人工智能与自然语言逻辑论文

内容提要在过去两个世纪的时间里，逻辑学取得了令世人瞩目的进步。逻辑从一门研究具体推理模式——三段论，以及以定义、谬误和悖论为主题的古老学科，发展为一门以演绎推理的形式系统为核心，以对科学和日常概念、对语言的推理论证结构进行分析和评价为目标的现代科学。下面是小编精心推荐的《人工智能与自然语言逻辑论文(精选3篇)》相关资料，欢迎阅读！

人工智能与自然语言逻辑论文 篇1：

人工智能的哲学思想探源

〔摘要〕 人工智能飞速发展，正在改变人类生活，推动人类进步。人工智能学者从认知科学、心灵哲学以及控制论等不同视角对人工智能进行研究，但对于人工智能哲学根源的追溯与厘清较少。古希腊毕达哥拉斯主义的数论思想、亚里士多德演绎逻辑系统与分析哲学中的逻辑分析与语言分析方法以及简单性哲学原则为人工智能研究纲领、研究框架以及研究方法等奠定了基础，哲学核心问题决定了人工智能的研究进路。只有对人工智能的哲学思想源流进行追溯与探究，才能理解人工智能的理论基础，以更好地把握人工智能的发展规律并合理预测人工智能的发展趋势。

〔关键词〕 人工智能，数论，简单性原则

〔

人工智能发展如火如荼，学者除了对人工智能技术本质、人工智能社会影响、发展路径及伦理问题等进行研究之外，还关注人工智能中的哲学问题。对人工智能的研究不能仅仅局限于技术层面及科学基础层面的反思，也要涉及对人工智能的哲学思考。博登指出：“在科学家族中，没有一门学科比AI与哲学的关系更密切。”  〔1 〕3人工智能与哲学紧密联系，特别是心灵哲学与语言哲学，认知科学与认知心理学等学科也为人工智能发展奠定了科学基础。迄今为止，对于人工智能哲学的研究还没有形成完整的理论体系，学者多从哲学视角对人工智能中的问题进行探讨，从哲学思想源流挖掘人工智能基础的著述不多。笔者尝试从人工智能的数论基础、逻辑学、分析哲学基础以及简单性原则等视角分析人工智能的哲学思想根源。

一、数论哲学为人工智能提供质料基础

人工智能先驱西蒙与纽维尔作为人工智能符号主义（symbolicism）学派的代表，他们的研究着眼于计算机程序的逻辑结构、符号操作系统以及编程语言，这与古希腊哲学家毕达哥拉斯学派的“数论”思想一脉相承。在毕达哥拉斯看来，数是万物的本原，万物皆数。“按照普罗克洛在《欧几里德〈几何原理〉注释》中，‘数学’这个词也是毕达哥拉斯学派首先使用的” 〔2 〕268。毕达哥拉斯将科学研究的基础建构在数学的基础之上。毕达哥拉斯哲学思想的核心即“数”是万物的本原。按照毕达哥拉斯的数论思想，与其说水、火、土等都是万物的本原，不如用一个简单词“数”来解释万物的存在。

“数是万物的本原”包含着万物之中存在着某种数量关系的含义，不管是天体结构、音阶音律以及建筑結构等万物都存在数量关系。毕达哥拉斯学派认为数是宇宙的元素，科学研究就是寻找纷繁复杂现象之后的数量关系。例如，物理学是研究事物运动方面的数量关系，几何学是研究事物点、线、面、体之间的数量关系等。他们将事物的本质归结为数的规律，认为事物的本质就是数。按照亚里士多德“四因说”来看，毕达哥拉斯的“数”既是构成事物的形式因，又是构成事物的质料因。质料因指的是构成事物的原始质料，就好比建造房屋用的砖木石瓦，形式因即构成事物的样式和原型，就好比造房屋的图纸或建筑师头脑里的房屋原型。这样的思想家（毕达哥拉斯主义学派）认为数既是事物的质料、同时又是形成事物的变化和它们的不变状态的形式” 〔3 〕21-22。因此，数对于事物来说，既是质料因又是形式因。

毕达哥拉斯的哲学思想还表现在数的和谐论。他认为万物包括宇宙在内都由数构成，并且万物可以还原为数;他还认为宇宙是和谐的，并把和谐的宇宙称为“科斯摩斯”。科斯摩斯原意就是“秩序”的意思，认为世界存在内在秩序与内在规律，人类可以通过数量之间的关系找到世界的既定秩序。

毕达哥拉斯的“万物皆数，数之和谐”思想既具有本体论含义，也具有方法论意味。他的哲学思想影响了古希腊科学的发展，亚里士多德的逻辑学体系、欧几里德的几何学体系、托勒密的天文学体系、盖伦的医学体系这四大古希腊的科学成就皆受毕达哥拉斯主义哲学思想的影响。不但如此，毕达哥拉斯的哲学思想还影响了西方整个自然科学的发展。达芬奇、哥白尼、开普勒、伽利略、牛顿等人都自称是“毕达哥拉斯主义者”。达芬奇认为天体是一架服从确定自然法则的机器，自然界有确定的规律;15-16世纪带有毕达哥拉斯主义成分的新柏拉图主义者把自然事物的行为解释成数学结构;哥白尼日心说体系的理论基础也是依据毕达哥拉斯主义哲学理论来构造行星运动简单、和谐的天体几何学模型;开普勒认为自己是毕达哥拉斯主义者，他的目标就是追求造物主心中数的和谐;伽利略也是毕达哥拉斯主义的追随者，他认为“自然之书是用数学语言书写的”，自然的真理存在于数学事实中。毕达哥拉斯的数论思想还影响了莱布尼兹。莱布尼茨有一个梦想，就是给出一套理想符号系统或语言和确定的语言变换或演算规则，把日常问题转变成理想语言，利用演算规则清楚地求解问题的答案。在此基础上，莱布尼兹提出“通用机”的天才设想。莱布尼茨尝试发明人工智能通用机，他设计出一种二进制计算法，用二进制数代替原来的十进制数，二进制数即“1”和“0”。莱布尼兹虽然制作出了简单机器，但其只能进行简单的算术计算，还不是莱布尼兹设想的能够进行复杂数据处理的通用机。尽管如此，莱布尼兹思想还是影响了整个计算机系统的发展。

图灵与冯·诺依曼的人工智能机器也受毕达哥拉斯主义数论的影响，他们运用数的和谐以及数量关系的计算尝试让“莱布尼兹之梦”在现实生活中得以实现。图灵通过基本的数学运算将数学运算符号化为运算符，并用一个无限长纸带来表述计算过程，制造出了图灵机，这就是莱布尼茨所说的“通用机”。图灵认为人脑类似通用机，图灵提出一台计算机在多大程度上可以模仿人的活动，进而提出“机器能否思维”这个哲学问题。图灵坚持通过特定算法程序，把可计算的数量关系都转化为由一台图灵机来计算。冯·诺依曼指导发明第一台基于运算器与存储器的计算机，他为图灵通用机设计出一个物理模型——EDVAC，EDVAC可以执行加、减、乘、除等数学操作。与图灵一样，冯·诺依曼把人脑与机器类比，机器通过存储器储存数据，通过数学规则设计出把思维当成数据的程序，通过简单、和谐的数字制造出能进行复杂数字处理的机器。

不管是图灵的通用机还是冯·诺依曼的EDVAC都是为了解决“莱布尼兹之梦”，其哲学思想均根源于毕达哥拉斯的“数论”哲学思想。除了图灵与莱布尼茨，纽维尔与西蒙等符号主义人工智能先驱也认为，不管是人类智能还是机器智能都是根据确定的或者规范的规则来进行符号操作的。不但如此，基于认知模拟的强人工智能也把心理状态作为计算状态，所谓认知就是计算，这是对基于数论的计算主义教条的信仰，人类智能类似于信息处理系统。联结主义人工智能不同于符号主义人工智能，它否认智能行为来自于在形式规则下对符号进行操作的观点，“符号主义人工智能中的信息处理包括明确的应用和形式规则，但是联结主义人工智能没有这样的规则” 〔4 〕1366-1367。与符号主义人工智能不同，联结主义人工智能的工作原理是寻找神经网络及其间的联结机制及学习算法。虽然联结主义与符号主义人工智能有区别，但联结主义人工智能与符号主义人工智能的共同假设都是把认知看作信息处理，且信息处理都具有可计算性。可见，毕达哥拉斯的“万物皆数，数之和谐”思想为符号主义人工智能与联结主义人工智能的发展奠定了基础。

二、演绎逻辑与分析哲学成为搭建人与机器联系的桥梁

除了毕达哥拉斯的数论思想，古希腊亚里士多德的演绎逻辑系统也是人工智能的哲学思想源泉。人工智能符號主义学派也称为逻辑主义学派，可见逻辑思想在人工智能发展中的重要地位与作用。即使是深受胡塞尔后期的现象学、海德格尔的存在现象学和梅洛-庞蒂的知觉现象学影响的人工智能专家德雷福斯，也肯定演绎逻辑以及形式系统在人工智能发展中的作用。在德雷福斯看来，符号主义人工智能的基础是逻辑学，是哲学中的理性主义。人工智能的主要设想是可以运用计算机的逻辑运算来模拟人类思考的过程。图灵尝试依靠逻辑发明通用机，“我希望数字计算机能够最终激起人们对符号逻辑的极大兴趣……人与这些机器进行交流的语言……构成一种符号逻辑” 〔5 〕288。马丁·戴维斯直接把符号主义学派的源头追溯到亚里士多德，“把逻辑推理简化为形式的努力可以追溯到亚里士多德” 〔6 〕200。亚里士多德是逻辑学的创始人，他认为逻辑学是获得真正知识的重要工具，逻辑学是哲学的基础。亚里士多德注重演绎推理，特别重视三段论推理，他认为三段论推理是一切思维运动的基本形式。三段论是一种典型的演绎推理模式，它由普遍性公理和推理规则经过严密的逻辑论证得出必然性结论。图灵的通用机以及符号主义人工智能的根本基础，都可以归结为逻辑或者演绎推理。

