人工智能與心理學(xué)能否完美配合

心理學(xué)是通用人工智能最好的腳注。

現(xiàn)在，隨手翻閱任何心理學(xué)和人工智能的教材，都很難從學(xué)科內(nèi)容上窺探出二者存在何種關(guān)聯(lián)。但事實上，若論對人工智能研究的影響，大概沒有哪門學(xué)科能夠與心理學(xué)相媲美。從人工智能創(chuàng)立之初的紐厄爾（Allen Newell）、西蒙（Herbert A. Simon）及尼爾森（Nils J. Nilsson），到中期的安德森（John Anderson）、霍金斯（Jeff Hawkins）、巴赫（Joscha Bach），再到近期的辛頓（Geoffrey Hinton）、馬庫斯（Gary Marcus），這些人工智能的翹楚不是心理學(xué)家就是具有心理學(xué)背景。在推動人工智能進步的過程中，心理學(xué)都在直接或間接地發(fā)揮著重要的作用。然而，在當(dāng)前的語境下，二者的背離卻無疑比其聯(lián)系更為突出。

1、人工智能與心理學(xué)融合的“貌合神離”

在大數(shù)據(jù)基礎(chǔ)上，深度學(xué)習(xí)和強化學(xué)習(xí)技術(shù)勢如破竹，正引領(lǐng)著時下人工智能的熱潮。一方面，相比于上世紀(jì)八十年代的淺層神經(jīng)網(wǎng)絡(luò)，深層神經(jīng)網(wǎng)絡(luò)不僅在圖像、語音及自然語言處理等方面大放異彩，而且與人類大腦神經(jīng)系統(tǒng)的多層結(jié)構(gòu)更加相似；另一方面，強化學(xué)習(xí)通過與環(huán)境互動所獲得的獎懲而調(diào)節(jié)系統(tǒng)權(quán)重結(jié)構(gòu)，使主體在最大化期望獎勵誘導(dǎo)下不斷修訂從狀態(tài)到動作的映射策略，從而實現(xiàn)快速提升系統(tǒng)性能的目的。前者受到認(rèn)知神經(jīng)科學(xué)的啟發(fā)，后者則與心理學(xué)中經(jīng)典的行為主義范式如出一轍。更不必說，為了改進深度學(xué)習(xí)和強化學(xué)習(xí)技術(shù)而引入的注意力、長短時記憶等機制幾乎是直接照搬了心理學(xué)術(shù)語，用心理學(xué)詞匯和理論武裝人工智能之勢現(xiàn)已蔚然成風(fēng)。

這并不奇怪，畢竟人工智能的核心目標(biāo)就是研發(fā)愈加接近人類的高級的智能系統(tǒng)，而真正的智能也必然具有一定的心理活動。在這種情況下，公眾對人工智能的期望水漲船高，人工智能“友善論”或“威脅論”的論調(diào)層出不窮，文學(xué)和影視作品則及時將其呈現(xiàn)到人們的眼前，仿佛類人智能機器人明天就會到來一般。

與此同時，人工智能產(chǎn)品也迅速地向心理學(xué)領(lǐng)域滲透?；诿娌勘砬榈那榫w識別系統(tǒng)，基于大數(shù)據(jù)分析技術(shù)的輿情分析或自殺預(yù)警系統(tǒng)，基于GIS的大規(guī)模人群跟蹤調(diào)查系統(tǒng)，基于VR技術(shù)的心理健康干預(yù)系統(tǒng)，基于行為特征的測謊系統(tǒng)等等。遺憾的是，琳瑯滿目的各色項目解決的只是心理學(xué)的應(yīng)用問題，而對于心理學(xué)核心的理論問題卻沒有什么實質(zhì)性的幫助。實際上，當(dāng)前人工智能領(lǐng)域中主流的深度學(xué)習(xí)和強化學(xué)習(xí)與人腦和心理差距甚遠。

