SEP：心灵的计算理论（一）

*译： cjy

*校： teki

*作者 Michael Rescorla( rescorla@ucla.edu )是加州大洛杉矶分校哲学系教授，主要研究心灵哲学、逻辑哲学、认识论，与语言哲学。近期工作主要关注于心灵表征的本质，联系于认知科学、可计算性理论，概率论等研究的基础。

*参考文献部分请参原文： plato.stanford.edu/entr...

First published Fri Oct 16, 2015; substantive revision Fri Feb 21, 2020

机器可以思考吗？心灵自身可以被考虑成一个机器吗？计算机革命改变了我们关于这些问题的讨论，并为机器去模拟推理、决策、问题解决、感知、语言理解以及其他心灵进程提供了最好的愿景。而在计算领域的进展，则使得将心灵自身视为计算系统，也就是被称为心灵的计算理论(the computational theory of mind (CTM))这一立场的愿景浮现了出来。计算主义者是一群认同CTM至少适用于某些重要的心灵进程的学者。在1960与1970年代，CTM在认知科学中扮演着重要角色。多年来它都享有正统地位。不过最近则受到了各种各样竞争范式的压力。计算主义者面临的一个关键任务是去解释，当人们说心灵“计算着”的时候其究竟意味着什么，第二个任务就是去论证，心灵确实在这种相关意义上“计算着”。第三个任务则是去阐明，计算描述同其他常见类型的描述间的联系，特别是同，神经生理学描述(neurophysiological description)(其提及了生命体的大脑或身体的神经生理学属性)；以及意向性描述(intentional description)(其提及了心灵状态(mental states)的表征性属性(representational states)的表征性属性(representational properties))的联系。

目录：

• 1. Turing machines

• 2. Artificial intelligence

• 3. The classical computational theory of mind

• 3.1 Machine functionalism

• 3.2 The representational theory of mind

• 4. Neural networks

• 4.1 Relation between neural networks and classical computation

• 4.2 Arguments for connectionism

• 4.3 Systematicity and productivity

• 4.4 Computational neuroscience

• 5. Computation and representation

• 5.1 Computation as formal

• 5.2 Externalism about mental content

• 5.3 Content-involving computation

• 6. Alternative conceptions of computation

• 6.1 Information-processing‬

• 6.2 Function evaluation

• 6.3 Structuralism

• 6.4 Mechanistic theories

• 6.5 Pluralism

• 7. Arguments against computationalism

• 7.1 Triviality arguments

• 7.2 Gödel’s incompleteness theorem

• 7.3 Limits of computational modeling

• 7.4 Temporal arguments

• 7.5 Embodied cognition

• Bibliography

1 Turing machines

计算和算法的直观概念在数学中居于核心地位。粗略地来说，一个算法就是一个明确的，一步接一步地去回答或解决某个问题的程序。一个算法提供了常规的机械式指令(routine mechanical instructions)，后者指定了每一步该如何进行。对这些指令的遵循并不要求任何巧思或创意。例如，人们熟知的小学算法描述了如何去计算加法乘法和除法。直到20世纪初，数学家们都依赖于计算与算法的非形式概念，而没有尝试去对其进行任何形式分析。数学基础领域中的发展最终促使逻辑学家们追求一个更系统的处理。阿兰·图灵(Alan Turing)的划时代论文On Computable Numbers, With an Application to the Entscheidungsproblem(Turing 1936)提供了毫无疑问是最具影响力的分析。

一台图灵机(Turing machine)是一台理想化计算设备的一个抽象模型，有着无限的时间与存储空间供其支配。该设备可以操作符号，就像人类的计算者在进行算术计算时操作纸上的铅笔符号一样。他假设初始符号是从一个有限的字符表中抽取出来的。他同样假设符号可以在“存储位置”上被记上或被抹去。图灵的模型工作原理如下所示：

• 存在无限多的存储位置，以线性的方式排列。形象地说，这些记忆位置是一条无限长的“纸带”上的“单元”。更字面地说，这些存储位置或许可以被各种不同的媒介(比如，硅芯片)物理实现。

