前言
“智能”的界定是所有智能研究中不可回避的基础理论问题。但是，这一问题的重要性却被人工智能等具体学科中的诸多成就所淹没，引发了众说纷纭的“智能”。这一现象业已成为阻碍智能的相关研究前进的绊脚石。从最早研究智能的心理学、哲学的研究成果来看, 有效区分各种形式的“智能”应成为共识。“ 智能”在本质上指向的是具有特定内在结构的物质体在特定环境中显现出的自主性特征。
对于“智能”一词，我们已经耳熟能详。遗憾的是，在研究智能的学科中却没有给出“ 智能”概念明确且达成一致的界定。一方面，“智能”的界定不清已经导致了许多混乱不堪的理论争论，阻碍了研究智能的相关学科的对话与融通。另一方面，“智能”究竟指向了什么？对于这一问题的不同回答，不仅形成了智能研究的不同取向，决定了其研究结果的最终命运。还使许多智能研究者往往在错误的智能标准下误入歧途，沉迷于技术细节的荒野。这一现象在人工智能（AI）的研究中表现得尤为突出。历数AI领域中数个划时代的课题：定理证明、通用问题求解系统、专家系统、人工神经网络……每一项成就都曾经令人激动和神往，但最终都裹足“难”前。弗里德曼在评价过去几十年AI 的成绩时不无沮丧地说：“近四十年光景里AI 领域并没有什么实质性的突破”。因此，在现时代，提出“智能” 的界定问题，并尝试性地肃清这一基础理论问题就显得尤为必要。
心理学对“智能”的探究
在智能研究中，心理学无疑是具有重要意义的学科。特别是认知心理学诞生以来，心理学对人的智能研究成果构成了智能研究领域中十分重要的一部分。在过去的许多年，尽管人们提出了许多关于“智能”的定义和解释，各种各样的说法试图通过各种可能的途径和方法来理解“智能”。但是，占主流地位的“智能”定义却一直被心理学的传统观点所统治，即智能是指某主体能完成人的某些行为的能力表现。心理学家们普遍认为，“智能”应该定义为这样一种能力，即采用、使用并适当地选择环境以使自己获得某种发展的能力。在此基础上出现了多种对“智能”的界定。
在心理学史上, 第一类具有代表性的观点是从智能的外在功能表现上来界定智能的标准, 其观点具有浓厚的功能主义色彩。
例如, 英国的高尔顿（Galton）寻求在心智表现出的能力或技巧方面来理解“智能” 。他认为，智能主体在区分重量和长度的一些显著不同时，个体能够有序地将重量和长度分离开，并能够感觉到它们发生在截然不同的时空领域，以及重量和长度所具有的不同时空特性，心智表现出的这种能力就是智能。与此稍显区别的是，法国的比内（Binet）和西蒙（T. Simon）认为，智能是描述复杂判断能力的术语或概念。比内相信有三个重要的认知能力是“智能”所必需的，一是倾向能力，智能体具有知道什么是必须做的事情，以及该怎样去做的某种倾向性；二是应变能力，智能体在不同环境下能选择并持续完成某项任务的策略；三是控制能力，智能体有自我调整自己的判断和进行自我修正的能力。这种智能标准在内容上强调智能概念所具有的外在性、显性特征，较好地从直觉层面反映“智能”的特征。据此，比内还设计了一个智能测验, 这个智能测验能够成功地预言儿童在校的成绩。因此，比内对智能的界定产生了重大的影响。英国心理学家斯皮尔曼（Spearman）可以说是同时代研究智能的先驱者。他提出从信息处理的三个表现来理解潜在的“智能” 。一是感受经验的捕获与理解能力；二是关系的推断和分析能力；三是相关性的推断与分析能力。斯皮尔曼用四个单元（A、B、C、D）来分析和说明问题，任何智能的处理都可以基于这四个单元进行理解。他认为，第一个过程是编码这些单元，第二个过程指出A 跟B的相互关系，第三个过程应用这个关系应用到从C到D，完成了整个过程就完成了一个智能行为。美国著名心理学家斯腾伯格（Sternberg）在用信息处理和数学模型来解认知任务，直到看到完成认知任务的每一个基本元素、组成成分和基本策略之后，斯腾伯格认为，个体如果能够理解在信息处理过程中潜藏的复杂原因和解决问题任务中的各个单元，那么它就是“智能”的。
