【摘要】生成式人工智能的出現(xiàn)，對(duì)傳統(tǒng)人工智能的計(jì)算智能和感知智能形成挑戰(zhàn)，初步形成認(rèn)知智能這一新型智能形態(tài)。認(rèn)知智能在人工智能領(lǐng)域的發(fā)展突出對(duì)自然語(yǔ)言的理解能力，帶來(lái)語(yǔ)境化人工智能、倫理人工智能以及可解釋人工智能等更人性、更智能的文化人工智能。這些不同形態(tài)的文化人工智能是認(rèn)知智能要拓展的具體形態(tài)，也是提升大語(yǔ)言模型認(rèn)知能力的具體路徑。
【關(guān)鍵詞】認(rèn)知智能 計(jì)算智能 感知智能 生成式人工智能 文化人工智能
【中圖分類(lèi)號(hào)】 TP18 【文獻(xiàn)標(biāo)識(shí)碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2025.11.008
【作者簡(jiǎn)介】魏屹東，山西大學(xué)哲學(xué)學(xué)院教授、博導(dǎo)。研究方向?yàn)榭茖W(xué)史與科學(xué)哲學(xué)、認(rèn)知哲學(xué)和人工智能哲學(xué)。主要著作有《科學(xué)表征：從結(jié)構(gòu)解析到語(yǔ)境建構(gòu)》《科學(xué)認(rèn)知：從心性感知到適應(yīng)性表征》《認(rèn)知哲學(xué)手冊(cè)》《認(rèn)知科學(xué)哲學(xué)問(wèn)題研究》等。
在人工智能（AI）領(lǐng)域，認(rèn)知智能被視為繼傳統(tǒng)人工智能的計(jì)算智能和感知智能之后的一種新型智能形態(tài)。認(rèn)知智能是認(rèn)知心理學(xué)與人工智能的有機(jī)結(jié)合，其在理解能力這一認(rèn)知屬性上顯著超越前兩種智能，是實(shí)現(xiàn)“具身”或“通用”人工智能的必然趨勢(shì)。實(shí)際上，“認(rèn)知智能”一詞源自心理學(xué)領(lǐng)域，是與“情感智能”相對(duì)的概念。因此，“認(rèn)知智能”常被稱(chēng)為“智商”，“情感智能”則被稱(chēng)為“情商”。鑒于人工智能借用了心理學(xué)的概念，那么“認(rèn)知”性能在人工智能中應(yīng)有所體現(xiàn)，即賦予人工智能系統(tǒng)“人性化”“心性化”或“文化化”的特征。這正是筆者倡導(dǎo)的“文化人工智能”（Artificial Cultural Intelligence，ACI）[1]的內(nèi)涵，即通過(guò)將人類(lèi)特有的文化屬性（包括社會(huì)性、交互性、倫理性）嵌入人工智能系統(tǒng)，從而創(chuàng)造出“文化智能體”或“文化機(jī)器人”。基于此，本文首先對(duì)“智能”的含義及其認(rèn)知屬性進(jìn)行梳理和分析，進(jìn)而探討認(rèn)知智能在語(yǔ)言理解和決策能力方面的表現(xiàn)，并圍繞語(yǔ)言發(fā)展探討文化人工智能的不同形態(tài)，包括語(yǔ)境化人工智能、倫理人工智能以及可解釋人工智能，旨在為新一代人工智能（具身人工智能或通用人工智能）的發(fā)展提供理論洞見(jiàn)與實(shí)踐思路。
認(rèn)知智能對(duì)計(jì)算智能和感知智能的超越
心理學(xué)和人工智能領(lǐng)域?qū)?ldquo;智能”的定義和理解存在顯著差異。20世紀(jì)中期，斯滕伯格（R. J. Sternberg）提出智力三元理論，將智能定義為適應(yīng)、塑造和選擇環(huán)境以實(shí)現(xiàn)個(gè)人和社會(huì)文化目標(biāo)的能力，[2]并進(jìn)一步將智能劃分為分析性智能、創(chuàng)造性智能和實(shí)踐性智能。[3]分析性智能主要體現(xiàn)在學(xué)術(shù)問(wèn)題的解決和計(jì)算能力上，具體表現(xiàn)為分析、評(píng)估、判斷、比較以及解決問(wèn)題的能力；創(chuàng)造性智能則表現(xiàn)為設(shè)計(jì)或想象問(wèn)題和情境解決方案的能力，包括為意想不到的問(wèn)題找到新穎的解決方案、創(chuàng)作精美的藝術(shù)作品或文學(xué)作品；實(shí)踐性智能則涉及主體行動(dòng)的能力，通常被用于在日常生活中尋找行之有效的解決方案。斯騰伯格的理論強(qiáng)調(diào)智能的社會(huì)文化背景及其對(duì)個(gè)體行為的影響，因此其定義主要針對(duì)“人類(lèi)智能”，而非“人工智能”。
霍金斯（J. Hawkins）在其經(jīng)典著作《千腦：智能新論》中提出“智能”的四個(gè)屬性[4]：一是學(xué)習(xí)多重模型，即智能體（agent）能夠?qū)κ澜绲母鱾€(gè)方面單獨(dú)建模，或者說(shuō)，一個(gè)模型能夠描述如何預(yù)測(cè)和捕捉球，另一個(gè)模型則描述如何投擲；二是通過(guò)運(yùn)動(dòng)和感覺(jué)來(lái)學(xué)習(xí)，即智能體通過(guò)運(yùn)動(dòng)傳感器了解被建模的事物；三是使用通用參照系，即海馬神經(jīng)回路（網(wǎng)格細(xì)胞、位置細(xì)胞等）在進(jìn)化過(guò)程中為空間導(dǎo)航提供服務(wù)，現(xiàn)在可能支持所有類(lèi)型的學(xué)習(xí)，而大部分知識(shí)的存儲(chǔ)和推理都是通過(guò)類(lèi)地圖的通用結(jié)構(gòu)進(jìn)行；四是持續(xù)學(xué)習(xí)，即智能體能夠在不覆蓋已有知識(shí)的情況下學(xué)習(xí)新知識(shí)。霍金斯認(rèn)為，這四個(gè)屬性是創(chuàng)造真正智能機(jī)器的關(guān)鍵，而目前的學(xué)習(xí)算法缺乏這些屬性。然而，霍金斯的理論更多地描述了智能模型的特性，而非智能的本質(zhì)。[5]
阿格沃爾（U. A. Agarwal）等人將智能理解為主體根據(jù)所處環(huán)境調(diào)整自己行為的能力。[6]這種適應(yīng)能力是人們了解個(gè)體差異的關(guān)鍵因素。心理測(cè)量表明智能是一系列能力的集合，并將其表述為對(duì)認(rèn)知能力的單一測(cè)量。如信息處理能力描述了人們智能思考和解決問(wèn)題的過(guò)程，這種方法側(cè)重于研究智能行為的認(rèn)知功能，而解決問(wèn)題的認(rèn)知能力是創(chuàng)造性的關(guān)鍵。解決問(wèn)題指的是成功處理復(fù)雜和意外情況并找到解決方案的能力，這有助于確定問(wèn)題發(fā)生的原因以及如何解決。這一點(diǎn)恰恰是人工智能缺乏的，這就是“認(rèn)知智能”——自然進(jìn)化形成的認(rèn)知能力。
在心理學(xué)中，智能通常被分為認(rèn)知智能與情感智能。[7]認(rèn)知智能（Cognitive Intelligence）是指通過(guò)感覺(jué)和思維過(guò)程獲取知識(shí)和理解的智能，主要體現(xiàn)在工程、數(shù)學(xué)和科學(xué)研究領(lǐng)域，因?yàn)榭焖贉?zhǔn)確地處理信息的能力至關(guān)重要。如軟件工程師利用認(rèn)知智能編寫(xiě)高效代碼、開(kāi)發(fā)復(fù)雜的軟件解決方案。情感智能（Emotional Intelligence）則包括自我覺(jué)知（意識(shí)）、自我管理、社會(huì)意識(shí)和關(guān)系管理四個(gè)方面。[8]認(rèn)識(shí)和解釋自己情緒的能力與技巧被稱(chēng)為“情緒素養(yǎng)”，包括監(jiān)測(cè)、理解和調(diào)節(jié)自己情緒與行為以應(yīng)對(duì)社會(huì)環(huán)境和情境的能力。這是一種主體主動(dòng)調(diào)節(jié)和自我修正的能力，即適應(yīng)性表征能力。然而，如何讓人工智能擁有情感智能是一個(gè)棘手的問(wèn)題。從適應(yīng)性表征視角看，情感智能是一種具有適應(yīng)性的心理調(diào)節(jié)能力，人工智能研究者若能夠?qū)⑦@種適應(yīng)性嵌入物理裝置或機(jī)器人中，制造出具有情感的機(jī)器人并非不可能。
認(rèn)知智能是衡量智能實(shí)體（人類(lèi)或機(jī)器）解決復(fù)雜問(wèn)題和理解抽象概念能力的關(guān)鍵指標(biāo)，側(cè)重于認(rèn)知過(guò)程和邏輯推理，其決策能力是衡量智能實(shí)體是否有智能的關(guān)鍵。就因果關(guān)系而言，在因果關(guān)系明確的簡(jiǎn)單情境中，決策過(guò)程相對(duì)直接；然而，在因果關(guān)系不明確的復(fù)雜和混沌情境中，決策變得極具挑戰(zhàn)性。情感智能則關(guān)注情感意識(shí)、情緒管理和社交技能。與之相比，傳統(tǒng)人工智能主要側(cè)重于計(jì)算智能（Computational Intelligence）和感知智能（Perceptual Intelligence）的研究，而新一代人工智能則致力于認(rèn)知智能（智商）和情感智能（情商）嵌入機(jī)器，即具身人工智能（Embodied AI）或通用人工智能（General AI）的研究。
