哲学与人工智能

AI的快速发展无疑是当代最受瞩目的事件之一，而哲学的研究则是人类历史上最悠久且涉猎最广泛的学术活动。作为对常识及各种学科的元研究，哲学自AI发展之初即对之关切备至，并由此发展出所谓的AI哲学。哲学不但以AI为思考和研究的对象，有些哲学家还相信，哲学的若干理论在AI的发展上也能产生重要的推进作用。学科间的影响往往是双向的，不但哲学理论可能在AI的发展上产生推进作用，AI反过来也能在若干的哲学问题上产生加速和深化的作用。本文将简明扼要梳理分析当代人工智能与哲学发展间的交互联结。

哲学家对人工智能的元思考主要集中在两类问题上。首先，哲学家关心未来的机器或AI是否可能表现出类似于具有智力、心灵与意识能力的人类所表现的行为，或是否可能真正拥有人类所具有的智力、心灵与意识能力？其次，哲学家关心AI的发展所衍生的伦理学问题。以下分别说明这两类问题。

（一）有智慧的AI可能吗？

首先澄清一个用语问题。当AI在外显行为的表现上能够表现出类似于具有智力、心灵与意识能力的人类所表现的行为时，哲学家称这样的 AI为“弱人工智能”（weak artificial intelligence；weak AI）；但当AI不仅能表现出类似的外显行为，而且还真正拥有人类所具有的智力、心灵与意识能力时，哲学家则称这样的AI为“强人工智能” （strong artificial intelligence；strong AI）。或者说，“弱人工智能”指的是某个在各种智力行为的表现上（如算术表现和作出正确决策的表现）都至少跟人类一样好（可以比人类更好）的AI，而“强人工智能”则指不只在各种智力行为的表现上都至少跟人类一样好的AI，而且还实际上拥有人类的各种心理感受（如思想、理解、情感、感觉、意志等各种现象意识[phenomenal consciousness]）的AI。这个关于强、弱人工智能的区分源自哲学家Searle，而这个区分与当代主流AI科学家（如Russell&Norvig，亦见“逻辑与人工智能”词条）对人工智能的区分并不相同，而且必须注意的是：就算当代的AI科学家使用“强人工智能”与“弱人工智能”这两个词汇去区分AI，他们通常也赋予这两个词汇不同于哲学家所赋予的意义。当代有些AI科学家将强、弱人工智能的区分等同于通用人工智能（artificial general intelligence；AGI）与狭隘人工智能（artificial narrow intelligence；ANI）的区分， 而若干AI科学家则将之视为能/不能自我改善的人工智能之区分。我在此将遵循哲学家Searle的区分方式，因而，本部分标题中的问题可以再进一步分为两个子问题，详见下文。有趣的是，作为人工智能先驱的Turing在其1950年的论文第6节中讨论了9个对人工智能的异议（objections），而这些异议几乎涵盖了本部分两个小节中所讨论的所有问题，尽管Turing本人并没有区分强的和弱的人工智能。

1.弱人工智能可能吗？

哲学家往往基于思想实验的方法而直觉断定弱人工智能是可能的。而根据Russell及Norvig这两位人工智能专家的说法，计算机科学家普遍视弱人工智能的可能性为“理所当然”的假设，而且这种对待弱人工智能的态度，一开始就表现在McCarthy等人1955年为次年在达特茅斯学院举办的人工智能工作坊发布的研究建议书中。该建议中提到，研究将基于如下的假设：学习的每个方面或智慧的任何其他特征原则上都可以被精确地描述，以至于可以制造出一台机器予以模拟。乍看之下，弱人工智能的可能性似乎是多数学者的共识，但学界中仍不乏一些人，如哲学家Lucas、Dreyfus兄弟、数学家兼物理学家Penrose等，极力论证弱人工智能在原则上并无可能。以下简单说明三个反对弱人工智能可能性的论证。必须注意的是，由于强人工智能必定满足弱人工智能的要求，因而任何一个可以用来反对弱人工智能可能性的论证，也都可以用来反对强人工智能的可能性。

