摘要：阿兰·图灵（Alan Turing）于1950 年发表了《计算机器与智能》一文，提出了著名的“图灵测试”，即“模仿游戏”，为“人类智能”提供了一种可操作性定义，并提出了构建更好的机器以及获得对人类智能自身领悟的双重目的。后续的研究基于“模仿游戏”发展出了两种不同的路径，即“智能机器化”与“学习系统”。在对“智能”相关概念进行区分的基础上考察两种不同路径对图灵的双重目的的助益与局限，在此基础上探讨人工智能的未来道路，即“制造现实智能”与“互动语境”。

关键词：模仿游戏 智能机器化 学习系统 制造现实智能 互动语境

图灵提出了著名的“图灵测试”，即“模仿游戏”，为“人类智能”提供了一种可操作性定义。在面对“机器能思考吗？”这个问题时，不再对“机器”和“思考”的概念进行无止境的穷究，而是提出了一种经验性的呈现方式。“这项事业有毋庸置疑的双重意义，构建更好的机器，获得对人类智能自身的领悟”[7]。图灵认为“模仿游戏”推动了“对认知功能的探索和推进了计算机和软件的发展”[7 ]。本篇文章认同这一观点，并以此为基础，对“模仿游戏”和智能概念进行分析，研究图灵测试探索“智能”概念及其作用的路径，并以此为基础探寻人工智能的未来发展方向。

一、“模仿游戏”与“智能”

“模仿游戏”中存在着三个部分，作为提问者的人，作为被判断对象的机器以及人与机器之间的交互过程，这三个部分组成整体的“模仿游戏”。“模仿游戏由三个人来做，一个男人（A），一个女人（B），还有一个提问者（C），性别不限。提问者待在一间与另两人分开的房子里。提问者在游戏中的目标是，确定另外两人哪一个是男性，哪一个是女性。”[9]在现实的测试中，人类能否区分机器与人，成为了判断机器是否具有智能的标准，这是基于现实的、可观察的游戏为智能所下的可操作性定义。

关于智能，“从智能的字面意义上看，智能没有表现出任何思想过程。智能可以作为一种属性或状态被描述”[8]，比如书的智能，这种智能是一种作为载体的智能状态，不涉及任何思想进程。另一种是有认知归属的智能，这种智能通常是指人所拥有和使用的智能，包含思想进程。在此，将拥有人类内部思想进程的智能称为“人类智能”。

“新问题的优点首先在于，在思考和身体之间划出了一条界限。”[1]模仿游戏将身体与思考分离，一个机器是否在思考并不取决于它是否有人的身体，思考与否并不依据载体进行判断。智能与载体的分离说明智能不依赖载体。可以据此推出，智能不是人类特有的，“人类智能”只是智能的一种特定形式。同理，“机器智能”也可被看成一种智能形式。论及“机器智能”与“人类智能”的关系，“机器智能”作为一种“人造智能”可以被看成是“人类智能”的模仿物，力图复刻“人类智能”。为了方便区分，在此将前一种作为智能形式的“机器智能”称为“纯机器智能”，后一种称为“人类机器智能”。

接下来将在这些区分的基础上，对基于图灵测试探索的智能形式进行梳理，并依据这些区分和图灵测试的双重目的考察其局限于助益。

二、机器智能化与智能机器化

机器能否像人一样思考，这一问题探究的便是机器智能化，即机器的人类智能化。在对图灵测试的一种解读中，预设了人类智能是计算机程序，即基于特定的内部机制，输入外部刺激时会产生相应的输出内容，过程类似于线性回归函数。“图灵的基本理论建议是，表征世界上正常人类行为的一般投入产出关系是可计算函数的一个实例。”[2]这实际上是（人类）智能机器化，本质上是将人类的内部思维过程预设为计算机程序。

“一般的探索路径就是对想要探索的对象跟有智能的人类向比较，进行原型比较和推定。”[2]这种原型推定方式表现出对内部思维过程的忽略，并不能实现机器智能化，无法让机器复刻人类智能。“电子计算机内部的信号传导速度大约是人类或动物神经元信号传导速度的一百万倍。”[2] 计算机的运算速度远远超过人类，但优越的性能并没有让计算机产生出人类智能。“大脑的计算机制似乎通过利用一个非凡的逻辑‘广度’来弥补其不可避免的快速和准确的逻辑‘深度’能力”[2]。

