1、机器认识的最新成果与今后出路 机器认识的最新成果与今后出路 本文关键词：出路，成果，认识，机器，今后机器认识的最新成果与今后出路 本文简介：摘要：机器认识研究在近十年获得了瞩目的成就,尤其在脑智功能技术实现方面获得了长足的进步,但相应地,其在认识觉知机制方面却仍然没有起色。本文分析了机器认识研究在可行性、断定标准和解释上所遭遇到的困难,并指出了出路所在。关键词：机器认识;脑智外现;觉知内显;Abstract：Inthepastt机器认识的最新成果与今后出路 本文内容：摘要：机器认识研究在近十年获得了瞩目的成就, 尤其在脑智功能技术实现方面获得了长足的进步, 但相应地, 其在认识觉知机制方面却仍
2、然没有起色。本文分析了机器认识研究在可行性、断定标准和解释上所遭遇到的困难, 并指出了出路所在。关键词：机器认识; 脑智外现; 觉知内显;Abstract：In the past ten years, the research on machine consciousness has made considerable progress in the function simulation technology of explicit intelligence, but relatively speaking, the research on the awareness mechanism i
3、s insufficient. This essay has analyzed the triple dilemma of machine consciousness research, and points out the solution to the dilemma.Keyword：Machine consciousness; Explicit intelligence; Inexplicit awareness;近十年, 随着脑科学研究和人工智能研究的不断打破, 通过机器实现认识才能的相关研究慢慢引起人们关注, 这项研究通常被称为机器认识“ (Machine Consciousness
4、) 或是人工认识“ (Artificial Consciousness) 。机器认识研究不仅推进并深化了人工智能方面的研究, 在探究奇异的认识现象方面也有着出色的奉献。就开展情况来说, 加梅斯 (D.Gamez) 回忆了截止2008年的机器认识的研究进展, 1随后在2013年, 瑞杰 (J.Reggia) 再次对当年的机器认识研究做出了精彩的总结。2近几年, 机器认识在技术上又有打破性进展, 佼佼者如Alpha Go, 已能在围棋领域完全战胜人类的世界冠军。因而, 本文将对机器认识的最新进展做简单性回忆。一、机器认识的最新进展近十年的机器认识研究, 在实现方式上, 往往采纳编程算法或是神经网络
5、模仿的方法, 在实现方向上, 那么主要有机器单独实现和脑机交融实现两大方向。1. 机器单独实现机器单独实现即只依托机器本身来实现脑智特征才能。在其表现方式方面, 除了传统计算机所拥有的的思维、计算才能之外, 同时也侧重于语言才能、想象才能、情感才能和自我反思才能等脑智特征的实现。亚历山大 (I.Aleksander) 等人甚至提出将表述才能、想象才能、留意才能、打算才能和情感才能五项特征作为测试机器是否具有认识的特征公理。3详细而言, (1) 在情感表现方面, 皮卡德 (R.W.Picard) 、派珀德 (S.Papert) 、本德 (W.Bender) 等人对MIT媒体实验室的各种情感机器人
6、研究作出过总结。4胡得利卡 (E.Hudlicka) 提出了关于情感的计算模型。5日本研究者林 (E.Hayashi) 和那么开发了基于模仿多巴胺系统的会趋利避害的情感机器人, 并给出了一些模仿行为的实现。6 (2) 在语言才能方面, 安吉尔 (L.Angel) 早在1989年, 就提出过基于语言与主体的认识机器的体系构造。7奥古斯汀 (V.Agustin) 和费诺 (M.Ferno) 等人那么提交了一份关于内部言语的研究综述。8雷舍 (E.Lesser) 和海克能 (T.Haikonen) 等人给出了基于言语和感知、认知的机器认识架构。9斯蒂尔 (L.Steel) 开发了能够按照给定场景中的