（1）诉诸不完备性定理的论证

在攻击弱人工智能可能性的论证中，Gödel于1931年提出的两个不完备性定理（Gödel’s incompleteness theorems）所构建的论证是最著名的论证。哥德尔第一不完备性定理说：“任何一个逻辑上一致且够强的形式化算术公理系统都有其无法证明的算术真语句”（尽管不同的系统无法证明的算术真语句会不尽然相同，这些语句又被称为“哥德尔语句”[Gödel sentences]）。其第二不完备性定理则说：“任何一个逻辑上一致且够强的形式化算术公理系统都无法证明其本身的一致性。”从字面上看，Gödel的两个不完备性定理是关于形式化算术公理系统的定理，而非关于AI或图灵机的定理；但由于每个形式化的算术公理系统F其实都等价于某个图灵机，且反之亦然，因而我们可以将Gödel的两个不完备性定理同时看作是有关于AI的定理（以下将提到的Lucas和Penrose的论证都将AI与图灵机两者等同，因而我将不区分这两者）：任何一个逻辑上一致且强到足以用来计算算术问题的AI都无法证明出某些算术的真语句为真或证明出自己的一致性。在哥德尔第一不完备性定理的基础上，Lucas论证，人工智能在数学的表现上一定比不上人类，因为人类可以知道或判断出图灵机所不知道的语句的真假，但图灵机不能。Penrose则在哥德尔两个不完备性定理的基础上给出更复杂的论证。特别是，Penrose将图灵机分为可知为可靠的（sound）、可靠但不可知其为可靠的以及不可靠的图灵机三类，然后分别论证它们在数学的表现上都不可能比得上人类，因为人类总是可以知道或判断出任何一类图灵机所不知道的算术语句的真假，但图灵机不能。

尽管复杂且细腻，Lucas及Penrose的论证并未能说服大多数的AI科学家及哲学家；对上述论证进行批评者大有人在（如 Chalmers和Russell & Norvig），但对之进行辩护者亦有之（如王聪，王文方）。

（2）非形式性论证

哲学家H.Drefus和他的AI科学家弟弟先后出版两本书及发表一篇论文，指出了当时人工智能在技术上出现的一些问题与瓶颈，并在该基础上论证弱人工智能不可能成功。简单地说，Drefus兄弟认为当时的人工智能系统是纯粹建立在逻辑规则上的系统，无法正确捕捉人类的思维方式，特别是人类专家的思维方式；因为人类的思维方式并不完全是规则式的，而通常是具身的（embodied）且整体式的（holistic），是基于个体的知识背景、已经接受的规则、身体与环境互动的结果，以及在此互动下所产生的脑神经连结模式等因素所产生的实时性与或然性反应模式。这种整体式且具有或然性的实时性反应模式，不仅表现在大师级的棋手身上，也表现在日常人与人的互动中，而这些模式都绝非纯粹奠基在必然规则系统之上的人工智能所能够掌握的模式。

但Drefus兄弟的非形式性论证不但没有说服 AI科学家弱人工智能不可能，反而增强了他们对弱人工智能的信心。首先，大部分的AI科学家会同意Drefus兄弟对奠基在逻辑规则上的“老派人工智能系统”的批评，但他们同时也会指出：现在主流的人工智能所应用的逻辑并非规则式的形式逻辑，而是允许或然性的概率逻辑，而且基于深度学习技术所发展出的人工智能系统通常也表现出极为类似人类整体互动的模式。随着人工智能技术的日益进步，当代AI科学家对于发展出弱人工智能的可能性可谓普遍信心满满，丝毫不为Drefus兄弟的论证所动摇。

（3）能力限制论证

这个论证的形式基本上简单如下：指出某些人类能够表现的行为X是机器人办不到的行为。例如，Turing便列出了以下的人类行为清单，作为某些人可以用来反对弱人工智能可能性的X清单：

善良、机智、美丽、友好、有创新精神、富有幽默感、明辨是非、犯错误、坠入爱河、享受草莓和奶油、让某人爱上自己、从经验中学习、恰当使用词汇、成为自己思想的主体、像人一样有多样的行为、会做一些真正新颖的事情。

但Turing认为这个清单中的部分项目并不能可信地用来反驳弱人工智能的可能性，并认为这个论证所列出的行为往往只是针对当时人工智能发展的状态而过度归纳（hasty generalization）的结果。在AI技术的快速发展下，Turing之后的大多数当代AI科学家也倾向于认为让机器人拥有这些能力应该指日可待，而许多人工智能也无疑已经具备或即将具备上述清单中的大部分人类能力：如机智（如ChatGPT-5）、美丽（如人形机器人）、让某人爱上它（Levy预测人类将在2050年前普遍爱上人形机器人）、有创新精神（如AlphaGo Zero在围棋技能上的创新；Russell和Norvig也指出当代人工智能在天文学、数学化学、矿物学、生物学上都已经产生了若干[尽管不能算多]实质性的新发现）富有幽默感（再如ChatGPT-5）、犯错误（如各种设计不良的AI产品）、从经验中学习（如各种的学习型AI）、像人一样有多样的行为（如一般所谓的AGI）等。

2.强人工智能可能吗？

除了前一节中所说明的可以同时用来反对强、弱两种人工智能可能性的三个论证之外，哲学中还有另外两个专门用来反对强人工智能可能性的论证（尽管这两个论证不能用来反对弱人工智能的可能性）。以下我简单说明这两个论证。