在人工智能領(lǐng)域，不同的研究范式對(duì)智能的理解存在顯著差異。計(jì)算主義（Computationalism）的智能特指計(jì)算能力或計(jì)算智能，即基于計(jì)算機(jī)的符號(hào)操作和推理能力，主張“計(jì)算即智能”。動(dòng)力主義（Dynamicism）的智能是指感知能力或感知智能，強(qiáng)調(diào)使計(jì)算機(jī)執(zhí)行視覺(jué)、聽(tīng)覺(jué)和觸覺(jué)等感知任務(wù)，如語(yǔ)音識(shí)別、語(yǔ)音合成和計(jì)算機(jī)視覺(jué)，主張“感知即智能”。具身人工智能是指學(xué)習(xí)和理解能力，即認(rèn)知智能，要求機(jī)器能夠更好地理解和分析概念、關(guān)系和邏輯。其中，基于語(yǔ)境進(jìn)行語(yǔ)言理解是認(rèn)知智能的核心，[9]主張認(rèn)知和理解才是智能。
從發(fā)展歷程看，認(rèn)知智能是繼計(jì)算智能和感知智能后的一種新型“具身智能”，其內(nèi)在能動(dòng)性超越了前兩者。認(rèn)知智能有何獨(dú)特之處？為什么超越了計(jì)算智能和感知智能？從認(rèn)知心理學(xué)來(lái)看，與計(jì)算智能和感知智能相比，認(rèn)知智能是一種包含了各種心理過(guò)程[10]的高級(jí)智能，即認(rèn)知能力。美國(guó)心理學(xué)學(xué)會(huì)的心理學(xué)詞典將認(rèn)知定義為“人們學(xué)習(xí)、記憶、推理、解決問(wèn)題以及作出明確判斷的能力，特別是與情感智能比較而言”。因此，認(rèn)知智能有時(shí)也指“智商”（相對(duì)于“情商”），簡(jiǎn)稱(chēng)為“認(rèn)知”，包括獲得知識(shí)和通過(guò)心智的理解、生命體驗(yàn)和感覺(jué)。[11]在這個(gè)意義上，認(rèn)知智能就是人類(lèi)的理性思維和判斷能力，以及在語(yǔ)境中學(xué)習(xí)和處理信息的能力，包括集中注意力、回憶和儲(chǔ)存記憶、學(xué)習(xí)和獲得語(yǔ)言及其他信息、感知環(huán)境中的刺激、處理數(shù)據(jù)、回應(yīng)各種問(wèn)題、決策和解決問(wèn)題等。斯滕伯格的智力三元理論將認(rèn)知智能定義為“言語(yǔ)、數(shù)字和空間能力的結(jié)合，這種結(jié)合能力包括視覺(jué)化、運(yùn)用記憶、詞語(yǔ)流暢性、言語(yǔ)關(guān)系、感知速度、歸納和演繹”。[12]由此可見(jiàn)，認(rèn)知智能的超越性體現(xiàn)在其對(duì)環(huán)境的主動(dòng)理解和適應(yīng)能力。
認(rèn)知智能與一般心理能力不同，后者是衡量個(gè)人認(rèn)知能力整體水平和工作表現(xiàn)的重要指標(biāo)，主要包括流動(dòng)智能和結(jié)晶智能兩方面。流動(dòng)智能是指?jìng)€(gè)人在遇到問(wèn)題時(shí)能夠使抽象信息變得有意義并找到解決路徑的能力；結(jié)晶智能則是指基于經(jīng)驗(yàn)和先驗(yàn)信息所掌握的知識(shí)與理解，包括知識(shí)的歸因和保留。流動(dòng)智能是主體解決問(wèn)題和邏輯推理的能力，是與多種認(rèn)知能力相關(guān)的最重要特征之一，[13]實(shí)際上是主體的思維能力；結(jié)晶智能則是個(gè)體對(duì)特定文化中語(yǔ)言、信息和概念的掌握程度，是一種記憶保持能力，通常會(huì)隨著年齡增長(zhǎng)而持續(xù)提升，直到老年階段才開(kāi)始下降。[14]
認(rèn)知智能是可測(cè)量的，可通過(guò)標(biāo)準(zhǔn)化測(cè)試對(duì)各種認(rèn)知能力進(jìn)行量化評(píng)估。韋氏成人智力測(cè)驗(yàn)量表（WAIS）和斯坦福-比奈智力測(cè)量表是目前使用最為廣泛的智商評(píng)估工具，用于評(píng)估語(yǔ)言理解、感知推理、工作記憶和處理速度等一系列認(rèn)知技能。情感智能評(píng)估則側(cè)重于評(píng)價(jià)情感和社交能力，主要工具包括情商量表（EQ-i）和梅耶爾-薩洛維-卡魯索情商測(cè)試（MSCEIT）。EQ-i主要測(cè)量情緒和社會(huì)功能，如自我認(rèn)知、壓力管理和人際交往技能，而MSCEIT則評(píng)估個(gè)體感知、理解和管理情緒的能力。人工智能作為輔助工具，可以應(yīng)用于認(rèn)知智能和情感智能的測(cè)試。如人工智能作為認(rèn)知科學(xué)的理論工具，[15]可以支持理論構(gòu)建和智能評(píng)估。ChatGPT和DeepSeek等大模型已廣泛應(yīng)用于科研、醫(yī)療和教育等領(lǐng)域。在這種背景下，人類(lèi)認(rèn)知被視為一種假設(shè)性的計(jì)算形式。在此假設(shè)下，人工智能作為計(jì)算工具——包括框架、概念、形式、模型、證明、模擬等——可以為認(rèn)知科學(xué)的理論研究提供支持，即將人工智能作為智能工具應(yīng)用于科研、生產(chǎn)和日常生活。然而，讓人工智能和智能機(jī)器人同時(shí)具備認(rèn)知智能和情感智能難度極高，我們將其稱(chēng)為“人工智能認(rèn)知難題”，即如何制造出“人類(lèi)水平的”或“超人的”智能體。因此，使用人工智能作為智能工具與讓人工智能真正擁有認(rèn)知智能和情感智能是完全不同的兩件事。
對(duì)機(jī)器來(lái)說(shuō)，認(rèn)知測(cè)量在智能制造的發(fā)展中引入了更加自主的系統(tǒng)，這些系統(tǒng)需要利用機(jī)器狀態(tài)、傳感器數(shù)據(jù)和領(lǐng)域知識(shí)等多模態(tài)數(shù)據(jù)來(lái)進(jìn)行復(fù)雜的決策制定過(guò)程。[16]這不僅是認(rèn)知信息學(xué)（cognitive informatics）[17]集中研究的“智能機(jī)器工具”[18]問(wèn)題，也是新興的“認(rèn)知物理學(xué)”的研究目標(biāo)，即研發(fā)可交互、會(huì)學(xué)習(xí)、自成長(zhǎng)的認(rèn)知機(jī)器。[19]認(rèn)知測(cè)量作為一種認(rèn)知計(jì)算方法，將人的心智視為信息加工系統(tǒng)，通過(guò)模擬人的思維和智能，建立自動(dòng)化、計(jì)算機(jī)化的心智模型，并測(cè)試機(jī)器的推理能力，使其行為與人類(lèi)相似。如認(rèn)知計(jì)算作為醫(yī)療保健領(lǐng)域一項(xiàng)不斷發(fā)展的技術(shù)，能夠優(yōu)化臨床認(rèn)知過(guò)程。[20]分布式“認(rèn)知無(wú)線電網(wǎng)絡(luò)”[21]是人工智能領(lǐng)域“認(rèn)知測(cè)量”的例子，它包括頻譜感知路由、基于機(jī)器學(xué)習(xí)的方法、博弈論啟發(fā)的策略和生物啟發(fā)過(guò)程，智能路由在動(dòng)態(tài)情況下可提供更好的彈性、適應(yīng)性和頻譜效率。[22]認(rèn)知測(cè)量表明，認(rèn)知智能可以通過(guò)計(jì)算在機(jī)器中實(shí)現(xiàn)，如對(duì)自然語(yǔ)言的計(jì)算理解和文化理解。
認(rèn)知智能對(duì)人工智能自然語(yǔ)言理解力的提升
認(rèn)知智能的核心在于處理和理解自然語(yǔ)言。從語(yǔ)言這個(gè)文化核心看，認(rèn)知智能是智能科學(xué)的高級(jí)階段，旨在對(duì)人類(lèi)的自然語(yǔ)言、知識(shí)表達(dá)、邏輯推理和自主學(xué)習(xí)等能力進(jìn)行深入的機(jī)理研究與計(jì)算機(jī)模擬，從而使機(jī)器具備類(lèi)似人類(lèi)的智能，甚至掌握人類(lèi)專(zhuān)家在各領(lǐng)域的知識(shí)積累和應(yīng)用能力。[23]顯然，這些方面均與自然語(yǔ)言相關(guān)，如大語(yǔ)言模型（LLM）就是用來(lái)處理自然語(yǔ)言。自然語(yǔ)言作為人類(lèi)表達(dá)和交流思想的基本工具，在人工智能中對(duì)應(yīng)的是自然語(yǔ)言處理（NLP），即利用計(jì)算機(jī)處理人類(lèi)語(yǔ)言。自然語(yǔ)言處理作為人工智能領(lǐng)域的核心，具有多義性、語(yǔ)境相關(guān)性、模糊性、非系統(tǒng)性、環(huán)境相關(guān)性以及知識(shí)面廣的特點(diǎn)，也是人工智能中最具挑戰(zhàn)性的領(lǐng)域之一。一般來(lái)說(shuō)，自然語(yǔ)言處理主要包括認(rèn)知、理解和生成三個(gè)部分。其中，認(rèn)知和理解是指讓計(jì)算機(jī)將輸入的語(yǔ)言轉(zhuǎn)化為具有特定含義的符號(hào)和關(guān)系，并根據(jù)用戶(hù)的需要進(jìn)行相應(yīng)處理。因此，人工智能的自然語(yǔ)言生成系統(tǒng)本質(zhì)上是將計(jì)算機(jī)數(shù)據(jù)轉(zhuǎn)化為自然語(yǔ)言的系統(tǒng)。