首先，從構(gòu)成單位上看，人腦的神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)非常不同，深度神經(jīng)網(wǎng)絡(luò)最小單元一般為同類的神經(jīng)元，但人腦的神經(jīng)元不僅類型眾多、功能各異，而且神經(jīng)元也不是最底層的加工單位；從網(wǎng)絡(luò)結(jié)構(gòu)上看，深度神經(jīng)網(wǎng)絡(luò)中大部分節(jié)點是等同的，但人腦不同的腦區(qū)甚至腦區(qū)內(nèi)部，都可能存在很大的差別；從編碼方式上看，人腦神經(jīng)元雖然能夠產(chǎn)生可表征為［0，1］的動作電位，卻是通過動作電位的頻率對信號進行編碼的，而人工神經(jīng)網(wǎng)絡(luò)卻不都是如此；從信息加工方向上看，深度神經(jīng)網(wǎng)絡(luò)最經(jīng)典的訓(xùn)練方式為反向傳播，但大腦中似乎不存在類似的反向傳播機制。

其次，人的注意力和記憶系統(tǒng)具有很強的語義性加工導(dǎo)向，而深度學(xué)習(xí)中的注意力機制靠的是輸入與當(dāng)前上下文信息的統(tǒng)計映射而非語義理解。長短時記憶網(wǎng)絡(luò)（LSTM）中的記憶和遺忘也與心理學(xué)中對應(yīng)概念所指內(nèi)容完全不同，比如長短時記憶網(wǎng)絡(luò)中的遺忘是主動控制的，而人腦的遺忘過程卻是在人們控制之外的自發(fā)性行為。有趣的是，人們往往越想遺忘就越忘不了。

再次，人類的學(xué)習(xí)過程遠非刺激-反應(yīng)這般簡單。無數(shù)心理學(xué)和教育學(xué)證據(jù)指出，人類學(xué)習(xí)是非常復(fù)雜的行為，是內(nèi)隱和外顯兩種方式有機的融合，是對環(huán)境主動的加工，也是新信息與已有經(jīng)驗不斷動態(tài)建構(gòu)的一種生態(tài)表現(xiàn)。然而，類似巴普洛夫的狗和斯金納的鼠，在強化學(xué)習(xí)中要求對行為結(jié)果必須具有確定性的獎懲判斷以鞏固經(jīng)驗。但是，在真實的開放世界中，人腦中經(jīng)驗往往具有模糊性，甚至有時是對抗和矛盾的，難以清晰辨識好壞優(yōu)劣。當(dāng)然，教育心理學(xué)中行為主義范式的沒落就是一例最好的證明。

因此，有人調(diào)侃道：總結(jié)近年人工智能進展，就是沒有進展。雖說也有些言過其實，畢竟33億個詞匯、1億個參數(shù)的Bert模型還是在NLP領(lǐng)域中令人眼前一亮，很多無人駕駛汽車也穿著“滑板鞋”在真實的路面不斷“摩擦”，OpenAI則開啟微軟云計算這頓“最后的晚餐”。但這既與人類心理活動遙不可及，也依舊對微妙篡改的對抗數(shù)據(jù)束手無策，更未能添補神經(jīng)網(wǎng)絡(luò)模型在泛化性、可解釋性上的理論黑洞。也便不難理解，MIT和IBM發(fā)布ObjectNet這一更加貼合現(xiàn)實的新圖庫，各路算法便像中了妖術(shù)一般折戟沙常

2、人工智能與心理學(xué)交叉的“主戰(zhàn)場”──類腦智能

基于一個似乎不言自明的前提，有些人工智能研究者為自己設(shè)定了一個可行目標(biāo)：既然人腦肯定有智能，那么只要能夠在軟件中復(fù)現(xiàn)或部分復(fù)現(xiàn)人腦，也一定能夠?qū)崿F(xiàn)或者部分實現(xiàn)智能。也就是說，智能源于生理結(jié)構(gòu)，“模擬出類似人的大腦，機器才能產(chǎn)生真正的智能”。