7、对象进展互相对话的机器人, 10在其后续研究中, 在没有实现预设语法程序的情况下, 斯蒂尔的机器人还能够在不断对话中自行掌握语法。11 (3) 在想象才能方面, 克劳斯 (R.Clowes) 和克里斯理 (R.Chrisley) 等人做出了关于机器认识的涉身和想象方面的综述。12斯图亚特 (S.Stuart) 那么在躯体想象方面作出了研究, 13他强调, 要在真正意义上实现机器认识, 与世界的涉身交互是必须的, 因而躯体想象是必须研究的重点征询题。14 (4) 在计算才能方面, Deep Mind公司的Alpha Go围棋机器人通过深度学习, 将蒙特卡罗搜索树 (MCTS) 和价值网络相结合,
8、 从而打算出在棋盘上下一个落子的位置权重, 借此打败了人类棋手中的世界冠军。15除了上述几个只实现了单一或少数脑智特征才能的机器人, 值得留意的还有综合了情感、想象、环境认知等多方面脑智特征的机器人。如加梅斯等人的CRONOS机器人、布鲁克斯 (R.Brooks) 和布里吉尔 (C.Breazeal) 等人研发的COG机器人、以及契里亚 (A.Chella) 等人研发的Cice Robot, 还有亚历山大等人开发的仿脑机器人核心架构。CRONOS通过躯体和环境的相关关系, 建立内部模型进展环境认知;16COG机器人那么侧重于关节留意机制、情感表现等方面的研究;17Cice Robot机器人能够
9、通过想象才能与外部环境输入的视觉感知材料相比拟来引导行为;18亚历山大的仿脑机器人核心架构基于神经表征模组Neural Representation Modeller (NRM) 而运转, 能够同时满足亚历山大提出的五条机器认识特征公理。192. 脑机交融实现脑机交融研究是位于机器认识和神经科学穿插领域的一个比拟重要的前沿研究方向。其兴起主要是基于以下几个方面的考量:第一, 机器智能和人类认识彼此都具有对方所不擅长的优势。机器擅长于快速准确计算、海量经历存储、快速检索信息等, 而且在高速运动、飞行、深海探究和宇宙探究等对人类身体有所限制的环境下也能够进展自如行动, 而人类认识那么擅长快速学习、
10、抽象想象、制造性思维等, 脑机交融研究那么能够将双方的优势互相结合, 从而实现人类智力的进一步开发, 以及让机器在某种程度上实现认识才能;第二, 脑机交融研究能够为某些残障人士提供更为接近其本来器官的功能上的替代物。例如, 直截了当链接到脑部的反响电路使得肢体残障人士能够对机器义肢拥有和本来肢体类似的感受, 也能够借助摄像摄影设备让盲人恢复部分视觉, 随着研究水平的提高, 甚至能够让患有癫痫、帕金森病等脑部疾病的患者更换上相关脑区的功能替代物, 从而得到康复。脑机交融的可行性主要表达在:首先, 机器通常使用电信号来处理信息, 而大脑的神经信号主要采纳的也是电脉冲信号的方式, 这一点二者存在着共
11、同点;其次, 大脑的各个区域存在功能分工, 如负责语言、负责视觉、负责运动等, 因而能够针对性地采集特定功能区域的神经信号并将其与人工设备进展信号对接, 在掌握其详细功能后, 便能够研发该部位的功能替代物;最后, 大脑本身具有可塑性, 可塑性在今后自人工设备的信号和神经信号建立起联络的过程中起着重要的作用。通常, 脑机交融主要分为两个方向, 一是从机到脑, 即通过各种人工设备产生电子信号来刺激大脑, 以传输某些特别的感受信息, 或是模仿某些特别的神经功能, 这方面的典型代表是人工耳蜗, 随着其技术开展, 还能够恢复盲人的视力, 使机器义肢拥有触觉, 以及治愈帕金森病和癫痫等。二是从脑到机, 即
12、通过大脑的原生信号来操控人工设备, 这方面比拟着名的应用是利用运动皮层的神经信号来实时操纵机器手臂的运动, 其今后能够开展为直截了当通过脑信号进展虚拟现实的交互, 远程操控机器替身等。在脑机接触手段上, 脑机交融主要分为侵入式和非侵入式两种。侵入式指的是需要通过外科手术, 直截了当在大脑皮层植入电极, 这种方式能够最高效地采集和传输神经信号, 但风险较大, 目前主要以动物实验为主, 非侵入式那么采取风险相对较小的传统的表层信息采集技术, 常用的有EEG (脑电图) 、f MRI (核磁共振功能成像) 、MEG (脑磁图) 、NIRS (近红外光谱) 、PET (正电子成像术) 等。在研究文献方
