語境與人工智能

魏屹東

(山西大學 哲學學院,山西 太原 030006)

語境(context),也稱脈絡、背景、環境、上下文,幾乎影響著動物、人類和計算機系統行為的方方面面。它不僅影響我們如何理解世界、如何與他人交流、如何計劃和執行我們的行動,也影響著計算機、人工智能以及認知科學的研究策略,特別是計算機和人工智能能夠針對其所處情境和用戶采取適當的行動方式。在科學哲學領域,20世紀80年代開始的“語境化運動”,不僅給出了現象域和世界之間的指稱關聯,而且給出了語言中內在關聯的意義,從而超越了符號和指稱物之間的關聯,走向了對符號使用者內在心理意向狀態的分析[1]。這種從外在到內在的“語境化運動”使語境在語形、語義、語用和認知上得到了統一,闡明了語境是有界的、相對的并決定研究對象的意義。

然而,在人工智能、機器人學和工程學領域,語境似乎是一個可有可無的概念,使用語境建模和推理要晚得多,比如“建模與使用語境”國際會議從1997年到2019年已召開11屆[2],但近幾年似乎銷聲匿跡了。通過研讀“建模和使用語境”歷屆國際會議文集和相關文獻,可以發現,這些領域并沒有關注哲學中作為世界觀或世界假設的“語境論”,也很少注意到科學哲學中的“科學語境論”。這是一個很大的遺憾。它表明哲學與科學技術學科之間仍存在壁壘,需要強化交叉和溝通。筆者一直主張,人的世界是語境化的世界,居于其中的任何人,以及由人類創造的一切知識體系,無論是人文的、社會的、數學的、邏輯的,還是科學的、技術的、工程的,甚至是人工智能和機器人學,都離不開語境。我們對世界、人類社會和文化的理解、解釋和說明,均是基于語境的。人工智能要得到很好的解釋和通用,即建構通用人工智能(Artificial General Intelligence,AGI),語境是不可或缺的,需要對人工智能進行語境建模。不過,本文的重點不是建構一個人工智能的語境模型,而是要闡明人工智能中語境的意義,語境中的人工智能如何工作,以及多智能體系統中的語境建模及其語境變換問題。

一、人工智能中的語境

在哲學和語言學中,語境是人們非常熟悉的一個概念。在邏輯學中,弗雷格的語境原則也被廣泛地運用。人的世界,是語境化的世界。人工智能世界是人創造的世界,因而也一定是語境化的世界?；谶@種認識,人工智能的自主學習在增強智能的方法上,都在自覺或不自覺地運用語境,比如語境建模和語境推理[3]。事實上,人工智能中常用的“if-then-else”算法規則,其中的“if”就是語境條件。還有基于案例的推理、基于知識的推理、基于樣本和經驗的機器學習、貝葉斯網和語義網絡的知識表征等,無不凸顯了語境條件——案例、知識、樣本和經驗、范疇結構等。這里的語境既有靜態方面(已有知識、常識經驗),也有動態方面(當前情境中的感知、決策和行動),比如語境-覺知、樹型搜索?？傊?推理過程中的前提條件、臨時預設以及經驗啟示,均是語境因素。自然語言處理方面遇到的“常識問題”,實質上是“語境問題”,因為人有常識(成長中習得的),而機器沒有(缺乏成長過程)。

然而問題在于,人的語境化能力能夠嵌入人工智能嗎?即便可以,計算機科學和人工智能中的“語境”究竟指的是什么?語境的多義性使人們普遍擔心,相對模糊的語境概念恐怕很難運用于人工智能領域,正如鮑曼(R.Bauman)和布里格斯(C.L.Briggs)指出的,“所有關于語境的定義都具有明顯的包容性,我們無法知道語境因素的范圍何時被充分涵蓋。因此,描述一個性能>語境<這一看似簡單的任務可能會成為無限的倒退”[4]。這就是語境的模糊性和相對性問題。這種擔憂其實沒有必要,因為關于語境是什么的問題在哲學上完全可以澄清。

