石英:人工智能視域下社會學“費孝通悖論”求解

選擇字號:   本文共閱讀 291 次 更新時間:2020-02-12 10:25:41

進入專題: 費孝通悖論   人工智能  

石英  


人工智能視域下社會學“費孝通悖論”求解

石英

  

   內容提要:

   費孝通晚年提出社會學應當具有“科學”和“人文”雙重屬性的命題,有學者稱為“費孝通問題”或“費孝通悖論”。近年中國社會學界關于社會學方法論和本土化的論爭,追根溯源都可以歸結為社會學科學性與人文性能否統一和如何統一的問題。人工智能的最新進展為回答這一問題提供了啟示:機器認知是從邏輯思維走向形象思維;暗知識的發現證明直覺和隱喻的合理性;詩性而“模糊”的自然語言可能比精確嚴密的數學語言更適于社會研究成果的表達;科學與人文融通的方向和路徑,不是用科學規范人文,而是讓科學歸于人文。“費孝通悖論”的本質:讓工具理性服從于價值理性,讓科學性服務于人文性。人工智能為社會研究提供了利器,但人工智能替代不了社會學家的作用。社會學者應當更加積極主動地投入到智慧社會建設之中。

   關鍵詞:

   費孝通悖論、人工智能、復雜性科學、社會學想象力

  


一、費孝通悖論:方法論與本土化之爭溯源

   中國大陸社會學恢復重建的領軍人費孝通先生2003年發表《試談擴展社會學的傳統界限》一文,提出社會學應當具有科學和人文“雙重性格”的命題[1],引發國內社會學界廣泛而持久的關注。仇立平(2016)在《社會研究方法論辯背后的中國研究反思》中指出,晚年“費孝通之問”是中國社會學研究無法回避的問題。不可高估科學理性在社會研究中的作用,定量研究和定性研究都有其不足,只有將定性研究和定量研究結合在一起,或許有可能接近對“經驗事實”的認識[2];陳云松(2016)認為費老所說的人文性與科學性兼而有之只是一個愿景,方法之爭反映了中國社會學的不成熟,呼吁“走出費孝通悖論”[3];渠敬東(2016)在《破除“方法主義”迷信——中國學術自立的出路》,對“方法主義”及其所帶來的“學問與生活的疏離”進行了批評[4];潘綏銘和劉林平(2016)圍繞定性定量方法進行了激烈論辯,潘文《生活是如何被篡改為數據的?——大數據套用到研究人類的“原罪”》對“一切皆可量化”觀點提出質疑[5],劉則以《大數據有“原罪”嗎?——與潘綏銘教授商榷》認為潘的認識存在對大數據的嚴重誤解[6];趙鼎新(2015)指出“科學其實只是一種片面而深入地看問題的方法”,并論證了自然科學與社會科學具有根本性區別[7];風笑天(2017)認為,定性研究與定量研究有著本質差別,二者的結合不可能發生在抽象的認識論和理論視角層面,只能發生在方法論和具體方法層面[8];王寧(2017)指出社會學本土化的討論應深入到“知識創新力不足”的制度根源層面[9];謝宇(2018)發文《走出中國社會學本土化討論的誤區》,從知識的普遍主義角度認定“社會學本土化”是一個“偽問題”[10];翟學偉(2018)則以《社會學本土化是個偽問題嗎?——與謝宇商榷》針鋒相對予以反駁[11]。

   梳理近年國內社會學界圍繞定性與定量、本土化與國際化等問題的討論,一方面表明,中國社會學恢復重建40年,已經從一開始的引進照搬走向獨立思考,嘗試建立能夠與國際接軌的中國社會學話語體系理論體系;一方面可以發現,方法之爭的背后反映出學界對中國社會學研究和發展方向的反思乃至焦慮,其焦點其實就是被歸納為“費孝通之問”甚至“費孝通悖論”的科學性與人文性能否統一和如何統一的問題。

   從學科分類角度,科學,指數理化天地生等自然科學學科,人文,指文史哲、藝術、宗教等學科。一般意義上,科學性與人文性的區別,在于前者屬邏輯思維,后者是形象思維;前者重工具理性,后者偏價值理性。社會學被認為是介于科學學科和人文學科之間的過渡性“社會科學”,其科學性和人文性能否統一、如何統一?人工智能的進展或許可以讓我們從中得到啟示。


二、人工智能:從邏輯思維到形象思維

   1.圖靈測試(Turing Test)、深藍(Deep Blue)、阿爾法狗(AlphaGo)