如果計(jì)算機(jī)能夠理解和處理自然語(yǔ)言，那么人與計(jì)算機(jī)或機(jī)器人之間就可以使用母語(yǔ)進(jìn)行信息交流，這標(biāo)志著人工智能技術(shù)的重大突破。如各種生成式人工智能大語(yǔ)言模型的出現(xiàn)。自然語(yǔ)言作為高級(jí)智能的體現(xiàn)，是揭示人類(lèi)智能奧秘的關(guān)鍵，有助于我們深入理解語(yǔ)言能力和思維本質(zhì)。在人工智能的發(fā)展歷程中，自然語(yǔ)言處理經(jīng)歷了三個(gè)主要階段[24]：一是符號(hào)人工智能階段，即基于規(guī)則階段（20世紀(jì)60至80年代）。在這一時(shí)期，喬姆斯基將自然語(yǔ)言和程序語(yǔ)言置于同一高度，通過(guò)統(tǒng)一的數(shù)學(xué)方法進(jìn)行解釋和定義，構(gòu)建了自然語(yǔ)言理解系統(tǒng)，試圖將語(yǔ)法、推理、語(yǔ)境三者結(jié)合起來(lái)。二是統(tǒng)計(jì)人工智能階段，即基于統(tǒng)計(jì)和語(yǔ)料庫(kù)階段（20世紀(jì)90年代以來(lái)）。在語(yǔ)料庫(kù)語(yǔ)言學(xué)中，統(tǒng)計(jì)處理技術(shù)是從語(yǔ)料庫(kù)中獲取各種知識(shí)的主要手段，其基本思想是將語(yǔ)料庫(kù)作為知識(shí)的唯一信息源，通過(guò)統(tǒng)計(jì)方法獲取知識(shí)，并在統(tǒng)計(jì)學(xué)習(xí)的意義上解釋知識(shí)。三是生成式人工智能階段，即深度學(xué)習(xí)階段（2008年以來(lái)）。在這一階段，自然語(yǔ)言處理的研究開(kāi)始轉(zhuǎn)向深度學(xué)習(xí)，包括神經(jīng)詞袋模型（把文本序列中每個(gè)詞的嵌入平均化作為整個(gè)序列的表征）、循環(huán)神經(jīng)網(wǎng)絡(luò)（對(duì)無(wú)限長(zhǎng)的句子進(jìn)行編碼）、卷積神經(jīng)網(wǎng)絡(luò)（通過(guò)多個(gè)卷積層和子采樣層得到一個(gè)定長(zhǎng)向量）以及編碼-解碼技術(shù)（實(shí)現(xiàn)從一個(gè)句子到另一個(gè)句子的轉(zhuǎn)換）。
自然語(yǔ)言處理的演變表明，人工智能本質(zhì)上是“類(lèi)腦智能”。經(jīng)過(guò)幾十年的發(fā)展，人工智能在深度學(xué)習(xí)、大數(shù)據(jù)和計(jì)算能力的共同推動(dòng)下獲得了重生。根據(jù)解決問(wèn)題的不同階段，人工智能大致可分為感知智能、認(rèn)知智能和決策智能三個(gè)階段。[25]感知智能以語(yǔ)音識(shí)別、圖像理解、字符識(shí)別為主要任務(wù)，表現(xiàn)為“能聽(tīng)、能說(shuō)、能看、能認(rèn)”，在專(zhuān)項(xiàng)任務(wù)上已接近或超過(guò)人類(lèi)水平。如在數(shù)萬(wàn)甚至數(shù)十萬(wàn)小時(shí)的標(biāo)注語(yǔ)音數(shù)據(jù)基礎(chǔ)上，深度學(xué)習(xí)在語(yǔ)音識(shí)別方面可達(dá)到甚至超過(guò)人類(lèi)的聽(tīng)寫(xiě)水平。認(rèn)知智能則以推理、決策、學(xué)習(xí)為主要任務(wù)，表現(xiàn)為“能理解、會(huì)思考、有認(rèn)知”。如智能機(jī)器人對(duì)天氣狀況的預(yù)報(bào)不僅需要了解當(dāng)前天氣情況，還需要掌握導(dǎo)致航班延誤的常識(shí)以及航空公司或機(jī)場(chǎng)的特定起飛標(biāo)準(zhǔn)。這表明語(yǔ)言理解的背后是常識(shí)和推理，而文字只是認(rèn)知空間的形式表達(dá)。然而，認(rèn)知智能的研究仍處于起步階段，機(jī)器認(rèn)知能力相對(duì)較低，這種低認(rèn)知水平的人工智能難以作出令人滿(mǎn)意的決策。因此，提升人工智能的“自主性”和“能動(dòng)性”至關(guān)重要，以便更好地應(yīng)對(duì)復(fù)雜情況，這也是決策智能進(jìn)一步發(fā)展的關(guān)鍵，涉及人機(jī)信任、交互智能、人與智能系統(tǒng)的合作研究。決策智能也是認(rèn)知智能的一部分，因?yàn)闆Q策應(yīng)基于理性智能，而非情感。
近年來(lái)，基于認(rèn)知智能的人機(jī)協(xié)同決策逐漸成為研究熱點(diǎn)。如人機(jī)協(xié)同系統(tǒng)實(shí)現(xiàn)、人機(jī)智能集成機(jī)制和協(xié)同決策過(guò)程中的人機(jī)交互研究，揭示了智能機(jī)器正朝著人機(jī)融合智能的方向演進(jìn)。[26]這一機(jī)器思維過(guò)程離不開(kāi)認(rèn)知計(jì)算的支持。機(jī)器思維是指機(jī)器模擬人類(lèi)認(rèn)知過(guò)程的能力，包括感知、推理、決策和解決問(wèn)題的能力。過(guò)去20多年間，人工智能經(jīng)歷了一場(chǎng)驚人的革命，其概念已從傳統(tǒng)的規(guī)則驅(qū)動(dòng)轉(zhuǎn)變?yōu)閿?shù)據(jù)挖掘，即智能應(yīng)用的主要來(lái)源變成了數(shù)據(jù)。因此所提供的數(shù)據(jù)質(zhì)量在很大程度上決定了人工智能模型的成敗。[27]從自然智能（人類(lèi)和動(dòng)物智能）到人工智能的發(fā)展歷程清楚地表明，人工智能技術(shù)有助于滿(mǎn)足機(jī)器思維在認(rèn)知和類(lèi)人推理方面的需求。如以模型為中心的人工智能和以數(shù)據(jù)為中心的人工智能。然而，問(wèn)題在于哪種模型更適合機(jī)器？如何縮小機(jī)器智能與人類(lèi)智能之間的差距？是否可以利用增強(qiáng)智能這種人類(lèi)與機(jī)器之間的共生關(guān)系來(lái)增強(qiáng)認(rèn)知能力、促進(jìn)創(chuàng)新和解決問(wèn)題？
我們知道，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和大語(yǔ)言模型算法是現(xiàn)代人工智能的關(guān)鍵組成部分。機(jī)器學(xué)習(xí)側(cè)重于模式檢測(cè)和預(yù)測(cè)建模，能夠集中學(xué)習(xí)大型數(shù)據(jù)，實(shí)現(xiàn)流程自動(dòng)化并解決問(wèn)題。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)子集，已成為涉及大量數(shù)據(jù)（包括圖像、文本和序列數(shù)據(jù)）任務(wù)中的主導(dǎo)技術(shù)。其中，深度神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)模型背后的“大腦”，推動(dòng)了計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理和語(yǔ)音識(shí)別領(lǐng)域的進(jìn)步。這些模型具有分層特征學(xué)習(xí)結(jié)構(gòu)，能夠理解數(shù)據(jù)中的復(fù)雜關(guān)系和模式。大語(yǔ)言模型算法作為深度學(xué)習(xí)的一個(gè)子集，改變?nèi)藗兝斫夂蜕勺匀徽Z(yǔ)言的方式。憑借龐大的規(guī)模和預(yù)訓(xùn)練的理解能力，這些模型能夠以前所未有的水平理解、生成和處理人類(lèi)語(yǔ)言，廣泛應(yīng)用于內(nèi)容創(chuàng)建、翻譯、問(wèn)答等領(lǐng)域，改變?nèi)藗兣c人工智能系統(tǒng)的交互方式。如心智編程和認(rèn)知思維建模使這些系統(tǒng)能夠模擬和理解人類(lèi)認(rèn)知。由機(jī)器學(xué)習(xí)和自然語(yǔ)言處理等先進(jìn)技術(shù)驅(qū)動(dòng)的認(rèn)知分析，可提供預(yù)測(cè)能力和個(gè)性化體驗(yàn)，推動(dòng)人工智能認(rèn)知系統(tǒng)朝著個(gè)性化、自適應(yīng)學(xué)習(xí)甚至情感智能和道德智能的方向發(fā)展。
目前，人工智能正在改變我們的生活、工作和娛樂(lè)方式。在物聯(lián)網(wǎng)領(lǐng)域，人工智能驅(qū)動(dòng)的分析和預(yù)測(cè)模型能夠從數(shù)十億數(shù)據(jù)流中提取洞察力，簡(jiǎn)化操作并提高安全性。在醫(yī)療保健領(lǐng)域，人工智能有助于診斷、藥物發(fā)現(xiàn)和個(gè)性化治療計(jì)劃，如人工智能在醫(yī)院的應(yīng)用有助于改善患者護(hù)理。在農(nóng)業(yè)領(lǐng)域，人工智能有助于提高精準(zhǔn)度、優(yōu)化資源使用和改善作物管理。在音樂(lè)領(lǐng)域，人工智能有助于作曲、音樂(lè)制作和推薦，鼓勵(lì)創(chuàng)造力。在教育領(lǐng)域，人工智能驅(qū)動(dòng)的個(gè)性化學(xué)習(xí)和智能輔導(dǎo)以及虛擬教室改變了傳統(tǒng)教學(xué)方法。這些應(yīng)用展示了人工智能如何提高各種不同領(lǐng)域的效率、可持續(xù)性和創(chuàng)新性。總之，機(jī)器思維使機(jī)器和人工智能系統(tǒng)能夠像人類(lèi)思維一樣處理信息、推理和決策，所使用的算法和計(jì)算模型模擬感知、學(xué)習(xí)、解決問(wèn)題和決策等認(rèn)知過(guò)程，從而在很大程度上替代人類(lèi)思維和決策。人工智能的發(fā)展不僅提升認(rèn)知智能，還達(dá)到人類(lèi)特有的文化水平，這就是文化人工智能。