在計算范式下,關于語境的一個普遍認可的定義是:“語境是可用于描述實體情況的任何信息。實體被認為是與用戶和應用程序之間的交互相關的人、地點或對象,包括用戶和應用程序本身?！盵5]而按照巴齊爾(M.Bazire)和布雷齊隆(P.Brézillon)的說法,“語境可用于表征和解釋用戶在特定時間與應用交互情境的任何信息”[6]。這是將語境視為信息,即任何與所描述的實體相關的信息都是語境因素。然而,信息本身是缺乏語義的,語義需要語境來限定,而“語境是一個限制解決問題的步驟而又不明確干預它的東西”[7],類似于化學反應中的催化劑(加速反應而又不參與其中)。這意味著,語境的作用類似于一組先定約束,它們對嵌入在給定任務中的系統(用戶、計算機或機器人)的行為產生影響。形式地看,一個語境信息系統可描述為:Γ=(U,A,V,C)[8],其中U是一組對象的集合,A是一組屬性的集合,V是一組屬性值的集合,C是一組語境的集合。每個屬性a∈A被定義為從U×C到V的映射,可形式化表達為:a(u,c)=v,表示與對象u關聯的屬性a在語境c中具有v值?；蛘哒f,對象u在語境c∈C中由信息Inf(u,c)表示的信息集可用Inf(u,c)={[a,a(u,c)]|a∈A}來定義,語境c中對象u的信息集是u的所有屬性以及它們在語境c中獲取的值的集合。

這里是用數學工具“集合”來刻畫語境的結構。筆者也曾將語境分為文本語境、實踐語境和認知語境三類,認為語境不是定性的、模糊的,而是可表征計算的、結構清晰的,具有可表征性、可計算性和可變換性:“可表征性是指語境的構成要素是有限的,可通過某種形式表達出來?？捎嬎阈允侵刚Z境的這些要素可通過算法(或步驟)獲得數值或非數值的結果?？勺儞Q性是指語境是發展變化的,語境的變換導致意義的變化?！盵9]認知語境的表征與計算模型可用集合表示為:Ce=(A,O,I,M),其中A表示認知者,O表示認知對象,I表示儀器,M表示方法。就認知活動本身而言,它由認知者和認知對象構成,儀器和方法是中介。其含義是,認知者A使用方法M,并利用儀器I探測對象O,產生了知識K,表示為映射:F:(O)→K。在人工智能中,認知者A指非人的智能體(agent),O是其要實現的目標,I是其算法或程序,M是其實現的路徑、策略或框架。這樣一來,這個定義也可用于人工智能中的語境刻畫或表征(這是另一個問題,這里不展開)。

巴齊爾和布雷齊隆試圖通過回答以下問題來指定給定情境的語境:誰?什么?在哪里?何時?為什么?如何?其中“誰”代表主體,即行動者;“什么”代表對象,即動作的作用對象;“在哪里”和“何時”提供所關涉動作的時空位置信息;“為什么”給出了主體的意圖、目標(甚至情感);“如何”明確了實現動作所需的程序。這是一個六元素語境集:C={Who,What,Where,When,Why,How}(5W+H)。也就是說,語境可以用來描述實體情況的任何信息。更一般地說,用于描述這種語境信息的要素可歸結為五類:個體性、活動、位置、時間和關系,其中個體性即實體(主體),活動決定了語境元素在特定情況下的相關性,而位置和時間則主要驅動實體間關系的建立,并使實體間的語境信息得以交換[10]。

可以看出,語境作為一個抽象概念或一個不變量,與背景、環境、情境密切相關,也與物理學中的“場”(field)、人工智能中的“域”(domain)等概念相關。詹金斯(R.Jenkins)認為,“場是一個重要的中介環境,在這里,外部因素——不斷變化的環境——對個人實踐和機構產生影響。場的邏輯、政治和結構塑造并引導著‘外部決定’影響場內事情的發生方式,使它們成為場本身正在進行的歷史和運作的一部分”[11]。比如多智能體系統,它是語境敏感的。語境通常與“域”概念互用,而“域”代表一個可能世界,其中包括各種研究、開發過程和分析?？赡苁澜缇褪翘摂M現實世界。語境的關鍵是要決定語義或內容,也就是要讓人工智能的字符串產生意義。這個過程必然涉及客體(實體)、問題及其語義。正是在這個意義上,語境概念顯得更為適用和準確。

總之,語境是多因素組成的系統或集合,一般包括物理(環境)、認知(知識)、語言(內容)、社會(實體交互關系)、文化(共有信念)和情感(內在心理狀態)維度[12]。梅納(T.B.Mena)等人提出了一個概括性的三元組語境模型:語境{領域,實體,問題},試圖來囊括這些因素。但顯然這還不夠。如果將語境所涉及的元素組成一個集合,那應該是:語境{情境,客體,問題,語義},其含義是:一個當前情境(或領域)中的客體和問題的解決或解釋(意義)發生在特定語境中?；蛘哒f,語境是為了解決問題而存在的,而問題往往是一個命題或陳述的疑問句,比如“人工智能有智能嗎?”(“人工智能有智能”的疑問句)。在復雜系統中,語境有多個,構成一個語境子集,而其中的各個元素也是一個子集。這種復雜系統的語境建模,通常使用集合及其映射來表征。