由传统心理学家们缔造的智能标准在20世纪早期占据着主导地位。总的来看，这些对“智能”的界定均强调个体功能表现上的不同，并以此来区别非智能以及不同程度的智能。但是，人们远远不满足于这种“功能主义式” 的智能说明，因为传统心理学家对智能标准的确定很少提到关于智能过程潜藏的智能因素，这促使了人们开始寻找新的途径来认识智能。而在随后的研究中，人们开始关注到智能发生的内在因素，并试图循此来界定智能。这样诞生了心理学史上第二类智能标准的界定。
第二类具有代表性的观点试图以说明智能的内在结构来界定“智能”，其观点充分继承了西方的分析传统。这些智能标准的说明均用到了因素的分析方法。美国心理学家瑟斯顿（Thurstone）认为, 认知智能需要七个方面的因素综合考量。卡洛尔（Carroll）提出了分为三个等级的三层次智能处理模型。这个假说一般被认为是心理学发展的直接结果，实际上他是充分借鉴了计算机网络的内部信息处理机制来说明“智能”的架构。他指出，具有某种单一能力的因素g处于最顶层，接着是更为有限的认知技巧在这个层次的下一层。每一个层次依次由下向上为上一层提供基础的服务, 从而到最上一层表现出某种复杂的智能。20世纪70年代，随着认知科学的正式兴起，从智能结构来说明智能标准的方法得到了进一步发展。心理学家们对“智能”的这种界定不仅极大地启发了认知科学的研究，而且心理学家和认知科学家同时开始以认知科学的独有方式来分析智能的构成，其核心就是主张将认知科学中对信息处理能力的研究直接应用于认知心理学等学科的实验中来界定智能，然后又进一步利用各种传统心理学的智能测试得分情况确定该主体的智能程度。在这类工作中亨特（Hunt）的研究尤具代表性。
亨特和他的同事们找到了像在字母辨认等信息处理任务中影响效率的各种参量的相关性，以及在口头表达能力的精神物理学测试上的得分情况。在这个实验中，无论字母是否成对的像AA、Aa或者Ab出现，参与者必须说出任一个相同字母的物理特征或名称。这个试验在今天还一直被应用于测试某个主体的智能程度。像亨特等人为了寻找智能的确切定义，都用到了计算机模拟的方法来确定在复杂任务中的这些组成成分和基本策略，这些基本的成分和策略就是一些专用的智能模块。基于早期的这些研究，斯腾伯格提出了智能的三元理论。根据这一理论，这些信息处理的基本组成模块应用于适应、塑造和选择环境的经验中。他发现，智能的最好理解是体现在相关的小说认知任务单元中或者在习惯的自动化处理任务过程中。斯腾伯格在经过仔细的实验后认为，智能必须包含三个主要的方面：分析、创造和实践思维。
与此不同的是，哈佛大学的加德纳（Gardner）认为，智能的结构并不是一个单一的模块，而是包含着八个可分辨的各种各样的智能因素：语言、数理逻辑、空间、音乐才能、身体的肌肉知觉、人际间、内心的和纯粹自然主义的因素。这些职能中的每一个都是一个可区分的模块，他们或在大脑和或多或少地各自独立。尽管嘉德纳并不能设计一些实验来直接验证他的理论模型，但他还是提出了各种各样的实验来证明他的理论。
