算法理论：认知科学的新版本

认知科学的基本思想与算法理论之间具有一致之处，并且，认知科学是在朝着算法理论的方向前进的。但是，由于这一步至今尚未完成，所以它仍然处于迷惘之中。对此我们还可以做出进一步的说明。

史蒂文·平克（Steven Pinker）在一部著作^[16]中，曾经把“认知革命”运动总结为五个命题：

1.通过借助信息、计算、反馈等概念，我们可以把思维世界嵌入物理世界。

2.人的心灵不能是一张白纸，因为一张白纸不能做任何事情。

3.有限的思想程式可以产生无限广泛的行为。

4.在表面的文化差异之下隐藏着普遍一律的思维机制。

5.心灵是由诸多相互作用的部分所构成的一个复杂系统。

我们可以注意到，上述五个命题其实集中强调了一件事情，这就是人脑中先天存有某种东西，这种“东西”与来自外界的信息相互作用，产生了思想世界的丰富多样性。这是认知科学产生之初的基本思想。“把思维世界嵌入物理世界”这种说法，尤其触及了我们所强调的“思想的客观实在性”问题。但是，这些观点仍然是零散的。脑中先天存在的“东西”是什么，众说纷纭。一幅整体的图画，各论者是从一个个局部来逐渐认识的。研究者们徘徊和争论于种种具体问题之中，但在基本思想上却长期裹足不前。

出于对经典认知科学的不满，自20 世纪末期以来，一些学者开始尝试从整体上放弃计算主义，他们最终喊出了“新认知科学”“第二代认知科学”（甚至“第三代认知科学”）等口号。新一代的研究者对于原有方法都有哪些不满呢？这个“新认知科学”又想要达到什么目标呢？

李其维教授在一篇综述性的论文^[17]中就这些问题的答案进行了归纳。除了把“人的智能”与“人工智能”相等同的“离身心智论”，经典认知科学被认为还存在以下不足：由于具有计算速度的限制，以及存在“组合爆炸”问题，因而难以在机器上模拟建立常识知识系统，这也表明计算主义是不可行的；人的决策较多地依靠直觉和类比，而不是形式化的推理；人与环境是互动的，认知是发展的，是自我学习、自我调适的，这是机器难以模拟的；人类视觉加工中的“拓扑优先”特征，表明计算主义是失败的；存在“不可计算问题”，等等。(www.xing528.com)

针对这些不足，“新认知科学”应该怎么办呢？根据李教授的归纳，首先就是要放弃计算主义纲领，从研究机器回到研究具有肉身的人，至少要放弃强人工智能假设，放弃“一切都必须计算机程序化”的刚性要求。“第二代认知科学”可以归纳为具身的、情境的、发展的和动力学的。“‘认知是具有时间压力’（Cognition is timepressured）的，即认知必须依据它在与环境实时相互作用的压力下如何活动来解释；‘认知是行动的’（Cognition is for action）”^[18]。“第二代认知科学相对于第一代而言，其最具革命性的变化体现在‘动力系统’概念的引入上。‘认知是成动力系统的’被认为是‘自20 世纪80 年代起逐渐凸现和成熟的新的认知观点’之一。”^[19]与此类似，另一位学者马克·罗兰兹（Mark Rowlands）则把“新认知科学”的特征概括为“4e”，即具身的（embodied）、情境的（embedded）、行动的（enacted）和扩展的（extended）。^[20]

至此，认知科学的“内情”已经昭然若揭了。算法理论如何可以用于改造认知科学呢？基于已有的论述，读者甚至可以自己进行了。这里只泛泛地进行若干评论。

鉴于有限计算速度的存在以及“组合爆炸”现象，“常识性知识”是不可行的，所以计算主义就是不可行的；这种逻辑混乱得真够可以！这真应了一句话，即面对同样的材料，“仁者见仁，智者见智”。计算机需要知识积累才能工作，这似乎成了它的一个缺点，难道人进行思维就不需要知识吗？这样来看问题的人，是以如下的观察为基础的，即婴儿不需要成人来对他进行特别的训练，就可以具备诸如行走、躲避等在物理世界中谋求生存的基本技能（也即所谓“常识性知识”）；而计算机需要使用者来装入必要的程序和数据（例如“专家系统”），所以计算机就不如人。此类论者既忽视了婴儿自我学习和成长的艰辛过程，忽视了成人的教导和示范作用，也忽视了生物界和人类社会亿万年来漫长演化史的意义。他们既把“常识性知识”视作一种低于当前正在开发中的新知识的知识，又把它视作某种标准化的、普遍的、完善的和内部无差别的知识。他们以为，这种知识是可以根据无论从任何地方都可以采集到的普通信息轻易地推导出来的（多么“新古典的”观点啊！）。他们没有认识到信息问题与算法问题之间的相对独立性。