二、認知科學中的語境

相較于人工智能,認知科學對語境更為重視。在認知科學中,語境一般被理解并定義為在特定場合影響人類(或認知系統)行為的所有實體的集合。這種語境模型假設了當前語境中涉及的心理表征,認為語境至少是由感知、記憶和推理三個過程之間的相互作用形成的[13]——構建當前環境新表征的感知、重新激活或構建以往經驗表征的記憶,以及構建生成目標、推斷事實、誘導規則等的表征的推理;而且假設了語境反過來會影響感知、記憶和推理過程。這種語境動態理論的主要原則是:語境是一種心理狀態,沒有明確的界限,由所有關聯的相關元素組成,并且是動態的。這種語境觀并不新鮮,它源于社會科學。在社會科學中,語境通常被視為相互作用的實體(人、代理和人工制品)的網絡,比如知識社會學中的行動者網絡理論(1)科學社會學中的“科學共同體”,科學知識社會學中的“行動者網絡”,都將某個松散的、無形的“社會團體或組織”視為行動者(主體)的背景或環境,這些背景或環境就是“語境”,所以,“語境”在哲學上得到了認識論的提升和方法論的擴張。參見:魏屹東.科學社會學新論[M].北京:科學出版社,2009:7-10.。這種方法側重于實體之間反復相互作用所產生的語境的結構屬性,包括網絡元素和涌現屬性。事實上,人工智能中的范疇網、貝葉斯網、多智能體系統都將語境視為網絡結構。

在記憶模型中,傳統認知主義假設記憶作為語境,是存儲的記號、圖像或信號。而根據哲學和認知科學中的后認知主義理論(具身認知科學),記憶作為語境不能被視為有意義的圖形、噪聲或信號,因為在記憶科學中該假設作為框架將人類認知系統描述為一個無維的執行控制單元,接收和轉換來自環境輸入的信號[14]。因此,傳統認知主義的記憶存儲假設遭到了尖銳的批評。這意味著,語境在當代記憶模型中所扮演的角色充滿了內部和外部的不一致。所以,將內存的“語境”視為可通過類似計算過程的轉換、存儲的離散項是行不通的?；蛘哒f,將記憶的語境視為不影響記憶過程的存儲刺激,并沒有獲得更好的效果。盡管記憶模型的許多元素都表現出經驗傾向,且這些傾向只是不完全適合這些模型的編碼-存儲-檢索框架,但語境的確是一個不可忽視的重要問題。所以,具身認知科學的一個標志是拒絕計算啟發的建模方法,而建模方法似乎正是這個問題的框架。在大多數情況下,記憶科學家需要根據從大量記憶案例中提取的數據來構建動態模型。在這樣的動態模型中,語境既不是刺激,也不是識別刺激的不起眼的背景,而是一種軟組裝框架,即數據集合包。

在當代學習理論中,語境通常被理解為實驗設備所提供的背景刺激,比如心理學實驗的斯金納箱(Skinner box)。這種理解或定義類似于關于人類記憶的研究文獻中使用的定義,其中語境被定義為由實驗線索提供的刺激,如斯金納箱提供的食物線索。這意味著在任何情況下,語境都是一個相對持續的刺激,它圍繞或嵌入了要學習或記住的目標刺激,無論它們是條件刺激還是判別性刺激,抑或是列表中的項[15]。這種探索允許被試存儲語境的整合表征,一旦形成整合表征,探索過程就會減少。這種情境表征對于情境恐懼條件反射也是必要的,因此在電擊傳遞之前,必須給被試(動物)足夠的時間來探索其所處空間的情形[16]。

在兒童發育方面,語境實際上指的是兒童環境中相應的長期變化[17]。這些變化主要是指隨時間推移的相關性模式,即一個人的生活軌跡(歷史記憶),而不是可識別的實體。也就是說,發育是指貫穿整個生命周期的人際環境組裝。在這里,語境不再被視為可使人處于愉悅狀態的自變量或環境,而是指兒童成長過程的歷史或教育背景。

然而問題在于,我們需要說明一個實體(人或智能體)如何工作才能完成其任務。這就要回答以下問題[18]:哪些角色扮演實體X?X如何執行活動Y?在何種語境中X如何與Y交互?哪些事件觸發X的功能?X如何協調活動或管理資源?X如何協調自身?在特定時間間隔內,X扮演什么角色?執行哪些活動?使用哪些資源?與哪些實體交互?哪些承諾正在處理?這一系列問題是人際交往和多智能體交互過程中必然會遇到的。