• 存在一个中央处理器，其一次可以访问一个存储位置。形象地说，这个中央处理器是一个“扫描仪”，其沿着纸条一次移动一格。

• 中央处理器可以进入有限多的机器状态(machine states)。

• 中央处理器可以执行四种基本运算：在一个存储位置写下一个符号；擦去一个存储位置上的符号；访问线性阵列中的下一个存储位置(“在纸带上向右移动”)；访问线性阵列中的上一个存储位置(“在纸带上向左移动”)。

• 中央处理器执行其中哪一个运算完全取决于以下两件事：哪个符号当前被刻在了现在的存储位置上；以及扫描仪自身当前的机器状态。

• 在给定了当前的机器状态和当前所访问的符号下，一个机器表(machine table)指定了中央处理器将执行哪个运算。机器表同样指定了，在给定这些相同因素下，中央处理器如何改变机器状态。因此，该机器表就体现了，支配着计算的常规机械式指令的一个有限集。

图灵机将这个非形式化描述翻译进了一个严格的数学模型中。更多细节请参词条 Turing machines

对理想化的人类计算者的反思激发了图灵的方法。通过援引在我们的感知与认知器官上存在有限性的限制这件事，他认为任何由人类执行的符号算法都可以被一个合适的图灵机所复制。他的结论是，图灵机形式系统尽管极其简单，但足以捕捉到以符号配置的所有人类可执行的机械式程序。后续的讨论者们几乎也一致同意这一点。

图灵机常被描述为数字的(digital)而不是模拟的(analog)。这究竟意味着什么则并不很清楚。但基本想法是，通常的计算是在离散配置上运行的。相比之下，许多历史上十分重要的算法都是在连续变量配置上运行的。例如，欧氏几何赋予了尺规结构很大的作用，其可以操作几何图形。对于任何图形来说，人们都可以找到另一个与之不同的形状，其差异程度可以达到任意的小。由图灵机所操作的符号配置则并不能达到任意小的不同。图灵机是在，从有限字符表中抽取出的元素(数字)的离散串上运行的。一个反复出现的争议是，数字范式是否适合于模拟心灵活动，或者模拟方式是否将更加适合(MacLennan 2012; Piccinini and Bahar 2013)。

除了对图灵机的引入，Turing (1936)还证明了几个与之相关的开创性数学成果。特别是，他证明了通用图灵机(universal Turing machine (UTM))的存在。粗略地来说，一台通用机就是可以模仿任何其他图灵机的图灵机。人们向UTM提供一个符号输入，该符号输入编码了图灵机M的机器表。该UTM则复制了M的行为，执行由M的机器表所体现的指令。在这种意义上，UTM是一台可编程的通用计算机。近似地，所有个人电脑都是通用的：当得到恰当编程的时候，它们可以模拟任何图灵机。主要需要注意的是，物理计算机只有有限的内存，然而一台图灵机却拥有无限的内存。那么更准确地，一台个人电脑可以模拟任意图灵机，直到它耗尽了它有限的内存供应。图灵的讨论帮助奠定了计算机科学的基础，这个学科旨在设计，搭建，以及理解计算系统。如我们看到的那样，计算机科学家现在已经可以搭建一台极其复杂的计算设备。所有这些机器都实现了某种类似于图灵计算的东西，虽然在细节上同图灵的简化模型会有些许出入。

2 Artificial intelligence

计算机科学的快速进步促使许多人，这也包括图灵，去思考我们是否可以搭建一台能思考的机器。人工智能(Artificial Intelligence (AI))的目标就是搭建一台“思考机器”。更准确地说，更准确地说，其目标在于搭建能够执行例如推理、决策、问题解决等核心心灵任务的计算机器。在1950和1960年代，这个目标似乎越来越接近实现 (Haugeland 1985)。早期的AI研究强调逻辑。研究者们试图使演绎推理“机械化”。一个著名的例子是，逻辑理论家计算机程序(Logic Theorist computer program) (Newell and Simon 1956)，其证明了来自于《数学原理》(Principia Mathematica) (Whitehead and Russell 1925)的前52条定理中的38条。在其中一个情况中，它发现了一个比《数学原理》更简单的证明。