（1）中文屋论证

哲学中最早也是最著名用来反对强人工智能可能性的论证是Searle所提出的“中文屋论证”（Chinese Room Argument；CRA）。该论证建立在一个思想实验的基础上。Searle想象不懂中文的自己身处一个小屋中，屋外的中国人可以透过门缝传递写了中文的字条。尽管中文对他而言只是一些不知其意的弯曲线条，但他在屋内仍然能够借着一本告诉他如何根据所见弯曲线条回复弯曲线条的英文说明书，并将回复的弯曲线条写在屋内的空白纸条上，从门缝中传递回去。从屋外传进字条的人的角度来看，由于Searle的每个回复都很恰当，屋内的人因而似乎完全理解中文。但Searle论证说，由于屋内没有一个人或事物能够说得上是理解中文，因而包含他在内的整个屋子对中文并无任何理解可言。这个论证有时又被说成是：中文屋最多只懂语法，而不懂语义。Searle进一步认为，AI对中文能做的事情就像中文屋对中文能做的事情一样，因而AI就像中文屋一样并不理解中文的意义。换言之，无论AI的外显表现有多好，AI仍然缺乏人类对语言所具有真正的“理解”（understanding），遑论其他现象意识。类似地，前文提到的Dreyfus兄弟也从现象学的角度主张：若海德格尔对人类的“理解性”产生自具身经验与文化实践的理论是正确的，那么，当代基于大数据训练而得的AI智能体，最多只能对各种的数据进行匹配，完全不可能对周遭的情境有人类的“理解”可言；而且这一问题绝对不可能随着技术的进展而获得解决，反而在通用人工智能的快速发展下会愈发尖锐。

但一般而言，AI科学家并不在意CRA，甚至反对CRA。比方来说，Rapaport 便认为：对语法的正确掌握已足以构成对语义的理解。Pollock也从功能论（functionalism，此理论将心理状态当作是任何一种从一定的输入项能够产生出一定的输出项的中间状态，不论该状态是否由物质所构成，也不论该状态是由何种物质所构成）的角度去论证：功能完备的机器人就应该被归属于像人类一样的各种现象意识，而这些现象意识当然包括对语言的理解。而Russell和Norvig则指出：CRA预设了生物自然主义（biological naturalism）的想法（这个想法认为人类的心理状态是依附[supervene]于脑神经系统所产生的涌现属性[emergent property]），但“生物自然主义是否正确”这件事在哲学上并非没有争议。此外，Searle的论证似乎还犯了非形式逻辑中所谓的“合取谬误”（fallacy of composition）——将各部分普遍具有或普遍缺乏的属性归之于整体；而利用该谬误，我们其实也可以论证说：由多个个别来说不理解中文的脑细胞所构成的人脑其实也不理解中文。

（2）感质论证

弱人工智能与强人工智能的差别并不在于外部行为的表现或功能展现，而在于前者缺乏后者所具有的内在现象意识。现象意识也就是呈现在主体主观意识上的感受，或Nagel所谓“像是怎么回事”（what it is like）的内在感受，而其在哲学中的专门术语则称为“感质”（qualia）或“现象意识”。CRA中的“理解”只是各种感质中的一种，其他的感质或现象意识还包括主观的情感、经验知觉、自我意识等。就此而论，诉诸语言理解力的CRA其实只是反对强人工智能可能性的一个特殊论证，而其背后的一般性想法则是：无论AI再怎么进步，机器也不可能拥有一般人类所具有的感质或现象意识。

对于这种诉诸感质的论证，AI科学家的普遍反应是：不在乎。图灵和Russell与Norvig的反应算是这个普遍反应的典型例证，他们认为AI的目标只在于制造功能或行为表现上像人类一样好的机器而已，并且认为功能表现上像人类一样好的机器其实就应该被归属于一定的现象意识，不论他们是否真正具有这样的现象意识。不过，一个AI科学家其实可以进一步像哲学家Dennett一样，诉诸关于感质的排除论（eliminativism）而去完全否认人类具有这些主观的心理感受，并认为它们只是民俗心理学（folk psychology）中的错误假定而已。

（二）AI所产生的伦理学问题

以上所讨论的问题是我们能否制造出可以与人类匹敌的AI问题，接下来要讨论的大部分问题则是我们是否“应该”制造这样的AI的哲学伦理学问题。哲学中的伦理学一般分为三个领域：元伦理学meta-ethics）研究与行为对错或价值好坏有关的伦理学判断或伦理学陈述的语义性质，规范伦理学normative ethics）研究决定行为对错与价值好坏的基本规范与准则，应用伦理学（applied ethics）则探讨各类社会行为中出现的伦理学争议。一般所谓的“AI伦理学”属于应用伦理学领域，是由于AI或自动机器人的发展才产生的伦理学问题。AI伦理学通常不预设任何一种元伦理学或规范伦理学中的理论，也不预设可以与人类匹敌的AI是否可能的问题，而只探求设计、制造或使用AI时的对错与好坏问题。不过，实际上，多数AI伦理学的讨论还经常涉及相关法规、国际协定、政治与经济政策、AI设计技术以及未来社会的可能发展等多个虽然重要但与哲学伦理学并非直接相关的问题。在以下的说明中，除了会简略提及这些许多人关注但严格说起来并不纯然是哲学性的问题之外，本研究会将注意力更集中在具有争议性的哲学伦理学问题上。不过，到目前为止，哲学性的AI伦理学还只是一个新兴的应用伦理学领域，鲜有共同的焦点问题，遑论著名或重要的理论或看法，因而本研究对AI伦理学的说明也将以几个简单的问题为例，概略勾勒出AI伦理学的轮廓与现貌。