回答這些問題勢必需要一個多實體交互的整合架構。在認知建模中,架構被用來解決多主體的復雜性問題。斯洛曼(A.Sloman)認為,認知架構有三個基本部分[19]:感知(智能體)框、行動(智能)框和連接這兩個框的內部層(中間層)。內部層又包括反應層(通過感應器)、協商層(多智能體交互)和反映層(反饋循環)。內部層的反應機制定義了智能體的前限定行為;協商機制與計劃相對應,調節和決策相對應;反映機制顯示了主體變化前幾層行為的能力。行動層、決策層和反映層之間存在復雜的相互作用,它們本質上是心理模型的物理實現,因為“心理模型是人類能夠生成系統目的和形式描述、系統功能和觀察到的系統狀態解釋以及未來系統狀態預測的機制”[20]。

那么,認知或智能的實現為什么要使用語境呢?原因在于,人類記憶系統的排列方式便于使用語境來增強編碼和檢索。瓦格納(A.D.Wagner)等人使用fMRI掃描證明,在神經學水平上記憶存在語境依賴性,因為大腦不同區域是否被激活,具體取決于被試是否熟悉語境[21]。換句話說,被試的大腦區域能否被激活,依賴于被試早先是否有某方面的經歷或知識。比如問被試是否知道“地球是圓的”,若被試沒有這方面的知識,相關腦區就不會激活,因為被試對此問題沒有任何記憶反應。這表明基于語境的編碼和檢索過程極大地影響了人類的認知行為,包括感知、傾向、學習和認知。我們使用語境形成的關聯指導我們如何記住信息以及什么情況會觸發其檢索。這基于語境的推理,人類的記憶和推理均是與語境相關的。[22]所以,學習(人或機器)本質上是一個語境化(解決問題、決策和評估)、去語境化(總結經驗、績效評估)和再語境化(利用經驗教訓)的過程。

概言之,語境作為要探索的實體或問題的基底,具有整合性。因此,語境是一組聯結,聯結具有狀態,其相關性由知識引導,而且語境是有界的和有影響的,不能無限倒退。如果語境與用戶或設備的歷史無關,只與特定情況(如位置)相關(如辦公室的電腦),那么它就是一種絕對語境。如果語境與用戶或設備的歷史記錄數據相關(如電腦的出廠參數),而與其所處位置無關,那么它就是一種相對語境。因此,語境也具有絕對性和相對性。

三、語境中的人工智能

人造的智能應該是特定語境中的。人工智能、機器人學、虛擬實現技術都是計算機語境中的領域或系統。語境的作用在這些領域中是不言而喻的。比如,一種基于語境的操作決策支持方法[23]側重于建模和解決動態環境變化的問題。問題由抽象和操作語境建模,語境整合了信息源和領域知識提供的信息。這種方法涉及用于知識集成的范疇管理操作、信息組織的語境管理技術,以及問題定義和面向對象的約束網絡機制,其具體應用是針對即時便攜式醫院配置的自適應服務。

在經典計算機科學中,語境一般被視為一種狀態,它操作系統維護表(table)的實現目標,這些表具有所有進程的條目。條目包含相關進程狀態(正在運行、阻塞或等待)、程序計數器、堆棧指針、內存分配、打開文件的狀態,以及當進程從運行狀態切換回就緒或阻塞狀態時,必須保存的所有內容信息,以便之后重新啟用此條目。

在人工智能中,語境通常被視為與某些特定情況(環境、領域、任務、智能體、交互、對話等)相關的事物(句子、命題、假設、屬性、程序、規則、事實、概念、約束、句子等)的集合,即概念的范疇。這就是語境的“盒子隱喻”[24]——語境被視為一個容器或框架,其內容取決于一組情境參數或維度。根據“盒子隱喻”,語境建模在人工智能中的使用主要體現在三方面:

第一,目標導向的表征和自然語言處理。這方面的一個突出例子是環境智能系統(Ambient Intelligent Systems),該系統是通過感知和推理其環境來感知語境的,它們感知用戶的需求并通過語境敏感來主動響應這些需求[25]。語境感知是指智能體嘗試檢測系統處于哪種情境,語境敏感是說智能體根據系統認為它所處的情境而采取行動。這是一種語境依賴(2)表征(尤其是語言表征)是一種語境依賴的推理過程,這種語境依賴表征一般是在三個基本維度——部分性、近似性和透視性——上運行的。部分性是說,當一個表征僅描述更全面的事態的子集時,表征是部分的,無論在形而上學上還是在認知上;近似性是說,當一個表征提煉出給定事態的某些方面時,它是近似的,可用二進制謂詞(x,y)近似表征,這是最小表征。透視性是說,當一個表征對事態進行時空、邏輯或認知觀編碼時,表征是透視的。參見:BENERECETTI M,BOUQUET P,GHIDINI C.On the dimensions of context dependence:partiality, approximation, and perspective[A]∥AKMAN V,BOUQUET P,THOMASON R H,YOUNG R A. Context 2001[C].Berlin Heidelberg:Spring-Verlag,2001:59-72.的適應,即僅在滿足相關語境條件時才適應軟件系統子部分的行為。因此,語境建模的過程就是適應性表征過程。也就是說,行為細化的一些基本行為,僅在特定語境條件下適用,比如軟件系統本身根據語境條件、多重性和解決策略,對基本行為和語境適應的組成部分做出自主決策。還有,語境導向的域分析(Context-Oriented Domain Analysis,簡稱CODA)也是典型的語境依賴和語境適應的[26],旨在弄清域的潛在相關因素。

第二,語義網絡系統。語義網絡作為一種圖結構,以互連節點和弧模式表征知識[27],它是一種將語言處理的表征系統概念化的簡潔而優雅的方式。語義網絡強調語言處理中語境關聯的有效性,這顯然是一種語境依賴的系統,非常適合轉化為人工智能系統。實際上,人工智能本身就是一個更大的語義網絡。這種結構以圖形法表征知識,與認知語義網絡的概念結構非常相似。這種方法連接知識中的相關概念,不僅可用于表征概念和知識本身,還可用作其他知識表征系統的支持功能。而且,語義網絡有不同的子類型,適合不同的概念關系如定義性、斷言性和暗示性的分析。這些結構分別用于評估超型-亞型的關系,斷言概念關系的命題,以及表征因果關系或推理的模式。這種多樣性在語境依賴的語言處理中非常有用,因為語義網絡可以有效地與其他語言系統協同工作,以評估語言輸入的語境連接性。

第三,隱馬爾可夫模型。人類的情境推理是一個語境建模過程,即個人使用語言語境來突顯相關信息,以便從人們聽到的無數短語中盡可能捕捉意義,這突出了大腦對語境系統的需求。例如,人工智能中的隱馬爾可夫模型使用語境來幫助語音識別,以縮小語句的可能選項數量[28]。但隱馬爾可夫系統必須首先通過給出正確、理性的句子來訓練,以便構建一個能夠運行的概率模型;然后它可以在某種情況下使用此模型來預測序列中的下一個單詞。這對于自然語言處理非常有利,因為它依據之前遇到的情況使用其概率模型,從整個詞匯表來解析詞語系列中下一個可能的單詞。ChatGPT的運作機制就是這樣,只是后者增加了自注意力機制,語境推理能力更強了。

不過,需要注意的是,在語境感知系統和軟件工程中,人們所考慮的語境往往是隱藏的,有些將語境集成到需求分析層次,有些則集成到概念層次,如范疇系統。這種語境工程是人工智能軟件工程的一個分支,它處理對語境敏感的系統的設計、開發和制造,同時處理硬件和軟件。也就是說,語境工程允許構建基于內容的系統,該系統具有動態推理和知識表征的功能。筆者設想,如果將文化作為語境來建模,就可將文化因素嵌入人工智能這種物理系統,從而實現人工“認知智能”(即通用人工智能)的理念。

四、語境中的多智能體系統

人工智能中的多智能體系統(Multi-Agent System,簡稱MAS)是一組交互的智能代理,旨在執行一組目標。費伯(J.Ferber)給出了智能體的經典定義:“智能體可以是物理或虛擬實體,可以采取行動,(部分地)感知其環境并與他人交流,是自主的,并且具有實現其目標和趨勢的技能?！盵29]筆者認為此定義突顯了智能體的四個基本屬性:

(1)自主性,即智能體是唯一控制自己行為的實體。這意味著行動與否的選擇僅由它自己的行為驅動。

(2)感知性,即智能體能夠局部感知信息并在局部采取行動的環境(實際的或虛擬的)中進化,此環境是智能體外部的所有目標或內容,充當交互媒介,可由智能體感知。

(3)交互性,即智能體能夠直接或通過環境與其他智能體進行交互或通信,其他智能體是人工環境的一部分。

(4)認知性,即智能體對其環境有部分了解,并擁有自己的資源和技能。

根據此定義,智能體就是一個“感知-決策-行動”系統。感知是從環境獲得信息,決策是選擇行動,行動是選擇結果的運用。這種MAS通常在適應性方面具有特別的功能,即智能體可以改變自己的行為以及與其他智能體及其環境的關系,而且整個MAS可以刪除或添加新的智能體。