13、面, 巴赫 (P.Bach) 、克赛尔 (S.W.Kercel) 等人关于大脑可塑性和感受替代方面做了相关研究。20尼尔斯 (B.Niels) 、科恩 (L.G.Cohen) 针对非侵入式的脑机交融所使用的各项技术在中风患者和肌肉萎缩症的患者的临床应用方面也做了详细的研究。21克里斯坦 (H.Christian) 和汤加 (S.Tanja) 在他们关于神经信号的语音识别技术所做的综述中评述分析了不同的脑成像技术使用自动语音识别技术来识别神经信号中语音的潜力。22值得留意的是列别德夫 (M.A.Lebedev) 和尼克列利斯 (M.A.L.Nicolelis) 等人的研究, 他们对脑机结合做了比
14、拟全面的综述, 同时给出了分类途径图和操作原那么。23在详细的技术实现方面上, 蔡平 (J.K.Chapin) 等人用人工神经网络算法将实验鼠运动皮层神经集群电信号转换为按压水泵的机械臂操纵指令, 初次实现了大脑对外部设备的直截了当操纵。24霍赫贝格 (L.R.Hochberg) , 巴彻 (D.Bacher) 等人那么成功地使得因中风而四肢瘫痪的患者通过意念操纵完成了通过机械臂抓取杯子的喝水行为。25类似的, 梵思汀赛尔 (M.J.Vansteensel) 等人的团队成功地使得患有ALS (Amyotrophic Lateral Sclerosis) 晚期肌萎缩侧索硬化的荷兰女患者使意图念进
15、展拼写, 从而实现对外交流。26卡波格罗索 (M.Capogrosso) 最近发表在Nature上的研究更是成功地将神经信号解码同时通过机械装置中转后对脊椎发放信号从而直截了当让猕猴瘫痪的后肢恢复运动才能。27二、机器认识的困难尽管机器认识研究的成果斐然, 上述研究中的机器人在各方面表现得越来越接近于人类, 甚至在某些方面超越了人类的水准, 但当前的机器认识研究仍然有着三个难以回避的困难。1. 机器认识可行性的疑心由于认识的奇异性和高度复杂性, 关于认识运转的详细机制众说纷纭, 仍未有一个能够通过科学实验证明的定论。因而, 声称机器能够实现人类同等认识的机器认识研究在诞生之初就遭遇到了可行性上
16、的疑心。人们对可行性的疑心包括了两个方面理论层面的可行性和技术层面的可行性。在理论层面的可行性方面, 机器认识难以回避如此的疑心28:我们的神经生物系统是特别的, 认识只能通过神经系统产生, 因而机器无法产生认识。这种疑心基于如此一个事实:迄今为止, 我们尚未发如今生物神经系统之外能产生认识的存在物, 有可能我们就处于必须通过神经系统才能实现认识的可能世界。如此一来, 通过机器实现认识也就成了无源之水, 无本之木, 从根本上就不可能实现。而在技术层面的可行性方面, 机器认识的工程师们指出:大部分现有的认识理论往往来自哲学或是心理学, 并不提供关于有认识的存在是什么, 以及认识是如何在机器中产生
17、的解释。他们只是提供或多或少的关于认识的隐喻式描绘, 而不是能直截了当通过计算术语实现的模型。“29然而, 试图通过计算术语实现认识的前提有三个, 第一, 必须将认识方式化;第二, 这个方式化必须是可计算的, 得有适宜的算法;第三, 这个算法必须有着合理的复杂度。30而就目前的技术水平而言, 这三个条件都无法满足。首先, 就方式化方面来说, 目前机器认识所流行的实现方法都是基于神经网络或是符号编程的, 雷多闻 (M.Radovan) 早在1997年就已经证明, 神经网络的这种神经连接主义方法的表达才能与传统的符号逻辑主义方法是等价的, 31而关于符号逻辑主义方法, 卡普兰 (C.Caplain
18、) 也已经证明其不可能描绘认识现象, 32换言之, 假设不打破目前逻辑系统的范式, 我们可能不断都无法通过计算术语实现真正的认识;其次, 目前的计算算法也无法通过计算术语来完好地描绘认识现象, 仅仅是实现视觉的最正确算法就会被一个像素干扰从而识别错误;33最后, 人脑约由1012个神经元组成, 而每个神经元都有大约103个突触, 而认识正是由这些数量宏大且互相连接的神经细胞之间不可预测的, 非线性作用的结果。假设通过计算机来模仿, 每个突触需要4字节的内存空间, 总计就需要41015字节的空间, 但目前的科技水平还远远未到达这个硬件条件, 34而且随着计算量的增加, 计算复杂度也将呈现指数级的