这种早期的成功激发了学术界内外的巨大兴趣。许多研究者预测说我们距离智能机器仅有几年的距离了。显然，这些预测并没有实现。智能机器人还没有行走在我们之中。即便是相对低层次的心灵进程，例如感知，也大大超出了当前计算机程序的能力。当这些关于思考机器的信心十足的预测被证明是过于乐观了的时候，许多人失去了对这件事的兴趣，或者干脆就下结论说AI是一项愚蠢的任务。然而，几十年了我们见证了它一步一步的发展。一个惊人的成功就是IBM的深蓝，其在1997年打败了国际象棋冠军Gary Kasparov。另一个巨大成功是无人驾驶汽车Stanley(Thrun, Montemerlo, Dahlkamp, et al. 2006)，其在莫哈韦沙漠完成了132英里的行程，赢得了2005年美国国防部高级研究计划局挑战赛(Defense Advanced Research Projects Agency (DARPA) Grand Challenge)。一个不那么引人注目的成功是语音识别算法中的巨大改进。

困扰早期AI工作的一个问题是不确定性(uncertainty)。几乎所有推理与决策都是在不确定的条件下运行的。例如，你可能需要决定是否去野餐，但是并不确定是否要下雨。贝叶斯决策理论(Bayesian decision theory)是不确定性下的推理与决策的标准数学模型。不确定性通过概率来得到编码。精确的规则指定了，如何根据新的证据来更新概率，以及，如何根据概率与效用来选择行动(详见词条， Bayes’s theorem与 normative theories of rational choice: expected utility)。在1980与1990年代，技术和概念的发展使得高效的计算机程序能够在现实情况下实现或近似于贝叶斯推断。随之而来的就是贝叶斯AI的爆发(Thrun, Burgard, and Fox 2006)，这包括前面提到的在语音识别与无人驾驶起床中的进展。能够处理不确定性的可操作算法是当代AI的一项重大成就(Murphy 2012)，也可能是预示了未来的一个更加耀眼的成就。

一些哲学家坚持说，计算机无论变得如何地精细与复杂，最好的情况将是模拟而非复制思想。计算机模拟的天气并不能真的下雨。计算机对飞行的模拟也不是真的在飞。即便一个计算系统真的能模拟心灵活动，为什么要猜测说它可以构成真正的东西呢？

Turing (1950)预计到了这些担忧，并且尝试了去化解它们。他设想了一个现在被称作图灵测试的场景。在这一场景中，一个人将评估一个不可见的对话者是一台计算机还是一个人类。当一个人不能决定他面对的是一台计算机的时，这台计算机就通过了测试。图灵建议我们放弃 "计算机能思考吗？"这个无望而模糊问题，代之以 "计算机能通过图灵测试吗？"这个问题。图灵的讨论受到了极大的关注，在AI领域尤其具有影响力。Ned Block (1981)对其提出了一个十分具有影响力的批评。他认为，某些可能的机器可以通过图灵测试，尽管这些机器并没有接近真正的思想与智能。关于布洛克的反驳的讨论，以及其他相关于图灵测试的议题，见词条 Turing test。

关于AI，可见词条 logic and artificial intelligence。更多细节可见Russell and Norvig (2010)。

3 The classical computational theory of mind

Warren McCulloch and Walter Pitts (1943) 第一次提出了类似于图灵机的某种东西或许可以为心灵提供一个恰当模型的建议。在1960年代，图灵计算成为了认知科学，这个新兴跨学科研究的核心。它通过心理学、计算机科学(特别是AI)、语言学、哲学、经济学(特别是博弈论与行为经济学)、人类学以及神经科学的研究来研究心灵。心灵的经典计算理论(classical computational theory of mind ，以下我们将简写为CCTM)，这个标签在现在已经成为了相当标准意义上的东西。根据CCTM，心灵就是一个在许多重要方面都类似于图灵机的计算系统，并且核心心灵进程(比如，推理、决策与问题解决)都是在重要方面与图灵机所执行之计算而类似的计算。不过这些提法相当不精确。CCTM最好被看作一系列类似的观点，而不是一个单一的定义明确的观点[1]。