集逻辑分析方法与语言分析方法于一体的分析哲学也是人工智能的思想源泉，分析哲学把逻辑学看作一切学科的基础，数学的基础也是逻辑学，数学也要用逻辑符号来表示。分析哲学产生于20世纪初，代表人物是石里克与卡尔纳普等人，其理论来源于英国的经验论者休谟、法国的实证主义者孔德、英国的逻辑主义者密尔和哲学家与心理学家马赫等人的观点。弗雷格的《算术基础》、罗素与怀特海合著的《数学原理》、石里克的《普通认识论》以及维特根斯坦的《逻辑哲学论》是分析哲学的代表著作。分析哲学的基本观点是：哲学的任务是对知识进行分析，强调通过对语言的逻辑分析来消除形而上学问题，认为一切综合命题都以经验为基础等。分析哲学家认为一切科学研究必须从经验出发，哲学的主要任务是运用现代数理逻辑和语言分析把复杂的概念分析为简单的概念，分析哲学家想通过对语言的逻辑分析澄清语句、语词的意义，通过语义上升，抛弃含混、模糊、有歧义的自然语言，把自然语言的语句转换成逻辑命题，通过分析逻辑命题的意义清除伪哲学问题，达到拒斥形而上学的目的。分析哲学注重逻辑分析与语言分析，强调语言分析的重要性，分析哲学把科学的任务界定为发现真理，而逻辑的任务在于识别真理的规律。罗素立足于把哲学建成严密的科学，哲学像科学一样可以获得真理性的知识。在罗素看来，哲学和科学只有程度之分，没有本质区别。哲学问题都是逻辑问题，逻辑问题就是科学问题。对科学问题进行分析还原之后，如果这个问题是逻辑问题，则它是哲学问题，否则就不是哲学问题。因此，逻辑是哲学的基础。通过逻辑分析进行还原涉及语言，那么，所有哲学问题命题都是语言表达式，语言结构是逻辑结构，是科学命题的真正的逻辑形式。

罗素的逻辑原子论从本体论角度坚持奥卡姆剃刀的最小化原则，从语言角度上坚持思维经济原则，语言表述坚持最小词汇量原则。“如无必要，勿增实体”。罗素从逻辑学角度坚持逻辑前提或者公理最小化原则，“宁可构造，勿要推论”。根据公理与推理规则建构的逻辑学公理系统影响了图灵、冯·诺依曼及其以后的人工智能专家。冯·诺依曼致力于为新机器设计逻辑方案，戈德斯坦把冯·诺依曼看成将逻辑应用于计算机的第一人，“据我所知，冯·诺依曼是一个清楚地懂得计算机本质上执行的是逻辑功能的人” 〔7 〕69。冯·诺依曼在EDVAC的报告中也提到，不但从数学的观点，而且从工程史和逻辑学家的观点来探讨大规模计算的机器。在人工智能哲学先驱德雷福斯看来，自从古希腊人发明了逻辑与几何，就把一切推理归结为计算。人工智能中符号主义的基础是逻辑学，是哲学中的理性主义、还原论传统。他们把计算机看成操作思想符号的系统，试图用计算机来表达对世界的形式表述。心灵与计算机都是物理符号系统。在德雷福斯看来，“伽利略发现人们可以忽略的品质和技术上的考虑，从而能找到一种用来描写物质运动的纯形式化系统，同样我们可以设想，一位研究人类行为的伽利略可能会把所有语义上的考虑（对意义的依赖），变成为句法（形式化）操作技巧” 〔8 〕76。人工智能的代表人物数理逻辑学家皮茨与生理学家麦卡洛克撰写了《神经活动中内在观念的逻辑运算》，他们的思想受到罗素与怀特海《数学原理》的启发，坚持把一切数学还原为逻辑，甚至神经网络也可以用逻辑来表达。德雷福斯认为人工智能的发展建立在四种假设之上，即生物学假设、心理学假设、本体论假设以及认识论假设。其中认识论假设指的是一切知识都可被形式化，可以被编码成数字形式;本体论假设指的是存在一组在逻辑上相互独立的事实，知识可以被编入计算机程序。纽维尔认为：“人工智能科学家把计算机看成操作符号的机器，他们认为，重要的是每一样东西都可以经编码成为符号，数字也不例外。” 〔9 〕196

在符号主义者看来，符号是人类认识外部世界的基本单元。人工智能的逻辑学派将人的认识对象通过数学逻辑的方式抽象为符号，利用计算机的程序符号来模拟人认知世界的过程。符号主义学派主要依靠计算机的逻辑符号来模拟人的认知过程。人工智能的重量级人物纽维尔与西蒙构造了第一个真正意义的人工智能程序，称之为“逻辑专家”，可见人工智能专家受逻辑学思想影响之深，“任何表现出一般智能的系统，都可以证明是一个物理符号系统”  〔10  〕41。西蒙与纽维尔认为，作为一般的智能行为，物理符号系统具有的计算手段既是必要的也是充分的。纽维尔与西蒙把其理论来源追溯到分析哲学家弗雷格、罗素与怀特海，“该假设的起源要追溯到弗雷格、怀特海与罗素就形式化逻辑提出的方案：以逻辑方式获取基本的概念式数学观念，把证明和演绎观念置于可靠的根基上” 〔11 〕。德雷福斯认为，真正的专家解决问题是诉诸直觉与整体性，在此基础上对人工智能的认识论假设与本体论假设进行批判，但他同意专家系统必须使用某种类型的概论度量的逻辑标准，“认知模拟的先驱者们——已经继承了霍布斯推理就是计算的主张，笛卡尔的心理表述、莱布尼兹的‘普遍文字’的思想——所有知识都可以在一组初始概念中得到表示” 〔11 〕。正如德雷福斯所言，“人工智能就是试图找到主体（人或计算机）中的哲学本原元素和逻辑关系” 〔12 〕。可见，人工智能与逻辑学特别是分析哲学紧密相关，逻辑学与分析哲学是人工智能的一个重要思想来源。

三、简单性哲学原则为人工智能提供方法论基础

简单性原则作为一种方法论原则，指的是科学理论前提的简单性、科学定律的简单性、思维经济性以及逻辑简单性原则。简单性原则在科学中占有重要地位。欧几里得几何学只有五个公设和几个推理规则就建构其整个立体几何学体系。这就是简单性应用的典范。简单性哲学原则认为，某一给定实体是由更为简单或更为基础的实体所构成的集合或组合。爱因斯坦指出：“从古希腊哲学到现代物理学的整个科学史中，不断有人力图把表面极为复杂的自然现象归结为几个简单的基本观念和关系。” 〔13 〕39

古希腊先哲用简单的物质元素探索世界的本原。例如，泰勒斯把世界的本原归结为水，赫拉克利特把世界的本原归结为火，德谟克利特把世界的本原归结为原子，认为世界由不可分的原子构成。他认为，万事万物都可以还原为不可分最小微粒——原子，世界是由原子构成的。复杂的事物由简单的事物构成，万事万物都由不可分的基本粒子构成。世界由最基本的粒子构成，复杂对象由基本粒子构成，基本粒子决定了宇宙的性质。

简单性哲学原则不但用简单元素追溯世界的本原，还致力于用力学解释自然现象。不管是物理规律、化学规律、生物规律，甚至是社会规律都可以用力学解释。哥白尼的日心说体系之所以取得科学界的支持也不是因为其解释力强，而是因为其遵循了简单性原则，从而取代了托勒密繁琐的本轮-均轮模型。牛顿的力学三定律就立足于简单性原则，用力来解释所有运动。按照简单性哲学原则，人与动物都是由简单的粒子构成，人与动物没有根本区别，人与机器也没有本质区别，甚至可以说“人就是机器”。1747年，拉·梅特里发表了《人是机器》这一哲学巨著，提出“人是动物，因而也是机器，不过是更复杂的机器罢了” 〔14 〕69。笛卡尔把人体看作是与机械相类似，用机械的旋涡来解释天体运动问题，他认为宇宙是一架机器，机械运动是唯一的运动规律。牛顿、开普勒、伽利略等都力图建立严密的力学体系来正确描述宏观物理运动，甚至是天体运动。爱因斯坦试图用公理化方法把自然界描绘成物质在时空中运动的统一体，德国物理学家海森堡也认为简单性原则可以作为科学假说可接受性的标准。

不仅自然界的规律可以用力学表示，而且社会关系也可以用力学表示。孔德提出社会动力学和社会静力学概念，社会动力学又称为社会物理学，立足于运用力学规律分析社会关系。1950年，斯宾塞出版《社会静力学》，把事物的基本规律看作“力的恒久性规律”（the law of persistence of force）。“人是机器”的观点启发人工智能先驱开始了构造具有人类智能机器的探索。

简单性哲学原则在人工智能发展中发挥了重要作用，影响了人工智能的出现与发展。人工智能是使用数字计算机模拟智能行为的活动。在纽维尔与西蒙看来，人工智能系统中把数据看作“1”与“0”的数字串，其他复杂的数量关系可以由“1”和“0”两个数字来构建，这是计算向物理过程的还原。人工智能需要把任何种类的智能活动变成一套指令。在人工智能的计算主义看来，一切推理都可以归结为计算，人工智能机器可以复制人类智能行为。人类的认知与计算机器是一样的。一切人类实践与技能在头脑中都表现为一个信念系统，由与上下文环境无关的初始行为与事实所构成。人与计算机都是物理系统或者可以简单归结为物理系统，这种思想深受简单性原则影响。不但如此，人工智能中的问题求解也是由难问题还原为简单问题来讨论。明斯基（Marvin Lee Minsky）认为：“解决困难问题的能力，随着把难题分成或者转换成难度较低问题的能力而改变，为了做到这点，需要对局势的理解，但不是全靠运气。人们必须能够对问题的表达作充分的推理或猜测，才能为问题的局势建立更简单的模型。这些模型具有的结构，应足以使人觉得可以把从模型得到的解，扩展到原有的问题上。” 〔15 〕421在人工智能先驱纽维尔与西蒙看来，人工智能与人脑都是同样的信息处理工具，具有功能相似性，“可以看出这种方法并未假设计算机和大脑在‘硬件’上的相似会超出这样一個范围，即认为两者都是通用的符号处理装置，而且能为计算机编程程序来进行一些基本的信息处理，使它们的功能与大脑十分相似” 〔16 〕。既然人脑可以还原为物理属性，那么，人工智能同样可以还原成简单的形式化规律。智能行为原则上可以理解为确定的独立元素的本体论假设。不但如此，人工智能的四个假设都建立在简单性原则之上，“心理学假设、认识论假设与本体论假设的共同之处是：它们都认为，人一定是一种按照规则对原子事实形式的数据作计算的装置” 〔17 〕9。智能行为可以还原为计算。哲学传统一直认为，凡是有序的东西都可以形式化为规则。明斯基认为所有的规律都受规则支配。“每当（在我们的行动中）观察到一种定律时，便转交给确定性规则来表达” 〔18 〕431。按照明斯基、纽维尔与西蒙等人工智能专家的观点，人与机器都是对原子事实形式化数据的装置，都可以还原为数量关系与物理学关系。