顯然,MAS的這種靈活性使其能夠高效地應對不確定環境。MAS之所以具有這種類人的能力,是因為MAS中針對問題做決策的智能體通常需要一個語境來進行推理和決策,進而產生我們可以理解的行動(意義)。這意味著,在表征的層次上,任何問題的命題或陳述都是有其語境的,由于人工智能本質上是解決問題的,因而是語境敏感和語境依賴的。因此,語境建模對于人工智能是必要的,比如一個自適應語境學習模式由一個開發機制和一個適應機制構成,二者都與環境相互作用,通過感知與行動構成一個反饋循環[30]。這種語境學習的多智能體AMASCL(Adaptive Multi-Agent Systems for Context Learning)通過使用智能體的合作自組織實現了這種適應性。研究表明,通過最大限度地減少對所研究系統的假設,該方法可用于各種復雜的現實世界問題,如復雜系統控制、機器人或環境系統。通過使用此方法,用戶在設備上執行的每個操作都被視為反饋,用戶不僅反饋了當前的設備行為能否滿足需求,而且還提供了足夠的動作來執行。比如適應性多智能體系統(Adaptive Multi-Agent System,簡稱AMAS),通過實驗實現的適應性學習器(Adaptive Learner by Experiments,簡稱ALEX),就運用基于演示學習(Learning from Demonstration)的方法來應對這一挑戰[31]?；谘菔镜膶W習方法可將演示期間觀察到的內容推廣到類似人類的情況,使其與系統的交互盡可能自然。也就是說,AMAS通過ALEX能夠動態學習和重用指導者執行的語境,而且每個ALEX創建并自組織其語境智能體,以共同產生用戶滿意的行為。實驗表明,兩個ALEX實例可以在沒有直接交互的情況下進行協作。這樣的過程可通過添加與每個信號相關的感知智能體來完成,這些智能體將負責了解它們對語境智能體的效用并與之合作。

當然,就像人有自己的目標或需求一樣,單個智能體也可能是“自私的”,有自己的目標或需求。這種“自私”需求可能與某些全局目標一致,也可能不一致。而MAS必須奉行合作原則,在這種合作系統中,每個智能體努力實現共同目標,以克服單個智能體的“自私性”。因此,多智能體系統是一種“集體合作”行為體,其中適合語境行為對于MAS中的智能體格外重要,即MAS作為一個整體行為必須適合其語境。這意味著MAS的適合語境行為比單個智能體行為適合其語境更加困難。單個智能體的語境總是包括其他智能體,而其他智能體在某種程度上可能是不確定和不可預測的,并且它們本身的行為方式也受其自身語境的影響。所以,單個智能體也有機會從其他智能體那里獲得信息,以更好地了解它們的語境,但代價是增加了復雜性、工作量和時間。

合作性要求MAS必須是開放的。這就是開放式多智能體系統(Open Multi-Agent System,簡稱OMAS),其中智能體是自由移動的,并且可能不受同一實體的控制。然而,OMAS的信任決策可能由于一些因素而變得困難。比如“自私的”智能體(邪惡的智能體)通常具有隱藏的或其他不可預測的效用函數,因此OMAS需要觀察它們的行為,以檢測其模式可信度。又如,一種基于語境智能體的信任系統使用了明確表征的語境知識來幫助智能體識別和應對“自私的”智能體[32]。其具體做法是:智能體使用被稱為語境圖示的已知語境或情境,包括環境特征、當前目標和可能的跡象或線索,選擇一個或多個匹配的語境圖示,實質性地標出當前語境,然后語境圖示會針對這種情況給出適當的策略。這種信任系統中的語境圖示與適用于所表征語境實例的所有情況的策略相關聯,其中的語境是根據策略的變化來界定的。這就是MAS的語境化表征或語境建模。比如,語境建模的樹表征可作為MAS——樹作為根隱喻,決策者需要一種可視化表征,將開發實際所需的所有語境信息聚集在一起,并允許其方便識別每個實際輸出的表征[33]。