1.偏见（bias）与公平（fairness）问题

机器学习（machine learming）技术是当前AI建模的主流技术（特别是用在决策系统的建立上），但利用机器学习方式建立AI系统时，设计者必须输入（通常是大量的）训练数据（training data）给程序本身以便建立起模型。然而，利用训练数据所建立的模型却可能受到本身就带有社会性偏见（如种族、性别、肤色、职业等成见）的数据的影响，而产生出对个人或群体带有偏见的AI系统。举例来说，一个因训练数据而产生成见的AI系统是Amazon的自动招募筛选系统，该系统在2017年时被发现对女性有歧视而被停用。因而，AI设计者和生产者都有相当大的责任去避免这样的偏见产生，以使得AI在进行决策或产出时具有公平性。不过，避免偏见并不是一件容易的事情，其中有一些技术性的困难和伦理学的问题。技术性的困难如：如何既能避免偏见发生，又能达成AI在设计上实现想要它们达成的目标？就算我们在训练数据的筛选上小心避开掺杂了偏见因素的数据，我们又该如何防止AI从其他相关的变量中推测出与偏见有关的因素呢？伦理学的问题则包括：如何才算是公平？追求公平的结果是否会牺牲了某些个体在机会上的平等（如为了追求性别的公平而不得不牺牲优秀的个人时）？当群体公平性与个体公平性发生冲突时，AI要如何作出正确的决定？当偏见的因素互相冲突时（如为了追求性别的公平性而不得不在肤色上偏向于某一肤色时），AI又要如何作出正确的抉择？

2.隐私、监控与操控问题

隐私权包含一个人控制与他自己有关的信息的权利、保有个人秘密的权利，以及不受他人干扰或监视的权利等。在个人信息大量数字化的今天，各种轻易获取个人数据并进行分析的“智慧”产品（如广泛设置的脸孔辨识器、监视录像器，以及各大型网站入口处背后的信息收集分析器等）都可以轻易获取个人资料，并有效地利用获取的个人资料去操控个体的生活（如猜测并提供你可能喜欢的商品广告）。有些学者甚至认为：监控已然是当代网络商业的标准模式，而有些学者则称此模式为“监控资本主义”（surveillance capitalism）。从哲学上来说，隐私权不该被侵犯这件事并没有太大的争议，但在我们也应该有效利用AI技术的前提下，谁有权力监控（收集、存取与分析）这些数字化的个人数据，以及在何种情况下才得以使用这些数据等问题，无疑已经是当代AI发展的重要技术与法律问题。就技术而言，许多AI产品已经试图通过适当的加密保护设计，以保护使用者的隐私权。但从法律上来说，基于法律责任鉴定、意图归属、损害证明以及专业法院设置等实际上的困难，各国在相关法规制定进程上的脚步可谓远远不及AI保密技术的发展。

3.不透明性、不可解释性（inexplainability）与责任问题（accountability）

许多利用机器学习技术而建立模型的AI系统，无论其训练过程是采取监督式学习、半监督式学习或无监督式学习，都面临偏见之外的另一个问题：机器本身从训练数据集中“看到了”数据集里存在的各种“模式”（patterns），并利用这些看到的模式建立起表现上似乎不错的反应方式，但AI的设计者和使用者却无从得知AI所“看到”的这些“模式”为何。甚者，当对AI系统进行再训练时，设计者也无从预测之前被识别到的各种模式将会如何改变，而当偏见产生时，设计者也因此无法得知去除偏见的方式。简单地说，无论是系统工程师或AI的使用者都无法解释为何AI会表现出它实际上所表现的行为，而这样的不可解释性无疑会让社会大众普遍对AI感到焦虑与恐慌。为了消除疑虑，欧盟在2016年制定了相关法规，认定消费者有权要求AI对疑似侵权的决定作出解释，但这件事的可行性仍然备受质疑（Goodman and Flaxman；Wachter，Mittelstadt， and Floridi）；而有些学者，如 Zerilli等，甚至认为这样的规定明显是“双标”的规定，因为我们对于有侵权疑虑的人类决定也未必会提出类似的要求。