近几十年来，其他的一些智能理论也试图努力地直接嫁接信息处理到大脑中的生理学过程中，并以此来揭示智能的真实的生理学所指。例如，海尔（Hair）和他的同事们通过正电子扫描（PET）试验，他们获得了智能个体大脑中在处理复杂任务时通常耗费较少葡萄糖的电子扫描图像。实验证明，高智商的人往往能够比普通智能的人耗费较少的努力完成同一个任务。弗农（Vernon）和莫瑞（Mori）在1992年的研究中试图直接连接神经传导的测量速度与智能的关系。尽管这些研究都存在着一些问题，而且也没有找到合适的解决办法复现智能的真正图景。但是，关于智能在认知科学、心理学中的基础性研究，仍是富有活力地在前行。总的来看，在心理学中，对智能进行的科学探究大致上经历了“从外到内”的认知过程。不同研究方式与取向的选择使得对“智能”的界定仍是悬而未决，这种不一致也在最关注智能研究的心灵哲学中得到了不同程度的表现。
心灵哲学对“智能”的探究
在心理学中的“智能”理解均体现为现象界的研究，这些科学家研究了种种智能表现并力图揭示这些智能机制。但是，这些科学的探究并没有揭示出智能最一般的根本性特征，这无疑给哲学留下了另一片天地。这种科学与哲学的相互交融，不断丰富了关于“智能”的哲学思想, 也为我们探寻“智能标准”打开了哲学的巴比塔之门。心灵哲学则是研究“智能”中最具代表性的哲学领域之一。在当今的心灵哲学领域，有以下四种关于智能的典型理解值得我们关注，即计算主义的智能观、联结主义的智能观、神经生物学智能观和语言分析的解释学智能观。
第一，计算主义的代表人物福多（Fodor）以自然化的观点提出了心灵表征理论，阐释了自己关于“智能”的理解。他认为，人类的智能过程含有丰富的语义性。因果关系的语义基于句法间的联结而最终又超越了句法的形式化。形式化向我们表明句法与语义是怎样联结的，计算向我们表明因果关系的机器怎样具体地联结句法，并由此超越句法而产生语义，即让我们知道了一个形式化的语句是如何得出了具有真值的语义。因此，一个智能推理过程（关于术语语义获得真值的过程）能够被一个并不神秘的物理装置有效地来实现。如果实现人类智能的心智是一台计算机，他的心理表征正如所有语义属性一样，表征能够通过语义属性的一致交流而获得（即获得语义），即它可以通过“句法引擎”的使用作为推理可靠的原因而获得表征的语义。这样一来“智能”被描述为这样一种状态或者说“智能”应具有这些条件，即“智能”有自己自动的因果作用。驱动智能行为的内部工作原理是句法的加工，语义的加工通过句法的加工来实现，而被认为实现人类智能的心灵其实质就是一台句法机，因此智能在本质上就是计算。
但是，AI科学家布鲁克斯（Brooks）却提出了截然相反的无表征智能理论。在对智能建构和开发离不开表征这一AI的主流命题的挑战性批评中，布鲁克斯从对AI研究与应用的具体目标与成就的评估出发，阐述了他的无表征智能命题，并将其具体应用于机器人的设计之中。他认为，人们在AI刚开始时，其目的是要在机器中重复人类水准的智能。很显然，这一目标过于庞大而难以付诸实施。因此，我们有必要不断分解人类的智能构成，再逆向不断去循序渐进地通过“智能增量”来构建智能系统。布鲁克斯宣称，在他设计的能动的机器人中，控制层次直接与环境相互作用，而根本不需要表征。即使有表征，表征的核心也不存在于智能系统之中，而只是限制在AI系统的创立者的心灵范围之内。布鲁克斯的核心观点是：他把世界当作自己的模型，连续不断地把每一个目标的前提条件匹配于真实的世界。与此形成了没有控制中心的智能网络层次与智能模块。布鲁克斯的实质还是承认了智能就是计算的观点。但是，布鲁克斯的这种方案却不同于福多的观点。与福多承认语义与符号的相关性，心灵含有智能信息处理的基本模块不同的是，布鲁克斯否认计算机内部加工符号的过程，而认为句法与语义联系在一起，只有人的心灵才有永动机的智能模块。如果人类实现智能的是某种智能模块，那么它们是怎样在计算中实现了智能呢？联接主义则较好地回答了这个问题，它试图从智能形成的结构上来界定智能。