文化人工智能作為認(rèn)知智能的高級(jí)形態(tài)
目前，文化智能仍是人類(lèi)所特有的。如果人工智能擁有了文化，那么其就實(shí)現(xiàn)了“通用性”。何為文化？《人類(lèi)學(xué)詞典》對(duì)文化的早期定義是“包括知識(shí)、信仰、藝術(shù)、道德、法律、風(fēng)俗以及人類(lèi)或社會(huì)成員獲得的任何其他能力和習(xí)慣的復(fù)雜整體”，[28]這種復(fù)雜整體就是“文化智能”，其是一種基于認(rèn)知智能和情感智能的高級(jí)智能形式。如果能將文化中的知識(shí)、信仰、道德、法律、風(fēng)俗和習(xí)慣嵌入人工智能，那么我們就將實(shí)現(xiàn)文化人工智能。一般來(lái)說(shuō)，具有情商的人能夠理解人與人之間的差異，而具有文化智能的人則能夠解讀個(gè)人及其所屬群體的特征。
埃利（P. C. Earley）和莫薩科夫斯基（E. Mosakowski）將文化智能定義為“局外人看似天生的能力，能夠以其同胞的方式解讀一個(gè)人不熟悉的、模棱兩可的姿態(tài)”，[29]這種文化智能由認(rèn)知、身體和情感動(dòng)機(jī)三部分組成，存在于人的身體和頭腦中。根據(jù)這些要素，他們將文化智能分為六類(lèi)：一是外省型，即能與背景相似的人愉快合作，但與背景迥異的人相處時(shí)顯得力不從心；二是分析型，即試圖通過(guò)各種途徑了解異域文化的規(guī)范和期望，如在去另一個(gè)國(guó)家旅行前購(gòu)買(mǎi)該國(guó)的短語(yǔ)手冊(cè)；三是自然型，即擁有學(xué)習(xí)文化的直覺(jué)天賦，不需要系統(tǒng)的學(xué)習(xí)過(guò)程；四是大使型，即能夠輕松與其他文化進(jìn)行交流，并在不了解該文化的情況下讓該文化中的人感到舒適；五是模仿型，即能讓客人感到自在，善于在不同文化間建立信任并捕捉文化線索；六是易變型，即擅長(zhǎng)文化智能的所有三個(gè)組成部分，甚至可能被誤認(rèn)為是外星人。
安格（S. Ang）等人提出了一種衡量文化智能的方法，將其定義為“一個(gè)人在跨文化環(huán)境中有效發(fā)揮作用的能力”。[30]文化智能并不是針對(duì)某一特定文化，而是在跨文化環(huán)境中有效工作的能力。范·戴恩（Van Dyne）等人認(rèn)為，文化智能包括元認(rèn)知（計(jì)劃、意識(shí)、檢查）、認(rèn)知（學(xué)習(xí)、推理）、動(dòng)機(jī)（目標(biāo)、意圖）和行為（包括言語(yǔ)和肢體的表現(xiàn)方式）等方面。[31]這些方面雖然不完全等同，但為我們提供了衡量文化智能的多維視角。顯然，文化人工智能必須借鑒人類(lèi)的文化智能。
在新一代人工智能研究中，為了適應(yīng)新的信息環(huán)境，肖人彬提出將傳統(tǒng)人工智能（AI1.0）推進(jìn)到人工智能新階段（AI2.0）的觀點(diǎn)。他認(rèn)為，人工智能中的集體智能（CI1.0），即蜂群智能（低等生物的覓食行為），正向群體智能（CI2.0）演進(jìn)，后者是由復(fù)雜任務(wù)驅(qū)動(dòng)產(chǎn)生的人類(lèi)合作行為。他還指出，在這一演進(jìn)過(guò)程中存在一個(gè)被忽視的過(guò)渡階段（CI1.5），即低等／高等生物的合作行為模仿。肖人彬進(jìn)一步將錢(qián)學(xué)森的“智慧元綜合”視為集體智能的升級(jí)版本，即仿生智能的高級(jí)階段（CI3.0），這一階段由心理行為驅(qū)動(dòng)，涌現(xiàn)出高級(jí)智能。他認(rèn)為具有深度不確定性的大語(yǔ)言模型和大數(shù)據(jù)的雙輪驅(qū)動(dòng)是CI2.0向CI3.0的演進(jìn)路徑，從而形成了完整的集體智能發(fā)展框架（CI1.0、CI1.5、CI2.0和CI3.0）。[32]筆者認(rèn)為，這種群體智能的演進(jìn)是一個(gè)適應(yīng)性表征過(guò)程，而CI3.0正是文化人工智能的具體形態(tài)。
問(wèn)題在于，文化如何融入人工智能呢？這正是建構(gòu)文化人工智能認(rèn)知架構(gòu)的核心問(wèn)題（見(jiàn)圖1）。圖1展示了這一過(guò)程：具有文化屬性的價(jià)值（情感、道德等）通過(guò)人工智能實(shí)現(xiàn)物理化，而人工智能則通過(guò)符號(hào)表征（字符串等）形成可解釋性假設(shè)集（表現(xiàn)形式）來(lái)實(shí)現(xiàn)價(jià)值，這一過(guò)程是循環(huán)往復(fù)的。以文化融合抵制認(rèn)知帝國(guó)主義方法[33]為例：這種方法強(qiáng)調(diào)如何將本土知識(shí)體系（特定文化）融入人工智能開(kāi)發(fā)，以抵制認(rèn)知帝國(guó)主義（或認(rèn)知霸權(quán)主義），并促進(jìn)包容性，通過(guò)批判西方認(rèn)識(shí)論的主導(dǎo)地位，強(qiáng)調(diào)偏見(jiàn)的風(fēng)險(xiǎn)，并主張納入多樣化的認(rèn)識(shí)論來(lái)實(shí)現(xiàn)。這種文化融合方法借鑒人工智能倫理學(xué)、原住民研究和后殖民理論，強(qiáng)調(diào)與原住民社區(qū)的共同創(chuàng)造、原住民數(shù)據(jù)管理的倫理協(xié)議以及人工智能算法的適應(yīng)性。
這種文化嵌入人工智能的典型案例旨在使人工智能更適合特定民族（如少數(shù)民族）和特定人群（如老年人群體）。其中涉及幾個(gè)關(guān)鍵概念和方法：一是本土知識(shí)體系為人工智能發(fā)展的基礎(chǔ)提供豐富的整體理解，強(qiáng)調(diào)系統(tǒng)內(nèi)所有要素的相互聯(lián)系；二是參與式設(shè)計(jì)和共同創(chuàng)造，即一種獨(dú)特的參與式設(shè)計(jì)方法，包括本土社區(qū)在內(nèi)的利益相關(guān)者應(yīng)積極參與人工智能設(shè)計(jì)過(guò)程；三是兩眼觀察，即主張利用本土和西方的科學(xué)知識(shí)體系來(lái)更全面地認(rèn)識(shí)世界；四是人工智能開(kāi)發(fā)的倫理框架，即遵循負(fù)責(zé)任地開(kāi)發(fā)人工智能的原則，包括尊重自主性、防止傷害、公平性和解釋性；五是數(shù)據(jù)主權(quán)和原住民協(xié)議，即數(shù)據(jù)主權(quán)涉及原住民的數(shù)據(jù)權(quán)利和管理；六是文化介入的人工智能算法，即開(kāi)發(fā)有文化背景的人工智能算法，需要重新思考數(shù)據(jù)來(lái)源、學(xué)習(xí)過(guò)程和這些算法的輸出；七是本土語(yǔ)言與語(yǔ)義的融合，即將本土語(yǔ)言融入人工智能進(jìn)行自然語(yǔ)言處理，這不僅是一項(xiàng)技術(shù)挑戰(zhàn)，也是一項(xiàng)倫理挑戰(zhàn)。這需要開(kāi)發(fā)能夠理解和處理這些語(yǔ)言的復(fù)雜語(yǔ)義與結(jié)構(gòu)模型，其中許多語(yǔ)言所蘊(yùn)含的文化含義不易被翻譯成其他語(yǔ)言。
為了將本土認(rèn)識(shí)論納入人工智能，必須采用新穎且尊重本土認(rèn)識(shí)論的方法，這些方法包括：一是參與式設(shè)計(jì)，即讓原住民社區(qū)參與人工智能開(kāi)發(fā)，確保以尊重原住民的方式將其前沿知識(shí)和觀點(diǎn)融入其中；二是合乎道德的數(shù)據(jù)收集，即這一過(guò)程要尊重本土數(shù)據(jù)主權(quán)和知識(shí)產(chǎn)權(quán)；三是適應(yīng)人工智能算法，即適應(yīng)人工智能算法以反映本土知識(shí)體系，需要重新評(píng)估和修改傳統(tǒng)的數(shù)據(jù)結(jié)構(gòu)與處理方法；四是機(jī)器學(xué)習(xí)中的文化語(yǔ)境，即將特定文化語(yǔ)境納入機(jī)器學(xué)習(xí)模型需要超越傳統(tǒng)的統(tǒng)計(jì)方法，如新型智能手機(jī)需要考慮漢語(yǔ)的簡(jiǎn)體和繁體。