4.人机互动中的伦理学问题

人机互动是一个新兴的发展中的领域，讨论内容复杂，但其中有些伦理学问题则是我们在这里关心的问题，如“我们是否应该允许制造性爱机器人”便是其中的一个。反对者如Frank和Nyholm认为，允许性爱机器人大量生产与使用的一个后果是违反了“性爱应该建构在双方合意（consent）的基础上”的原则，因为机器人并没有主观意愿可言，因而也就无所谓合意与否。而且，性爱机器人的大量使用可能会使得人心腐化，让使用者倾向于视他人如性爱机器人一般，只是逞欲的对象，因此物化了人类，并从而破坏了人类性爱当中的美好面。类似的观点亦出现于“反对性爱机器人运动”（CAMPAIGN AGAINSTSEX ROBOTS）网站上。但支持制造性爱机器人者如Danaher则认为，人类本来就对各种非人类事物（如宠物、洋娃娃、茶壶等）有很自然的情感倾向，这种情感对于有社交障碍者来说尤为重要。将人类这种很自然的爱物之心移转到性爱机器人身上，不但不会对人类社会产生危害，反而会对人类社会有所助益。另一个人机互动伦理学的问题是“是否应该允许制造照护机器人（或陪伴机器，如海狗Paro）”的问题。反对者认为这将会使得未来照护的人力需求大幅减少，并从而使得照护工作由于缺乏人性关怀的缘故而“去人性化”。但支持者则认为，使用看护机器人乃是面对高龄社会不得不采取的措施，同时也是基于长者的需求而产生的必然趋势。

5.致命性自动武器管制问题

许多具有一定智能的自动武器（如以色列制Harop自杀式无人机、土耳其制Kargu-2无人机以及在俄乌冲突中经常被使用的攻击性无人机）都能够在人类完全不监控的情况下，自动锁定、选择并攻击其目标。而如果这类武器误击平民或不合比例地造成过度的伤亡与破坏，显然就是不应该发生的悲剧了。为此，是否应该制定国际法规或签订国际协定以禁止使用致命性自动武器的问题，已经成为国际社会关心的一个焦点；不幸的是，目前国际上对此问题的讨论仍然未有结论与强制力。这个问题不仅涉及国际法规，也涉及人工智能技术成熟度的相关问题以及伦理学问题。就伦理学问题来说，一个重要的争议点在于“使用自动武器会使得战争变得更好或更坏”的问题。有人认为，使用自动武器能够有效减少战斗人员的伤亡，并减少战争中犯罪（如强暴妇女，杀害无辜民众和俘虏）的发生（Arkin；Müller）。但反对者则认为，使用自动武器将会扩大未经审判的杀戮行为，且难以对不当使用者加以究责（Lin,P.,K.Abney，and R.Jenkins；Sparrow），而在非对称战争中或在恐怖组织大量使用的情况下，致命性自动武器的使用无疑会使战争变得更糟。

6.机器伦理学（machine ethics）与人工道德主体（artificial moral agent）问题

以上各种AI伦理学问题讨论的焦点多半在于该如何处理或对待AI产物的问题，但“机器伦理学”所讨论的问题则是AI机器人应该如何对待人类或其他非人类事物的问题（Anderson & Anderson）。其中最著名也几乎没有异议的主张是Asimov对机器人所提出的三个规范性法则：第一，机器人不可以伤害人类，也不可以通过互动而让人类伤害人类；第二，除非违反第一条法则，否则机器必须服从人类命令；第三，除非违反前两条法则，否则机器人应该保卫自己的存在。但除了Asimo的提议外，有些人还进一步主张机器人是人工道德主体；不但机器的设计者、制造者与使用者对机器的行为应该负担其应有的责任，有时机器人本身也有其权利与责任。在责任这一方面来说，如果机器人能够产生现象意识、意图和自由意志，机器人当然就应该对其行为负责。但在权利这一方面来说，就算没有现象意识、意图或自由意志的生物（如简单的生物）也有其权利可言，而这样的权利也许应该扩展到机器人之上（Gunkel）。

除了上述说明的几个问题之外，AI的大量使用是否会剥夺人类的就业机会、是否会造成许多人不愿意工作、是否会恶化各国国内或国际的财富分配不均、是否会使得AI发达国家与不发达国家之间的不平等加剧，而能够自行制造AI的超级 AI机器人是否会出现，又是否会对人类造成危害等问题，也都是AI伦理学者经常关心的问题，但碍于篇幅限制以及这些问题的众多非哲学面向，我们将不在此继续说明这些问题。

哲学通常被认为是缺乏实用性的工具，但其实不然。逻辑学无疑是哲学的一支，而逻辑学不仅在许多学科上有其跨学科的应用性，在AI的研发上亦然。有关于逻辑学在AI上的应用，请参考相关研究成果，我在此不再复述。

