如何判断一台机器人是不是人工智能？

蒸汽机标志着近代社会的开端，而计算机则象征着当代社会的蓬勃发展。计算机已经融入我们的日常生活，以至于我们对其视而不见，例如手机，虽被视为通信工具，但究其本质，它也是计算机的一种表现形式。

随着智能手机的出现，问题进一步升级。手机是人工智能吗？或者更专业一点，计算机是人工智能吗？这些看似简单的问题，却让人陷入迷茫。它们涉及硬技术的解释和软常识的哲学性思考，两者之间的鸿沟让人无法找到共同的语言。

要解答这些问题，我们首先需要理解为什么这些问题看似简单却如此难以回答。只有在这个基础上，我们才能进一步探讨“算法”、“人工智能”等概念的本质。从丘奇-图灵论题的角度看，“计算机是人工智能吗？”这个问题与以下两个问题相似：算法是人工智能吗？图灵机是人工智能吗？

对于这些问题，我们可以从两种可能性进行考虑：如果计算机是人工智能，那么我们该如何解释与计算机不同的“人工智能”的广泛观念和现实存在？反之，如果计算机不是人工智能，那么我们如何理解计算机在人工智能领域所扮演的重要角色？这些问题引导我们深入探讨人工智能的本质和边界。

当机器回应“不是”时，我们不禁要问，这个不同于我们所知的计算机的人工智能究竟是何方神圣？

这个问题并非简单的分类游戏，不是在商店或家中随意决定的问题。它涉及到计算机和人工智能的基本性质的比较和判别，触及到生产、研究的前沿技术领域和战略决策的认知观念。这不仅需要我们对算法、计算机、图灵机等有深入了解，还需要我们深入探讨可计算性理论、不确定性理论和人工智能的交融。这些问题实际上是科学理论和哲学上的重大挑战。

以著名的希尔伯特第十问题为例，图灵通过“图灵机”的构造过程完美解答了这一问题。这一问题的提出和解决是推动计算机时代进步的重要动力。同样地，对计算机与人工智能的基本性质和关系的深刻认识，也具有重大意义。从这一角度看，“图灵检验”与希尔伯特－图灵机的“判定问题”具有相似的重要性和价值。本文从智能哲学的角度深入探讨这些问题。

我们不得不提的是计算机与算法的密切关系——丘奇－图灵论题。计算工具是人类工具中最独特的一种，既古老又新潮，它的物理工具性与抽象形式紧密相连。我们过去认为计算是机械步骤的直觉观念，现在被丘奇－图灵论题所深化：计算机是“算法”。

回想我们儿时数手指头的日子，其实已经在运用算法了。虽然现在我们用电子计算机替代了手指头，但算法的本质并未改变。我们仍然难以回答“什么是算法？”这样的问题。数学家和科学家是最聪明的人，他们对这个问题的最聪明回答就是丘奇－图灵论题。但这有些像是“皇帝的新衣”，我们都在看计算机，却忽略了算法的本质。当你数手指头时，你是在运用算法，但手指头并不是算法。现在我们可以说，软件是算法，但机器与算法之间的关系又是如何？这仍然是一个值得我们深入探讨的问题。探索人工智能的奥秘：算法的本质究竟何在？

当我们面对“人工智能”这一前沿话题时，我们不禁要问，机器中的“智能”与人脑中的智能是否都是算法的表现？这个问题深入到哲学、逻辑学、语言学、计算机科学和人工智能等多领域的共同基本问题——算法和人工智能是基于语法还是语义的？物理形式与抽象形式在这其中紧密交织，让人困惑不已。其中，丘奇—图灵论题便是一个典型的体现：我们知道皇帝穿着龙袍，却难以直观感知。

让我们再深入探讨一下著名的“希尔伯特第十问题”。

我们常用概念去定义事物，这可以通过“外延”和“内涵”两种方法实现。简单来说，外延就是举例，比如什么是“可计算的”东西；而内涵则是论理，探讨什么是“可计算性”。显而易见，定义“算法”的前者容易，后者却困难重重。数学家们常采用前一种方法，例如通过递归函数来定义“算法”，递归函数即属于“可计算的”函数类。但大数学家希尔伯特却另辟蹊径，提出了一个问题：能否找到一种方法，来判断任何一个丢番图方程问题是否可计算？