四、哲学核心问题决定了人工智能的研究进路

主体与客体的关系在哲学史上占居重要地位，是哲学研究中的核心問题，也是哲学史上诸多学派的思想源头。古希腊米利都学派的泰勒斯探索万物本源的时候就开始关注主体如何认识客体，关注主体与客体的关系，普罗泰戈拉提出的命题“人是万物的尺度”包括了主客二分思维的萌芽，笛卡尔的精神和物质相互独立的二元论思想暗含着主体和客体截然二分的思想。人们一般认为，只有人类才能成为主体，人之外的世界是客体。那主客二分的标准是什么呢？人之所以为主体的标准又是什么呢？有的学者认为只有主体才具有意向性，客体不具有意向性，客体只是主体认识的对象。主体一般具有独立意识或者个体经验。哲学意义的认识论指的是个体对知识和知识获得所持有的信念，主要包括知识结构、知识本质、知识来源和知识判断的信念等内容，主体与客体的关系问题是哲学的核心问题。认识论中的可知论与不可知论是研究主体之外的客体是否可知，唯心主义与唯物主义的区分以及各种不同的哲学流派的分野都基于主体与客体截然二分的哲学基础，哲学史上，各大流派都曾经把主客关系作为研究的切入点。

人工智能是赋予机器智能，让机器可以模拟或者代替人类的某种智能。人工智能基于不同的哲学理念有不同的研究进路，人工智能发展史上不同思想的对立也是基于对于主体与客体关系的哲学思考。一般来讲，人工智能可分为三种进路，即符号主义进路、联结主义进路以及行为主义进路。人工智能符号主义进路把人类的认知过程看成符号计算过程，人类认知是物理符号系统，人工智能先驱德雷福斯（H.Dreyfus）认为，人工智能研究者其实与炼金术师一样，也是对一些符号进行不同的处理。因此，在人工智能的符号主义看来，人与机器没有本质区别，人类的心智同样可以还原成符号计算。德雷福斯在《计算机不能做什么：人工智能的极限》中提出，人工智能机器是基于生物学假设、心理学假设、认识论假设以及本体论假设基础之上的。“生物学假设：在某一运算水平上，大脑与计算机一样，以离散的运算方式加工信息;心理学假设：大脑被看作一种按照形式规则加工信息单位的装置;认识论假设：一切知识都可被形式化，可以被编码成数字形式;本体论假设：存在是一组在逻辑上相互独立的事实，知识可以被编入计算机程序” 〔17 〕156。从德雷福斯关于人工智能的四个假设中我们可以看出，人工智能与人类一样都是对信息加工和处理的工具，从这个意义上讲，主体与客体之间没有本质的区别。主体与客体不能截然二分，之所以对主体和客体进行区分，表明人类对于自身的认知规律和智能结构没有真正揭示。

人工智能的联结主义进路，又称为仿生学派或生理学派，认为人工智能源于仿生学，特别是对人脑模型的研究，其主要原理为神经网络及神经网络间的连接机制与学习算法。联结主义起初是用软件模拟神经网络，后来发展到用硬件模拟神经网络。其理论假设是人与机器如果具有同样的结构应该具有同样的功能，可以通过研究人脑的物理结构从而制造出类似人脑的机器。在联结主义看来，人与机器结构相同，人脑与计算机程序运行模式相同，则功能相同。纽维尔（Allen Newell）认为，智能的计算机程序可以被用来模拟人类的思维过程。联结主义失败的原因是人脑的结构并不像人工智能研究者们在电脑上模拟一样，人类的大脑是将物理事实与知觉过程所连接的客观事实，而不只是对信息进行加工的一台机器。人与机器不同，机器不具有人类的精神状态和意识。人类的精神状态和意识是否由人脑结构决定呢？人类精神状态和意识是先验存在还是后天习得仍然是认知科学研究的难题。因此，通过神经网络让机器模拟人类智能行不通。通过对人工智能的符号主义和联结主义的分析我们发现，主体与客体区别的必要性得以彰显，人的主体性地位不能动摇。

人工智能的行为主义进路，又称为人工智能的进化主义或控制论学派，其原理为维纳和麦克洛克等学者的控制论思想及感知-动作型控制系统。研究重点是模拟人在控制过程中的智能行为和作用，如对自适应、自组织和自学习等的研究。人工智能行为主义学派的代表布鲁克斯（Rodney Brooks）研制的“六足机器人”实质上是一个基于感知-动作模式模拟昆虫行为的控制系统，能够适应外界的环境，但这样的机器人也不具有人类的感知与认知能力，主体与客体之间还是可以严格区分。人工智能的目标从技术层面来讲是制造出对人类有益的智能机器，从哲学层面来讲，就是利用人工智能概念和模型，通过机器模拟人类智能来推动哲学核心思想主客二分问题的研究，借此解决哲学上的身心问题、意识难题等问题。哲学的核心问题与人工智能的研究是相互促进的。

综上所述，人工智能技术的发展有其哲学根源，根源于数是万物本源思想、万物皆数思想以及数的简单、和谐思想，还根源于亚里士多德的逻辑思想以及分析哲学的逻辑分析研究方法。在众多哲学思想中，简单性原则是人工智能的哲学思想源泉。人工智能就是计算机用逻辑方法把思维还原为简单数字来模拟人脑的过程。人工智能发展是思维的革命，人工智能涉及信息与计算的本体地位和方法论问题，人工智能的发展迫使哲学家们对思维的存在形式进行深入研究，从而把形而上的论证变成可操作的过程。人工智能的目标是通过计算机实现机器模仿人类智能，人工智能的发展直接指向哲学的中心问题。例如，意向性问题、形式化问题、身心问题等。对于人工智能的哲学基础溯源有利于推动哲学的进步与发展，也可以拓展对于传统哲学问题的研究。只有对人工智能的哲学思想基础进行追溯与探源，才能为人工智能工作者提供思想源泉，从而更好地理解与把握人工智能的理论基础、发现人工智能的发展规律以及预测人工智能的发展趋势、把握人工智能的发展方向。

参考文献：

〔1〕玛格丽特·博登.人工智能哲学〔M〕.刘西瑞，王汉琦，译.上海：上海译文出版社，2001.

〔2〕汪子嵩，等.希腊哲学史〔M〕.北京：人民出版社，2004.

〔3〕亚里士多德.形而上学〔M〕.李真，译.上海：上海人民出版社，1995.

〔4〕安东尼·梅耶斯.爱思唯尔科学哲学手册〔M〕.张培富，等译.北京：北京師范大学出版社，2015.

〔5〕Krause P J.Collected works of A. M. Turing〔M〕.North Holland，Amsterdam：Macmillan magazines Ltd，1992.

〔6〕Davis，Martin.Engines of logic：mathematicians and the origin of the computer〔M〕.New York：W. W. Norton & Co. Inc，2001.

〔7〕Goldstine H H.The Computer from Pascal to von Neumann〔M〕.Princeton：Princeton University Press，1980.

〔8〕休伯特·德雷福斯.计算机不能做什么？——人工智能的极限〔M〕.宁春岩，译.北京：生活·读书·新知三联书店，1986.

〔9〕Newell A.Intellectual issues in the history of artificial intelligence〔M〕.New York：John Wiley & Sons，1983.

〔10〕Newell A，Simon H A.Computer science as empirical inquiry：symbols and search. In：Haugeland J〔M〕.Mind design，ed. Cambridge：MIT Press，1981.

〔11〕Dreyfus H L，Dreyfus S E.Making a Mind versus Modeling the Brain：Artificial Intelligence Back at a Branch-Point〔J〕.Daedalus，1988（01）：15-43.

〔12〕Dreyfus H L.WhyHeideggerian AI failed and how fixing it would require making it more Heideggerian〔J〕.Philosophical Psychology，2007（02）：247-268.

〔13〕爱因斯坦.物理学的进化〔M〕.周肇威，译.上海：上海科学技术出版社，1982.

〔14〕拉·梅特里.人是机器〔M〕.顾寿涛，译.北京：商务印书馆，1981.

〔15〕Marvin Minsky.Descriptive Languages and Problem Solving，Proceedings of the 1961 Western Joint Computer Conference;reprinted in Semantic Information Processing〔M〕.Minsky，ed. Cambridge：MIT Press，1969.

〔16〕Newell A，Simon H A.Computer simulation of human thinking〔J〕.Science，1961（3495）：2011-2017.

〔17〕Dreyfus H L.What Computers Still Can’t Do：A Critique of Artificial Reason〔M〕.Cambridge：MIT Press，1992.

〔18〕Marvin Minsky.Matter，Mind and Models.Semantic Information Processing〔M〕.Cambridge：MIT Press，1968.

