼痛感受性都是相当复杂，因为它们受到由人脑产生出来的相当复杂、精致的文明的影响。因此，从爬虫体时代直到今天，是某种复杂的反馈改进了我们的感受性和欲望。文学、艺术和心理学的历史表明，性欲和疼痛都是处于永恒进化中的人脑的高度精致的状态。因此，甚至传统的人的灵魂的概念，在复杂系统框架中仍然是一个或多或少有些敏感的问题。但是，我们必须放弃关于人的精神和灵魂的传统观念，它们被看作某种奇怪实体，以某种原则上不可思议的方式控制着人的身体并与之相互作用。　
　　5复杂系统和人工智能的进化　
　　机器能够思维吗？图林提出的这个著名问题在复杂系统框架中具有新的讨论意义。本章先对莱布尼茨和他的机器思维纲领（通用数学）以来的计算机科学史作一简短回顾（5．1节）。现代的可计算性理论使我们能够进行问题的复杂性分类，即划分对它们的算法或计算程序的计算时间的函数的级别。现代计算机科学感兴趣的，不仅仅是通用问题求解的复杂性而且还有基于知识程序的复杂性。在特定的领域中模拟人类专家问题求解行为的专家系统，是一个著名的例子。我们还要进一步问一问，是否可以期待从量子计算机和量子复杂性理论中得到更有效的问题求解方法（5．2节）。　
　　但是在采用程序控制的计算机算法机械化时遇到几个严重的障碍，是增加计算能力所不能克服的。例如，模式识别、运动协调和其他复杂的人的学习任务，都是图林类型计算机程序所难以把握的。人工神经网络实现了复杂动力学系统的原理。它们得到了非线性动力学在固态物理学、自旋玻璃体物理学、化学平行计算机、光学平行计算机、激光系统中和对于人脑的成功应用的鼓舞（5．3节）。人工神经网络已经在神经仿生学、医学和机器人学中得到了一些应用。新技术应用的另一个更为推测性的方面是赛博空间。虚拟现实在世界范围的远距离通信者的社会中已经成为一个关键词（5．4节）。显然，图林的“机器能否思维？”这个问题不可能由复杂系统探究方式作出最终的回答，尽管我们可以运用人工神经网络来完成一些有趣的认知任务。　
　5、复杂系统和人工智能的进化
机器能够思维吗？图林提出的这个著名问题在复杂系统框架中具有新的讨论意义。本章先对莱布尼茨和他的机器思维纲领（通用数学）以来的计算机科学史作一简短回顾（5．1节）。现代的可计算性理论使我们能够进行问题的复杂性分类，即划分对它们的算法或计算程序的计算时间的函数的级别。现代计算机科学感兴趣的，不仅仅是通用问题求解的复杂性而且还有基于知识程序的复杂性。在特定的领域中模拟人类专家问题求解行为的专家系统，是一个著名的例子。我们还要进一步问一问，是否可以期待从量子计算机和量子复杂性理论中得到更有效的问题求解方法（5．2节）。　
　　但是在采用程序控制的计算机算法机械化时遇到几个严重的障碍，是增加计算能力所不能克服的。例如，模式识别、运动协调和其他复杂的人的学习任务，都是图林类型计算机程序所难以把握的。人工神经网络实现了复杂动力学系统的原理。它们得到了非线性动力学在固态物理学、自旋玻璃体物理学、化学平行计算机、光学平行计算机、激光系统中和对于人脑的成功应用的鼓舞（5．3节）。人工神经网络已经在神经仿生学、医学和机器人学中得到了一些应用。新技术应用的另一个更为推测性的方面是赛博空间。虚拟现实在世界范围的远距离通信者的社会中已经成为一个关键词（5．4节）。显然，图林的“机器能否思维？”这个问题不可能由复杂系统探究方式作出最终的回答，尽管我们可以运用人工神经网络来完成一些有趣的认知任务。　
　　5．1莱布尼茨和通用数学　
　　复杂系统的一个最为推测性的应用是人工智能（AI）的进化。在经典的AI传统中，大脑被理解为最先进机器的计算机硬件，而神经是相应的具有确定性算法的软件程序。甚至基于知识的专家系统也被设想为高度发展的AI编程语言的算法表示。但是数理逻辑的理论结果（丘奇、图林和哥德尔等人）以及编程的实际问题限制了经典AI框架中的思维机械化。　
　　一种关于作为自然进化产物的“脑计算机”的理论已经提出，主张用复杂神经网络的非线性动力学（“自组织”）来为大脑的本性及其精神状态建立模型。由此引起的问题是，对于它们的动力学的洞见，是否会获得一种新的革命性技术的“蓝图”，并由此来追索大脑和精神的自然进化。实际上，人的知识和知识技术的发展表现为一种技术的进化，它导致了如同生物进化中的突变那样的技术创新。　
　　最初的水平是由如锤子、杠杆等简单工具实现的。高一级水平上，发明了运用力和能量的机器。今天，程序控制的计算机和信息处理自动机已经变成了日常生活中的工具。计算机科学家在他们的机器的历史发展中把硬件和软件划分成若干代。在人工智能研究中，人们可以说“第2代计算机”，指的是从数字处理机到知识处理系统，如专家系统。专家系统被认为是至少部分地模拟人类专家。　
　　计算机科学的早期历史根源可以追溯到经典机器时代。随着自动执行初等算术操作的机械装置的发展，思维的机械化也就开始了。一台机械计算机一步一步地执行顺序指令。因此，它的动力学是由机械的单向因果性所决定的，本质上不同于复杂系统平行主义和自组织。一般地说，机械计算机的传统设计中包括如下的装置。　
　　首先是输入机制，数字由此输入到机器中。选择机制选取机械运动，对寄存机制中的数值进行加法或减法运算。寄存机制对于显示存储在机器中的数值是必要的，技术上是用一系列的轮子或圆盘来实现的。如果进行了一次计算，是因为结果寄存器中的一个数字从9提升到了0，然后必须由运行机制将这一运算传播到下一个数字甚至穿过整个结果寄存器。控制机制保证了所有的齿轮在每一次加和循环以后正确地到位，以避免错误结果或阻塞机器。消去机制必须对寄存机制进行重新设置，使之处于零位。　
　　希伯莱语教授、东方语言学家、数学家、天文学家和地理学家威廉姆·希克尔德（1592－1635）被看成是第一位能够进行四则运算的机械计算机的发明者。他的机器中，加法和减法部分是由自动运行机制驱动齿轮来实现的。乘法和除法机制是以亲普尔的乘法表为基础的。杰出的法国数学家和哲学家布莱斯·帕斯卡尔（1623－1662）发明的加法和减法机中，其精致可进行四则运算的运行机制原理在今天的路程计中仍然运用着。　
　　正是莱布尼茨的可进行四则运算的机�

《复杂性中的思维》

下载本书

复杂性中的思维- 第22部分