這些方法表明，文化完全可以影響或塑造人工智能設(shè)計(jì)。人類(lèi)文化學(xué)表明，文化造就了人類(lèi)認(rèn)知的獨(dú)特性，這就是人類(lèi)特有的“文化智能”。[34]那么，不同的文化智能的核心是什么？托馬塞羅（M. Tomasello）認(rèn)為是“共享意向性”——文化智能的一個(gè)關(guān)鍵差異制造者——不僅提供了新的心理過(guò)程，支持新形式的合作社會(huì)性和累積文化，而且徹底改變了人類(lèi)認(rèn)知。所謂的“共享意向性”是一套社會(huì)認(rèn)知技能和合作動(dòng)機(jī)，構(gòu)成或促成共同關(guān)注和代理、合作交流和學(xué)習(xí)，其將類(lèi)人猿的個(gè)體思維方式轉(zhuǎn)變?yōu)槿祟?lèi)合作的思維方式，并使協(xié)作和累積文化及其所有認(rèn)知高峰得以實(shí)現(xiàn)。然而，莫爾（H. Moll）認(rèn)為，“共享意向性”只有在社會(huì)領(lǐng)域才會(huì)產(chǎn)生關(guān)鍵性的差異，人類(lèi)獨(dú)特的社會(huì)發(fā)展在其獨(dú)特的“共享意向性”形式的內(nèi)在驅(qū)動(dòng)下，會(huì)產(chǎn)生全面的差異，而且會(huì)一直持續(xù)下去。而托馬塞羅則堅(jiān)持認(rèn)為，“共享意向性”不應(yīng)被視為一種具有認(rèn)知模塊通常特征的生物適應(yīng)性，因?yàn)槠溆绊懼煌I(lǐng)域的人類(lèi)認(rèn)知和問(wèn)題解決的模式或形式。[35]
為了回應(yīng)莫爾的異議，托馬塞羅提出了“文化智能假設(shè)”：人類(lèi)獨(dú)特的認(rèn)知成就可歸因于人類(lèi)獨(dú)特的社會(huì)認(rèn)知適應(yīng)性，即創(chuàng)造、傳播和參與合作性和累積性的文化技能、實(shí)踐和知識(shí)。根據(jù)這一假設(shè)，動(dòng)物在系統(tǒng)發(fā)育和本體發(fā)育過(guò)程中，認(rèn)知的三個(gè)核心方面（表征、推理和自我調(diào)節(jié)）均發(fā)生了轉(zhuǎn)變。在表征方面，動(dòng)物如猿類(lèi)對(duì)事物的抽象表征和分類(lèi)，首先轉(zhuǎn)化為從多個(gè)不同的社會(huì)視角對(duì)事物的多個(gè)不同方面的社會(huì)表征，隨后進(jìn)一步發(fā)展為對(duì)共同客觀世界的完全命題表征，將其作為不同視角的共同目標(biāo)。這些視角可能匹配，也可能不匹配，但同樣對(duì)其正確性負(fù)責(zé)。在推理方面，基于意向、因果（或原邏輯）關(guān)系的推論首先轉(zhuǎn)變?yōu)樯鐣?huì)視角的遞歸推論，隨后進(jìn)一步發(fā)展為完全反思的、基于邏輯的推理，并受到集體共享的、代理人中立的正確論證或思考規(guī)范的約束。在自我調(diào)節(jié)方面，猿類(lèi)對(duì)個(gè)人（第一人稱(chēng)）目標(biāo)導(dǎo)向過(guò)程的自我監(jiān)控和自我調(diào)節(jié)首先轉(zhuǎn)變?yōu)榈诙朔Q(chēng)版本，隨后進(jìn)一步發(fā)展為集體的、規(guī)范的版本。這些轉(zhuǎn)變標(biāo)志著從猿進(jìn)化到人的三個(gè)關(guān)鍵認(rèn)知過(guò)程。
如果承認(rèn)表征、推理和自我調(diào)節(jié)是認(rèn)知的核心要素，那么也必須承認(rèn)它們構(gòu)成了通用智能的核心。通用智能假設(shè)認(rèn)為，主體所擁有的支持更高通用智能的作用越大，其獨(dú)特的行為靈活性、生態(tài)半徑和適應(yīng)性就越強(qiáng)，從而能夠更可靠、更高效地處理和解決各種認(rèn)知問(wèn)題。通用智能假設(shè)反過(guò)來(lái)似乎支持了文化智能假設(shè)。這就是說(shuō)，靈長(zhǎng)類(lèi)動(dòng)物普遍進(jìn)化出了與同類(lèi)競(jìng)爭(zhēng)和合作的復(fù)雜社會(huì)認(rèn)知技能，而人類(lèi)則在此基礎(chǔ)上進(jìn)化出了能夠?qū)嶋H創(chuàng)造不同文化群體的技能，這些群體各有一套獨(dú)特的人工制品、符號(hào)、社會(huì)實(shí)踐和制度。如人類(lèi)兒童若想在其所出生的文化世界中有效生存與發(fā)展，就必須學(xué)會(huì)使用這些人工制品和工具，并參與這些實(shí)踐活動(dòng)，而這一過(guò)程需要借助社會(huì)學(xué)習(xí)、交流和模仿等特殊的社會(huì)認(rèn)知技能。因此，人類(lèi)在本體發(fā)育早期所展現(xiàn)出的強(qiáng)大的社會(huì)文化認(rèn)知技能，可被視為推動(dòng)人腦認(rèn)知復(fù)雜發(fā)展的一種“啟動(dòng)器”，這就是“文化智能假說(shuō)”。[36]隨后，莫爾進(jìn)一步提出變革性文化智能假說(shuō)，即“共享意向性”作為社會(huì)性智能，一直處于不斷變革之中。人類(lèi)的認(rèn)知，包括生理方面，皆被人類(lèi)的社會(huì)性和意向性等文化因素徹底改變，最終發(fā)生了質(zhì)的改變。[37]由此觀之，人工智能借助文化智能實(shí)現(xiàn)質(zhì)的飛躍，關(guān)鍵在于借助語(yǔ)境（一種人類(lèi)獨(dú)特文化體現(xiàn)）的力量。
作為文化人工智能的語(yǔ)境化人工智能
人類(lèi)是文化的物種，語(yǔ)言的出現(xiàn)使人類(lèi)進(jìn)化成為語(yǔ)境化的物種。為了實(shí)現(xiàn)更智能的人機(jī)交互，人工智能也需要具備語(yǔ)境化[38]和形式化[39]的能力，這就是所謂的“語(yǔ)境中的人工智能”——一種人機(jī)交互的人工智能。關(guān)于人機(jī)關(guān)系，可能存在一種“虛假洞察”，即構(gòu)建人與人工智能之間富有成效的關(guān)系的核心在于定義人工智能與人之間從屬關(guān)系的需求集合。如交談人工智能（Talk AI）需要具備可理解性、多功能性、可定制性和可管理性以及語(yǔ)境感知能力。[40]事實(shí)上，交談人工智能并不要求選擇特定的算法，而是通過(guò)逐步展示機(jī)器學(xué)習(xí)過(guò)程，以人為中心研究和應(yīng)用人工智能系統(tǒng)，其核心是定義一系列改變?nèi)斯ぶ悄芘c人之間從屬關(guān)系的需求。因此，人工認(rèn)知智能應(yīng)具備連貫性、多用途性、可控性以及語(yǔ)境感知能力。在這里，交談人工智能的智能性（intelligibility）是指其認(rèn)知架構(gòu)必須能夠自我表述，向用戶(hù)說(shuō)明其知道什么、如何知道以及圍繞用戶(hù)在做什么，這意味著交談人工智能需要具備可理解性（comprehensibly）。適應(yīng)性是評(píng)估一個(gè)人工智能架構(gòu)智能性的關(guān)鍵指標(biāo)，即當(dāng)人工智能為特定的環(huán)境設(shè)計(jì)時(shí)，其是否能夠提供足夠的能力，從而在不同的環(huán)境或語(yǔ)境中進(jìn)行實(shí)質(zhì)性調(diào)整，并滿(mǎn)足用戶(hù)的愿望。如一個(gè)控制房間的機(jī)器人“知道”用戶(hù)的偏好，但當(dāng)用戶(hù)詢(xún)問(wèn)時(shí)，其是否能夠解釋用戶(hù)的家庭情況？這是機(jī)器人在特定語(yǔ)境中對(duì)自然語(yǔ)言的理解能力問(wèn)題。
那么，如何讓人工智能系統(tǒng)真正理解人類(lèi)語(yǔ)言呢？量子計(jì)算語(yǔ)義學(xué)方法可能是一種更有效方法，即通過(guò)量子糾纏對(duì)自然語(yǔ)言進(jìn)行語(yǔ)境化處理。一般來(lái)說(shuō)，語(yǔ)句的意義不僅取決于其各個(gè)組成部分，還取決于整個(gè)語(yǔ)境。尤其是在講故事等語(yǔ)言表達(dá)中，組合詞形成的意義是通過(guò)復(fù)雜語(yǔ)境產(chǎn)生的，故事的整體語(yǔ)境起著重要作用。每添加一個(gè)新詞，語(yǔ)境就會(huì)更新一次，這個(gè)過(guò)程會(huì)一直重復(fù)，直到所有的詞都出現(xiàn)在文本中，這種依賴(lài)語(yǔ)境決定詞和語(yǔ)句意義的方式比大模型的統(tǒng)計(jì)概率方式更準(zhǔn)確。量子計(jì)算語(yǔ)義學(xué)借用量子力學(xué)中的“糾纏”概念來(lái)說(shuō)明這個(gè)過(guò)程，即一個(gè)文本中的不同詞語(yǔ)是如何“糾纏”在一起從而構(gòu)成文本意義的。或者說(shuō)，量子計(jì)算語(yǔ)義學(xué)利用量子理論對(duì)語(yǔ)言的語(yǔ)義功能進(jìn)行建模，以此來(lái)捕捉句子的意義。該模型假設(shè)，量子信息量表征了意義，如表征量子系統(tǒng)狀態(tài)的希爾伯特空間的密度算子。疊加、糾纏和不確定性是量子理論所允許的整體和語(yǔ)境特征的例子，其可以解釋為什么語(yǔ)句能夠根據(jù)語(yǔ)境具有多重含義。這意味著人類(lèi)的感知和思維本質(zhì)上不是單一的，而是合成的。經(jīng)典語(yǔ)義學(xué)的分析和構(gòu)成框架之所以不能很好地捕捉到格式塔思維，是因?yàn)槠浠旧鲜菑囊粋€(gè)復(fù)合表達(dá)式的各組成部分之含義來(lái)推導(dǎo)其整體含義的。