责任编辑 苏玉娟

作者：闫坤如

人工智能与自然语言逻辑论文 篇2：

当代逻辑：家族相似性

内容提要 在过去两个世纪的时间里，逻辑学取得了令世人瞩目的进步。逻辑从一门研究具体推理模式——三段论，以及以定义、谬误和悖论为主题的古老学科，发展为一门以演绎推理的形式系统为核心，以对科学和日常概念、对语言的推理论证结构进行分析和评价为目标的现代科学。逻辑的应用也从哲学和自然语言的传统主题扩展到数学、语言学、计算机科学、人工智能、认知科学，甚至经济博弈论等众多领域。人们见证了逻辑指数般的高速增长，见证了基本逻辑的发展以及在实践领域的广泛应用。

关键词 当代逻辑 逻辑的多样性与统一性 家族相似

〔

随着“逻辑”这一概念涵义的巨大变化，历史上人们对逻辑的任务和目标的看法也已经发生了很大变化。在这种情况下，人们自然希望知道——例如，亚里士多德和弗雷格是否对共同的研究对象感兴趣，他们所谈论的是否是一个共同的研究领域。透过逻辑史，人们会发现，当代逻辑学科是一个高度多元，同时又高度和谐的领域，逻辑从业者既可以有广阔的研究题材和领域的选择，同时，也可以毫无困难地识认出那些在精神和气质方面属于逻辑的研究和他们的同僚。作为一名逻辑的从业者，我们注意到有一个宽广的视角——通过考察主要逻辑概念和逻辑系统的演变有助于引发逻辑的和谐性：尽管差异存在，但我们仍然可以谈及某些共同兴趣之所在。正是它们的存在证明了作为一个统一学科的逻辑以及与之相关的学科（如逻辑哲学和逻辑史）研究领域的合法性。

在逻辑史的不同时期，逻辑学家的兴趣始终是在那些非经验的，即那些意义并不是或者至少并不是无可置疑地建立在感觉经验基础之上的，能够被称为逻辑的概念或词汇方面。尽管在哪些术语或者词汇属于逻辑的这一问题上，历来就存有争议，而且随着逻辑的发展，争论的对象、焦点和方式也不断地改变，但不论是亚里士多德、波爱修、阿伯拉德、奥卡姆，还是波尔扎诺、康德、弗雷格和塔斯基，他们对什么是逻辑词汇（例如，范畴词和非范畴词的区别），什么是逻辑后承（如亚里士多德对后承关系的模态刻画、波尔扎诺对变量代入的处理，当代模型论句法学和语义学的刻画，以及不同形式系统对逻辑后承的不同要求），以及什么是逻辑真理等核心问题的兴趣始终未变。

然而，事情并非那么简单，无可否认的是，近二百年逻辑的迅速发展已经达到一个临界点，特别是人工智能对逻辑的巨大需求，以及这种逻辑的新颖性和反传统性，已经完全颠覆了已有的固定的逻辑版图，逻辑日程表的制定者已经由大学的哲学教授转变为数学家，并且目前又被人工智能学者所取代。考虑到他们的教育背景，留意他们做逻辑的方式，阅读时下的逻辑杂志，或者参加一次国际会议，与当代活跃的逻辑专家对话和交流，你就会发现当代逻辑的触角已经伸展到语言与认知各个方面，例如逻辑已经着手研究“在动态环境中规划理性的行动，或者为可移动的机器人建造常識推理”。对逻辑的理解也开始出现明显的分化：哲学家认为逻辑是哲学的一部分，但大多数数理逻辑学家否认这种说法，他们认为逻辑是数学的一部分，而当代人工智能学者则热衷于智能人的知识表征，倾向于逻辑与认知科学的联系。当代逻辑如同一个冒险故事，正行走在不同学科之间充满岔路的小径上。更重要的是，它的探险才刚刚开始。我们只知道它有悠久的历史，但没有人知道该如何评价它的现在，它的未来又是怎样的，它将走向何方。想一想亚里士多德的逻辑完整无损地存活了2000余年，最后能做到全身而退，在现代社会看来这真是一个童话。

相比上文的颠覆性，本文的目标则小得多：试图在逻辑历史演进的脉络中，通过梳理历史上出现的主要逻辑类型，从而对逻辑的一元论与多元论、经典逻辑与非经典逻辑的关系，以及不同逻辑分支之间的发展界限做一番宏观的考察。
二

亚里士多德的《前分析篇》产生了历史上第一个演绎逻辑类型——三段论的逻辑，他同时也规划了归纳逻辑的相关事宜。这样，从逻辑诞生的那天起，就为不同类型的逻辑发展埋下了伏笔。事实正是如此，仅在希腊化时期，麦加拉学者狄奥多鲁·克鲁努斯和他的学生费罗就发展出一种迥异于亚里士多德的逻辑。他们的影响导致了斯多葛学者克里西普斯的命题逻辑，这种逻辑以命题而不是词项为基本元素。至此，演绎逻辑的不同类型开始出现。后者以其新颖的推理类型和丰富精致的语义学创新而与亚里士多德的逻辑呈鼎足之势。以至于斯多葛逻辑是否受到漫步学派的影响成为逻辑史热议的话题。

亚里士多德的词项逻辑与斯多葛的命题逻辑一度被看作是不相容和彼此竞争的。早在盖伦时期，逻辑学家就意识到亚里士多德和斯多葛的逻辑都不能充分分析一些有效论证。但后来的注释家和教科书作者将二者合并为传统逻辑。传统逻辑主要由三段论和某些命题逻辑（如假言推理的肯定前件式和否定后件式、析取三段论）以及非形式逻辑、谬误和定义等部分组成。

中世纪逻辑贯彻继承了亚里士多德和斯多葛逻辑的基本框架，其他的那些进步则主要是通过扩展古代逻辑概念的方式而取得的。例如，亚里士多德并不允许量化谓词短语。他引用例如“Every mall is every animal”的不合法性来论证他的观点，因为这不是一个真命题。但是“No mail is every animal”是真的，它有一个量化的谓词。而中世纪逻辑学家开始自由地使用这种形式。他们也开始构造一些涉及整个谓词的否定句等等。一旦一个单称词项被允许出现在过去只有量化的普通名词允许出现的地方，一旦等同的可传递性的例子能够被用公式表达，它也会被承认是逻辑有效的原理。所有的这一切导致一个丰富的逻辑系统的诞生，这一系统能够从少数基本的逻辑原理导出其他众多的命题。

中世纪逻辑是在自然语言——拉丁语中阐述的，这其中除了语法形式之外，没有逻辑形式。逻辑学家们基本上是通过规定拉丁语是如何被理解的方式而从事逻辑的研究，例如，语词的表层次序决定着它们的语义学范围（或辖域）。这一特点影响到整个理论——从起点到终点——的发展。的确，中世纪逻辑有某些人工自然语言的味道，在中世纪这种语言已不是任何人的母语。作为第二语言，任何一个人都需从学校中来学习。然而，就我们的目的而言，重要的是，它有一种自然语言的语法结构。

除了有效推理规则的集合，以及关注这些规则的学科和科学之外，“逻辑”一词还意味着满足某些精确性要求的特定的言语。它也意味着关注这种语言或这类语言研究的一个领域。自19世纪以来，这样一个构造和研究形式语言的研究领域典型地被称为逻辑。
三

符号逻辑就是这样一种逻辑。符号逻辑的开拓者致力于建构一种比自然语言更精确的人工语言。在20世纪那些被称之为逻辑的语言已经作为自然语言的模型被加以使用。新逻辑以一种更精确而又开阔的方式取代旧逻辑，成为语言分析和研究的工具。但应当指出，诸如莱布尼茨和弗雷格这些现代逻辑的开拓者并没有将逻辑作为自然语言研究工具的意图，反之，他们希望建构一种更精确、缺乏自然语言典型具有的模糊性作为思想媒介的人工语言来代替自然语言。

尽管符号逻辑（在数学中有其模型）直到19世纪才出现，但它很快就成为亚里士多德逻辑的主要竞争对手。后者认为自然语言反映推理和其他逻辑关系的逻辑形式，甚至反映实在的形式。传统的判断语法分析模式在19世纪末期遭到从数学中获取分析模型的数学家们的挑战。“函数”和“论元”（主目）成为逻辑词汇的一部分，表达关系的谓词和量词也进入到逻辑词汇表。在这种由弗雷格和皮尔斯所发展，由怀特海（Whitehead，1861-1947）和罗素在他们的《数学原理》中编辑加工的新逻辑中，逻辑推理规则获得新的处理，作为现代逻辑的开拓者，他们试图在人工语言中对这些规则给出严格而清晰的阐述。

至此，产生了逻辑史上的主要分水岭，我们由此见证了亚里士多德逻辑的三段论被一种表达上更为灵活、演绎上更为明晰的图形语言所取代。这是概念上的革命，但逻辑的目标没变，逻辑仍是和谐的。

符号逻辑是演绎思想的一个数学模型，如同现代概率论是涉及几率和不确定性情况的模型一样。实际上，我们能够呈现两种模型。第一是语句逻辑，一个非常简单但也是對演绎问题的解决很不充分的逻辑。它仅仅保留了真实生活中演绎的某些粗糙的性质。第二个是一阶逻辑，一个适宜于数学中的演绎问题的逻辑。这里的模型可理解为：当一个工作着的数学家断言一个特定语句从一阶逻辑系统或集合论的公理中推出，这位数学家意味着这一演绎是模型中的一条定理，或能够在模型中被翻译。

因逻辑概念的过度使用而引起的混乱发生于20世纪初的德语区，逻辑在一个比今天宽泛得多的意义上来理解。逻辑的问题与哲学、认识论、本体论、心理学和语言学彼此联系得非常紧密。其结果是，哲学家、心理学家和语言学家都写逻辑著作。按照现代的标准，这些著作充其量可算作是逻辑哲学的研究成果。

与德国哲学家试图通过引入心理学概念或者通过将它表达为一门“科学的理论”而修正传统逻辑形成鲜明对比的是，英国和德国的数学家却试图通过引入数学概念和思想，从而实现对逻辑的一场彻底的改革。然而，关于新兴数理逻辑的本质并没有一致的看法。这个新的逻辑领域被称为“逻辑代数”“逻辑斯蒂”“代数的逻辑”和“数理逻辑”。

数理逻辑是探讨形式逻辑在数学中应用的一个数学分支。它与元数学、数学基础和理论计算机有密切联系。数理逻辑统一的主题包括形式系统表达力和形式证明系统的演绎力量的研究。数理逻辑被划分为集合论、模型论、递归论和证明论等领域。这些领域共享逻辑，特别是一阶逻辑和在计算机科学中的可定义性的基本结果。

数理逻辑有时可与符号逻辑交换使用，有时它被用于指称那些数学家而不是哲学家更感兴趣的符号逻辑的某些领域。现代逻辑的创立者对数理逻辑的兴趣在于他们希望搞清楚数学家在他们作证明时到底预设了何种逻辑原理，他们也思考了算术是性质，以及它们能否被归结为逻辑的问题。数理逻辑出自严格的数学分析的愿望，它们给予建立在集合论基础上的带有量词的谓词逻辑和关系逻辑，以及详细地架构定义和实施证明的方法以重要地位。