為了說明MAS系統如何工作,惠特塞爾(L.Whitsel)和特納(R.M.Turner)提出了一個思想實驗:兩個智能體Z和X組成的OMAS系統,其中Z是長期使用的成員。人們對X的行動進行長期觀察,形成了它的歷史語境。將X標記為值得信賴的,從而在處理X時使用了合作策略。在觀察系統中的活動時,人們注意到X受到Z的良好對待,但X對Z進行了不準確的負面聲譽報告,即誹謗Z。該系統中的智能體會對這種情況產生許多假設,諸如“X試圖破壞Z”“Z的聲譽低于應有的水平”“X并不像我們想象的那么值得信賴”等。這些假設一起或單獨使用,能通過語境化識別一個新的語境,并推薦OMAS應該使用的新策略。作為語境識別的結果,OMAS應該修改它所持有的信念,以反映關于X行為影響的新假設和信念。具體做法是:首先,OMAS可能會添加關于X和Z關系的新假設,這將需要提出一個新的持久假設。其次,OMAS應該降低對Z聲譽的信心,因為它懷疑X的誹謗損害了Z的聲譽。由于信念是在每個決策周期開始時重新生成的,因此僅僅更新當前周期的事實是不夠的。相反,OMAS的語境化需要修改跟蹤和分析工作知識,以便OMAS做出正確的決策。最后,OMAS應該放棄其舊的固有假設,即X是值得信賴的,并通過修改分析做出決策的知識來防止它再次出現,如斷言X傾向于誹謗Z。

總之,MAS由自主實體組成,通常被設計為自治的,其趨勢是減少人為干預,以便在環境發生變化時維護系統的某些屬性或活動。這種系統被稱為“自維護”“自修復”或“自組織”系統,當然也是一種適應性表征系統。這種屬性使得MAS能夠有效地處理非線性、開放性和不確定性的動態系統,如城市交通系統。

五、人工智能的語境性與組合性

鑒于語境概念使用的廣泛性,其語境性(contextuality)必然是一種跨學科現象[34],即在各個科學中都可觀察到并使用,特別是在物理學、語言學、人工智能和認知科學領域。

根據日本學者丸山(Y.Maruyama)的研究,語境在哲學上具有本體論、認識論和方法論上的語境性。本體論的語境性是指,主體存在于語境中,其中的實體與環境密不可分。這種本體論的語境性源于海德格爾的哲學,與情境人工智能、嵌入式-具身人工智能和海德格爾式人工智能有關。認識論中關于真理的語境性是說,真理是語境的函數,一個命題在一種情況下可能為真,在另一種情況下可能為假,也就是在不同語境中,命題可能有不同的真值。這種認識論的語境論源于維特根斯坦后期哲學。方法論的語境性是關于語言中意義的語境性,即單詞在語境中獲得意義,它們的含義在不同語境中可能不同,語境在意義確定過程中的不可或缺性導致了某種弱奎因式語義整體論(沒有更廣語境就沒有意義)。這實際上是弗雷格“語境原則”(詞的意義由其語境決定)的擴展版。

認知的這種語境性在量子力學中特別明顯。這就是量子力學中關于測量實在的語境性,即量子的測量值及其統計數據存在于測量語境中,可能不存在測量值和概率的全局分配。量子力學中的這種語境性源于貝爾和科亨-施佩克爾的No-Go定理(Bell’s and Kochen-Specker’s No-Go)對經典(非局部)實在論的反駁。這就是著名的量子非局域性。這種非局域的語境性意味著在所涉及的不同語境中,所有變量的值或概率分布沒有一致的分配。換句話說,測量值或測量統計數據基本上取決于特定的測量語境。我們可以在每個語境中測量每個變量,但當組合在一起時,由此獲得的結果作為一個整體并不一致。因此,量子力學中的真值是語境依賴的,即物理命題的真值只存在于特定的測量語境中。

量子測量的語境性可能導致認知在量子力學中的體現,即導致量子認知科學的產生(3)量子認知科學的出現意味著:如果物理學和認知科學都存在共同的結構機制,它將為克服物質和心智的笛卡爾二元論鋪平道路,就像查爾默斯的屬性二元論或信息的雙面理論旨在闡明控制物質和認知的實在規律信息的高級結構定律一樣。它最終可能導致查爾默斯屬性二元論或信息雙面理論的科學合理化。適應性表征作為一個概念框架,試圖將物理科學和認知科學統一起來,量子認知科學若成立,也一定是適應性表征系統。。我們知道,在認知科學中,語境性在理性上非常突出,即認知行為是語境的函數(與語境共變)。因此,一個問題在不同語境中可能有不同的答案,現實世界中共存的信息和環境噪音等情境效應可能會影響或改變認知決策的結果。這意味著,認知和智能不是存在于真空中的,它們是嵌入的、具身的和情境化的。如果說認知的語境性是由行動者集體狀態動態的統計性和實驗設置的特殊結構引起的,那么量子的語境性就是由其單態動力學的統計性和特殊狀態或操作的存在引起的。語境性可能是溝通物理系統和認知系統的橋梁,因為語境性具有強烈的適應性表征特征,或者說,適應性表征本身就是基于語境的。