19、增长, 随之而来的能耗将大大超出我们所能供给的程度。因而, 机器认识在技术的可行性上也具有相当大的难度。2. 机器认识断定标准的困难就算机器认识的两方面可行性都顺利达成, 在断定机器是否真正实现了认识才能方面, 也存在着征询题。由于认识的第一人称的私密性, 除了觉知主体, 他者是无法直观地觉知到认识是否产生的, 通常采纳的方法是从外部言行、输入输出等方面进展推断, 这种行为主义和功能主义的断定方式遭到众多学者的反对。他们认为我们无法仅仅通过言语和行为就断定机器具有认识, 赛尔 (J.Searle) 就通过中文屋的思想实验指出, 就算中文屋能够在外部表现地和你对答如流, 但其却根本没有理解中文的
20、真正含义。35而查尔默斯 (D.Chalmers) 关于哲学行尸 (zombie) 的思想实验进一步地强调了功能主义和行为主义断定方式无法区别外表言行类似, 却没有内部觉知体验的行尸和真正有认识的个体。36因而仅凭借外部言行是无法推断机器是否确实实现认识的。鉴于功能主义与行为主义断定方式的这一弊端, 霍兰德 (O.Holland) 37和塞斯 (A.Seth) 38将认识的断定标准分为两个等级, 强人工认识和弱人工认识, 弱人工认识仅仅致力于外部行为表现, 或是达成相对应功能的输入和输出, 并不要求机器具备真正的认识, 而只有实现与人类同等意义上的认识, 即主体觉知意义上的认识才能, 才能被称
21、为强人工认识, 换言之, 我们能够将弱人工认识相对应于脑智外现, 强人工认识相对应于觉知内显。如此一来, 不难看出, 上述机器认识研究的成果, 根本上都是脑智外现的研究, 而鲜有觉知内显的研究。值得留意的是脑机交融研究, 其中的从脑到机方面的研究只需要读取相应的脑电特征的输入输出来操控机器, 仍然是属于脑智外现方面的研究, 并不涉及觉知内显, 因而直截了当对应于弱人工认识。而从机到脑, 并产生相应感受方面的研究, 就目前来说, 尽管是通过机器让我们产生了相关的主体感受, 但这种产生感受的机制仍然是借用人类大脑的原活力制, 研究者既没有探究机器如何独立产生主观体验, 也没有借此探究人类的觉知机制
22、, 而只是止步于我们感受体验的输入端, 因而并不属于强人工认识, 也要归入弱人工认识。如此一来, 我们就能够确定机器认识的界限。普林茨 (J.Prinz) 指出, 外部言行表现是认识断定的必要条件, 觉知那么构成了认识断定的充分条件, 机器认识能够满足认识断定必要条件, 但当前我们没有任何手段确定机器认识是否满足认识断定的充分条件。39目前学界针对机器认识脑智外现的诸多断定标准比拟直观明晰, 也容易获得认可, 这些构成了弱人工认识的下确界。确实是说, 目前有一类明确的断定标准来区分人工认识和非人工认识, 满足这些断定标准的都能够归为人工认识, 最少是弱人工认识。而相对应的, 满足认识断定的充分
23、条件的觉知机制那么构成了弱人工认识的上界, 同时也是弱人工认识和强人工认识的分界岭。但困难之处在于, 我们能够从定性的角度找到弱人工认识和强人工认识的分界, 但却无法从定量的角度找到这个分界确实界。即是说, 我们目前无法给出一系列定量的、明确的断定标准来区分弱人工认识和强人工认识, 其缘故在于, 认识觉知在其本质上是通过第一人称视角直截了当把握到的, 而第一人称视角的验证是无法定量的, 所有得到公认的定量的标准都必须通过第三人称视角的验证。由此一来, 就构成了一个两难:我们要么放弃通过第三人称视角的方式来断定机器的认识觉知是否实现, 仅保存第一人称视角来验证的方式, 要么保存第三人称视角的验证
24、方式, 从而放弃给出强人工认识和弱人工认识之间确实界标准。这确实是当前机器认识断定标准的困难所在。3. 机器认识中的解释鸿沟即便工程师们成功构造出了有认识的机器, 在解释为何这种构造机制会产生认识的方面, 也存在着困难, 查尔默斯 (D.Chalmers) 称之为认识的难征询题:我们不只是要明白哪些过程引起了经历, 我们还必须看到关于为什么和是如何样的说明。“ (40, p.373) 哈尔纳德 (S.Harnad) 同样表示, 就算我们完成了有关认识的所有正向和逆向工程, 我们也仅仅只是掌握了认识的相关运转机制, 并未真正解释认识是如何产生的, 他认为就算所有的认知科学方面的工作都完成了, 机