第二，联结主义是20 世纪探讨智能的一种新的思维范式。联结主义的核心思想是：智能是从大量单一处理单元的相互作用中产生的。在联结主义看来，神经元的单元及其联结的网络构成了“知识”。联结主义支持者试图从他们所构建的网络中寻找明确的、分布式的、自发产生的智能行为。智能行为产生于一个广泛联结的网络，这个网络就像计算机网络一样的网络。联结主义的代表人物豪杰兰德（Haugeland）认为，联结主义架构的关键之一是没有冯·诺伊曼架构中的中心处理器。“典型的联结主义模型利用多个层次来处理复杂行为”。通常有三个基本层次，输入层、隐藏处理层和输出层，在输入层的每一个单元都联结着处理层的每一个单元，而每一个处理层又联结着输出层的每一个单元。联结主义的特点正是三层次中每一个单元的联结并不是一一对应，而是一个网络。比如输入层有两个单元，而处理层有三个单元，输出层却只有一个输出，这些单元构成了网络的基本单位，正是这些网络基本单元的相互作用产生了智能。
但是，联结主义理解智能的方法及其观点受到了许多学者的抨击。福多和皮利辛（Pylyshy）从人类智能与联结主义所实现的智能的结果认为，用联结主义模型来揭示人类的智能是不妥当的。例如，存在着像递归这样的智能处理过程，人类能完成，而联结主义系统则不能完成。德雷夫斯从联结主义智能与人类智能的实现方式上认为，人工神经网络显然不是人所产生智能的方式。克里克从神经生物学的大脑工作原理与联结主义智能模型工作原理的比较中得出结论，他认为，“这个成就非常令人鼓舞，以致他使许多人受到误导，相信大脑就是这样工作的。或许它对现代计算机的设计有所帮助，但它的最引人注目的结论就脑而言则是极端错误的”，。就对智能的理解而言，联结主义的实质仍是坚持哲学上的计算主义。与计算主义略显不同的是：计算主义坚持人类认知的线性处理，联结主义坚持人类认知的并行处理。计算主义的关注点在于从智能所产生的结果来理解智能本身，而不在于关注智能的产生过程。而人类智能却是过程与结果的统一。在这个意义上，联结主义的范式虽然凸现了它在关于“智能”理解中的理论优势，应该说是一种进步。但是，又不得不承认类似于克里克对联结主义的批判。这种批判事实上也受到了许多科学家的高度重视，他们另辟蹊径地主张关于智能的首要研究应该直接研究大脑本身。这也在一定程度上促成了第三种对智能的界定方式。
第三, 从生物学角度强调智能进化的“智能”界定。米利肯（Millikan）认为：“如果知识是自然的造物和进化的产物，那么我们就可以合理地设想人作为知识者的能力也是进化的产物”，。他指出，人是从动物逐步进化而来的智能自主体，人类的智能只能在自然进化之中产生，智能的许多特征都源于进化。人类智能的最初级阶段是基于一种刺激反应模式，进化的基本机制是变异与选择，正是这种进化机制产生了智能循序渐进的历史演进，最终形成了人类的高级智能。米利肯、博格丹（Bogdan）等人在阐释人类所具有的意向性这一智能现象上进一步明确体现了他们关于智能的界定。米利肯认为，心理表征的意向性基础是在意向性机制进化的过程中所形成的某种规范的和专有的心与世界之间的自然关系。博格丹认为，把智能结构及其构成要素弄得再清楚也不可能完全揭示智能现象的奥秘与本质。