   人工智能(Artificial Intelligence,AI),也被稱為“機器智能”。是新的科學技術革命的前沿領域,是世界經濟轉型產業升級的“風口”,也是當前社會普遍關注的重要熱點。早在上世紀中葉,人工智能的概念和設想就已提出,但直到最近幾年才有了突飛猛進的爆發式發展。一方面是由于互聯網、大數據、云計算奠定了人工智能的物理基礎,一方面得益于人工智能的“算法”突破了舊有思維模式。人類智能來自于人的思維,思維的器官是我們的大腦。我們把電子計算機稱為“電腦”,但人們并沒有將普通電腦稱為人工智能。這是因為公認的“人工智能之父”英國數學家圖靈提出了評估機器是否具有可以思考的智能的標準——圖靈測試(Turing Test):就是當人類測試者向機器提出一些問題由機器作答,當測試者無法分辨給出答案的對方是人還是機器,則該臺機器即通過測試,認為其具備“智能”。因此,普通公眾對人工智能的認知,是在人與機器的智力比較中獲得。于是,發生在1997年和2016年的兩次棋類“人機大戰”,成為人工智能發展史上重要的里程碑和轉折點。1997年5月11日,一臺由IBM公司開發的命名為“深藍(Deep Blue)”的計算機挑戰國際象棋世界冠軍卡斯帕羅夫,并最終以3.5∶2.5獲勝。不僅震驚國際象棋界,也形成一波人工智能輿論高潮。然而計算機科學家十分清楚,“深藍”的國際象棋贏的其實很艱難。“深藍”重達1270公斤。利用30個IBM RS/6000處理器運行搜索,480個定制處理器執行行棋功能,平均每秒搜索12.6億個節點,峰值時可達33億個節點,每步棋可生成多達300億個棋局[12]。設計者是一個由計算機專家和國際象棋高手多人組成的專家小組,事先對卡斯帕羅夫下過的所有棋譜進行深入研究,輸入了一百多年來世界頂尖國際象棋優秀棋手的對局棋譜兩百多萬局,對各種可能性寫出應對程序,設計搜索算法,實際對弈中采用“窮舉法”邏輯推理。也就是說,“深藍”的勝利是依賴于強大的硬件,依靠計算機邏輯計算的“蠻力”取勝的。在勉為其難贏得勝利后,IBM即宣布“深藍”退役。剛剛似乎熱起來的人工智能又陷入近20年的“潛伏期”。“深藍”機器人偃旗息鼓,而由谷歌開發的圍棋程序“阿爾法狗”則另辟蹊徑,從“窮舉法”邏輯推理到人工神經網絡、“深度學習”,在圍棋人機博弈中積累經驗、愈戰愈勇。2016年3月,“阿爾法狗”對弈職業圍棋九段李世石,最終以4:1總比分取得勝利,震動全世界。2017年5月,又以3:0完勝世界排名第一的棋手柯潔。并自此保持了不敗的記錄。人類圍棋高手由一開始的半信半疑不服氣,到完全沒有還手之力,不得不甘拜下風。圍棋被認為是最能體現人類智慧的棋類游戲。棋盤和棋子簡單而直觀,就是在19×19幾何平面上的線性位置結構產生的相對競爭(博弈)關系。圍棋的局面由雙方博弈過程共同形成的位置關系決定,沒有不變的前提變量的設定,完全是雙方棋手獨自看局觀勢的直覺判斷和策略博弈,所以圍棋能體現人的直覺的智能。[13]好的棋手經過長期的訓練積累,形成良好的“棋感”,能夠從整體局面觀“勢”,迅速做出判斷并創造性地落子。由于每一落子都會帶來幾乎無限的可能性,棋局變幻莫測。如果像“深藍”一樣依靠“死記硬背”棋譜和窮舉搜索的算法模式,計算能力再強大的機器要戰勝人類圍棋高手也幾乎全無可能。因此可以認為,“深藍”的勝利是硬件的勝利,“阿爾法狗”的勝利則是軟件的勝利。