符号逻辑或数理逻辑也被称为现代逻辑。自亚里士多德以来，逻辑一直是哲学的一部分。大约自1850年以来，数学家布尔发展了现代符号逻辑。在20世纪，逻辑仍在哲学系内被继续，但它的主要推动力已转向数学、计算机科学和人工智能。现代逻辑是一种令人着迷的混合物，它运用数学来理解数学推理，现代逻辑比亚里士多德的三段论更灵活，它完全能够处理概率和不确定性的世界，这是科学的真正目标。逻辑并不是对科学揭示了的世界的限制，而是探索可能性不可或缺的工具，在这个意义上，它是自由文明和自由思想不可或缺的要素。

演绎逻辑又可划分为经典逻辑和非经典逻辑。经典逻辑并不是指古代逻辑或古典逻辑，也非指亚里士多德的逻辑。从历史上看，它源于19世纪布尔和德摩根的工作以及皮尔士的工作，然而，它的发展和成熟却是在弗雷格和罗素、怀特海的开创性工作之后。经典逻辑赋予语言、真以及后承关系最简单的假设，因而是一种最强的逻辑。它涵盖了命题和量词逻辑，经典或标准逻辑在关于何种论证是有效的处理方面与弗雷格和罗素的系统是一致的，而在符号化和证明的技术方面则存在着差异。

“非经典逻辑”是经典逻辑的扩展逻辑或异常逻辑系统。从逻辑史的角度看，“非经典逻辑”首先是被两种力量——哲学和数学所推动或是其相互作用的结果。

哲学的扩展：哲学扩展的结果是一系列建立在经典逻辑基础之上，并与经典逻辑原则不相矛盾的哲学逻辑系统的出现。这些系统通过增加新的非外延（非真值函项）概念（算子）而大大增强了经典语言的表达力。主要逻辑系统包括价值论逻辑、模态逻辑、信念逻辑、道义逻辑、命令句逻辑、无穷逻辑、部分整体逻辑、问题逻辑、二阶逻辑、时态逻辑和认知逻辑。虽然经典的扩展受到哲学动机方面的支配，但它的应用和影响已远远超出了哲学而进入到计算机科学、人工智能、计算语言学，甚至经济学博弈论等广阔领域，成为最为活跃而多产的一个领域。

数学的扩展：数学的扩展是建立在经典逻辑基础之上，并与经典逻辑的原则不相矛盾，基于数学的兴趣而发展起来的一种逻辑系统。它们包括算术和几何的公理化，以及高阶逻辑和集合论。集合论和高阶逻辑更像是数学而非逻辑，但由于二者对现代逻辑的研究极为重要和关键（哥德尔的不完全性定理就是关于包括高阶逻辑和集合论在内的经典逻辑的重要结论），人们把集合论作为逻辑的一部分。

异常逻辑：异常逻辑（又被称为“择代逻辑”）是基于对数学推理和后承关系的思考而提出的一种本质上不同于经典逻辑的系统。它们包括自由逻辑、直觉主义逻辑、多值逻辑、超协调逻辑、相对同一的逻辑和相干逻辑。异常逻辑主要对经典逻辑关于“真”或“后承”概念提出挑战。例如，对排中律（“每一句子要么真要么假”）和有效性仅由真假关系决定的经典逻辑的基本原则提出挑战。例如，直觉主义逻辑对“真”和逻辑联结词及逻辑算子的意义有不同理解。

即便我们取狭义的演绎推理作为我们关于“逻辑”一词的基本涵义，在其中仍有一些容易引起争议的问题。蒯因表明，我们将逻辑限定于经典符号逻辑，是因为在他看来，这部分内容的逻辑所关注的是诸如“并且”“或者”和“并非”这种出现于每一学科领域中的题材中立的词项，因而基本上是没有争议的。而像诸如模态逻辑、道义逻辑这些关于逻辑的哲学扩展，如果它们是合法的，那么它们应被视为哲学的一部分。像集合论和算术的公理化扩展是数学的一部分，而异常逻辑是非法的。

大多数当代逻辑学家倾向于使用一种广义方式下的逻辑概念。演绎逻辑通常被认为除了包括经典符号逻辑和传统三段论逻辑之外，还包括逻辑的哲学扩展（如模态逻辑和道义逻辑）异常逻辑，甚至有时包括它的数学扩展（如集合论）。逻辑被视为至少是三学科——哲学、数学和计算机科学的部分，它们分别从不同角度处理逻辑问题。任何企图给出“逻辑”词项一个清晰和终极边界的做法都过于人为。

然而，逻辑的多样性所导致的问题很快就显现出来：后来继起的逻辑系统与在先的逻辑（这里主要指标准经典逻辑）系统的关系是怎样的？新近逻辑的殊异性应用和不同的形式系统是如此的引人注目，以至于它们很快被赋予一专门名称——“择代逻辑”。
四

择代逻辑的产生和发展由外部和内部两种因素促成。长期以来，尤其是近一个世纪以来，逻辑面对着的不仅是诸如数学、哲学，甚至还包括物理学、计算机科学、经济学或者语言学等相邻学科的发展。其结果是逻辑必须反映这些不同学科的不同推理所带来的新思想、新关切和新的逻辑实践。例如，现代认知和动态逻辑从信息、计算和行为等超出经典的基本关切方面获得了主要的原动力。次协调逻辑起源于对人类实际论证的严肃关切，而非单调推理反映了人工智能领域常识推理的基本特征。除了这些外部的影响之外，逻辑议事日程和对经典问题与结果的评价方式的改变，说明来自逻辑领域的内部动力也是不可忽视的。例如，直觉主义逻辑反映了对“判断”与“真”的不同于经典逻辑的理解，相干逻辑产生于对经典后承关系的批评，而更早期的多值逻辑则提出了一种对亚里士多德的二值逻辑导致宿命论的解决。在这一多值思考的背景下，经典逻辑作为多值逻辑的一个特例而存在。

但在众多逻辑系统之中，哪些是“择代逻辑”（alternative logic，又称非经典逻辑或变异逻辑），哪些是经典逻辑的扩展，这之间的界限并不是十分清楚。而且这一用法本身会带来诸多的误解。在某些当代逻辑学家的眼中，现代逻辑系统的多样性只是标志着逻辑学科健康发展的一种自然状态，并不意味着是用一种或者几种逻辑替代另一种逻辑，或者彼此之间的相互竞争。但在另一些逻辑学家看来，经典和择代（或变异或非经典）逻辑之间却是一种真正的相互竞争的关系。

即便竞争关系存在，这些择代逻辑之间也不是互斥的，而在某种程度上是互补的。例如，真势模态逻辑可以与道义逻辑或者认知逻辑等很好地结合，最终是希望能够表达和分析混合模态论证和断定（例如“应该”蕴涵“可以”）。也可以发展相干或者直觉主义模态逻辑，使那些关于后承关系的观点与模态词的研究相融合，就像相干直觉主义集合论与高阶逻辑所做的那样。然而在每种特定逻辑中，人们也会面对大量不同的逻辑系统。存在着无数的模态逻辑系统——其实大多数逻辑系统也许只有数学意义。即便如此，也有许多系统具有重大的哲学意义。它们都是正确的吗？能够选出一种真正刻画“必然”的逻辑吗？尽管有许多模态逻辑，但是在前几年有一位逻辑学家认为S4是真正刻画了“必然”的逻辑系统，现在都承认该规律，然而直觉主义逻辑和多值逻辑都否认它，那么这条逻辑规律到底是真的还是假的呢？如何回答这个问题就好像迫使人们在倾向于一种逻辑而远离另一种逻辑之间做出选择。经典逻辑与直觉主义逻辑都承认“真值蕴涵怪论”推理模式的有效性，它的意思是矛盾蕴涵一切，即如果P且非P，则Q。然而这正是相干逻辑所反对的。它不能被两种逻辑所确认。一种逻辑认为它是对的，另一种逻辑认为它是错的。

面对择代逻辑的兴起，以及由之产生的不同逻辑系统问的评价问题，人们会在不同的层面不断地追问，是否存在着一种真正刻画后承关系的逻辑系统，而各种不同的逻辑系统在刻画后承关系这方面究竟是一种什么关系。显然，简单地归结为竞争关系是过于简单。问题本身可能是繁杂的，需要复杂的和复合的处理。例如，再考虑一下模态逻辑及其那么多有意思的系统。也许人们认为每一个系统都刻画了“必然”的一种不同的含义，因此它们之间实际上并不是竞争关系。同样，关于排中律人们可能会说经典逻辑学家和直觉主义者处理的仅仅是基于不同的析取和否定概念。因此，这再次说明，这里并没有真正的分歧。也许所有的逻辑系统都可以组成一个综合体，并且它们都是正确的。另一方面，这种一般性精神也许符合一些人的想法，但人们却怀疑这种思想歪曲了不同的逻辑所运用的方法和它们各自必须表达的观点。然而也有其他的答案，即允许多种逻辑同样正确，它们更多地是相互补充而不是相互竞争，没有多种“必然”概念，或者更重要的是没有多种“逻辑后承”概念。然而这些前理论的概念是如此地多变，以至于不可能用单一的逻辑系统来刻画。
五

总之，以择代逻辑为代表的各种非经典逻辑的出现乃是人类理智发展史上驱动逻辑变革的那些因素，在具体历史环境中，对它们所面临的逻辑发展中所遇到的问题，进行理智反思的结果。从这种意义上人们可以认为，现代逻辑是由许多背景不同、目标迥异，但又相互联系的思想家群体合力促成，这种异质因素决定了逻辑不存在一种通用的，或唯一合法，或可以作为其他逻辑的仲裁者的逻辑系统，甚至在可预见的将来也不可能会出现。但逻辑并未就此失去它引以为傲的和谐性，一种相互联系的“纽带”一直存在，历史上有过几次成功的整合，而当代逻辑的一个大趋势是通过算子表达的完全性，以及不同算子的组合方式，将逻辑在更大规模或更高层次上潜在地整合。我们虽然不能预知未来逻辑的发展，但我们深信逻辑发展的强大动力一方面来自于语言和思想的世界，而这个世界正被计算机、人工智能和认知科学所塑造，逻辑适逢其时地参与其中，就像它已经在语言学中通过形式语义学的方式，在认知科学中通过博弈论的方式，在科学哲学中通过省缺逻辑的方式，镌刻下自己的名字一样，它也必将在新一轮的整合中以一种新逻辑诞生的方式为这种整合刻下自己的名字。另一方面的动力来自于逻辑自身的技术发展，当技术发展达到一定水平，它们似乎也就具备了自我更新、自我校准——如同有自己目标一样有自己的前进逻辑。如同逻辑发展的不同传统各自贡献的基本概念和希望达到的最终目标虽然不尽相同，但也许正是这种混合交错的力量使现代逻辑成为最强大、最具生命力和最具可应用性的逻辑。

最后，从逻辑的历史发展来看，与其将逻辑的这种变化看作是科学理论进化和科学革命的一个特例，不如将其理解为如戴尔·杰凯特（Dale Jac-quette）所謂的后期维特根斯坦式的“家族相似性”。她说：“按照这种理解，不存在一个通用逻辑或者通用的逻辑概念，而是存在某种更像在不同逻辑之间的……家族相似性的东西……由此我们能够理解不同种类之间的逻辑之间的概念上的内在联系，并且还能洞悉它们在历史谱系上以及主题上的内在关联……逻辑就像一个城市有中心和郊区一样，在不同的方向上蓬勃发展，以服务于表达性与推理性的不同需求，但并没有结合成一个单一超级系统的期望。”

责任编辑：王晓洁

作者：朱建平

人工智能与自然语言逻辑论文 篇3：

人工智能在反恐活动中的应用、影响及风险?