但除了逻辑学之外，是否还有其他的哲学理论可以应用在AI的发展之中呢？对于上述问题，有些哲学家认为其答案是肯定的：本体论（ontology，又译为“本根论”）与分体论（mereology，又译为“部分整体学”）；此处我简单说明这两种理论本身（尤其是分体论）以及它们在AI上的应用。本体论是西方分析哲学中形而上学的一个重要部分，主要探讨这个世界的基本结构，其基本范畴与各范畴间的关系；而分体论在过去则被归为本体论的一个特殊问题领域，主要探讨部分一整体以及整体中各部分一部分关系本身的一般性特性（如传递性[transitivity]与自反性[reflexivity]等）与原则。本体论和分体论在东西方的哲学中都可谓历史悠久，可上溯至中国的老子、西方的先苏时期和古印度的佛陀之前，在西方哲学史中长期受到代表性哲学家的持续探讨（有关于部分整体学的历史发展，可参见Varzi 及 Cotnoir & Varzi）。

当代关于本体论与分体论的两个发展趋势特别值得说明：一是这两个问题领域间的逐渐整合与扩充，二是它们的形式化趋势。首先，在过去的哲学讨论中，分体论所讨论的整体与部分主要是物质性事物（如一个茶杯、一个身体、一套音响系统）、几何空间（如一栋大楼、整个太阳系、银河系甚至整个宇宙所占据的空间）和时间的整体与部分（如2024年或2024年9月9日上午10—11点）；当代的分体论则越来越有延伸的趋势：有些哲学家甚至将分体论的讨论延伸到社会性事物（如一支球队或一个学会）或抽象性事物（如一个命题、一个集合、一个性质）之上，这使得分体论的应用领域几乎涵盖了整个世界中的所有范畴，并因而与本体论更紧密结合在一起。不仅如此，由于部分整体的概念在许多科学学科中都有其重要性，对分体论的讨论因而越来越有跨越学科的趋势。其次，出于Husserl、波兰逻辑学家Les'niewski与早期分析哲学家的多重影响，当代的本体论理论与分体论理论都有越来越形式化的趋向，而这刚好使得它们在AI领域中有相当好的应用能力。关于形式化的本体论，两个著名的例子分别是Zalta针对抽象事物和Parsons针对虚构事物所提出的公理化理论，而关于形式化的分体论，两个著名的讨论则是Cotnoir与Varzi以及Casati与Varzi的著作。但限于篇幅，这里不再展开讨论这些公理化的方式。

现在，我们可以简单看一下形式化的本体论与形式化的分体论在AI上的一个应用了。为了了解这一点，让我们先从两者在信息科学中的一个应用开始。随着大数据时代的来临与信息科学的快速发展，到20世纪末为止，各种数据库与网络信息都在急速地扩充中，但在迅速扩充的同时也出现了几个严重的问题。首先，不同数据库的用语和储存格式都极为不同，这使得各数据库间的信息交换变得困难。其次，不同数据库背后所预设的本体论（或对这个世界中的事物的基本分类方式）并不相同，这更增加了信息交换上的难度。再次，资料储存者本身思考上的不精确所造成的信息不精确、逻辑不一致、信息间彼此冲突等问题日益严重。最后，资料储存后，计算机本身无法区别好的与不好的资料，并因而无法以汰劣存优的方式加以应用。上述问题使得长期储存于网络和数据库中的海量信息间的交换应用变得几乎不可能，也使得各数据库俨然成为旧约圣经中所描述的各自独立的巴比伦塔（Towerof Babel）。

为了解决上述问题，自2002年起在德国大众基金会（Volkswagen Foundation）的资助下，美国哲学家Smith 和英国信息科学家Grenon 开始共同设计一个名为“基本形式本体论”（basic formal ontology；BFO）的上层本体论（top-level ontology）概念框架，后由多达16位的相关领域专家参与，持续改进更新，目前其最新版本BFO2.0已于2019年8月发布，之后提交国际标准化组织（ISO）的资料管理和交换技术委员会投票审核，并于2020年3月正式发布。BFO2.0目前已获得全球多达250个以上的本体论机构、数据库采用，并已有便于使用的应用软件Protégé问世，大幅改进了全球数据库资料交换应用的问题（详见BFO官网的声明）。

简单地说，BFO依据哲学常见的观点，广泛地将所有事物（entities）区分为常体（continuants，或三度空间事物）和行体（occurents，或四度空间事物）两类，然后在其下穷尽地再细分为若干子类。