可见，这一方向存在前提性错误，人类智能并非如同机器一样是线性的程序运算，而是基于一种“非凡的逻辑‘广度’”。基于日常的经验活动，直觉上人类智能似乎是符合计算机模式，但只是常识性的相似。这种模式实质上是用计算机智能统摄人类智能，以为人类智能是计算机模式，这导致的结果并不是机器智能化，而是人类智能机器化，并不能让“人类机器智能”诞生。但如果不纠结于人类智能，计算机可以以自身的算法形式为基础发展独特的“纯机器智能”，对图灵的第二目的有所助益。

三、人类智能的探究路径——“学习系统”

智能机器化路径无法产生真正意义上的“人类机器智能”。在此路径发展受阻的基础上，后来的学者们提出了“学习系统”路径。图灵曾指出“我们以生物大脑所做的方式对待这种程序的目的：通过一段长时间，在类环境下，机器逐渐学习人类的智能技能和能力。”[2这提出了一个新的方向，机器获得人类智能并不是通过某个程序一蹴而就，而是通过交互程序，让机器如同人类婴儿一般在与周围环境的互动中不断成长，模仿婴儿智能成熟的过程让机器产生人类智能。这种模式将研究重心从计算机算法转到人类自身。

这需要对“学习”这个概念进行研究，如果不能对“人类学习”这种过程给出一个合理的解释，即使进行了交互，也不能够说明计算机经历了婴儿一样的学习过程，方法的不确定性将带来结果的不确定性。图灵的思路是先自上而下将智能分解为最基本行为步骤，再从基本的行为开始，自下而上的构建智能系统。他认为人与机器在最基本的行为上是同质的，决定智能性质的关键在于步骤复杂性，当复杂性达到一定程度，人类智能就会产生，智能与智能之间不是“质”的区别而是“量”的区别。

这是图灵与行为主义的交叉点，前提上都认为“人类的内部精神过程完全由行为表征和构成。”[8]图灵是用“质”来同化复杂与简单，用“量”来加以区别。“但实际上，理论的发展方向是相反的：只有通过假设学习概念网络可以在一个不断减少的状态下应用到‘连续体’的下降水平，才能对这些相同的概念进行逆向还原分析。”[3]这样的结果使复杂的学习系统等于简单的学习系统，人类对语言、数学等的学习等同于植物对光、动物对刺激的本能反应。这显然是存在问题的，在这一原则下，图灵测试“无法区分行为”的意义被扩大了，不仅仅被看成是成功的模仿，而且被看成是机器具有人类意识的证明，这显然是不对的。“意义不是由验证方法构成的”。[5]行为主义的对思维的解读并不能构成对思维的定义。这一思路也提出了另一个问题，即行为如何产生意义。

物理机制是如何产生意义？这是对人类智能研究的一个关键问题，用基本行为对思维过程加以解构不能解决这一问题。对此，维特根斯坦提出了一种转向，以往的研究方向引用了康德的图式，预设人存在先天纯形式的思维规则，注重对内部形式的研究。维特根斯坦提出的路径是从外到内，通过具体语境下的外部行为区分内部机制，并据此描述相应的规定性。这种方式取消了神秘主义的前提预设，提出了一种在语境下进行考察的经验性方式，这种方式与图灵的可操作性定义有异曲同工之处。

“学习系统”思路是基于图灵测试发展而来的，这一思路转变了方向，从倾向于机器到倾向于人，机器朝向符合人的方向发展。这种路径是通过对人的研究来说明机器具有符合人类思维特质的一面，从而让人类思维与机器算法具有同质性，并且接受了早期行为主义的观点，用基本行为解构思维过程，在基本行为一致的情况下，用“复杂性”概念对人类智能和机器智能加以区分，在同质的基础上认为机器智能只要达到了一定的复杂性就能够产生人类智能。

“学习系统”对人类智能探究的贡献在于，发现了人类智能并不是先天成形的完备智能状态，而是通过学习不断形成的。通过“学习系统”让计算机进行类似婴儿的学习过程，为计算机智能的发展提供了新的方向。但问题在于难以跨越物理机制如何产生意义，行为如何具有智能的界限，行为主义的基本思路无法跨越物理机制与意义之间的界限。这种路径将机器靠向人类，对探索人类自身思维过程有所助益，但也无法解决机器的人类智能化问题。

四、“制造现实智能”与“互动语境”

“智能机器化”与“学习系统”这两种路径对纯机器智能的发展以及对人类自身的探索都有一定程度的助益，但就机器的人类智能化来讲都存在各自的局限性。那么未来的人工智能，机器人类智能的发展该如何前进？这里基于可操作性定义给出“制造现实智能”以及“互动语境”的探索形式。

就图灵测试本身而言，一台通过图灵测试的计算机并不是重要的，通过了“什么样的”测试才是。测试方式的意义在于提供了可操作性定义，是这个测试形式让机器有了“智能”，换言之，即使替换了参加者，替换为其它非机器对象，这种测试形式都会以一种定义形式赋予参加者“智能”意义。