25、器中的幽灵却仍然困扰着我们。“41能够说, 仅仅通过物理方面的解释关于认识是不充分的, 工程师和神经科学家们可能在无数次实验中觉察与认识相关的物理构造, 但这种构造无法给予认识以充分的说明。莱布尼茨 (G.W.Leibniz) 就曾指出, 假设我们走进有认识的机器的内部, 所能看到的也就只是互相作用的零部件, 其中并没有能够解释认识的东西。42用列文 (J.Levine) 的话来说, 在物理的神通过程与心灵的认识现象之间存在着难以逾越的解释鸿沟 (The Explanatory Gap) 。43麦吉恩 (C.Mc Ginn) 那么采纳了一个更为意的比喻:物质脑之水以某种方式转化为认识之酒, 但
26、我们对这种转化的本性却一无所知所谓心-身征询题确实是理解关于这个奇观是如何发生的征询题。“44三、机器认识的出路1. 寻求技术上的创新即便存在着种种困难, 但总体而言, 这些困难并缺乏以阻止机器认识研究的进程。神经科学和人工智能科学的新进展正逐步使得机器认识的诞生具备越来越高的可能, 主要表达在:首先, 大脑采纳有规律的电信号/化学信号作为信息传递的载体及信号运算的物理手段, 这一点机器也能够通过对电信号编码来进展模仿。卡波格罗索的研究确实是通过电信号模仿神经信号的典型。其次, 神经科学觉察大脑各皮层存在着模块化的功能特征, 通常来说, 前额叶负责理性思维, 原始脑负责情感处理。详细而言, 单
27、就语言功能就在大脑中就分别有S区 (运动语言中枢) , W区 (书写语言中枢) 、V区 (视觉语言中枢) 、H区 (听觉语言中枢) 等几个模块, 其中, S区受损的表现为听得明白也看得明白语言但无法说话, W区受损表现为听得明白也看得明白但无法写字, V区受损表现为看不明白文字但是听得明白, H区受损的表现为看得明白文字, 也能读写确实是听不明白。更为重要的在于, 不仅脑智能是模块化的, 认识觉知也是如此。例如我们视觉觉知的过程, 确实是从视网膜转化信号, 一路通过初级视觉区 (V1区) 、纹外皮层 (V2-V5) 等脑区进展的, 在这一过程中, 任何一个模块发生征询题, 都可能导致最终无法产
28、生视觉觉知, 初级视皮层受损的患者会出现盲视现象, 纹外皮层受损那么可能出现偏盲现象。这种模块化处理信息的特点在机器系统中亦是特别普遍与常见的。随着对认识的研究的深化, 人们也可能在理解觉知机制后研发出认识觉知模块, 从而在真正意义上实现和人类感同心受的机器认识。最后, 量子计算机和认识的量子模型的相关研究使得机器能够打破传统计算机和传统逻辑模型的种种限制, 进一步符合认识的原生生成机制。2. 寻求解释上的革新不难觉察, 认识本身的私密性和奇异性使得人们对认识的第三人称的观察和第一人称的体验难以有机地结合在一个统一的解释中, 人们关于认识的认识, 在第一人称视角和第三人称视角之间存在着一种缺失
29、。侯世达 (D.R.Hofstadter) 在其名着歌德尔、艾舍尔、巴赫中将其归纳为为说明大脑中发生的思维过程, 我们还剩下两个根本征询题:一个是解释低层次的神经发射通讯是如何导致高层次符号激活通讯的;另一个是自足地解释高层次的符号激活通讯建立一个不涉及低层神经事件的事论。“45换言之, 在当前对认识的解释中, 最少存在着如下两种解释框架:A.物理状态/神经状态rarr;认识状态B.觉知构造rarr;认识状态其中, 我们把解释A看作是因果解释, 而把解释B看作是生成解释。对解释A来说, 也许在物理状态中我们把握到了某些认识得以产生的重要的相关参数, 但仅凭这些物理参数仍然无法解释为何认识会得以
30、产生, 物理状态和认识状态之间存在着一条难以逾越的解释鸿沟。相应地, 解释B那么能够充分地说明认识状态的产生, 查尔默斯就在其对认识难征询题的考虑中指出用来解释觉知的过程, 确实是认识之根底的组成部分。“ (40, p.386) 而我们所需要的, 一个科学的, 令人服气的解释理论那么是一个沟通物理状态、觉知构造、认识状态三者的解释理论, 如此的解释理论必须满足解释框架C:C.物理状态rarr;觉知构造rarr;认识状态关于解释C而言, 通过构造觉知构造作为物理状态与认识状态的中介, 弥补了直截了当通过物理状态僵硬地解释认识状态所造成的解释鸿沟, 物理状态在功能上构成了觉知构造, 觉知构造那么生