在量子計(jì)算語(yǔ)義學(xué)中，意義通常可以表征為意義的疊加，并被視為基本的動(dòng)態(tài)對(duì)象。[41]整體意義決定部分意義，而部分意義往往較整體意義更加模糊，因?yàn)椴糠忠饬x具有片面性和碎片性。量子計(jì)算邏輯可能解決這一問(wèn)題。如基于量子形式主義的特殊整體特征的語(yǔ)義學(xué)認(rèn)為，語(yǔ)言中的每個(gè)公式都會(huì)產(chǎn)生一個(gè)量子回路，并以可逆的方式將公式的密度算子轉(zhuǎn)換為原子亞公式的密度算子。[42]這一過(guò)程違反了從整體到部分的構(gòu)成性原則，[43]從而為盧卡西維茨量子計(jì)算邏輯（即多值邏輯）的新量子邏輯提供了語(yǔ)義特征。
在微觀物理系統(tǒng)中，“糾纏”是量子信息和量子計(jì)算中的一個(gè)有用的概念工具。若將這一概念用于人工智能領(lǐng)域來(lái)組合概念（概念或單詞糾纏），會(huì)帶來(lái)怎樣的結(jié)果呢？糾纏感知向量編碼算法[44]是一種無(wú)須翻譯的基于認(rèn)知圖像的新方法，智能體無(wú)須事先了解與概念相關(guān)的術(shù)語(yǔ)，而是選擇更加直觀的方式進(jìn)行處理。這項(xiàng)研究的附加值體現(xiàn)在一個(gè)自動(dòng)系統(tǒng)上，可以教人工智能識(shí)別和處理糾纏概念。這是文本表征形式從抽象符號(hào)到語(yǔ)義向量（矢量）發(fā)展的一個(gè)重大突破，讓人工智能可以理解其處理的向量的意義，因?yàn)橄蛄勘旧戆苏Z(yǔ)義。這也是適應(yīng)性表征的一個(gè)實(shí)例，表明語(yǔ)義向量表征優(yōu)于符號(hào)表征，并且解決了抽象符號(hào)的“符號(hào)接地問(wèn)題”。語(yǔ)義向量表征的出現(xiàn)有力地說(shuō)明，表征方式的變革是人工智能研究突破的關(guān)鍵所在。[45]沒(méi)有好的表征方式，就不會(huì)有好的認(rèn)知結(jié)果。
顯然，在概念使用上，量子計(jì)算語(yǔ)義學(xué)利用了“糾纏”這一概念，這就是“概念借用”。[46]作為一種實(shí)用方法，糾纏概念可用來(lái)確定概念是否糾纏在一起。如運(yùn)用糾纏感知向量編碼算法將概念組合擴(kuò)展到了兩個(gè)視覺(jué)概念，即根據(jù)頻率和附加語(yǔ)義信息來(lái)構(gòu)建一種狀態(tài)，并確定編碼糾纏的真實(shí)向量，從而完成原始編碼。又如當(dāng)“動(dòng)物”和“行為”這兩個(gè)獨(dú)立概念結(jié)合成“動(dòng)物行為”這一整體概念時(shí)，它們就會(huì)糾纏在一起，而“動(dòng)物行為”會(huì)進(jìn)一步與“食物”“捕食”“交配”等概念糾纏，因?yàn)閯?dòng)物需要“吃飯”和“繁衍”。
更為重要的是，這種概念糾纏的觀點(diǎn)同樣適用于人工智能。人工智能中的許多概念來(lái)自其他學(xué)科，如“適應(yīng)性”來(lái)自生物學(xué)，“表征”來(lái)自心理學(xué)，組合概念“適應(yīng)性表征”指的是人工系統(tǒng)如何隨著時(shí)間的推移不斷修正自身行為以更好地完成任務(wù)。來(lái)自認(rèn)知科學(xué)的“具身性”是指人工智能利用物理相互作用來(lái)實(shí)現(xiàn)表征和控制的屬性。來(lái)自系統(tǒng)科學(xué)的“涌現(xiàn)性”可說(shuō)明意識(shí)或智能是復(fù)雜、分散的人工智能系統(tǒng)的特性，即意識(shí)行為產(chǎn)生于組件之間的相互作用。這種廣泛的概念借用使人工智能最終將計(jì)算機(jī)擬人化（如機(jī)器人）和思維計(jì)算機(jī)化（如智能計(jì)算），即通過(guò)廣泛的概念借用，人工智能將計(jì)算機(jī)描述為具有心理邏輯特性的計(jì)算大腦，而腦科學(xué)和認(rèn)知科學(xué)則從計(jì)算和信息的角度將大腦和心智描述為生物計(jì)算機(jī)。
作為文化人工智能的倫理人工智能和可解釋人工智能
文化人工智能作為認(rèn)知智能的高級(jí)形式，其具體表現(xiàn)形態(tài)是多方面的，倫理人工智能和可解釋人工智能是其中兩種主要形式，這是因?yàn)閭惱砗徒忉尵哂形幕瘜傩浴惱砣斯ぶ悄懿⒎侵溉斯ぶ悄艿膫惱韱?wèn)題，而是指具有道德屬性的人工智能，但也包括倫理問(wèn)題，這類(lèi)似于道德的人和人的道德的關(guān)系。人們期望人工智能在倫理方面與人類(lèi)保持一致，從這個(gè)意義上講，人工智能的倫理是微觀人工智能的一部分。此處的微觀是指的技術(shù)層面，人工智能技術(shù)在幫助人們提高工作效率的同時(shí)，可能會(huì)在使用者毫無(wú)察覺(jué)的情況下加速認(rèn)知技能衰減并阻礙技能發(fā)展。[47]因此，隨著人工智能技術(shù)日益普及，我們有必要深入探討人工智能對(duì)人類(lèi)技能的影響，尤其是在健康資源、腦機(jī)接口、機(jī)器人手術(shù)等關(guān)乎人類(lèi)生命和健康的領(lǐng)域。
這就需要構(gòu)建人工智能倫理的認(rèn)知架構(gòu)。[48]眾所周知，人工智能的“黑箱”問(wèn)題導(dǎo)致了其應(yīng)用的責(zé)任困境。未來(lái)的人工智能將面臨許多其創(chuàng)造者未曾預(yù)見(jiàn)的倫理困境，而且其解決方案無(wú)法通過(guò)硬編碼實(shí)現(xiàn)。正如馬庫(kù)斯（G. Marcus）和戴維斯（E. Davis）指出，“通過(guò)‘算法’計(jì)算出來(lái)的程序所作的決定，有一種客觀性的光環(huán)，它給官員和公司高管留下了深刻印象，也讓普通公眾感到害怕。程序的運(yùn)作是神秘的——訓(xùn)練數(shù)據(jù)是保密的，程序是專(zhuān)有的，決策過(guò)程是一個(gè)‘黑箱’，甚至程序設(shè)計(jì)人員也無(wú)法解釋——因此，個(gè)人幾乎不可能對(duì)他們認(rèn)為不公正的決定提出任何質(zhì)疑”。[49]
鑒于此類(lèi)社會(huì)和倫理困境的敏感性及其對(duì)人類(lèi)社會(huì)的重大影響，當(dāng)人工智能作出錯(cuò)誤選擇時(shí)，我們需要了解它們是如何走到這一步的，以便糾正錯(cuò)誤并防止其再次發(fā)生。要做到這一點(diǎn)，就必須打開(kāi)人工智能的“黑箱”，尤其是當(dāng)它們?cè)谌祟?lèi)世界中行動(dòng)、互動(dòng)和適應(yīng)時(shí)，以及它們與這個(gè)世界中的其他智能體互動(dòng)時(shí)，如何將認(rèn)知架構(gòu)應(yīng)用于倫理人工智能，即如何讓人工智能具有透明性[50]、可解釋性[51]并具備責(zé)任感[52]，目前仍然是一個(gè)亟待解決的難題。
要實(shí)現(xiàn)這種“偉大的人工智能權(quán)衡”，[53]就必須更好地了解人工智能的認(rèn)知架構(gòu)。認(rèn)知架構(gòu)是智能思維的概念模型，無(wú)論是人類(lèi)、動(dòng)物還是人工智能都必須能學(xué)習(xí)、處理、存儲(chǔ)和重復(fù)使用已有知識(shí)和信息，并針對(duì)所面臨的問(wèn)題作出決策并執(zhí)行決策。人工智能系統(tǒng)無(wú)疑可以改善我們的生活，但我們是否應(yīng)該擁抱人工智能系統(tǒng)的能力，使其得到更廣泛的應(yīng)用？還是說(shuō)，鑒于當(dāng)前人工智能存在的不可預(yù)測(cè)的錯(cuò)誤、易受偏見(jiàn)影響、易受黑客攻擊以及決策缺乏透明度等問(wèn)題，我們應(yīng)該更加謹(jǐn)慎？在不同的人工智能應(yīng)用中，人類(lèi)需要在多大程度上保持參與？我們應(yīng)該對(duì)人工智能系統(tǒng)提出怎樣的要求，才能給予足夠的信任使其自主工作？
迪格納姆（V. Dignum）將倫理人工智能分為三個(gè)重點(diǎn)領(lǐng)域：一是設(shè)計(jì)中的倫理，即支持人工智能設(shè)計(jì)和評(píng)估的監(jiān)管／工程流程，因?yàn)槠溥m用于社會(huì)利益；二是通過(guò)設(shè)計(jì)的倫理，即人工智能的倫理行為，也被稱(chēng)為倫理人工智能；三是針對(duì)設(shè)計(jì)的倫理，即人工智能研究、設(shè)計(jì)、建造、使用、運(yùn)行和維護(hù)以及退役的行為準(zhǔn)則、標(biāo)準(zhǔn)、法規(guī)和認(rèn)證程序。[54]具體而言，設(shè)計(jì)中的倫理關(guān)注人工智能系統(tǒng)融入現(xiàn)代社會(huì)時(shí)，支持其設(shè)計(jì)和評(píng)估的監(jiān)管和工程流程；通過(guò)設(shè)計(jì)的倫理是指人工智能的倫理行為以及實(shí)現(xiàn)這一目標(biāo)的技術(shù)手段；針對(duì)設(shè)計(jì)的倫理側(cè)重于確保人工智能研究、設(shè)計(jì)、開(kāi)發(fā)、部署和管理／維護(hù)的研究人員誠(chéng)信的實(shí)際要求。在人工智能領(lǐng)域，將心智視為智能體的集合（即許多認(rèn)知代理或過(guò)程集，它們之間幾乎無(wú)法相互理解）的想法并不新鮮，但目前的人工智能仍然缺乏因果思維、表征和行動(dòng)方式的多樣性。