可操作性定义通过现实形式而不是概念形式进行定义，将智能从概念意识领域拉入到经验现实领域。进入到经验领域，不同于概念上的推演，可以通过“制造”的方式来消除所有质疑。“就像图灵提出或许在50年内发生的事情，人可以选择使用不同的工具，而没有经验和概念上的问题出现。就像我们对航天飞机和潜水艇的争论一样，都是没有意义的问题。”[7]当一个经验性的、现实的“智能”被制造出来，对于这个“智能”的质疑就不会出现，这是经验世界不同于概念世界的地方。对“智能”的概念探究是一回事，“制造现实智能”是另一回事，并不是非要弄清楚概念才能在实际中去制造，而是可以在现实中进行制作，用成品消除质疑，这是图灵的操作性定义进入经验领域所带来的有益影响。

这种“制造现实智能”的路径所得到的智能并不一定就是机器人类智能，它可以是更广泛的智能形式中的一种。这对研究人类智能也是有益的，这一方式的基本原理是通过对更广泛的“智能”形式进行探索，从而对更具有特殊性的智能形式，比如人类智能形成一种自上而下的观照。“这可能是因为每个定理实际上都是一些更强的算法推理系统的实例。”[4]从操作性定义的现实意义来讲，人类智能仅是一种“智能”形式，如果能够造出让人类智能无法区分的新智能形式，就能对“智能”这一更广泛的概念更加了解。当对更高的概念有了新的理解，对人类智能也能够有更进一步的理解，因为思路打开了。以往的“智能机器化”与“学习系统”路径在客观上都起到了这样的效果，现在的思路是再进一步，不局限于特定的智能形式，通过现实制造对更广泛的智能本身加以研究，再对具有特殊性的“人类智能”加以观照，实现对人类智能的探究。

“智能机器化”与“学习系统”分别表现出了对机器与对人的注重，在“互动语境”中，并非重视某一方面，而是在明晰两者的关系的情况下，在互动中对双方都有更进一步认识。这是模仿游戏最基本的形式，也只有对双方都有更深的理解，交互关系才能走向更深的一步，实现对智能的进一步探索。“互动语境”亦表现出一种确定性。“互动语境”中包含着互动双方以及互动的方式，特定语境下的对象、对象行为与对象内部机制都表现出语境下的确定性，其得到的探究结果具有确定性，而不再是单纯内部状态模糊的不确定性。

“制造现实智能”，通过对具有更广泛意义的“智能”本身加以研究，以观照具有特定形式的人类智能，这一思路的实施方式便是在“互动语境”中对人和机器的智能加以了解，得到具有确定性的结果。在对“人类智能”的了解达到一定层次后，制造“机器人类智能”的可能性就会随之产生，人工智能的未来将会在“互动语境”中呈现出来。

参考文献：

[1]A.M. Turing. Computing machinery and intelligence， Mind， 59， 433-460， 1950.

https：//www.csee.umbc.edu/courses/471/papers/turing.pdf.

[2]Paul M. Churchland. On the Nature of Intelligence Turing， Church， von Neumann， and the Brain. R. Epstein et al. （eds.）， Parsing the Turing Test[C]. Springer Science + Business Media B.V.2009

[3]Stuart Shanker. Turing and the Origins of AI[J]. Philosophia Mathematica 3 （1） .1995

[4]John Lucas. Commentary on Turing’s “Computing Machinery and Intelligence”. R. Epstein et al. （eds.）， Parsing the Turing Test[C]. © Springer Science + Business Media B.V. 2009

[5]Andrew Hodges. Alan Turing and the Turing Test. R. Epstein et al. （eds.）， Parsing the Turing Test[C]. © Springer Science + Business Media B.V. 2009

[6]Robert Epstein. The Quest for the Thinking Computer. R. Epstein et al. （eds.）， Parsing the Turing Test[C]. © Springer Science + Business Media B.V. 2009

[7]Noam Chomsky. Turing on the “Imitation Game”. R. Epstein et al. （eds.）， Parsing the Turing Test[C]. © Noam Chomsky. 2009

[8]John R. Searle. The Turing Test： 55 Years Later. R. Epstein et al. （eds.）， Parsing the Turing Test[C]. © Springer Science + Business Media B.V. 2009

[9]宋勇刚.图灵测试：哲学争论及历史地位[J].科学文化评论，2011.6

作者信息：李远飞（1993—），男，黑龙江哈尔滨人，上海大学马克思主义学院2019级哲学专业硕士研究生。研究方向：伦理学。