只有诉诸目的论解释模式，才能揭示漫长的进化历史在有机体中编码了什么程序与图式，“设计”了什么样的倾向性（dispositions）及其运作条件，进而有可能回答上述问题。因此，他们认为，大自然才真正有着熟练的心灵建筑术使人类获得了智能。但是，这种生物学进化论的智能观也受到了争论。著名生物学家古尔德（Gould）和莱温庭（Lewontin）对诉诸于神经生物体的进化历史来解释“智能”的途径提出的“盘格莱斯” 问题尤为突出。古尔德和莱文廷指出，类似于米利肯的方法是一种盘格拉斯式适应主义方法。生物许多有用的智能特性并不是自然选择的目的性结果，而是其他有用机制进化过程中的副产品而已。这样一来，如果我们仍然诉诸于生物进化的观点来理解全部智能行为就缺乏必要的依据了。无论怎样，米利肯等人对于智能现象的生物学进化论理解产生了广泛而重要的影响。在心灵哲学领域，心灵与认知研究发生了进化论转向。在AI研究领域，索罗蒙诺说：“人工进化的前景在于：已经了解或猜测到许多有关自然进化的机理，而且这些机理可被直接或间接地用来解决人工进化中的问题。对于AI来说，进化的模拟远比神经网络的模拟更有前途”。
第四，以卡明斯（R. Cummins）为代表的解释学阐释了另一种对“智能”的界定。卡明斯认为，任何关于智能的信息处理理论都不能否认意向性，智能存有着一种意向现象，有意向性是人类智能的一个根本特点。首先，解释语义学承认，假设猫作为功能F的自变量或值出现，F作为认知功能与在系统中的某物是否是“猫”无关。第二，卡明斯强调：表征并不是形成意向性的充分条件，而只是必要条件。卡明斯还针对人工智能如何具有人类的智能认为，人工智能机器要具有人类一样的智能就必须具有意向性，而要想人工智能表现出意向性, 一是要让它有表征能力，二是要有社会、文化等约束因素，三是要让计算机有内在的整体结构，因为意向性不是局域性的属性，而是整体性的属性。第三，卡明斯认为，要使系统表现出表征的属性，必须有相应的解释机制，有计算状态与被表征事态之间的映射关系。解释语义学的基本假定是：R表征S中的X，当且仅当有功能g，f，而且有解释I，以致于S满足g，g 在解释I之下模仿f，并且I(R)=x。他认为，没有必要把自然主义约束作语义学理论必须遵守的条件，因为“对于表征的本体论上的自然主义‘定义’几乎没有哲学或科学上的利益”。然而，卡明斯用表征去解释意向性的后面深藏着一个巨大的难题，即表征怎么可能用来解释意向性？这就是著名的“斯蒂克发难”。斯蒂克指出：既然各种表征理论都承认句法与语义之间不存在必然的联系，因此在这种理论中，语义学没有任何因果作用，语义学可忽略不计，剩下的只是句法理论。这一观点其实提出了两个问题：一是语义属性怎样在计算模型中得以实现？二是在认知解释中为什么要引入语义属性？卡明斯的“解释语义学拒绝关于意向性的表征解释”。解释是表征得以成立的最重要的因素，所谓“解释”或“说明”就是具体说明：“你在想把计算当作认知（或加法）时所想看到的那种关联”，“在解释之下所看到的计算的对象即从语义上个体化的对象就是表征”。就像计算机的显示状态可以看作表征一样。另外，卡明斯解释语义学还危及到了内容的实在性。例如自然主义就有这种看法。它认为：对内容的自然主义说明不预设或不依赖于语义或意向的概念。如果不能把认知内容同化为自然秩序中的一过程或状态，就会扼杀内容的实在性。解释语义学未能把内容还原为自然科学概念，因而也取消了内容的实在性。卡明斯也承认，根据解释来说明内容必然要违背自然主义的约束。因为它必然要运用意向的、语义的术语。
