AI困在逻辑里，人类困在意义里

推荐语

AI技术的哲学思考，带你洞悉算法背后的世界本质。

核心内容：
1. AI技术与哲学问题的天然联系
2. 形而上学在AI研发中的指导作用
3. 推荐系统背后的世界观塑造与影响

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

“ AI终极问题都回归哲学基本问题。”

也许你在之前读过我的一些文章，会觉得我总是绕不开哲学，似乎有些故弄玄虚。但在我这十几年的机器学习与AI研发经历中，这并非刻意而为，而是对那些亘古不变的根本问题自然而然的回响。2019年，我在忙于自动驾驶项目时便敏锐地意识到，无论是推荐系统、integrity系统，还是自动驾驶，它们的背后都在叩问同样的命题：什么是存在？知识从何而来？对错如何评判？这已经是我第三次在不同项目里感受到，技术的一次次突破往往与哲学问题紧密相连。

正是在那时，我开始利用每天一个半小时的通勤时光，阅读《哲学家都干了些什么》。引言中提到，这是一位哲学业余爱好者写给其他业余爱好者的作品——对于我这样一个门外汉来说，再合适不过。

至今，每当翻开它，我不仅想起那段充满探索精神的岁月，更不断提醒自己：再前沿的技术，也终究要回归最基本的人生与存在的追问。

形而上学：世界的本质与机器的“灵魂”

形而上学（Metaphysics）是哲学中最古老、最核心的分支之一，起源可追溯到古希腊的柏拉图和亚里士多德。柏拉图的“理念论”强调了本质与现象的区别，亚里士多德则将“存在”问题系统地纳入其形而上学的框架。经过中世纪神学和近代哲学的洗礼，形而上学日益演变，衍生出对“本体”“实在”与“终极原理”的多重思考。

在最初开发推荐系统时，我主要关注算法与数据优化，力求精准和高效。可随着项目的推进，我发现系统不仅在为用户推荐信息，也在潜移默化中塑造他们对世界的认知。当我反思这个过程时，不禁疑惑：算法是从用户的数据中被“塑造”，那是否也在反过来影响用户的世界观？（更多讨论见《也许大佬们和我们一样，也在自己的信息茧房中》、《被推荐算法困住的我们：驯化与反驯化》和《一张伪造照片，4000万流量：看信息传播的力量》）

形而上学本就关注万物的本原和意义。机器学习的目标是通过数据建模来理解并再现真实世界，但正如柏拉图的“洞穴寓言”所示，我们所收集的资料也许只是康德所说“物自体”的影子。即使算法再强大，也难免只能依靠这些有限的投影去推测真正的世界。（更多讨论见《大家都围着柏拉图，康德很孤单》）

当多模态生成模型与Agent技术结合成形，出现在元宇宙（Metaverse）中与你互动时，我们更需要思考：眼前的这个“存在”和它模仿的对象，真的是同一个吗？对“存在”的追问让我愈发感到，机器学习不仅仅是技术层面的突破，也是对形而上学的一种探寻。

认识论（Epistemology）关注知识的来源、性质与局限。从古希腊的苏格拉底、柏拉图、亚里士多德，到近代的笛卡尔、洛克、大卫·休谟以及康德，哲学家们不断追问：我们如何知道自己所知道的？知识究竟来自经验，还是与生俱来？

我在自动驾驶项目中首次切身感受到认识论的分量。自动驾驶系统需要传感器捕捉外界信息，并通过数据构建环境模型。在此过程中，我们时常困惑：机器究竟是怎样“看见”世界的？数据是否能真实映射现实？

还记得线下模拟测试，面对复杂而多变的路况，我越发深切地感受到：即便我们在算法上竭尽全力，系统的“认知”依然可能出现偏差。这让我意识到，人类的认知本就有限，机器的认知同样需要在不断试错与迭代中不断完善。（更多讨论见《三体人长什么样？拟合的极限，超验的想象》和《掌握所有数据后，AI真的能成为全知全能者吗？》）