这就是引发广泛讨论的“希尔伯特第十问题”。

图灵深入理解了这一问题的核心要求。他意识到，既然数学中的递归函数无法直接解答“什么是算法”这样的问题，那就需要用非数学的方式来表现算法。于是，图灵模仿人的算法过程，创造了“图灵机”。图灵机的最大意义在于，它展示了算法的机械过程性质，将数学中的“可计算性”转化为实际操作的“可计算性”过程，揭示了算法的“能行性”本质。“丘奇－图灵论题”告诉我们，“能行可计算的”，就是图灵机所能够计算的。

借助图灵机的力量，图灵对希尔伯特第十问题进行了深入的探索。他并没有给出一个确定的答案，而是以一种理性的方式拒绝了这个问题，因为它是一个无法判断的问题。希尔伯特第十问题的提出和图灵的拒绝式回答，共同构成了我们现在所称的“判定问题”。

这个问题看似复杂，其实质在于提问和回答之间的微妙关系。为了更好地理解这个问题，人们尝试用“停机问题”来替代“判定问题”，然而这种解释方式却走向了另一个极端，通过逻辑悖论的方式，设计了一个计算机的自我指涉，即让计算机去计算自己。这显然是一个无法实现的悖论。

“停机问题”的解释方式却带来了更大的麻烦。如果一台计算机无法判断自己是否“可计算”，那么整个“可计算性”的概念都可能被推翻。这意味着，所谓的“可计算”的机器并不能确定自己的“可计算性”，这无疑是一个深层次的困扰。

实际上，图灵对“判定问题”的拒绝式回答，是在他构建“图灵机”的过程中形成的。图灵认识到，可以制造出可计算的算法机器——这就是“图灵机”。但关键在于，他同时也意识到，无法制造出具有一般“判定”能力的机器。这也是他对希尔伯特第十问题无解的判定，他的判断是基于人的理解而非机器的答案。

对于“判定问题”及其解决方式的深入分析，为我们现今面临的认识论和方法论问题提供了深刻的启示。这些成为了NP理论和智能哲学的重要案例。特别是在探讨人工智能的本质时，这一问题显得尤为关键。

在“图灵检验”（Turing Test，简称TT）的框架下，我们尝试回答“什么是人工智能？”这一问题。这一问题的实质被转化为一个判断问题：我们如何判断一台机器是否展现了人工智能的特性？这一思路实际上源于图灵的启发，他所设计的方法现在被称为“图灵检验”。

“图灵检验”与“判定问题”存在显著的差异。“判定问题”实质上是要以算法来判断算法，而“图灵检验”则是通过人的判断来区分机器的智能与人的智能。如果为“图灵检验”设定一个具体的形式化标准，这个标准最终可能由另一台机器来执行，但这反而将“图灵检验”转化为了一个“判定问题”。这是两者之间的核心不同。

由于“图灵检验”是由人来进行判断的，因此它是开放的。这意味着人们可以在这一检验模式下设计具体的检验标准，进行不同水平的检验或试验。从这个角度看，“图灵检验”与“图灵机”具有相似之处，因此它不会有一个统一的具体化的标准。

“图灵检验”的最大价值在于，它借助人的判断模式来揭示“什么是智能的”。这一检验通过有判断能力的人来判断人的智能与机器智能的相同与不同。

这一检验的前提是人类能够理解被判定的对象和这些对象（包括判断者）之间的符号交流能力。这也意味着我们事先肯定了人类的理解能力是人类的基本智能。“图灵检验”是建立在人类理解能力基础上的判断。这一检验不仅为我们提供了理解人工智能的窗口，也进一步探讨了人类智能的本质。历史的深度解读，是把基于算法能力的EP推向基于人的理解能力的判断。对算法的理解，体现在“什么是可计算的？”的探讨上，而对智能本质的深入探究，则通过“什么是可理解的？”来展现。当机器与人之间的交流达到相互理解的境界，且这种理解是以人的标准来衡量时，机器便拥有了与人相似的“智能”。这种理解层次，在人与人工智能的对比中显得尤为重要。