然而,有一個問題需要澄清,那就是組合性和語境性之間的區別[35]。在哲學和社會科學中,實體的語境性較為突出,而在認知科學和人工智能中,組合性較為突出,尤其是人工智能的知識表征,其表現出的智能更多是行為的組合(模塊化、積木組合)。丸山將實體在不同領域或學科表現出的這兩種特征概括為組合性原則和語境性原則。

組合性原則:整體(表達)的意義是其各部分的含義(以及它們組合在一起的語法方式)的功能,并完全由其決定。這基本上是原子論觀念。原子表達式的含義遞歸生成更復雜的表達式的含義。在人工智能中,組合性被認為是語言生產力、系統性和學習性的來源,如明斯基(M.Minsky)的《心智社會》所描述的那樣。由于組合性,我們可以系統地創建新的表達方式,因此我們可以說,人工智能的知識表征主要是基于組合性的。

語境性原則:單詞(或更復雜的表達)的含義是語境的函數,并且只能在語境中確定;部分的意義取決于圍繞它們的更大整體。這基本上是關于意義的整體論?？虻恼w論可被認為是一種強語境論形式。在原子論中,部分先于整體,整體是次要的;而在整體論中,部分只作為整體的一部分存在。

可以看出,組合性原則給出了形式語言學、符號邏輯和編程語言理論中占主導地位的語義學范式。相比而言,語境性原則似乎顯得微不足道。二者之間貌似存在著不可調和的矛盾。在我看來,二者的矛盾可通過適應性表征來消除。因為認知的組合性和語境性都具有目標導向的適應性和表征性,它們是適應性表征這枚“硬幣”的兩面?；蛘哒f,實體的組合需要語境作為介導,因為實體的范疇是語境化的。簡言之,凡是需要使用語言描述的對象或目標,不管它們是組合性的還是語境性的,都離不開語境。因此,系統或實體的語境性蘊含了其組合性。

機器人的語境感知建模就是一個典型例子[36]。在這個例子中,情境化的語義智能體在計算機系統中體現了上述兩個原則的統一。這可通過沃森(P.Vossen)等人設想的一個社交機器人L的行為來說明。假設L具有認知能力和溝通技巧,以支持其社交行為。打開電源后,L會掃描環境中的對象和人員,并將它們與新的實例化語境相關聯。接下來,L嘗試通過推理以前的語境或詢問可用的來源來確定其位置。在遇到人時,L嘗試辨別是第一次見到此人,還是過去已經認識。在這種情況下,一個認識序列就被初始化了。隨后,L通過提問或陳述來等待與此人發起對話。這個過程意味著讓機器人處于某個語境中,就像人的語境化一樣。沃森等人還定義了機器人L的四個層次:傳感器處理層、響應傳感器輸入或內部驅動器的通信層、處理問題和陳述的語言處理層,以及查詢或存儲通信結果或訪問Web的知識層。他們在傳感器處理層中利用了幾個現成的模塊——用于語音檢測的WebRTC,用于對象識別的初始神經網絡,用于人臉識別的OpenFace和用于語音識別的Google Cloud Speech-to-Text(簡稱API)。這些現成的模塊可被視為不同的已知語境,它們的組合與合作可被視為不同語境的組合和變換。

六、結束語

綜上所述,人的行為是語境介導的行為(context-mediated behavior),人工系統和機器人的行為若要有(類人)智能,也應該是這樣。這就是系統或實體的語境化或語境建模。未來的通用人工智能也一定是語境化的,是作為適應性表征系統實現的。因此,對于人工智能來說,適合語境的行為與人類一樣是十分重要的。畢竟,無法針對其將要實施的語境做出適當行為的機器人,即不能很好適應其語境的機器人,原則上是無用的。尤其是用于模擬人類行為的智能體“虛擬人”(virtual human)[37]更需要語境作為介導,因為盡管這種虛擬人目前只存在于計算機這種特殊語境中,但有著極其廣泛的應用,從軍事和社會模擬到商用視頻游戲無處不在?？梢灶A計,使用語境為人工智能建模是未來人工智能發展的一個主要方向,一種實現通用人工智能的有效方法論。