【内容摘要】 随着反恐形势的日益严峻与人工智能技术的日趋成熟，人工智能在反恐领域已经部分应用到反恐活动中。具体而言，人工智能辅助控制了恐怖组织信息的传播，促进了反恐信息的开发和利用，提升了对恐怖活动的预测能力，也促进了智能武器的开发。此外，人工智能技术已经成为国家反恐战略的重要组成部分，在反恐资源融合、反恐活动主体及反恐合作方式方面革新了传统反恐领域的基本规则，也从法律、道德和心理角度影响了人类反恐活动的展开。但与此同时，反恐视野下人工智能手段的开发和利用在准确性、公平性和伦理道德方面仍面临风险。未来人工智能技术在计算机视觉、自然语言处理等方面可能迎来速度和质量上的飞跃，人工智能武器的开发也将继续，人工智能领域很可能成为未来反恐力量与恐怖组织的角逐场。

【关键词】 人工智能 深度学习 反恐 系统性影响 潜在风险

【作者简介】 傅瑜，暨南大学21世纪丝绸之路研究院研究助理；海国图智研究院助理研究员（广州 邮编：510000）；陈定定，暨南大学国际关系学院教授（广州 邮编：510000）

【DOI编号】 10.13851/j.cnki.gjzw.201804007

自1956年达特茅斯会议首次提出人工智能的概念以来，学术界对此尚未有统一和明确的定义。 总的来说，目前对人工智能的定义主要从“像人一样思考和行动”和“合理地思考和行动”两个维度进行分析。 鉴于人工智能与智慧及计算机的密切关系，本文中人工智能指利用计算机算法和其他前沿科技研究、创建和模仿人类解决问题的方式的技术手段，比如语音识别、视觉感知和决策等。“9·11”恐怖袭击事件发生以来，恐怖主义活动对国家和公民安全造成日益严重的威胁。恐怖袭击遍布美国、法国、英国、中国、印度、澳大利亚等许多国家。以卡车和自制炸弹等为手段的自杀式爆炸袭击屡屡发生。目前的反恐投入大、消耗多，但效果有限。 如何运用科技高效反恐成为各国反恐的核心需求。

人工智能在反恐中的应用可以划入人工智能与国际关系的范畴，广义上则属于对科技与安全关系的讨论。现代对人工智能的研究最早可以追溯到图灵（A. M. Turing）发表的《计算机器与智能》一文。 对人工智能的研究随后主要停留在技术及概念的探讨上。直到20世纪80年代，西方学者开始围绕计算机与武器控制、人工智能与国土安全等话题进行讨论。 进入21世纪，随着大数据、云计算和认知技术等的出现，人工智能在学界引发广泛关注，产生了更多关于人工智能研究模型、机器学习、人工智能带来的社会变化及问题与挑战等主题的研究。 就中国而言，人文领域早期鲜有对人工智能的直接研究，更多是探讨科技对国际关系的影响，这一研究话题曾在20世纪末的中国引发一股研究热潮，代表人物是王逸舟和张骥。 进入21世纪以后，人工智能对国际关系产生影响的话题引起国内学者的极大关注。董青岭等学者在相关文章中深入探讨了科技对国家安全的影响。

探寻人工智能在反恐活动中的应用、影响和风险，不仅有利于反恐工作的提升，也是对科技与安全这一重大问题的探索，是当前和未来全球安全维护的重点方向之一。囿于研究材料和信息保密性等问题，本研究存在缺陷和不足，希望能够抛砖引玉，推动学界对此话题做更为深入的研究。
一、人工智能参与反恐活动的技术基础

进入21世纪，大数据、高性能芯片与深度算法推动了人工智能走向跨越式发展，人工智能在自然语言处理、计算机视觉、智能决策等方面的发展为人工智能的反恐应用奠定了技术基础。

（一）大数据和计算芯片的发展提升了人工智能的数据处理能力

21世纪以来，亚马逊（Amazon）、谷歌（Google）、雅虎（Yahoo）、推特（Twitter）、脸书（Facebook）等积累了大量的用户信息。到2020年，数据总量将达到40万亿G，较2011年提升21倍。 通过挖掘数据背后的规律，大数据为人工智能和智能决策提供了数据基础，也为机器学习提供了训练数据库。围绕神经网络开发的新型高性能计算芯片及架构不断涌现。随着英特尔处理器由CPU为主转变为GPU为主CPU为辅的结构，计算机运行速度提升了近70倍。 Google的机器学习定制芯片TPU、Altera公司和IBM使用的芯片FPGA，分别在分析、预判效率和灵活性上有突出优势。 这些新型高性能计算芯片及架构为人工智能处理和分析恐怖主义相关信息奠定了技术基础。

（二）深度算法提升了人工智能对恐怖分子的语音和图像处理能力

深度学习可以识别非结构化数据，模拟人脑神经元多层深度传递的过程，通过多隐层的神经网络模型的构建和海量数据的训练，极大提升数据的表征学习能力。通过在并行计算平台的训练，“谷歌大脑”（Google Brain）语音识别准确度从2012年的84%上升到2014年的98%。 在深度神经网络技术的基础上，Facebook的研究小组创建的深度学习面部识别系统“深度辨脸” （Deep Face）以用户上传的400万张图片为基础进行了训练，将面部识别算法精度提升到97%。 基于卷积神经网络（Convolutional Neural Network ， CNN），汤晓鸥开发的“深度识别”（Deep ID）深度学习模型识别率达到了99.15%。 2016年9月，谷歌旗下的“深度思维”（Deep Mind）利用深度神经网络对原始音频波形建立模型，研发能够自动辨别语言和语音的“波网”（Wave Net），促发了图像和语音识别的又一次飞跃。

（三）人工智能在武器中的应用促进了自主武器的研发

武器自主化是自主将环境中的数据转化为有目的的计划和行动的过程。从技术角度而言，自主武器（autonomous weapons）的研发依赖于图像和语音识别、反射控制系统（reactive control systems）、传统控制系統（deliberative control systems）以及行动指令等。 而反射控制系统又包括简单的反射控制系统和基于模型的反射控制系统。自然语言处理和计算机视觉的发展从速度和准确度上提升了自主武器获取外界信息的能力。大数据基础上的算法训练推动了智能决策的研究。蒙特卡洛决策树与深度神经网络的结合使得阿尔法狗（AlphaGo）在棋类游戏中所向披靡。自主武器需要明确运作程序、规则和目的，这一过程需要在大量模型基础上进行训练。在每一个训练模型都需要人类设定时，会出现因操作环境复杂以至于人类无法建立模型的情况，制约了自主武器的发展。 计算机性能和深度学习的发展使得机器可以在训练数据的基础上自主学习，通过经验来提高知识，而不依赖于人类定义的有限模型。

总而言之，人工智能在数据处理、自然语言处理、计算机视觉和深度学习等方面正逐步走向更加高效的发展阶段，将为今后人工智能的反恐应用提供更为有效的技术支持。
二、人工智能技术在反恐活动中的初步应用

人工智能在计算机视觉、自然语言处理和智能决策等方面的迅速发展为人工智能在反恐活动中的实际应用提供了基础条件。总的来说，充分利用持续进步的人工智能技术，可以在控制恐怖组织信息传播、解读反恐情报、预防恐怖事件方面发挥更大的作用。

（一）通过人工智能技术辅助控制恐怖组织信息的传播

利用推特、脸书、优兔网（YouTube）、图享（Instagram）等社交媒体招募潜在恐怖行为支持者，已经成为“伊斯兰国”（ISIS）等极端恐怖组织影响力扩张的重要途径。仅在2014年9月至12月期间，“伊斯兰国”的支持者就使用了约46 000个推特帐号。 恐怖组织利用推特宣扬“圣战”，对个人账户、机构账户及整个社交网络都进行充分的内容控制。 恐怖主义的支持者们关注并转发此类信息，使得极端意识形态从有关机构账户流向更广泛的传播网络。此外，恐怖组织发布的内容以视频形式为主，相较于文字更难控制。

随着深度学习算法的不断完善，人工智能技术在视频、语音和图像识别方面的能力不断增强。目前，科技手段已经能够有效参与到反恐行动中：YouTube的“变革创造者”（Creators for Change）以及Facebook的“点对点”（Person-to-person， P2P）和“线上公民勇气倡议”（Online Civil Courage Initiative， OCCI）正加入到“反击演讲”（counter speech）的操作中。 人工智能手段在反恐活动的作用也开始引发更广泛的关注。