机器学习中的监督学习、无监督学习和强化学习，都是对不同知识获取方式的一种模拟。它们能提炼出数据中的规律，但这些规律是否等同于“真理”？还是只是某种局部最优的近似？在一次次改进模型的过程中，我对数据背后那层无法穷尽的复杂性愈发敬畏，意识到我们对“知识的本质”必须常怀谦逊之心。

逻辑学：构筑严谨思维的桥梁

第二部分的正文内容从这里开始。逻辑学（Logic）的起点同样可以追溯到亚里士多德，他被誉为“逻辑学之父”——首次对推理规则进行了系统研究。近代则出现了弗雷格（Gottlob Frege）、罗素（Bertrand Russell）、怀特海（Alfred North Whitehead）等思想家，他们将形式逻辑进一步发展，为现代计算机科学奠定了坚实基础。逻辑学与数学、语言学、计算机科学的交融，让我们对推理与语言的理解不断深化。

若说哲学是技术的灵魂，那么逻辑学就是技术的骨架。它为我们提供严谨的思维方式，无论是布尔运算还是形式化验证，逻辑学都是搭建可靠系统的关键支柱。

每当代码出现漏洞或算法遭遇误差，我都会回溯到那种朴素而严谨的逻辑思维。笛卡尔的《谈谈方法》(更多讨论见《谈谈《谈谈方法》》，《笛卡尔的绝作 -《哲学原理》》)指导我如何将复杂问题切分成若干简单命题，运用严密的逻辑推理逐一解决。亚里士多德也曾说过：“一切推理都应从严密的起点开始。”正是这样的逻辑训练，助我在面对困难时始终保持清晰的分析视角。

在这里插一句有趣的轶闻：二进制代数的开创者乔治·布尔（George Boole），正是深度学习之父杰弗里·辛顿（Jeffrey Hinton）的曾祖父。

伦理学：在技术与道德之间的抉择

伦理学（Ethics），或称道德哲学，主要研究对与错、善与恶、正义与义务等基本命题。从古希腊的苏格拉底（见《从苏格拉底的对话看西方世界观与价值观》）、柏拉图、亚里士多德，到近代的康德、边沁、密尔，再到当代的罗尔斯，人类在不同历史阶段都对道德和社会正义展开了深入思考。

技术的力量不只在于改变世界，更在于塑造人们的世界观和价值观。我在做integrity系统（内容安全系统）时，常常在道德与现实的博弈中举棋不定：选择保守还是开放，都可能激起不同群体的强烈反应。在自动驾驶项目中，那经典的“电车难题”更让我切身体会到伦理抉择的分量。

伦理学在此时尤为重要。它提醒我们，技术决策不仅关乎效率，也关乎人类福祉与道德责任。每一行代码背后，都隐含着对善与恶的判断与取舍。置身于技术高速发展的浪潮中，我们时刻需要追问：面对争议、质疑与批评，如何守住心中那条道德底线？

AI的崛起促使我们重新思考人与技术的关系。技术本身并无善恶，但其应用却深刻影响着公平与正义。伦理学为我们提供了参照，让我们能在追求效率的同时，审慎评估那些对社会与人心所造成的影响。

美学：让技术闪烁人文的光芒

美学（Aesthetics）的源头亦可追溯至古希腊。柏拉图曾在《理想国》中探讨艺术与真理间的微妙联系，亚里士多德在《诗学》中研究悲剧与诗歌本质。近代以来，康德、席勒、黑格尔、叔本华等思想家为艺术与审美提供了多样的诠释。

多模态生成模型的迅速崛起，也不断拓宽我们的艺术边界：图像生成（Midjourney、DALL·E）、视频生成（可灵、Runway、Sora）以及音乐生成（Suno、Udio）都大放异彩。技术与美学的结合，不仅激发人类的创作灵感，也让技术在触及人心的过程中更加温暖而柔软。