   2.符號邏輯、專家系統到深度學習

   從“深藍”到“阿爾法狗”的機器人進化,實際上反映出人工智能發展過程中由“符號邏輯推理——專家系統——人工神經網絡深度學習”的關鍵演進歷程。符號邏輯是人工智能早期思想。認為只要解決了自然語言處理即符號化問題,基于少數幾條基本的公理和定義,依賴于計算機強大的的計算能力、存儲能力,通過數理邏輯和博弈論推演,即可演繹出新的定理和其它推論。實際上目前一般計算機的統計分析軟件都已能夠很好地達到這種“智能化”效果,但人們發現這種方法只能在一些小規模簡單問題上應用,隨著問題規模的擴大和復雜化,其搜索空間規模呈指數型急劇上升,根本無法解決現實世界實際問題。專家系統在單一符號邏輯推理基礎上更進了一步,是旨在將人類專家決策能力與機器符號邏輯推理能力相融合的系統。專家系統通常分為兩個子系統:知識庫和推理引擎。知識庫是存儲結構化信息的技術手段,推理引擎是一種自動推理系統。專家系統的知識庫規則與事實來自人為定義和補充,通過“人機回圈”(Human-in-the-Loop)、“眾機回圈”(Society-in-the-Loop)實現“人機互動”,人是規劃環路的一部分,人的判斷既用于業務決策,又被反饋到機器學習算法中使其更加“智能”。有點類似于軟科學研究的“德爾菲法”。可以想見,其智能不可能超過人類智能水平。

   人工神經網絡是對人腦生物神經網絡的模仿。人類意識之謎還沒有完全解開,人腦具體是怎樣工作的機制還不清楚,但解剖生理學知道了大腦的結構,由蛋白質,人腦中有1000億個神經元,生物神經網絡依靠數量龐大的神經元和突觸連接構成。無論何種思維都落實為神經系統的生物性-物理性-化學性運動。人工神經網絡摒棄了給機器輸入邏輯規則的思路,而是嘗試模仿人腦結構“重建”大腦。以感知器替代神經元,以并行方式電子電路模仿神經元連接,人工神經元網絡結構呈多層分布,因此被稱為“深度神經網絡”,隨著反向傳播算法的提出,人們可以通過預訓練微調非循環多層神經網絡,模仿人腦達到“學習”的目的。學習過程就是調整每個人工神經元中保存的參數值的過程。學習訓練的過程區分為監督學習、無監督學習和強化學習,反復訓練,即所謂“深度學習”。每個人工神經元保存的參數值即神經網絡的“記憶”,信息被分布存放在整個人工神經網絡中。

阿爾法狗了不起的是它能夠像人一樣擁有“棋感”,能“看懂”圍棋的“勢”,對每一個局面估算有利程度,取有利程度最大的選擇,推測當前最優走子。圍棋棋局的“勢”即局勢、形勢,是棋手從整體出發對棋局的判斷。人類棋手的棋感在強化訓練反復實踐長時間積累中形成,是人類特有的直覺。對于機器而言,如果你給它看一張圖片,它“看到”的無非是一推0/1這樣的二進制數字,除了可以很快數出圖像里面包含有多少種不同顏色及其排列的信息外,其它的一概不知。數碼相機用“像素”表示清晰度,電視電腦顯示屏區分多少多少“線”,機器讀圖是一由點到線到面的“逐行掃描”的過程。而人一開始是從全局的角度看這個圖片,一眼就能知道這個圖片大概是什么東西、什么內容。這是整體模糊識別,可能會自動忽略一些不重要的細節,同時抓住特征和關鍵。可以看到,目前人工智能的飛速發展很多都是從圖像識別開始。人工智能神經網絡應用在計算機視覺上的重要突破,就是不再讓計算機用0/1來逐點逐行掃描識別圖像內容,(點擊此處閱讀下一頁)

    進入專題: 費孝通悖論   人工智能  

本文責編:sunxuqian
發信站:愛思想(http://www.213481.live),欄目:天益學術 > 社會學 > 社會思想與理論
本文鏈接:http://www.213481.live/data/120129.html
文章來源:作者授權愛思想發布,轉載請注明出處(http://www.213481.live)。

3 推薦

在方框中輸入電子郵件地址,多個郵件之間用半角逗號(,)分隔。

愛思想(aisixiang.com)網站為公益純學術網站,旨在推動學術繁榮、塑造社會精神。
凡本網首發及經作者授權但非首發的所有作品,版權歸作者本人所有。網絡轉載請注明作者、出處并保持完整,紙媒轉載請經本網或作者本人書面授權。
凡本網注明“來源:XXX(非愛思想網)”的作品,均轉載自其它媒體,轉載目的在于分享信息、助推思想傳播,并不代表本網贊同其觀點和對其真實性負責。若作者或版權人不愿被使用,請來函指出,本網即予改正。
Powered by aisixiang.com Copyright © 2020 by aisixiang.com All Rights Reserved 愛思想 京ICP備12007865號 京公網安備11010602120014號.
易康網
保本理财哪个高