结 语
回顾对智能的种种界定，不难发现，智能研究有着许多不同径路的研究纲要和许多的分支研究。而他们的每一种研究都透射着自己对“智能”的不同界定方式、方法、结论。不同的研究纲要也在被发展成新的智能理论或成为新的智能理论的基础，从而推进对“智能”的认知与界定。在科学家与哲学家的共同努力下，大家不断地提出了新的实验数据和新的试验方案，也使得各种智能理论迅速地变化着，使得关于智能的研究充满了种种变数。但是，形成基本统一的智能定义却一直迟迟未能出现。因此，“ 智能”的界定仍是一个值得研究的重大理论问题。对“智能”的界定不仅应成为科学家的焦点问题之一，也应成为哲学家关注的重要问题。是否可以找到获得公认的研究纲领，并依此使得大家的研究具有基本的对话可能，这都取决于我们如何来界定了“智能”。从以上的分析中，我们必须注意并可以明确关于界定“智能”的几点基本认知。
第一，在所有关于“智能”的研究中，必须区别对待各语境中的“智能”意蕴。“智能”一词在当今已经富有丰富的语义，甚至包含有多种相互区别的“智能”所指。这就要求我们区别理解特定语境中的“智能” ，更不能在理论中混用，从而造成不必要的范畴混乱。许多人工智能学家所说的“智能”与心理学家所言的“智能”是存有一定的区别的。就迄今为止的研究而言，智能具有自身的内源性特征。例如，意向性就是人的智能所独有的特征。人类智能与人工智能的根本区别也在于此。人类的意向性使我们与实在世界相联系，而现有AI中并没有这种意向性，即使有类似的意向表现，也最多只能算是“派生的意向性”。据此，判断是否具有自然意义的智能主体根本标准的一个必要条件，就是在于判断该主体是否具有意向性，判断这个主体所表现出的这种意向性能否自觉、主动地把自己的内部状态与外在状态进行有效的关联, 从而实现过程与结果的有效统一。
第二，对于“智能”的界定必须从多学科角度来考量。关于“智能”的界定既不能像部分哲学家那样做简单类比式的纯粹抽象研究，甚至是纯粹的语言解释学研究，也不能像许多自然科学家那样仅仅从个体生物学、心理学角度来界定智能。“智能”的界定既要从内在的个体发生学理解，也要从智能在整个世界中的外在显性表现来理解。因为智能既不是一个抽象的语言空概念，纯粹的解释学界定是不可取的。智能也不单纯是某种具体的经验，而是一种特征、生物现象。智能的显现既包括了其内在的本质性特征（如原生的意向性），也包括了其他充分性特征（如某些智能行为及其环境）， 智能的内在本质性特征只有在一定的系统条件下，才能通过某些行为而显现智能。所以，确切地说，智能是具有特定内在结构的某个主体在特定环境中显现出的自主性特征。
第三，“智能”所指向的仍是大自然的物质运动，并不是某种神秘的存在物。关于智能的种种相关研究最终应该回到孕育智能的大自然环境中才能解决根本问题。例如，意向性是人在大自然中通过长期的进化选择所形成的重要生物性特征。因此，回到人类智能产生的原始环境中去，才能寻找到智能产生的种种内在条件和潜藏因素，而不是游荡在事物的现象界就各种高级的智能表现结果来理解和说明“智能”。据此，就AI的最初目标而言，要“复制人类的智能”就得创造人工自然进化的环境，创造智能产生的各种自然条件，从而“孕育”出新的智能。否则，人工智能是难以实现最初的愿景的。卡明斯的解释语义学就告诉我们，意向性的出现是复杂因素的合力的产物。要想AI表现出意向性，除了要有表征出现之外，还要有外在的情境因素与内在的整体论因素的出现。
原载于《自然辩证法通讯》2010年第6期，第26卷。