石英:人工智能视域下社会学“费孝通悖论”求解

选择字号:   本文共阅读 226 次 更新时间:2020-02-12 10:25:41

进入专题: 费孝通悖论   人工智能  

石英  


人工智能视域下社会学“费孝通悖论”求解

石英

  

   内容提要:

黑龙江11选5_[官网首页]   费孝通晚年提出社会学应当具有“科学”和“人文”双重属性的命题,有学者称为“费孝通问题”或“费孝通悖论”。近年中国社会学界关于社会学方法论和本土化的论争,追根溯源都可以归结为社会学科学性与人文性能否统一和如何统一的问题。人工智能的最新进展为回答这一问题提供了启示:机器认知是从逻辑思维走向形象思维;暗知识的发现证明直觉和隐喻的合理性;诗性而“模糊”的自然语言可能比精确严密的数学语言更适于社会研究成果的表达;科学与人文融通的方向和路径,不是用科学规范人文,而是让科学归于人文。“费孝通悖论”的本质:让工具理性服从于价值理性,让科学性服务于人文性。黑龙江11选5_[官网首页]人工智能为社会研究提供了利器,但人工智能替代不了社会学家的作用。社会学者应当更加积极主动地投入到智慧社会建设之中。

   关键词:

   费孝通悖论、人工智能、复杂性科学、社会学想象力

  


一、费孝通悖论:方法论与本土化之争溯源

黑龙江11选5_[官网首页]   中国大陆社会学恢复重建的领军人费孝通先生2003年发表《试谈扩展社会学的传统界限》一文,提出社会学应当具有科学和人文“双重性格”的命题[1],引发国内社会学界广泛而持久的关注。仇立平(2016)在《社会研究方法论辩背后的中国研究反思》中指出,晚年“费孝通之问”是中国社会学研究无法回避的问题。不可高估科学理性在社会研究中的作用,定量研究和定性研究都有其不足,只有将定性研究和定量研究结合在一起,或许有可能接近对“经验事实”的认识[2];陈云松(2016)认为费老所说的人文性与科学性兼而有之只是一个愿景,方法之争反映了中国社会学的不成熟,呼吁“走出费孝通悖论”[3];渠敬东(2016)在《破除“方法主义”迷信——中国学术自立的出路》,对“方法主义”及其所带来的“学问与生活的疏离”进行了批评[4];潘绥铭和刘林平(2016)围绕定性定量方法进行了激烈论辩,潘文《生活是如何被篡改为数据的?——大数据套用到研究人类的“原罪”》对“一切皆可量化”观点提出质疑[5],刘则以《大数据有“原罪”吗?——与潘绥铭教授商榷》认为潘的认识存在对大数据的严重误解[6];赵鼎新(2015)指出“科学其实只是一种片面而深入地看问题的方法”,并论证了自然科学与社会科学具有根本性区别[7];风笑天(2017)认为,定性研究与定量研究有着本质差别,二者的结合不可能发生在抽象的认识论和理论视角层面,只能发生在方法论和具体方法层面[8];王宁(2017)指出社会学本土化的讨论应深入到“知识创新力不足”的制度根源层面[9];谢宇(2018)发文《走出中国社会学本土化讨论的误区》,从知识的普遍主义角度认定“社会学本土化”是一个“伪问题”[10];翟学伟(2018)则以《社会学本土化是个伪问题吗?——与谢宇商榷》针锋相对予以反驳[11]。

   梳理近年国内社会学界围绕定性与定量、本土化与国际化等问题的讨论,一方面表明,中国社会学恢复重建40年,已经从一开始的引进照搬走向独立思考,尝试建立能够与国际接轨的中国社会学话语体系理论体系;一方面可以发现,方法之争的背后反映出学界对中国社会学研究和发展方向的反思乃至焦虑,其焦点其实就是被归纳为“费孝通之问”甚至“费孝通悖论”的科学性与人文性能否统一和如何统一的问题。