BFO只是一个小型的、纯粹上层的（upper-level）本体论概念框架。但由于其涵盖性高、概念明确且具有相当程度的形式化特性的缘故，因而可以广泛应用于不同学科间的数据提取、分析与整合。而且，为了对事物间的部分整体关系获得有效数据，BFO还内建了一个类似于我们前面看到的形式化分体论的理论在其中；而为了使BFO分类的信息在逻辑上更为一致，信息的提取与应用也更为快速便利，该部分整体学理论同时也采取了形式化的公理方式来加以建立（见Smith，Chapter），并可以与一些推论软件（如FaCT++或HermiT Owl Reasoner）相结合，以提升信息的分析与推理的速度与效率。这些重要的应用不仅直接显示了形式本体论及部分整体学在当代信息科学中的重要性，也间接显示了逻辑在AI中所发挥的作用——毕竟，过去许多建立在知识库（knowledge base）基础上的AI产品可以借助BFO而有效地整合信息；而即便不是建立在知识库基础上所设计的AI，只要它需要撷取大量的信息以作为输出的依据，利用BFO也可以避免信息间的不一致并产生有效的整合。从BFO这个例子，我们无疑能看到一些哲学理论在AI上的应用。

哲学与AI之间的应用是双向的，不但哲学中的若干理论在AI或信息科学上有所应用，AI及计算机技术（包括计算机软硬件、机器学习与神经网络建模、智能个体为本模拟技术、自动化定理证明器、大数据分析、贝叶斯网络[Bayesian network]模型、资料勘探与分析[含语料库与文字勘探与分析]、语意网[semantic web]应用）等，反过来在哲学中也有其应用。AI及计算机软硬件技术在哲学上应用的成果一般称为“计算哲学”（computational philosophy）；但计算哲学并非针对计算机、软件、计算理论或AI所进行的哲学研究，而是将AI和计算机软硬件技术广泛应用于对各种既有哲学问题所进行的深化研究，其目的在于寻求哲学中的新发现，强化哲学家的论证，扩大与加深哲学家对既有哲学问题的反思。关于计算哲学的思考可以上溯至 Leibniz 的组合艺术（art of combination）与通用语言（characteristica universalis）的构想，而受到当代AI及计算机技术快速发展的刺激，应用AI及计算机技术以进行哲学研究的趋势也在快速地扩大中；到目前为止，计算哲学所涉及的哲学领域可谓五花八门，包括（但不限于）形上学、知识论、伦理学、逻辑学、科学哲学、语言哲学、心灵哲学、政治哲学、社会哲学等。基于篇幅及本人知识背景的限制，我不可能在此全面说明计算哲学在这些领域中的发展现状；以下我只举两种当代AI技术在哲学中的应用作为例子，让读者们能够借此略窥计算哲学的全貌。

（一）自动计算器在哲学上的应用

AI自诞生开始便与逻辑和哲学逻辑紧密联系在一起。1956年达特茅斯会议上Newell和Simon展示了“逻辑理论家” （Logic Theorist）程序；在该展示中，Newell和 Simon赋予“逻辑理论家”证明 Whitehead与Russell《数学原理》第二章的52个定理的目标，而“逻辑理论家”则成功证明了其中的38个，并且它所给出的某个证明比 Whitehead与Russell在该书中所给出的证明来得更为简洁。尽管该项展示的目的只是借此说明人工智能的概念并宣示其未来的发展，但自此之后，各种自动定理证明器（automated theorem prover）的研发以及它们在哲学上的应用始终未间断。目前国际上较为流行的逻辑自动定理证明器有：Prover9-Mace4（Prover9是初阶带等同逻辑证明器，Mace4则可自动搜寻作为论证反例的有限论域模型，两者合一的软件可在网络上下载）、Isabelle（高阶带等同逻辑证明器，可下载）和Vampire等（Portararo所写的条目中包含了一个更为详细的清单，有兴趣的读者可以参考）。除此之外，有些定理证明器（如ProofTool）也可以用来作为各种哲学逻辑如模态逻辑、义务逻辑（deontic logic）或认知逻辑的证明器。

除了在经典初阶、高阶逻辑以及哲学逻辑上的应用外，定理证明器在过去也被用来分析一些形上学的甚至宗教哲学中的论证。一个著名的例子是“斯坦福哲学百科全书”（Stanford Encyclopedia of Philosophy；SEP）负责人Zalta教授所进行的“计算形而上学”计划；在该计划中，Zalta带领其他五位哲学家试图从形式化的形而上学理论（主要是Zalta及其团队在斯坦福大学所创立的关于抽象事物的公理化理论，也包括他们对Leibniz的理论及Plato的理论加以形式化后的结果）出发利用Prover9-Mace4计算器去证明手工难以证明的定理，并用以证明某些宣称（独立于这些理论）的独立性。

从成果上看，Portararo所写条目第4.6节中列举了至少五个哲学上使用定理证明器而得到的证明成果（Grim和Singer所写条目第3.5节也提到多个不同的成果），其中的一个就是由Zalta团队利用定理证明器所证明的结果：一个较中世纪神学家Saint Anselm所提出的著名上帝存在本体论论证而言更简单、使用前提也更少的证明。另一个有关逻辑的成果则如下：对于Robbins代数中的Huntington等式是否可以用较为简单的等式来加以替换这个问题，逻辑学家曾经猜测了50年之久，而即使是Tarski这样的大师级人物也无法证明这件事是否可能。但McCune却利用他和Wos设计的自动证明器Ouer作出了证明：该等式可以被更简单的等式来加以替换。