于是，計算機與計算神經(jīng)學(xué)在此攜手匯合，并出現(xiàn)“類腦智能”的新分支，又因所需模擬尺度的差異分為局部和全腦兩個不同的類別，前者往往是具有計算機功底的神經(jīng)心理學(xué)家，通過構(gòu)建小型計算模型來模擬和解釋人類的心理問題，優(yōu)點是針對性強、運算量孝開發(fā)難度低，缺點是模型的泛化性差且生態(tài)效度不高。國內(nèi)代表性工作有華東師范大學(xué)心理學(xué)院郭秀艷教授的內(nèi)隱學(xué)習(xí)模型及華南師范大學(xué)陳奇教授心理數(shù)量表征的計算模型。后者則聚集了具有神經(jīng)心理學(xué)功底的計算機科學(xué)家，認(rèn)為智能是整體涌現(xiàn)的功能，局部性的向下分解將失去智能特性。因此，這一學(xué)派學(xué)者從一開始就強調(diào)“全腦計算”，試圖在全尺寸上整體仿真人腦?？紤]到人腦生理的復(fù)雜性，模型的建立一般由易到難，大多從低等動物開始，然后由低等哺乳類動物向高等哺乳類動物過渡，最終實現(xiàn)對人腦系統(tǒng)的模擬。優(yōu)點是通用性強、模型擴展性和泛化性強，缺點是開發(fā)、運行和維護難度大、成本高，同時模型的可解釋力較弱。國內(nèi)代表性工作是中科院計算所曾毅教授團隊的鼠腦和猴腦模型，已經(jīng)可以在猴腦模型控制下實現(xiàn)機械眼和機械臂對陌生物體識別和抓取的高效學(xué)習(xí)［1］。

螳螂大臂的鋸齒和木工鋸子如出一轍，魚鰾和潛水艇的壓載水艙也是異曲同工；然而，同樣也很明顯，蝙蝠的耳朵和雷達長相完全不同，人類通過捆扎翅膀并不能飛行，而最終制造出來飛機既沒有羽毛，也沒有翅膀的上下扇動。這說明，仿生是人類向自然求教、收獲知識并改造世界的一條有效路徑，卻未必是唯一路徑。因為飛行能力背后的依據(jù)是抽象的空氣動力學(xué)，這種抽象能力的實現(xiàn)固然需要載體，但載體之間的差異可能非常大。

事實上，所有種類的能力在本質(zhì)上都是抽象的。比如：生命是一種生存延續(xù)的能力，其載體既可是動物、植物、微生物，也可以是計算機病毒之類的虛擬人工生命形態(tài)。而人腦恰好是智能與生命兩種能力的統(tǒng)一實現(xiàn)，因此腦科學(xué)的所有研究成果同時具有兩種不同能力的成分，很難在純粹的心理和純粹的生理作用下劃清邊界。這便是人工智能視域下心理學(xué)和腦科學(xué)相關(guān)研究所面臨的第一個難關(guān)：智能的能力和智能的載體之間耦合所產(chǎn)生的矛盾。因此，從某種意義上講，“仿腦”有可能是“仿心”道路上最艱難、最曲折、最漫長的一條彎路。

其實，類腦并不等同于仿腦，仿腦只是類腦研究中的一個組成部分。類腦研究分為兩個不同的導(dǎo)向：“仿生”和“仿心”。心理學(xué)家和計算機學(xué)家在其中又扮演著不同的角色：

“仿生”就是仿刻大腦的生理活動［2］，是由計算機學(xué)家主導(dǎo)的，或者實現(xiàn)部分或整體的軟件腦，或者制作含有某種認(rèn)知功能的軀體機器人，甚至模擬神經(jīng)遞質(zhì)系統(tǒng)而得到諸如情感之類的心理功能；