黑龙江11选5_[官网首页]   从学科分类角度,科学,指数理化天地生等自然科学学科,人文,指文史哲、艺术、宗教等学科。一般意义上,科学性与人文性的区别,在于前者属逻辑思维,后者是形象思维;前者重工具理性,后者偏价值理性。社会学被认为是介于科学学科和人文学科之间的过渡性“社会科学”,其科学性和人文性能否统一、如何统一?人工智能的进展或许可以让我们从中得到启示。


二、人工智能:从逻辑思维到形象思维

   1.图灵测试(Turing Test)、深蓝(Deep Blue)、阿尔法狗(AlphaGo)

   人工智能(Artificial Intelligence,AI),也被称为“机器智能”。是新的科学技术革命的前沿领域,是世界经济转型产业升级的“风口”,也是当前社会普遍关注的重要热点。早在上世纪中叶,人工智能的概念和设想就已提出,但直到最近几年才有了突飞猛进的爆发式发展。一方面是由于互联网、大数据、云计算奠定了人工智能的物理基础,一方面得益于人工智能的“算法”突破了旧有思维模式。黑龙江11选5_[官网首页]人类智能来自于人的思维,思维的器官是我们的大脑。我们把电子计算机称为“电脑”,但人们并没有将普通电脑称为人工智能。这是因为公认的“人工智能之父”英国数学家图灵提出了评估机器是否具有可以思考的智能的标准——图灵测试(Turing Test):就是当人类测试者向机器提出一些问题由机器作答,当测试者无法分辨给出答案的对方是人还是机器,则该台机器即通过测试,认为其具备“智能”。因此,普通公众对人工智能的认知,是在人与机器的智力比较中获得。于是,发生在1997年和2016年的两次棋类“人机大战”,成为人工智能发展史上重要的里程碑和转折点。1997年5月11日,一台由IBM公司开发的命名为“深蓝(Deep Blue)”的计算机挑战国际象棋世界冠军卡斯帕罗夫,并最终以3.5∶2.5获胜。不仅震惊国际象棋界,也形成一波人工智能舆论高潮。然而计算机科学家十分清楚,“深蓝”的国际象棋赢的其实很艰难。“深蓝”重达1270公斤。利用30个IBM RS/6000处理器运行搜索,480个定制处理器执行行棋功能,平均每秒搜索12.6亿个节点,峰值时可达33亿个节点,每步棋可生成多达300亿个棋局[12]。设计者是一个由计算机专家和国际象棋高手多人组成的专家小组,事先对卡斯帕罗夫下过的所有棋谱进行深入研究,输入了一百多年来世界顶尖国际象棋优秀棋手的对局棋谱两百多万局,对各种可能性写出应对程序,设计搜索算法,实际对弈中采用“穷举法”逻辑推理。也就是说,“深蓝”的胜利是依赖于强大的硬件,依靠计算机逻辑计算的“蛮力”取胜的。黑龙江11选5_[官网首页]在勉为其难赢得胜利后,IBM即宣布“深蓝”退役。刚刚似乎热起来的人工智能又陷入近20年的“潜伏期”。“深蓝”机器人偃旗息鼓,而由谷歌开发的围棋程序“阿尔法狗”则另辟蹊径,从“穷举法”逻辑推理到人工神经网络、“深度学习”,在围棋人机博弈中积累经验、愈战愈勇。2016年3月,“阿尔法狗”对弈职业围棋九段李世石,最终以4:1总比分取得胜利,震动全世界。2017年5月,又以3:0完胜世界排名第一的棋手柯洁。并自此保持了不败的记录。人类围棋高手由一开始的半信半疑不服气,到完全没有还手之力,不得不甘拜下风。围棋被认为是最能体现人类智慧的棋类游戏。棋盘和棋子简单而直观,就是在19×19几何平面上的线性位置结构产生的相对竞争(博弈)关系。围棋的局面由双方博弈过程共同形成的位置关系决定,没有不变的前提变量的设定,完全是双方棋手独自看局观势的直觉判断和策略博弈,所以围棋能体现人的直觉的智能。[13]好的棋手经过长期的训练积累,形成良好的“棋感”,能够从整体局面观“势”,迅速做出判断并创造性地落子。由于每一落子都会带来几乎无限的可能性,棋局变幻莫测。如果像“深蓝”一样依靠“死记硬背”棋谱和穷举搜索的算法模式,计算能力再强大的机器要战胜人类围棋高手也几乎全无可能。因此可以认为,“深蓝”的胜利是硬件的胜利,“阿尔法狗”的胜利则是软件的胜利。