31、成了认识状态, 如此便能弥补从物理状态到认识状态的解释鸿沟。一个认识的合理解释应该是按照物理状态-觉知构造-认识状态三者对应的方式表达的。在这一点上, 麦吉恩也有着类似的洞见, 他指出, 在认识状态和物理状态之间存在着一种隐藏构造:我设想的这种隐藏构造不会处于内格尔所认为的那两个层次:它大概位于两者之间的地点。这个中间层既非现象学的, 也非物理性的, 它不会按照这一分裂的任何一方的模型来塑造, 因而也就不会觉察本人无法通到另一边。它的刻画要求概念的完全革新“46同时, 这种方式也为断定标准的困难提供了一种出路。尽管无法直截了当把握到机器人的第一人称的觉知内容, 我们仍然能够通过寻找其所对应的第
32、三人称相关物来处理, 这个第三人称相关物不同于弱人工认识通常采纳的外部言行标准, 而是物理状态觉知构造认识状态的一体化理论中, 与觉知构造相对应的物理状态。但需要留意的是, 按照多重可实现理论, 任何具备认识觉知构造的系统都将拥有对应的认识, 而却能够有多种不同的物理状态对应到觉知构造中来。因而, 解释C也就能够看作是两个部分的组合:解释C1:物理状态觉知构造解释C2:觉知构造认识状态其中, 解释C1是因果解释, 解释C2是生成解释, C1中的物理状态既能够是神经细胞的神经状态, 也能够是机器的计算状态, 在构成觉知构造这一点上, 神经状态或是计算状态在多重可实现理论中是等价的。而承认多重可实
33、现假说的这一论断, 正是承认机器实现认识的理论前提。综上所述, 就当前研究来说, 我们能够按照对解释C1和解释C2两部分的侧重不同, 分为侧重C1的信息加工解释进路和侧重C2的现象构造解释进路。信息加工解释进路基于因果性解释, 主要致力于说明认识发生过程中的因果关系。而现象构造解释进路那么基于构造性解释, 其强调认识觉知内容的构造构成。相较而言, 信息加工解释进路有利于机器实现, 但缺乏针对现象方面的深化探究对其来说, 在提供了关于信息加工的某些细节之后, 认识现象就忽然出现了, 而这一出现的机制并没有真正被信息加工解释进路所说明。而相对应的, 现象构造解释进路那么从认识觉知的构造着手, 说明
34、了认识觉知是如何从这种构造之中产生的, 但其往往缺乏对应这种构造的信息加工的因果过程的说明, 因而难以在机器之中得以实现。3. 寻求研究上的整合我们的认识是一个复杂庞大的整体, 而研究者们为了研究方便, 往往针对认识的不同方面进展各自的研究, 因而, 将认识的不同方面的研究进展整合, 也是机器认识研究的出路所在。按照上文, 我们已经将机器认识研究分为了脑智外现研究和觉知内显研究, 其中, 脑智外现研究分别从情感、语言、想象、计算、认知等多方面展开了机器实现, 而觉知内显研究那么分别从信息加工解释进路和现象构造解释进路进展了探究性的研究。信息加工进路中比拟有代表性的有巴尔斯 (B.J.Baars
35、) 提出、德阿纳 (S.Dehaene) 与尚热 (J.P.Changeux) 以及沙纳瀚 (M.Shanahan) 等人不断开展完善的全局工作空间理论及其模型;海客能 (P.O.Haikonen) 的机器认识理论;托诺尼 (G.Tononi) 的信息集成理论所罗门 (A.Sloman) 的机器认识理论等, 而现象构造进路中着名的有阿姆斯特朗 (D.Armstrong) 和利康 (W.Lycan) 等人的高阶感知理论;卫斯伯格 (J.Weisberg) 和罗森赛尔 (D.M.Rosenthal) 以及卡拉瑟斯 (P.Carruthers) 等人的高阶思维理论;克里格尔 (U.Kriegel)
36、、金那罗 (R.Gennaro) 等人的同阶理论;玄奘、窥基等人的唯识论等。因而, 机器认识的研究整合也可分为三部分:D1脑智外现研究和觉知内显研究的整合D2脑智外现研究中各个详细表现方面的整合D3觉知内显研究中信息加工进路和现象构造进路的整合针对D1来说, 当前的研究主流相对侧重于脑智外现的机器实现, 觉知内显机制的研究那么相对薄弱地多。针对这种工程师们往往只关注脑智外现的机器实现的现状, 亚历山大不无担忧地表示:完全使用人工智能那种功能的方法的那些人至少必须解释在什么程度上它们的模型能够说包括了一个现象的世界, 不然他们的工作就不能被视为是对机器认识的目的做出奉献“。47因而, 在当前研究