人工智能可以通过图像匹配技术控制之前被标记为恐怖主义的宣传图像或视频的上传。 系统可以将用户上传的照片或视频与已知恐怖信息数据库比对，以此来决定上传行为是否被拒绝。 Facebook、微软、Twitter和YouTube已经着手共建欧盟互联网论坛和共享行业数据库，改进现有的联合工作技术，利用机器学习，开发和实施新的内容检测和分类技术，交流实践经验，并确定恐怖主义相关内容的删除标准。 事实上，YouTube的“重定向方法”（redirect method）已经部分实现了定位和消除社交媒体网络极端主义宣传的智能化。“重定向方法”会在检测到“伊斯兰国”相关搜索、材料、广告和“相关内容”后破坏这些宣传信息；在YouTube上搜索与“伊斯兰国”相关的内容时，该平台也将搜索到与这一极端恐怖组织有关的视频，并加以“攻击”。 利用人工智能控制恐怖组织的信息传播目前已经取得了良好效果。通过利用人工智能算法工具，仅2017年上半年，推特就减少了近30万个恐怖分子的账户，清除效率提升了约20%。 人工智能也辅助Facebook删除了99%的基地组织和“伊斯兰国”的材料。 随着人工智能继续向前发展，社交媒体对恐怖主义信息的控制能力还将进一步增强。

（二）依靠人工智能技术促进反恐情报的开发和利用

人工智能在机器翻译和图像、语音识别等方面的发展使得高效开发和利用现有的反恐情报成为可能。现代技术的进步带动了反恐情报数量的急剧增长。无人机平台及其全运动视频传感器收集了海量反恐情报。 受制于有限的人力资源，这些传感器平台和监控设备收获的大量视频数据过去并没有得到及时解析。

随着计算机芯片的不断进化，人工智能对数据的高速处理能力可以实现低层次计算活动的完全自动化，进一步发展和有效利用现有数据的价值。例如，人工智能在语言识别上的技术优势能够节省培养新语言学家所需要的时间，大大提升了语言处理速度和准确度。通过深度算法，人工智能还可以抓取恐怖组织成员及其支持者的文字和图片。早在2013年，为探查潜在的自杀式爆炸袭击者等恐怖分子，美国国土安全部已经把深度学习技术应用于“生物特征识别视觉监控系统”（Biometric Optical Surveillance System， BOSS），通过链接计算机与摄像头，在扫描人群后根据面孔自动识别和定位目标。 2017年4月，为将国防部的大量数据快速转换为具有实际价值的情报，美国国防部启动了“算法战跨职能小组”（Algorithmic Warfare Cross-Functional Team， AWCFT）。 目前该小组正在利用人工智能解析MQ-9和MQ-19无人机平台上的全运动视频传感器数据，首批4套智能算法已经进入测试阶段。

（三）利用人工智能技术预测以防范恐怖活动的发生

人工智能系统可以根据现有恐怖活动案例数据库和各类政府数据库及社交媒体数据库，利用人工智能预测恐怖活动嫌疑人和恐怖行为，从而在必要时对嫌疑人进行防范和监督，在可能发生恐怖袭击的地点做好防范和应急准备工作。目前马里兰大学开发的全球恐怖主义数据库（Global Terrorism Database）涵盖了近17万起恐袭案例，随着人工智能技术对人力的解放，以大数据为基础的恐怖行为分析预测将得到显著提升。

目前，已经有利用大数据和人工智能算法来模拟和分析“伊斯兰国”的案例。 2015年，安德鲁·斯坦顿（Andrew Stanton）等人评估了2 200多起涉及“伊斯兰国”的交战案例，通过挖掘这些事件来推导“伊斯兰国”的车载简易爆炸活动与伊拉克的军事行动、联军空袭、“伊斯兰国”简易爆炸活动之间的关系，以及间接打击、自杀式袭击和逮捕行动的发生规律。通过分析“伊斯兰国”的行为，研究人员判断出恐怖组织的优先目标，发现了以前未被认识到的战术之间的相关性。

此外，人工智能技术正逐步被应用到对恐怖袭擊嫌疑人的预测之中。以色列公司Faception以人物性格为分类，利用算法对一个人在分类项中的匹配度打分，预测虽未列入官方数据但有可能发动袭击的人员。截至2016年，该公司已经开发了15个分类数据库，其首席执行官称，Faception识别人格特征的准确率已经达到80%。 Faception的面部分析技术也可以预测潜在的恐怖分子。在2015年11月巴黎恐怖袭击涉及的11名恐怖分子中，只有3人有犯罪记录，而Faception的面部分析技术在没有档案的情况下可以将其中的9人都标记为潜在恐怖分子。 美国国家安全局开发的“天网”（SKYNET）也可以利用机器学习在555万人的蜂窝网络元数据基础上评估可能成为恐怖分子的潜在对象。

（四）人工智能技术推动了自主武器的研发和运用

自主武器按照人类在其执行任务过程中的角色可以分为遥控阶段、半自主阶段和全自主阶段。目前自主武器智能化水平不高，尚且处于遥控阶段和半自主阶段。

当前，无人机是自主武器研发和使用的典型代表。随着智能化的发展，世界上已有70多个国家军队在发展无人化系统平台。截至2017年，美军已装备7 000多架无人机，在伊拉克、阿富汗战场上投入运用的履带式机器人超过12 000个。 俄罗斯也测试了包括“巨蜥-9”（Uran-9）、索拉特尼克（Soratnik）、“平台-M”（Platforma-M） 等多种无人地面车辆（Unmanned Ground Vehicle）。 无人机“扫描鹰”（Scan Eagle）、“灰鹰MQ – 1C”（MQ-1C Gray Eagle）和“MQ - 9收割机”（MQ-9 Reaper）在全球抗击“伊斯兰国”的战斗中发挥了重要作用。 俄罗斯联邦安全局在其国内有关地区利用反恐机器人引爆，消灭了11名恐怖分子。

人工智能的发展促使各国更加重视自主化武器的研发。美国辛辛那提大学研发的ALPHA系统击败前美国空军上校李·吉恩（Gene Lee）的事件促使美国对自主武器、无人机和深度学习投入更多资金。 美国海军陆战队的持枪机器人、以色列的“多戈”（DOGO）自动武装战术作战机器人都部分利用人工智能尝试实现机器人的自主化行动。俄罗斯的“涅列赫塔”（Nerehta）机器人尝试将无人战车与人工智能技术结合，目前在侦察、運输和地面保护等方面表现良好。 2018年3月，俄罗斯宣布战斗机器人最早将在年内开始批量生产。 全自主化武器的研发需要机器具有独立的知识和专家推理能力，如何攻克这两个难题有赖于人工智能在机器学习和智能决策上的进一步推进。

目前，自主武器的研制已经取得一些成果。俄罗斯联合仪表制造公司的Unikum机器人能在控制过程中完全排除人工工作。 三星公司研发的机器人哨兵SGR-A1通过内置的摄像头、热量及运动传感器来检测入侵者，已经实现了自主发射。
三、人工智能对反恐领域的系统性影响

人工智能不仅在具体应用上提升了反恐能力，也对反恐领域产生了系统性影响。各国普遍提升对人工智能技术的重视程度，甚至将其视为国家反恐战略的重要组成部分。在反恐行动上，人工智能促进了反恐资源的融合、丰富了反恐活动主体，加强了反恐合作，也在法律、道德和心理上影响了人类反恐活动的展开。

（一）人工智能技术已经成为各国反恐战略的重要组成部分

随着人工智能在新世纪的迅速发展，技术在安全领域的作用也逐渐显现，人工智能开始参与到反恐活动的方方面面，并逐渐影响到反恐活动的顶层设计，成为各国反恐活动的重要组成部分。中美等国在反恐形势日益严峻的背景下都将利用人工智能反恐纳入国家发展战略。

中国已经将发展人工智能作为一项基本国策，在战略层面多次强调发挥人工智能在反恐中的作用。《新一代人工智能发展规划》《促进新一代人工智能产业发展三年行动计划（2018—2020年）》《人工智能标准化白皮书》都重视利用人工智能提升公共安全保障能力。 把现代信息技术与反恐维稳工作有机融合，推进大数据、人工智能等新技术的深度应用，不断提高信息化、智能化水平，已经成为有关地区维稳工作的指导原则。

作为五角大楼“第三次抵消战略”（Third Offset Strategy）的核心逻辑，美国早在2007年就将人工智能作为反恐所需的核心技术之一。 2016年发布的《为人工智能的未来做好准备》和《国家人工智能研究与发展战略规划》提出，将人工智能技术的研发确定为国家战略中的重点发展对象，建议在国际人道主义基础上推进自动和半自动武器的发展。 美国陆军部则将机器学习、传感器与控制系统、人机交互列为最值得关注的科技发展趋势之一。 目前，美国在国家层面愈加重视人工智能的发展，将加强对自主武器、人工智能、机器学习等的投入视为防范和打击恐袭的战略途径之一。

日本和俄罗斯也不断提升对人工智能的重视程度。日本内阁召开“人工智能技术战略会议”，将发展人工智能纳入了《第5期科学技术基本计划》和《科学技术创新综合战略2016》，强调人工智能关系到国家工业和军事的发展，将人工智能视为提升国家竞争力的手段。 俄罗斯外交和国防政策委员会也认为人工智能是维护主权和保持国防能力的关键。

（二）人工智能技术正在改变传统反恐领域的基本规则

在人工智能纳入国家顶层设计的背景下，传统的反恐领域的很多基本规则——例如反恐资源融合，反恐活动主体、反恐合作方式等也正一一发生微妙的变化。

第一，人工智能的介入促进了国家组织机构的资源融合和共享。美国国防部内部复杂的职位设置和分工一定程度上干扰了反恐行动的策划和有效实施。利用人工智能反恐涉及多个组织部门的协调与合作，在一定程度上促进了国防资源的整合。2017年4月启动的“算法战跨职能小组”（AWCFT）将联合参谋部、国防部顾问办公室（the Office of the DoD General Counsel）、国防部分管情报的副部长等国防部成员组合在一起，在组织结构上实现了国防部内部的资源整合。 此外，人工智能在反恐领域的介入也促进了国家职能机构间的资源重组，促进专业化机构的产生。2018年3月，美国国会建议成立“国家人工智能安全委员会”，号召组建主管人工智能建设的独立政府部门，探究军事上应用人工智能和机器学习的风险，促进美国人工智能、机器学习和相关技术的发展， 全面解决国家安全需要。