TT的分析揭示了人的智能不仅仅是“理解”，更是“理解‘理解’”。现有的人工智能成果更多地回答了“什么是人工智能的？”这个问题，但对于“什么是人工智能？”的本质问题仍显得迷茫。在此意义上，TT本身就是智能哲学的科学展开形式，赛尔的“中文屋子”便是典型代表。

我们对TT的理解，不应仅限于实际的检测与机器标准的衡量，这仅触及了“什么是人工智能的？”的表层。TT的价值在于为人工智能的判断提供了一般性原则，犹如图灵机对所有具体机器的指导意义。TT是一种开放的检验模式，本身就具有“不确定性问题，NP”的特性，其具体标准类似于最优近似的方法。通过研究、设计TT的具体标准，我们能更深入地推进对人工智能的理解。

TT研究给我们带来的启示是：人的智能和人工智能之间并不存在普遍的比较标准，这也可以理解为对“智能是否可以判断？”这个问题的拒绝式回答。如果将此观点深化，将“判定问题”发展为人工智能领域的高级版本。更重要的是，我们可以在此基础上进一步探索人的“智能”与“理解”的内在联系，这可能是智能哲学的最大贡献所在。探索人工智能：“人工的”与“人工性”之谜

人工智能的定义中，我们经常会遇到两个词汇：“人工的”与“人工性”。这两者虽然看似相似，但在深度探讨人工智能的本质时，却展现出截然不同的含义。

“人工的”描述的是事物的属性，它更多地是一种外在的表现。当我们说某物是“人工的”，我们指的是它不是自然产生的，比如机器、建筑等。而“人工性”，则是事物的本质，它涉及到与自然性相对立的概念。只有站在哲学的高度，我们才能深入理解“人工性”的真正含义。

当我们讨论人工智能时，“人工的”可以指向机器的智能，即机器所展现出的智能行为。但这并不意味着机器自身具有智能，而是我们赋予了它模拟人类智能的能力。当我们说人工智能具有“人工性”，我们是在说这种智能是人为创造和设计的。

如果我们把“人工智能”理解为“人工的智能”，这就涉及到了一个更深层次的本质性问题。这意味着我们试图让人工智能拥有与人类相似的智能水平，甚至超越人类的智能。这种理解导致了“强人工智能”甚至“超人工智能”的观念的产生。

以“机器人”为例，我们常常会面临一个问题：机器人是“人工的人”，还是“人的机器（工具）”？这两种理解代表了两种不同的观念。前者似乎是在探讨人的本质，后者则更多地是在看待机器人作为工具的角色。

“人工智能”这个术语在“智能”和“人工的”这两个方面都存在不确定性。这种不确定性导致了各种哲学上的争论和困惑。当我们试图回答“计算机是人工智能吗？”这个问题时，我们需要明确自己的立场和理解，避免陷入无意义的争论。

正是“人工智能”这一概念本身具有的不确定性，导致我们难以为其找到一个普遍适用的精确定义。“人工智能”的相关标准也是开放的，仍在不断发展。在这个意义上讲，人工智能更像是一条不断探索、不断接近人类本质的发展道路。

那么，对于问题“计算机是人工智能吗？”我们又该如何回答呢？根据我们之前的讨论，从机器的能力标准来看，算法只是机械步骤，无法超越其自身能力去“自发地”进行发明、创造或自我学习。计算机的最大能力受限于其制造商和程序员的设定。在这个层面上，我们不能将计算机视为“人工智能”。（基于我们对Agent的解释，计算机并非Agent。）

值得注意的是，计算机中基于人工神经网络的“机器学习”等方法，是人工神经网络函数化与算法化的结果。这种混合性质的研究方法，使得“计算机是人工智能吗？”这个问题的答案变得模糊不清。而本文的目的之一，正是为了澄清这种混淆。