“仿心”則是描繪大腦的心智活動，這是由心理學(xué)家所主導(dǎo)的，用以解釋人類認(rèn)知的一般規(guī)律。

其中，一部分“仿心”學(xué)者特別強調(diào)認(rèn)知中元規(guī)則的基元特點，他們認(rèn)為：“理性”和“非理性”、“創(chuàng)新性”和“非創(chuàng)新性”、“意識性”和“無意識性”之間非但沒有明晰的劃分，而且從本質(zhì)上看都是一致的。這樣的理論有很多，代表性工作有奧爾松（Ohlsson）的深層學(xué)習(xí)假說、巴爾斯（Baars）的全局工作空間理論、迪昂（Dehaene）的全局神經(jīng)元工作空間理論以及托諾尼（Tononi）的整合信息理論等。然而，二者優(yōu)劣互補卻毫不兼容“仿生”的操作性強、容易落地，但難以生成高級認(rèn)知功能；“仿心”理論性強操作性差，系統(tǒng)很難落地實現(xiàn)。這一死局直到通用人工智能的壯大才出現(xiàn)了重要的轉(zhuǎn)機。

3、通用人工智能類腦智能戰(zhàn)場上的“突擊隊”

類腦智能另一種“仿心”的派別便是通用人工智能。通用人工智能認(rèn)為存在一般性的智能能力，而其實現(xiàn)的載體也未必非得壘筑于血肉之軀，計算機軟件系統(tǒng)同樣可以具備這一能力。通用人工智能正是人工智能的原初意義和目標(biāo)，但隨著人工智能領(lǐng)域的曲折發(fā)展，“人工智能”一詞現(xiàn)已逐漸偏離了最初的內(nèi)涵，而被賦予了更為混雜的含義。為確保通用人工智能討論的清晰性，有必要先對人工智能進行明確的限定和說明。

在常見討論中，對人工智能內(nèi)部的領(lǐng)域有三種區(qū)分方式［3］：第一種，分為計算智能、感知智能和認(rèn)知智能三個領(lǐng)域；第二種，分為弱人工智能和強人工智能兩塊，而強人工智能也正是通用人工智能；第三種則分為專用人工智能和通用人工智能兩塊。第一種分類常見于行業(yè)演講和報告中，既缺乏理論依據(jù)又具有誤導(dǎo)性。實際上，所謂的計算智能和感知智能并不是真正意義的智能，但卻錯誤地將智能實現(xiàn)分成三步，而且認(rèn)為當(dāng)前已經(jīng)完成前兩步即將走完最后一步，殊不知認(rèn)知智能根本不是如此實現(xiàn)的。第二種則始于哲學(xué)討論，“強弱”意指智能的真假之分，卻被誤讀為智能的寬與窄之分，事實上，三種概念體系之間不存在等同關(guān)系。只有第三種分類──“專用人工智能”和“通用人工智能”才是真正符合和適合當(dāng)下語境交流的正確概念分類，即：

人工智能（AI）= 專用人工智能（SAI）+ 通用人工智能（AGI）

人工智能本質(zhì)上為類人智能，即追求設(shè)計和開發(fā)像人腦那樣工作的軟硬件系統(tǒng)。對于“智能”理解的差異，使人工智能分化為專用和通用兩個不同分支。其實，專用和通用存在根本性差異：專用人工智能的目標(biāo)是行為層面上“看起來像有智能”，通用人工智能關(guān)注系統(tǒng)從內(nèi)在層面上“如何才能實現(xiàn)真正的智能”。專用人工智能先做后思，即開始并不深究智能也不對智能做清晰的定義，而是通過技術(shù)迭代漸進式地提升智能化的程度，分為符號主義、聯(lián)結(jié)主義和行為主義三個學(xué)派。通用人工智能則認(rèn)為智能的存在代表著可以被認(rèn)知的理性原則，采取先思后做的路徑。

實際上，通用人工智能內(nèi)部也存在不同學(xué)說和派別。本文基于的“智能的一般理論”及其“非公理邏輯推理系統(tǒng)（NARS）”的工程實現(xiàn)，便是通用人工智能領(lǐng)域中一個具有代表性和影響力的方案。其對智能的工作定義為：智能就是在知識和資源相對不足的條件下主體的適應(yīng)能力［4］。