正如《原理》第4.2.5 节所详细论述的，在存在有限计算速度的条件下，对于任何实际问题，其与问题解决方案之间的演绎之路都近似于无限遥远。所以，任何知识系统的结构在原则上都是混合的而不是单纯的，是一个个离散的信息与知识拼凑起来的。这个洞见不是让我们疏远计算主义的借口；恰恰相反，它是凸现计算的重要性、进入算法理论、进而解开认知之谜的钥匙。正因为纯演绎的梦想不可能充分实现，诸如归纳、直觉、类比、学习等种种“另类算法”才能登场。这些另类算法并不神秘，只要对其逐个稍加分析，就会发现它们都是由一些十分简单而常见的思维形式结合而成的。当事人运用它们来简化和概括问题，以便勉强地、将就地寻找答案。例如，面对一系列的物理现象，不同的观察者注意到其中相同或不同的特征，于是对之进行了相同或不同的归纳，得出了相同或不同的结论，这都是十分正常的，也是合乎实际的。然而，假如某个从事人工智能的学者，一定要设法使每个机器人得出相同的归纳性结论，或者每次计算都得出一样的结论，否则他就宣称试验失败，宣称计算机不适合进行归纳，这岂不是画地为牢、自寻烦恼？又如，关于“拓扑优先”问题，相关的观点简直混乱而又可笑！由于人的观察与思维能力都是有限的，当他观察有形物体时，他必须尽快捕获他所认为的重要特征，而忽略次要特征；同时他也只能去抓住那些相对比较明显的特征。物体的轮廓和几何形状是明显的，当然也就处在优先关注之列。^[21]这种技巧和习惯是不断学习和积累的结果，它也并不总是有效的。笔者就曾经仔细观察过幼儿的活动，发现他们来到一个新环境后，常常不知道该关注哪里，常常会忽视位于眼前的很明显的物体，以致有时竟然会撞伤自己。只有回到熟悉的环境之中，他才能应付自如。实际的认知过程是，当事人一边计算，一边不时地揣摩和评估这计算该不该继续下去，以及如何投机取巧，等等。鉴于即时计算能力（从而注意力）的局限性，面对任何原始信息，当事人虽然只能处理其中的某些局部，但这绝不等于他只会（像这些研究者所设想的那样）机械地、傻乎乎地、一个数据紧挨着一个数据地“计算”下去。他们会主动地对数据分层，运用多种技巧来遴选和区分信息的重要性，然后跳跃性地忽略次要信息，抓住主要信息。实际上，这种技巧如今已经广泛地应用于计算机编程了。老式的编程的确不做价值评估，如今的电脑程序则已经广泛地进行价值评估活动了。

实验是重要的，但是，看不见的、甚至也不能验证的“理论”则更为重要。没有理论指导的实验，就是盲人摸象，乱撞一气。认知科学的目标不是认识计算机的认知能力，而是认识人的认知能力。旧的认知科学在这方面差一点转不过弯儿来。但是，回到真实的人并不必然要抛弃计算主义纲领，要偏离意识进路。计算主义的潜力仍然十分巨大。把指令清单稍微扩展一下，一切的一切不就全都讲通了吗？算法进路的认知科学，必然是具身的、情境的、行动的、动态的、发展的和包容“非理性”的。这是对经典认知科学的最小修改。算法理论虽然不能完全证实，但它符合“以最少的假设解释尽可能多的事实”这一条方法论原则。它的可取性是显而易见的。

我们还可以发现，认知科学的迷惘与经济学当前所面临的困境是何其相似！现在我们就可以理解为什么那些试图在认知科学领域寻找灵感的经济学家们（例如道格拉斯·诺斯）时至如今所获甚少。一种道理的缺失，竟然在如此之广的范围内造成如此长久的困扰，这是令人痛惜的！这绝不会让我得意洋洋；我宁愿自己没有发现这个理论，宁愿这个理论早已经被发现了。

另一方面，算法理论仍然应当被视作“认知的”，它采用的是认知科学的基本思想和方法。简单地说，我们只需要把算法理论看作认知科学领域内的一个新理论。鉴于此，本书的副标题仍然拟定为“经济学的‘认知革命’及其大综合”，以便读者在读到它时，能够立即了解本书所采取的基本路线。^[22]

随着“算法原理”的引入，心理学、认知科学与社会科学将不再是彼此独立的，它们的内容将是相互渗透和共享的，只是各自的侧重点会有所区分而已。