這就需要一個(gè)人工智能的倫理認(rèn)知架構(gòu)，[55]要求系統(tǒng)中的智能體是人工道德主體，這是可能且可行的。一方面，我們不能完全要求社會(huì)中的每個(gè)個(gè)體都是道德主體（通過(guò)教育來(lái)規(guī)訓(xùn)），但我們可以設(shè)計(jì)制造人工道德主體（就像制造有用的、安全可靠的工具），既然我們能夠?qū)χ悄苓M(jìn)行認(rèn)知測(cè)量和解釋?zhuān)?dāng)然也應(yīng)該在人工智能中設(shè)計(jì)出人工道德主體，而且是可解釋的，否則認(rèn)知測(cè)量就失去了意義。認(rèn)知作為理性活動(dòng)的一般結(jié)構(gòu)，其過(guò)程模型以信息結(jié)構(gòu)處理的交互功能塊的形式呈現(xiàn)。根據(jù)這種活動(dòng)方法，自然智能和人工智能的概念得以澄清，并確定了知識(shí)本質(zhì)的特征屬性，證明智能、知識(shí)與活動(dòng)是共生關(guān)系。[56]這種對(duì)人工認(rèn)知智能的計(jì)算表征研究[57]有助于建構(gòu)倫理人工智能，因?yàn)榈赖聦傩郧度肴斯ぶ悄茈x不開(kāi)計(jì)算和表征。
另一方面，倫理人工智能必須具備可解釋性，即可解釋人工智能。而最佳的解釋與理解密切相關(guān)。這就需要引入科學(xué)解釋的視角。哈利法（K. Khalifa）等人認(rèn)為，[58]科學(xué)理解超越了單純的知識(shí)獲取，還涉及對(duì)現(xiàn)象的因果機(jī)制、結(jié)構(gòu)和功能方面的深入認(rèn)識(shí)。支持科學(xué)理解模式的三個(gè)原則分別是解釋原則、關(guān)聯(lián)原則和知識(shí)轉(zhuǎn)換原則。具體而言，第一個(gè)原則是“解釋性基礎(chǔ)”，即理解“為什么是Y”需要對(duì)該問(wèn)題進(jìn)行正確的解釋?zhuān)坏诙€(gè)原則是“關(guān)聯(lián)原則”，即對(duì)Y的正確解釋信息（即Y的解釋性關(guān)聯(lián)）的數(shù)量與對(duì)Y的理解能力的提升成正比；第三個(gè)原則是科學(xué)知識(shí)原則，它將科學(xué)認(rèn)知轉(zhuǎn)化為科學(xué)知識(shí)，即隨著人們對(duì)Y的解釋性信息的學(xué)習(xí)，對(duì)Y的理解會(huì)提升，這與我們對(duì)Y的解釋性信息所附加的科學(xué)認(rèn)知具有更高的相似性。這種科學(xué)解釋性知識(shí)指的是主體對(duì)“為什么是Y”的知識(shí)，只有當(dāng)存在某種X時(shí)，主體S認(rèn)為X解釋了Y，這才能被視為S的科學(xué)解釋性評(píng)價(jià)的正確結(jié)果。在認(rèn)知科學(xué)中，存在四種主要解釋方式：機(jī)制的、計(jì)算的、拓?fù)涞暮蛣?dòng)態(tài)的。要實(shí)現(xiàn)完整而深入的理解，就需要將這些不同的解釋方式進(jìn)行整合。如通過(guò)多元性、解釋一致性、實(shí)效性、多學(xué)科合作和非還原性等手段，[59]即基于理解的整合和基于機(jī)制的整合，旨在將各種不同的解釋性整合為一種機(jī)制性解釋。
當(dāng)然，這種基于表征的科學(xué)解釋存在一定的爭(zhēng)議。反表征主義將認(rèn)知描述為一個(gè)更簡(jiǎn)單的過(guò)程，而表征主義則將心理內(nèi)容視為行為體的認(rèn)知和行為狀態(tài)與環(huán)境之間的中介。反表征主義主張解釋要考慮認(rèn)知主體和環(huán)境可供性的關(guān)系，傳統(tǒng)的認(rèn)知主義則通常不會(huì)考慮這些因素，因?yàn)檎J(rèn)知主義是以神經(jīng)為中心的。從認(rèn)知生成視角看，“具身心智”觀點(diǎn)值得關(guān)注，該觀點(diǎn)認(rèn)為“認(rèn)知不是由一個(gè)被賦予的心智對(duì)一個(gè)被賦予的世界的呈現(xiàn)，而是在一個(gè)被賦予的世界所表現(xiàn)的各種反應(yīng)的歷史基礎(chǔ)上對(duì)世界和心智的作用”。[60]顯然，這一觀點(diǎn)挑戰(zhàn)了傳統(tǒng)認(rèn)知科學(xué)及其認(rèn)知模式，后者將人腦視為數(shù)字計(jì)算機(jī)，在符號(hào)處理的基礎(chǔ)上進(jìn)行規(guī)劃、學(xué)習(xí)、理解和解釋。
結(jié)語(yǔ)
在當(dāng)今人工智能蓬勃發(fā)展的時(shí)代，以ChatGPT和DeepSeek等大型語(yǔ)言模型為代表的人工智能技術(shù)正被廣泛應(yīng)用于各個(gè)領(lǐng)域，其帶來(lái)的諸多問(wèn)題亟待我們認(rèn)真應(yīng)對(duì)。從智能發(fā)展的視角看，計(jì)算智能和感知智能正逐步向認(rèn)知智能演進(jìn)，而認(rèn)知智能亦將逐漸融入文化屬性，形成文化人工智能。若要實(shí)現(xiàn)人工智能的通用化和倫理對(duì)齊，需著重關(guān)注人工智能的語(yǔ)境化、倫理對(duì)齊、可解釋性與可靠性，從而推動(dòng)具身人工智能或通用人工智能的實(shí)現(xiàn)。這一過(guò)程復(fù)雜且充滿(mǎn)挑戰(zhàn)，絕非一蹴而就之事。然而，人工智能終將邁向通用化、可解釋以及安全可靠的發(fā)展階段。
（本文系國(guó)家社會(huì)科學(xué)基金重大項(xiàng)目“人工認(rèn)知對(duì)自然認(rèn)知挑戰(zhàn)的哲學(xué)研究”的階段性成果，項(xiàng)目編號(hào)：21&ZD061）
注釋
[1]魏屹東：《建構(gòu)文化人工智能的可能路徑》，《人民論壇·學(xué)術(shù)前沿》，2024年第14期。
[2]R. J. Sternberg, Beyond IQ: A Triarchic Theory of Human Intelligence, Cambridge University Press, 1985.
[3]R. J. Sternberg, A Triarchic View of Intelligence in Cross-Cultural Perspective, In S. H. Irvine & J. W. Berry (eds.), Human Abilities in Cultural Context, Cambridge University Press, 1988.
[4]J. Hawkins and R. Dawkins, A Thousand Brains: A New Theory of Intelligence, New York: Basic Books, 2021.
[5]M. Bardal and E. Chalmers, "Four Attributes of Intelligence, a Athousand Questions," Biological Cybernetics, 2023, 117(6).
[6][8]U. A. Agarwal and K. Jain et al., Managing People in Projects for High Performance, Springer Nature Singapore Pte Ltd, 2023.
[7]Ori Learning, "Cognitive Intelligence vs Emotional Intelligence: Key Insights," 4 October 2024, https://orilearning.com/cognitive-intelligence-vs-emotional-intelligence/.
[9]近年來(lái)，機(jī)器閱讀理解已成為所有語(yǔ)言處理研究中最流行、最具潛力的方向之一，其使計(jì)算機(jī)能夠像人一樣存儲(chǔ)文章、分析語(yǔ)義和回答問(wèn)題。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，機(jī)器閱讀理解在某些特定任務(wù)中已經(jīng)可以與人類(lèi)水平相媲美，這依賴(lài)于人工智能邏輯系統(tǒng)的三個(gè)關(guān)鍵因素——平臺(tái)、數(shù)據(jù)和算法。可以預(yù)計(jì)，隨著計(jì)算機(jī)的算力和數(shù)據(jù)量的不斷增長(zhǎng)，對(duì)算法的探索和改進(jìn)已成為人工智能研究備受關(guān)注的領(lǐng)域之一，如DeepSeek在算法而非算力上勝出。
[10]這些心理過(guò)程包括注意、知識(shí)形成、工作記憶、問(wèn)題解決、推理和計(jì)算、判斷、理解力、語(yǔ)言表達(dá)和信息處理等。
[11]SelfCareFundamentals, "Cognitive Intelligence: A Guide To What It Is & Why It Is Important," 16 October 2024, selfcarefundamentals.com.