（二）智能个体为本模型在哲学上的应用

智能个体为本模型（Agent-based modeling；ABM或ABMs，又译为“基于主体的建模”“代理人基模型”“多智能体模型”）是一种计算机模型，用来模拟自主的主体（个体或群体）的行为和相互作用，并通过图像的方式展示出自主的主体在整体系统中的持续作用与交流结果。这种计算模型结合了博弈论、复杂系统、涌现概念框架、计算社会学、多主体系统和演化计算的元素，并采用蒙特卡罗方式产生随机性。关于ABM模型的思考，自20世纪40年代起开始产生，但在20世纪90年代后该模型才得到广泛的应用。一个ABM模型主要包括一定数量的个体或代理人（agents）、个体之间的关系和一个模拟个体行为和互动的框架。在模拟的个体行为和决策的影响下，模型会在时空演化过程中产生一定的模式。相较于一般模型着重于对事物的模式进行量化分析与重现，ABM模型更侧重于对事物模式的产生“过程”进行探讨，而这些模式往往是从个体的行为和决策中涌现出来的模式。由于ABM编程相对简单，输出图像化，且能够充分代表或模拟人类的决策行为，因而ABM近年来被大量使用在生物学、社会学、经济学、商业、科技与网络理论的探索中，也被哲学家应用在对各种与人类行为互动以及决策有关的哲学问题研究中。

由于许多哲学问题涉及人际互动与互动的结果，因而智能个体为本模型自然成了在此类问题上的一个理想应用模型。举例来说，近年来兴起的社会知识论探索人类社群信念产生、变动与确证的过程，Hegselmann和Krause便利用个体为本模型探索了社群信念变化、极化与整合的动态过程，并探索这个动态过程会如何受到“够接近的”（close enough）个体的意见这个重要参数的影响。具体地说，这个模拟过程始于一个原初状态（在此原初状态中，不同的个体被赋予一定的信念、分享信息和听从他人的一定倾向），计算机根据内建的算法与每个阶段的状态相继计算出后续阶段的状态，研究者最后根据多阶段后的输出状态进行分析。从这样的模拟中，Hegselmamn和Krause得出结论：当我们逐步放宽“够接近”这个标准时（或者用他们的术语来说：当我们逐步提高“门槛”[threshold]时），我们也就发现个体信念的状态会逐步从分殊、极化（polarization）到达共识（consensus）。其他类似的相关研究及应用，亦可见Deffuant及Olsson，尽管Olsson以及其他人（如Axelrod）从这样的应用研究中得出结论认为，社会意见的极化现象可以是一个认知层面理性的或自然的状态。

除了探索社群中的个体在信念上如何透过相互的影响而改变、极化、达成共识的过程外，ABM技术也被广泛应用在其他各种哲学问题的研究中。Betz根据 Dung所提出的抽象论证理论（theory of abstract argumentation），建立了所谓的信念变动的“辩证结构”（dialectical structure）模型，并从多次模拟的结果中得到以下的结论：虽然辩论的结果有可能增强也有可能渐弱共识，有可能导致真理的发现也有可能错过真理，但从多次模拟的平均结果来看，有争议的论辩结构通常更容易达成一致的共识并获致真理3。Axelrod等人利用ABM技术建构了包含多种可用的博弈策略、互动与空间结构的重复囚犯困境模型，以便于探求“在何种情况下，一个由追求个人利益最大化的多个个体所形成的社会能够产生合作的行为？”Boland等人利用ABM技术探索直接民主与代议式民主、简单投票式民主与充分讨论后投票民主等不同的民主类型对真理获得的影响。而Zollman以及Angere与Olsson等人则利用ABM技术探索以下的科学哲学问题：科学家间要以何种方式沟通和分工合作才能最大化地促进科学的进步？他们所得出的结论可能让很多人惊讶：有限度的沟通（而非充分的沟通）经常才是较为理想的沟通方式。

哲学是一门古老的学科，而AI则是20世纪才开始出现的一门新兴学科。两者自1956年至今的交会不但没有让哲学淡出学术舞台、遭受时代的淘汰，反而让两者间的互动越来越紧密，收获也越来越让人瞩目。本文梳理分析了哲学家对当代AI进行深度反思所产生的AI哲学与AI伦理学，也看到两者如何利用对方的现有成果而进行更为深化的跨领域研究。可以预见的是：在这一世纪剩下的几十年中，两者将在持续的交流中获致更为丰硕而令人惊叹的成果。