智能絕非全知全能或定然比人更聰明。正是基于知識和資源相對不足的假設(shè)，而非某種預(yù)設(shè)的高深叵測的算法，NARS系統(tǒng)才“恰好”不但具有感知、運動等低層活動（配備機械軀體和傳感器），也具有類似人腦的情感、記憶、推理、決策乃至自我意識等高級認(rèn)知活動。同時，系統(tǒng)尤其強調(diào)經(jīng)驗的可塑性，以及經(jīng)驗與系統(tǒng)個性和自我發(fā)展的相互影響。然而，這些自生的高級認(rèn)知活動是專用人工智能系統(tǒng)根本不具有的。一言以蔽之，那便是：能思考、有情感、有自我意識的智能系統(tǒng)已經(jīng)存在。

4、通用人工智能與心理學(xué)融合的“貌離神合”

與專用人工智能和心理學(xué)之間的“貌合神離”正好相反，通用人工智能與心理學(xué)則是“貌離神合”。通用人工智能理論對心理學(xué)相關(guān)研究具有重要的推動作用，畢竟在思維層面上對人腦的運行機理、認(rèn)知的基本機制、學(xué)習(xí)的基本機制以及精神疾病等問題的研究和探索，遠比行為（行為實驗、口頭報告）和生理層面（眼動、腦電、肌電、fMRI等）來得更為直接和有效。

基于通用人工智能的基本假設(shè)，在認(rèn)知科學(xué)框架內(nèi)可得到如下基本理論假設(shè)：

1. 大腦的智力有先天和后天兩種成分，先天遺傳的是元水平的智能，后天養(yǎng)成的是經(jīng)驗水平的技能；

2. 先天與后天的結(jié)合使得大腦以任務(wù)加工系統(tǒng)的形式存在。經(jīng)驗系統(tǒng)具有耦合的內(nèi)部結(jié)構(gòu)，即記憶空間和加工空間是耦合的。由于知識和資源的相對不足，相關(guān)記憶通常不會全部參與認(rèn)知加工；

3. 因受限于資源所導(dǎo)致的記憶和加工的矛盾，必然表現(xiàn)出并行和串行兩種不同的處理方式，但背后卻只有統(tǒng)一的、一種內(nèi)在的元認(rèn)知機制（NARS采用非公理邏輯實現(xiàn)了這種元認(rèn)知，當(dāng)然也存在其他形式）；

4. 任務(wù)的加工和保持需要認(rèn)知資源的投入，由于知識和資源的相對不足，任務(wù)的執(zhí)行具有不同的優(yōu)先等級；

5.任務(wù)與經(jīng)驗（記憶、知識）同源同形，認(rèn)知加工表現(xiàn)出內(nèi)涵和外延有機結(jié)合的整體性特征，核心實現(xiàn)方式并非基于概率，而是基于證據(jù)的度量。

理論的生命力突出表現(xiàn)在解決悖論的能力上，且不說NARS先天具備諸如演繹、歸納、歸因、例示等與人類相一致的強弱推理的“理性”能力，更能夠在“非理性”方面也表現(xiàn)出跟人類高度相似的特點。最顯著的例子莫過于“合取謬誤”了，現(xiàn)以心理學(xué)經(jīng)典的Linda悖論為例進行說明：

給定如下背景信息，“Linda是一位31歲的單身女性，直率并且非常聰明。在大學(xué)期間，她主修哲學(xué)，對種族歧視問題和社會偏見非常關(guān)注，同時也參加過反核示威游行”。然后，要求被試基于這些信息對Linda的身份進行判斷，哪種說法更能成立：

（A）Linda 是一名銀行出納員；

（B）Linda 是一名信奉女權(quán)主義的銀行出納員

被試不論老幼幾乎都壓倒性地選擇了B，但從概率上看，很明顯，兩個事件共同發(fā)生的概率要低于其中任何一個單獨事件，就是說“信奉女權(quán)主義的銀行出納員”只是“銀行出納員”中的一小部分，所以A應(yīng)該比B可能性更高。但不論經(jīng)濟學(xué)家還是心理學(xué)家對這個結(jié)果都非常頭疼，絕大多數(shù)心理學(xué)家試圖在概率論和“非理性”心理活動之間進行調(diào)和。盡管相關(guān)學(xué)說和理論層出不窮，也僅僅能夠合理地解釋其中個別案例，局限性依舊突出。因此，人類思維的選擇一次又一次被扣上“非理性”的帽子。