[12]R. J. Sternberg, Cognitive Psychology, Harcourt Brace College Publishers, 1996.
[13]V. Varriale and M. W. van der Molen et al., "Mental Rotation and Fluid Intelligence: A Brain Potential Analysis," Intelligence, 2018, 69(C).
[14]D. Góngora and M. Vega-Hernández et al., "Crystallized and Fluid Intelligence Are Predicted by Microstructure of Specific White-Matter Tracts," Human Brain Mapping, 2020, 41(4).
[15]I. van Rooij and O. Adolfi et al., "Reclaiming AI as a Theoretical Tool for Cognitive Science," Computational Brain & Behavior, 2024, 7(4).
[16]F. El Kalach and I. Yousif et al., "Cognitive Manufacturing: Definition and Current Trends," Journal of Intelligent Manufacturing, 2024, 35(6).
[17]認(rèn)知信息學(xué)作為一門(mén)新興學(xué)科，研究自然智能和人腦中的信息處理和認(rèn)知過(guò)程，為理解解決難題、學(xué)習(xí)、決策和意識(shí)等人類(lèi)認(rèn)知過(guò)程提供了理論框架，并已應(yīng)用于認(rèn)知機(jī)器人、認(rèn)知學(xué)習(xí)系統(tǒng)和認(rèn)知代理系統(tǒng)。參見(jiàn)：T. Jiang and J. Zhou et al., "A Multi-Dimensional Cognitive Framework for Cognitive Manufacturing Based on OAR Model," Journal of Manufacturing Systems, 2022(65)。
[18]T. Jiang and J. Zhou et al., "A Systematic Multi-Layer Cognitive Model for Intelligent Machine Tool," Journal of Intelligent Manufacturing, 2024, 35(8).
[19]李德毅：《認(rèn)知物理學(xué)基礎(chǔ)：認(rèn)知自然和人類(lèi)自身的奠基石》，《人民論壇·學(xué)術(shù)前沿》，2024年第14期。
[20]M. Srivani and A. Murugappan et al., "Cognitive Computing Technological Trends and Future Research Directions in Healthcare—A Systematic Literature Review,"
Artificial Intelligence In Medicine, 2023, 138.
[21]R. Priyadarshi and R. R. Kumar et al., "Techniques Employed in Distributed Cognitive Radio Networks: A Survey on Routing Intelligence," Multimedia Tools and Applications, 2025(84).
[22]S. Parvina and F. K. Hussainb et al., "Cognitive Radio Network Security: A Survey," Journal of Network and Computer Applications, 2012, 35(6).
[23][24][25]Z. Shi, Intelligence Science: Leading the Age of Intelligence, Beijing: Tsinghua University Press, 2021.
[26]M. Ren and N. Chen et al., "Human-Machine Collaborative Decision-Making: An Evolutionary Roadmap Based on Cognitive Intelligence," Springer, 2023, 15(7).
[27]M. R. Velankar and P. N. Mahalle et al., Cognitive Computing for Machine Thinking, Springer, 2024.
[28]T. Barfield, The Dictionary of Anthropology, Blackwell, 2000.
[29]P. C. Earley and E. Mosakowski, "Cultural Intelligence," Harvard Business Review, 2004, 83(1).
[30]S. Ang and L. V. Dyne et al., "Cultural Intelligence: Origins, Conceptualization, Evolution and Methodological Diversity," Oxford University Press, 2015.
[31]L. V. Dyne and S. Ang et al., "Sub-Dimensions of the Four-Factor Model of Cultural Intelligence: Expanding the Conceptualization and Measurement of Cultural Intelligence," Social and Personality Psychology Compass, 2012, 6(4).
[32]R. B. xiao, "Four Development Stages of Collective Intelligence," Front Inform Technol Electron Eng, 2024, 25(7).
[33]Y. Ofosu?Asare, "Cognitive Imperialism in Artificial Intelligence: Counteracting Bias with Indigenous Epistemologies," AI & SOCIETY, 2024.
[34]L. Koreň, "Cultural Intelligence, Shared Intentionality and Human Cognitive Uniquenes,"
Biology & Philosophy, 2024, 39(30).
[35]M. Tomasello, "A Natural History of Human Thinking," Cambridge: Harvard University Press, 2014.
[36]E. Herrmann and J. Call et al., "Humans Have Evolved Specialized Skills of Social Cognition: the Cultural Intelligence Hypothesis," Science, 2007, 317(5843).
[37]H. Moll, "The Transformative Cultural Intelligence Hypothesis: Evidence from Young Children's Problem-Solving," Review of Philosophy and Psychology, 2018, 9(1).
[38]魏屹東：《自語(yǔ)境化：智能機(jī)似人思維的關(guān)鍵》，《中國(guó)社會(huì)科學(xué)報(bào)》， 2013年6月10日，第461期。
[39]陳小平：《大模型關(guān)聯(lián)度預(yù)測(cè)的形式化和語(yǔ)義解釋研究》，《智能系統(tǒng)學(xué)報(bào)》，2023年第4期。
[40]R. Shrivastava and M. Jain et al., "Cross-Cultural Translation Studies in the Context of Artificial Intelligence: Challenges and Strategies," Cognitive Science and Technology, 2023.
[41]D. Aerts, S. Sozzo, "Quantum Structure in Cognition: Why and How Concepts Are Entangled," Lecture Notes in Computer Science, 2011(6571); D. Aerts, S. Sozzo, "Quantum Entanglement in Concept Combinations," International Journal of Theoretical Physics, 2014, 53(10); D. Aerts and L. Beltran et al., "Quantum-Theoretic Modeling in Computer Science," International Journal of Theoretical Physics, 2021, 60(1).
[42]M. L. Dalla Chiara and R. Giuntini et al., "Quantum Computation and Logic: How Quantum Computers Have Inspired Logical Investigations," Zurich: Springer, 2018.
[43]構(gòu)成性原理是說(shuō)，一個(gè)整體的意義完全由其組成部分的意義及其組合順序來(lái)決定。這是加和意義上的整體，不是整合或糾纏意義上的整體。
[44]R. Leporini, "Extending a Model Language to Handle Entangled Concepts in Artificial Intelligence," Foundations of Science, 2024.
[45]李德毅、張?zhí)炖住㈨n威等：《認(rèn)知機(jī)器的結(jié)構(gòu)和激活》，《智能系統(tǒng)學(xué)報(bào)》，2024年第6期。
[46]L. Floridi, A. C. Nobre, "Anthropomorphising Machines and Computerising Minds: The Crosswiring of Languages between Artificial Intelligence and Brain & Cognitive Sciences," Minds and Machines, 2024, 34(5).
[47]B. N. Macnamara and I. Berber et al., "Does Using Artificial Intelligence Assistance Accelerate Skill Decay and Hinder Skill Development without Performers' Awareness?" Cognitive Research: Principles and Implications, 2024, 9(46).
[48]S. J. Bickley, B. Torgler, "Cognitive Architectures for Artificial Intelligence Ethics," AI & Society, 2023, 38(2).
[49]G. Marcus, E. Davis, Rebooting AI: Building Artificial Intelligence We Can Trust, Pantheon Books, 2019.
[50]S. Larsson, F. Heintz, "Transparency in Artificial Intelligence," Internet Policy Review, 2020, 9(2).
[51]S. Milli and F. Lieder et al., "A Rational Reinterpretation of Dual-Process Theories," Cognition, 2021.
[52]F. Doshi-Velez and M. Kortz et al., "Accountability of AI Under the Law: The Role of Explanation," Berkman Klein Center Research Publication, 2017.
[53]M. Mitchell, Artificial Intelligence: A Guide for Thinking Humans, Farrar, Straus and Giroux, 2019.
[54]V. Dignum, Responsible Artificial Intelligence: How to Develop and Use AI in a Responsible Way, Springer Nature, Basingstoke, 2019.
[55]S. Cervantes and S. López et al., "Toward Ethical Cognitive Architectures for the Development of Artificial Moral Agents," Cognitive Systems Research, 2020.
[56]N. V. Maksimov, "Knowledge and Information in the Context of Natural and Artificial Intelligence," Scientific and Technical Information Processing, 2024, 51(1).
[57]N. Lee, Artificial Cognitive Intelligence, Cham: Springer, 2024.
[58]K. Khalifa and F. Islam et al., "Integrating Philosophy of Understanding with the Cognitive Sciences," Frontiers in Systems Neuroscience, 2022, 16(1).
[59]G. Galli, "Scientific Understanding and the Explanatory Integration in Cognitive Sciences," In: Aldini, A. (eds.), Software Engineering and Formal Methods, SEFM 2023 Collocated Workshops, Lecture Notes in Computer Science, Springer Nature Switzerland, 2024.
[60]F. J. Varela and E. Thompson et al., "The Embodied Mind: Cognitive Science and Human Experience," Cambridge MA: MIT Press, 1991, p. 9.
The Challenge of Cognitive Intelligence to Computational
Intelligence and Perceptual Intelligence
Wei Yidong
Abstract: The emergence of generative AI has challenged the traditional computational and perceptual intelligence of AI, and initially formed a new form of intelligence called "cognitive intelligence". The development of cognitive intelligence in the field of AI highlights the ability to understand natural language, which brings more humanity and intelligent cultural AI, such as contextualized AI, ethical AI, and explainable AI. These different forms of cultural AI are the specific forms of cognitive intelligence to be expanded, and they are also the specific paths to improve the cognitive ability of large language models.
Keywords: cognitive intelligence, computational intelligence, perceptual intelligence, generative artificial intelligence, cultural artificial intelligence
責(zé) 編∕楊 柳 美 編∕周群英