对于问题“计算机可以思考吗？”的答案是：计算机确实可以像人一样进行思考，但这仅仅是模仿人类的思考方式而已。计算机的算法并不等同于人类的思考，也不能等同于“人工智能”，更不能等同于人类的智慧与创造力。我们应该正确理解并区分这些概念，避免过度夸大计算机的能力与潜力。人工智能：两条互补路线的探索与发展

自人工智能（AI）概念在达特茅斯会议上被正式提出以来，这个领域的研究便不断取得突破性的进展。回溯历史，我们发现人工智能这一术语的背后隐藏着两条互补的路线：“算法计算”与“Agent代理”。这一认识成为了人工智能哲学的重要议题。

在探讨人工智能的本质时，我们不能忽略图灵这位计算机科学之父的贡献。他提出的“机器能否思考？”的问题至今仍引导着我们探寻人工智能的核心。通过设计的“模仿游戏”（TT），图灵为我们提供了一种评价机器智能的方式。尽管计算机作为机器的一方参与游戏，但这并不妨碍我们利用游戏来评价人工智能的发展水平。事实上，这是一个开放性的模式，为我们提供了理解和评估人工智能的框架。

当我们谈论人工智能时，我们实际上是在讨论两个方向的工作：算法计算和Agent代理。这两者虽然在某种程度上有所重叠，但它们代表了人工智能发展的不同路径。算法计算关注的是如何通过算法模拟人类的思维过程，而Agent代理则更注重构建具有自主决策能力的智能体。这两者各具特色，相互补充。在人工智能的发展过程中，我们不能只关注其中的一条路线而忽视另一条。理论上分清这两个方向的功能原理对指导人工智能的发展至关重要。事实上，它们在人工智能的研究中都发挥着不可或缺的作用。在某种程度上，它们之间的混合性质为我们提供了更广阔的研究视野和更多的创新机会。例如，基于人工神经网络（ANN）的人工智能研究就体现了这两者的完美结合。与此随着技术的发展，基于互联网的ANN研究与芯片化的研究也为我们提供了更多可能。这两者总是在混合中发展，相互促进。因此我们不能简单地认为人工智能只是算法的计算过程或者仅仅是Agent的代理行为。相反我们应该看到它们之间的互补性并充分利用这种互补性来推动人工智能的发展。对于那些希望简洁明了地理解人工智能的人来说一个简单但本质的定义是：计算机是人的思维的工具而人工智能则是人的智能的代理（Agent）。这不仅揭示了人工智能的本质也为我们进一步探索和发展这一领域提供了方向。探索人工智能的哲学奥秘

在众多关于人工智能的研究和讨论中，哲学扮演着至关重要的角色。当我们探讨人工智能的本质、起源和未来时，哲学为我们提供了独特的视角和思考方式。

玛格丽特·博登编辑的《人工智能哲学》为我们深入剖析了人工智能的哲学内涵。这本书由刘西瑞等人翻译，由上海译文出版社出版，为我们揭示了人工智能背后的深层哲学思想。

周剑铭先生的作品也为我们理解人工智能提供了新的视角。他的网文《智能哲学：人与人工智能》探讨了人工智能与人类的相互关系，引发我们对人工智能未来发展的思考。另一篇网文《机器与“学习”——寻找人工智能的幽灵》与《人与机器的“战争”与“学习”》则进一步探讨了机器学习与人类学习之间的差异和联系，以及人工智能对人类生活的影响。

柳渝的学术作品也为我们理解人工智能提供了新的视角。在他的研究中，探讨了不确定性的困惑与NP理论，为我们揭示了人工智能在处理复杂问题时的优势和局限。

这些作品共同展现了人工智能哲学的丰富内涵和深度。它们带领我们走进人工智能的世界，探索其本质、起源和未来。通过这些作品，我们可以深入理解人工智能与人类的关系，以及人工智能如何影响我们的生活和工作。这些作品不仅为我们提供了知识，也激发了我们的思考和想象力，让我们对人工智能的未来充满期待。