但是，如果換做NARS的理論視角，人們對于某個事物的判斷源于對其的理解，而對事物的理解則是該事物在當(dāng)前這個人經(jīng)驗體系中內(nèi)涵性證據(jù)和外延性證據(jù)的總和。對于（A）而言，所有已知背景信息都與銀行出納沒有直接關(guān)系，因此未能提供外延性證據(jù)；但對于（B）而言，背景信息給出的幾乎都是美國女權(quán)主義者的典型描述，因此直接提供了許多內(nèi)涵性證據(jù)。雖然概率論只承認(rèn)外延性證據(jù)，這個題目卻誘導(dǎo)人們做出內(nèi)涵性判斷，而這項實驗結(jié)果的秘密就在于此。人腦的認(rèn)知同時加工內(nèi)涵和外延，但概率論卻只是外延性的［5］。

因此，“錯誤的”和“非理性的”并不是人腦，而是概率論本身的局限。心理學(xué)諸多悖論實驗所印證的不是人類的“非理性”，而恰恰是人類的“理性”。當(dāng)前，專用人工智能以概率論為基石，甚至有人喊出“人工智能就是概率論”的口號，心理學(xué)亦受極大影響，值得學(xué)界高度警惕。

更進一步地，并非所有人對Linda問題都有一致的回答，相關(guān)研究發(fā)現(xiàn)“具有高認(rèn)知能力的人”就能避免框架效應(yīng)，而具有統(tǒng)計學(xué)背景的被試尤其突出，因為他們可以有意識地遵循概率論而拒斥內(nèi)涵性證據(jù)。其實，在NARS系統(tǒng)中當(dāng)然也可以復(fù)現(xiàn)這個結(jié)果，與之前普通人之間的差異僅在于是否具有概率框架的先驗經(jīng)驗。貌似這只是一件無足輕重的小事，但實際上反映的卻是人工智能視域下心理學(xué)和腦科學(xué)相關(guān)研究所面臨的第二個難關(guān)：智能的能力和智能的內(nèi)容之間耦合所產(chǎn)生的矛盾。

與人一樣，通用人工智能系統(tǒng)并不能直接產(chǎn)品化，就像我們無法要求一個剛出生的嬰兒去統(tǒng)計財務(wù)報表或進行天文學(xué)研究一樣，需要后天的教育和培養(yǎng)過程才能讓其掌握領(lǐng)域?qū)ｉL并像人一樣地從事相關(guān)工作。這就意味著，僅有先天智能并不能夠直接體現(xiàn)出主體的智力水平（或者只能夠在種群層面上得以體現(xiàn)），只有充實和建構(gòu)了主體經(jīng)驗這些智能的內(nèi)容之后主體才能夠在開放世界展現(xiàn)出智能的外在表現(xiàn)。

值得注意的是，已有心理學(xué)和腦科學(xué)的相關(guān)實驗，既包含了智能的能力本身，又包含了智能的內(nèi)容，但智能的內(nèi)容對于每位被試都不完全一致，隨機取樣差異更大。因此，相關(guān)實驗的結(jié)論反映了穩(wěn)定的部分（如智能的能力及智能內(nèi)容中共有的部分），從而使得結(jié)論達到統(tǒng)計學(xué)要求。但是，如果實驗本身涉及被試智能內(nèi)容中異質(zhì)性的部分，那么心理學(xué)實驗結(jié)果的重復(fù)就變得更加困難。這也是近年來心理學(xué)諸多研究成果因無法復(fù)現(xiàn)而被人詬病，并被批評“偽科學(xué)”的根本原因所在。

總之，通用人工智能的優(yōu)勢為人工打造出一個在思維層次上運行的類腦系統(tǒng)，具有與人類似的思維模式、決策機制等，這是對心智研究的理想仿真平臺，其理論對心理學(xué)也具有重要的啟發(fā)。反過來，心理學(xué)既是人類心智最直接的刻畫，同時也是通用人工智能最好的腳注。