37、的根底上, 整合脑智外现研究和觉知内显研究也就成为机器认识研究所必需要达成的目的。在这一方面, 巴尔斯、德阿纳与尚热、沙纳瀚以及所罗门、海客能等人都提出了各自的整合模型。但这些模型全都基于信息加工进路, 并没有针对现象构造做出深化研究, 其理论都还有待补充与加强。除此之外, 脑机交融技术的开展也使得这方面的整合有着宽阔的前景。对D2而言, 我们的认识能够从事多种复杂的任务, 因而那些只能从事简单任务的机器人特别难被认同其拥有认识。因而, 复杂环境下处理多种任务的综合机器人也就应运而生, 诸如加梅斯等人的CRONOS机器人、布鲁克斯等人的COG机器人、以及切里亚等人的Cice Robot等。至于
38、D3, 通过整合C1和C2进路, 使其能详细解释在呈现现象构造的过程中发生了哪些功能机制的因果关系变化, 这是真正触及到众人皆感棘手的认识觉知的核心征询题, 需要同时整合第一人称视角方法和第三人称视角方法, 在目前也尚未有人对此方面做出过令人服气的研究。综上所述, 在机器认识的研究工作中, 需要留意加强脑智外现研究中各项表现才能的整合, 并以实现信息加工进路和现象构造进路的整合为主要打破口, 最终实现脑智外现和觉知内显的整合, 只有如此才能够找到机器认识的真正出路。参考文献1Gamez, D.Progress in Machine ConsciousnessJ.ConsciousnessCog
39、nition, 2008, 17 (3) :887-910.2Reggia, J.A.The Rise of Machine Consciousness:Studying Consciousness with Computational ModelsJ.Neural Networks, 2013, 44 (8) :112-131.3Aleksander, I., Dunmall, B.Axioms and Tests for the Presence of Minimal Consciousness in Agents I:PreambleJ.Journal of Consciousness
40、Studies, 2003, 10 (4-5) :7-18.4Picard, R.W., Papert, S., Bender, W., et al.Affective LearningA ManifestoJ.Bt Technology Journal, 2004, 22 (4) :253-269.5Hudlicka, E.Challenges in Developing Computational Models of Emotion and ConsciousnessJ.International Journal of Machine Consciousness, 2012, 1 (1)
41、:131-153.6Hayashi, E., Shimono, M.Design of Robotic Behavior that Imitates Animal ConsciousnessJ.Artificial LifeRobotics, 2008, 13 (1) :203-208.7Angel, L.How to Build a Conscious MachineM.Boulder:Westview Press, 1989, 320-322.8Agustin, V., Ferno, M.Inner Speech:Nature and FunctionsJ.Philosophy Compa
42、ss, 2011, 6 (3) :209-219.9Lesser, E., Schaeps, T.Haikonen, P.et al.Associative Neural Networks for Machine Consciousness:Improving Existing AI TechnologiesA, IEEE Convention of ElectricalElectronics Engineers in IsraelC, New York:IEEE, 2008, 11-15.10Steels, L.Language Games for Autonomous RobotsJ.IEEE Intelligent Systems, 2001, 16 (5) :16-22.