人们通常说CCTM体现了一种“计算机隐喻”。但这种描述具有双重的误导性。

第一，CCTM最好被阐述为，它将心灵描述为了一个“正在计算的系统”或者是“计算性系统”，而不是一台“计算机”。正如David Chalmers (2011)所指出的那样，将一个系统描述为一台计算机强烈暗示了该系统是可编程的。又如查尔默斯所提到的，人们并不需要仅仅因为将心灵视为了一个图灵式计算模型就承诺说心灵是可编程的(大多数图灵机并不是可编程的)。因此，术语“计算机隐喻”强烈暗示了一些理论承诺，而之于CCTM，这些承诺并不是本质性的。这里的关键并不在术语上。对CCTM的批评通常都在于否认，心灵是一台可编程的通用计算机((Churchland, Koch, and Sejnowski 1990)。既然经典计算主义者并不需要主张(并且在实际上大多数时候也没有主张)心灵是一台可编程的通用计算机，那么上述批评就完全搞错了方向。

第二，CCTM的打算也不是隐喻性的也并非出于隐喻的意图。CCTM不仅仅是认为心灵像一个计算系统。CCTM主张的是，心灵，字面意义上，就是一个计算系统。当然，人们最熟悉的人工的计算系统是由硅芯片或者类似材料制成的，而人的身体则是血肉之躯。但CCTM认为，这个差异掩盖了一个更为根本的相似性，而我们可以通过图灵式计算模型来捕捉到这种相似性。在提供这样一个模型时我们先不考虑物理细节。而我们获得了，可以通过多种方式来物理实现(例如，通过硅芯片，或者神经，或者滑轮和杠杆)的一个抽象计算描述。在CCTM看来，这样一个适宜的抽象计算模型为核心的心灵进程提供了字面意义上就为真的描述。

通过“心灵就是一台图灵机”这句口号来总结CCTM也十分常见。这个口号也有一定误导性，因为没人将图灵精确的形式系统看作为心灵活动提供了一个可信模型。这种形式系统在几个方面看上去都限制性太强了：

• 图灵机执行的是精确的符号计算。输入和输出都是被刻在存储位置的符号。反之，心灵接受感官输入(例如视网膜刺激)，并产生运动输出(例如肌肉激活)。一个完整的理论必须提供一个心灵计算如何将感官输入与运动输出进行对接的描述。

• 图灵机有着无穷的记忆能力。通常的生物系统只有有穷的记忆能力。一个合理的心理学模型必须用一个大的但有穷的记忆库来替代无穷的记忆库。

• 现代计算机都拥有随机存取存储器(random access memory，RAM即内存)：中央处理器可以直接访问的可寻址(addressable)的存储位置。图灵机的内存则不是可寻址的。它的中央处理器只能通过依次访问目标存储位置的中间位置来访问到一个目标位置。不带有可寻址内存的计算是无可救药的低效。也因为这个原因，C.R. Gallistel and Adam King (2009)认为，可寻址而非不可寻址内存才为心灵提供了一个更好的模型。

• 一个图灵机有着一个以串行方式运行的中央处理器，它一次执行一个指令。其他计算形式系统则放宽了这个假设，其允许了多个处理单元并行运行。经典计算主义者也可以允许并行计算(Fodor and Pylyshyn 1988; Gallistel and King 2009: 174)。关于同时涵盖了串行与并行计算的一般性数学处理，见Gandy (1980)与Sieg (2009)。

数学联邦政治世界观提示您：看后求收藏（笔尖小说网http://www.bjxsw.cc），接着再看更方便。