第二，人工智能的介入也使得反恐活动组织方式发生了变化。在国家安全部门的领导下，科技公司逐步成为反恐活动的主要参与者，政府与企业的合作成为反恐合作的重要方向。作为反恐行动的主导，美国政府已经在开展“深绿”（Deep Green）计划。 人工智能自适应无线电技术和人机协作项目等多个以人工智能为核心的反恐项目也在推进。 目前，在美国国防部主导人工智能反恐活动的同时，越来越多的科技企业也融入其中。美国人工智能公司帕兰提尔（Palantir）开发的“帕兰提尔科技”（Palantir Technologies）被用于追捕“基地”组织头目本·拉登（Osama Bin Laden）。 “算法战跨职能小组”也整合了机器学习、自动化、计算机视觉算法等方面的国防情报企业资源。

第三，人工智能也加强了国家间的反恐合作，智能武器和情报共享可能成为未来反恐国际合作的主流。在人工智能的帮助下，未来国家间情报共享程度有望得到进一步提升，反恐情报可能从人工智能技术发达的国家和地区流向技术落后的国家和地区。与此同时，智能武器可能成为反恐国际合作的重点。由于“彩虹—4”无人机在执行反恐任务时表现出色，沙特于2017年确定引进中国无人机生产线，服务国内反恐需要。 埃及也从中国引进了翼龙侦察打击一体化无人机，用于提高埃及作战能力。 由于智能武器引进便捷、打击高效、耗资较少等特点，未来可能会有更多传统军事力量薄弱但面临恐怖威胁的国家或地区引进智能武器。

（三）人工智能对开展反恐活动的法律、道德和心理影响

对于智能武器的应用是否符合现有的国际法，目前存在争议，国际社会就智能武器的使用规范尚未达成共识。1983年生效的《特定常规武器公约》规定禁止或限制使用某些被认为具有过分伤害力或滥杀滥伤作用的常规武器。1977年《日内瓦四公约第一附加议定书》禁止附带使平民生命受损失、平民受伤害、平民物体受损害。在实际应用中，自主武器在行动中容易造成大量平民伤亡。巴基斯坦“基本权利基金会”主席沙赫扎德·阿克巴尔表示，在过去12年中，至少有3 000名巴基斯坦平民死于美国无人机空袭，其中至少包括200名儿童。 联合国全球反恐战略提出，确保尊重所有人的人权和法治是打击恐怖主义的根本基础，规定各国必須确保其打击恐怖主义所采取的任何措施符合人权法、难民法和国际人道主义法。 从反恐的角度看，智能武器的滥杀行为一定程度上削弱了反恐的法律和道德基础。

自由意志和道德责任控制着人类对一般武器的使用，而自动武器依据固定程序做出判断，既没有责任主体，也不会对杀戮产生道德反思。 所以利用缺乏道德和法律约束的智能武器杀人的行为一定程度上冲击了大众对反恐的心理认识。美籍俄罗斯裔科幻作家艾萨克·阿西莫夫（Isaac Asimov）提出机器人伦理问题的三定律，认为机器人不得伤害人类族群，或坐视人类族群受到伤害，以三定律来约束人工智能机器的行为，赋予它们服从和保护人类的强制性道德准则。 但人工智能拥有自主性或自我意识后，将不可能服从机器人定律或任何人类法律的约束，对机器人的道德要求很难实现。

当前人工智能的直接行动方尚未成为法律和伦理主体，无法为其行为负责。目前联合国教科文组织和欧盟等都将人类代理人（如制造商、经营者、所有者或使用者）作为人工智能行为责任的承担者，主张让机器人的行为及决策全程处于监管之下。 但此种倡议也仅适用于弱人工智能阶段。从技术的角度出发，目前有两种规范机器人行为的设想。其一是自上而下，在人工智能机器中预设一套可操作性的伦理准则；其二是自下而上，通过研究人类现实和模拟场景让机器学习人类在实际情况中的行为，使其树立与人类相似的价值观。 这两种设想在现阶段都还难以实现。
四、人工智能技术参与反恐活动的潜在风险

作为一项正在高速发展进程中的新技术，人工智能技术的发展还远未成熟，这也就意味着人工智能在反恐领域的应用必然伴随着一定的风险。

第一，在反恐领域应用人工智能需要以人工智能技术的稳定性和可操控性为基础，但目前人类尚未实现对人工智能体系及相关设施的完全控制，人工智能的发展存在失控的风险。目前，已经出现了人工智能失控的情况。Facebook两个昵称为Alice和Bob的程序使用了研究人员无法解读的交流方式，亚马逊人工智能程序Alexa随意发出了“令人毛骨悚然”的笑声。 英国巴斯大学的一个编程团队曾透露，就连设计者仅凭观察来破译他们所研发的机器人的行为也有困难。 这意味着利用人工智能进行反恐活动时很可能失控，可能会错误地删除用户信息，也可能随意将普通民众识别为恐怖分子。在涉及自主武器时，人工智能的失控将导致自主武器失控，造成重大伤亡。

第二，人工智能的预测功能尚无法保证准确性和公平性。伊斯兰堡半岛电视台记者艾哈迈德·穆法克·扎伊丹（Ahmad Muaffaq Zaidan）工作中曾与恐怖组织有多次接触，美国政府“天网”程序根据对扎伊丹社交网络的分析将其列为“基地”组织及穆斯林兄弟会成员。 即便系统做出了准确预测的结果，也不一定是出于正确的原因。在训练计算机系统区分狗和狼的实验中，计算机系统准确率几乎达到100%。但事实证明，计算机学会的并非是识别狼与狗的图像差异，而是识别照片中的雪，所有的狼的照片都是在雪地里拍的，狗的照片却不是。 所以人工智能在少数案例中的准确性并不能成为其广泛可靠应用的保证。此外，计算机系统很难保障公平性。美国《科学》杂志曾指出，当智能算法通过分析处理人类书写的文本来学习词句的含义时，可能获得类似于人类偏见那样的刻板印象，所以计算机向人类学习时可能会产生偏见。 例如，某些以算法为基础的广告会出现向女性推荐低薪工作及向非裔美国人推荐低档社区的现象。 这意味着数据库的性质会影响人工智能的判断，人工智能很可能会将具有某一肤色、种族特征的人识别为恐怖分子。

第三，人工智能在反恐领域的应用可能侵犯民众的隐私。从某种意义上说，以大数据为基础的研究是建立在侵犯用户隐私权基础上的，即使对信息来源进行特殊处理，也难以控制用户信息的泄露。2006年，网络视频公司奈飞公司（Netflix）放出上亿条匿名处理的电影评分数据，有研究人员通过对比匿名数据与公开获取的IMDB数据，将匿名数据与具体的用户对应了起来。 在反恐视野内，有些国家政府对数据的搜集和使用本身涉及了隐私侵犯问题。美国国家安全局开发的“天网”（SKYNET）项目可以获取巴基斯坦境内5 500万个手机用户的信号来源、移动轨迹、通话对象、通话时长等信息。 部分政府和组织出台了数据使用的相关条例，如《英国数据保护法案》（1998）和《欧盟一般数据保护条例》（2016）规定了政府分析人士使用公民数据的方式，推动保护隐私权，但是在数据开源的网络环境中，个人隐私能否得到切实保护尚难以预料。

五、简短展望

鉴于人工智能技术的现有发展水平，结合当前恐怖主义的发展状态和近期人工智能技术的发展趋势，未来人工智能在反恐领域的运用有三个可以预见的发展趋势应当引起重视。

首先，人工智能在計算机视觉和自然语言处理方面将很快迎来速度和质量上的飞跃，带动反恐情报处理和恐怖事件防范的提升。在自然语言处理方面，当前的机器翻译严重依赖于大规模平行语料库（large-scale parallel corpora）。反恐情报涉及的语言多样，训练机器以单语语料库（monolingual corpora）为基础进行自主学习才可能突破平行语料库的局限。目前Facebook团队基于重构损失迭代的新翻译模型和FAIR研究自动生成平行语料的实验，已经表明人类在单语语料库运用方面取得突破。 在计算机视觉方面，反恐信息提取的准确度和速度未来可能得到显著提升。海康威视团队提出的卷积式共现特征学习框架和杰弗里·欣顿（Geoffrey Hinton）提出的胶囊网络（capsule networks）有望克服当前卷积神经网络结构的层次少，图像识别不准确的硬伤。 阿里巴巴团队提出的基于交替方向法的多比特量化方案也克服了循环神经网络（Recurrent Neural Networks）的延时缺陷，提升了人工智能的推断速度。

其次，未来人工智能很可能成为恐怖组织的发动恐袭的工具，反恐力量与恐怖组织可能面临在人工智能领域的博弈。主要军事力量的自主武器可能通过非法途径落入激进组织手中。随着数字资源越来越面向全世界开放，恐怖组织可以进行简单人工智能武器的自主研发，也可以较为容易地获取和使用微型和小型无人系统。 事实上，很难阻止恐怖组织将人工智能纳入恐袭计划。“伊斯兰国”也已经开始尝试使用商业无人机投掷爆炸物。 此外，反恐力量很难发现并摧毁恐怖分子的人工智能武器生产点，恐怖组织可以用看似正常的工业和研究活动来掩盖人工智能武器的开发。 由于武器的自主性，恐怖组织利用自主化武器屠杀平民也将不再受到组织内部的反对。 这是对反恐事业的巨大威胁。

最后，虽然遭受广泛质疑，自主性武器的研发还将继续，所以自主武器未来可能会应用到反恐等安全领域。埃隆·马斯克（Elon Musk）和穆斯塔法·苏莱曼（Mustafa Suleyman）等多国专家呼吁禁止自主性武器研发，认为目前正在进行的杀手机器人研发竞赛是“潘多拉的盒子”。 2018年4月，也有多国人工智能研究人员联名抵制韩国科学技术院设立人工智能武器实验室的举动。 但目前美国、英国、俄罗斯、以色列等国已经卷入一场打造杀人机器人军团的竞赛，伦理并不能阻碍自主性武器的研制。 正如美国战略与国际研究中心最新报告所指出的，当前最重要的不是考虑全自主武器带来的伦理问题，对于国防部而言，重要的是不能在机器智能的使用和开发领域滞后于他国。 这样一种竞赛，对各国的反恐活动和正常生活，究竟是祸是福，也有待进一步观察。

[收稿日期：2018-03-23]

[修回日期：2018-06-09]

[责任编辑：孙震海]

作者：傅瑜 陈定定