   2.符号逻辑、专家系统到深度学习

   从“深蓝”到“阿尔法狗”的机器人进化,实际上反映出人工智能发展过程中由“符号逻辑推理——专家系统——人工神经网络深度学习”的关键演进历程。符号逻辑是人工智能早期思想。认为只要解决了自然语言处理即符号化问题,基于少数几条基本的公理和定义,依赖于计算机强大的的计算能力、存储能力,通过数理逻辑和博弈论推演,即可演绎出新的定理和其它推论。实际上目前一般计算机的统计分析软件都已能够很好地达到这种“智能化”效果,但人们发现这种方法只能在一些小规模简单问题上应用,随着问题规模的扩大和复杂化,其搜索空间规模呈指数型急剧上升,根本无法解决现实世界实际问题。专家系统在单一符号逻辑推理基础上更进了一步,是旨在将人类专家决策能力与机器符号逻辑推理能力相融合的系统。专家系统通常分为两个子系统:知识库和推理引擎。知识库是存储结构化信息的技术手段,推理引擎是一种自动推理系统。专家系统的知识库规则与事实来自人为定义和补充,通过“人机回圈”(Human-in-the-Loop)、“众机回圈”(Society-in-the-Loop)实现“人机互动”,人是规划环路的一部分,人的判断既用于业务决策,又被反馈到机器学习算法中使其更加“智能”。有点类似于软科学研究的“德尔菲法”。可以想见,其智能不可能超过人类智能水平。

   人工神经网络是对人脑生物神经网络的模仿。人类意识之谜还没有完全解开,人脑具体是怎样工作的机制还不清楚,但解剖生理学知道了大脑的结构,由蛋白质,人脑中有1000亿个神经元,生物神经网络依靠数量庞大的神经元和突触连接构成。无论何种思维都落实为神经系统的生物性-物理性-化学性运动。人工神经网络摒弃了给机器输入逻辑规则的思路,而是尝试模仿人脑结构“重建”大脑。以感知器替代神经元,以并行方式电子电路模仿神经元连接,人工神经元网络结构呈多层分布,因此被称为“深度神经网络”,随着反向传播算法的提出,人们可以通过预训练微调非循环多层神经网络,模仿人脑达到“学习”的目的。学习过程就是调整每个人工神经元中保存的参数值的过程。学习训练的过程区分为监督学习、无监督学习和强化学习,反复训练,即所谓“深度学习”。每个人工神经元保存的参数值即神经网络的“记忆”,信息被分布存放在整个人工神经网络中。

阿尔法狗了不起的是它能够像人一样拥有“棋感”,能“看懂”围棋的“势”,对每一个局面估算有利程度,取有利程度最大的选择,推测当前最优走子。围棋棋局的“势”即局势、形势,是棋手从整体出发对棋局的判断。人类棋手的棋感在强化训练反复实践长时间积累中形成,是人类特有的直觉。对于机器而言,如果你给它看一张图片,它“看到”的无非是一推0/1这样的二进制数字,除了可以很快数出图像里面包含有多少种不同颜色及其排列的信息外,其它的一概不知。数码相机用“像素”表示清晰度,电视电脑显示屏区分多少多少“线”,机器读图是一由点到线到面的“逐行扫描”的过程。而人一开始是从全局的角度看这个图片,一眼就能知道这个图片大概是什么东西、什么内容。这是整体模糊识别,可能会自动忽略一些不重要的细节,同时抓住特征和关键。可以看到,目前人工智能的飞速发展很多都是从图像识别开始。人工智能神经网络应用在计算机视觉上的重要突破,就是不再让计算机用0/1来逐点逐行扫描识别图像内容,(点击此处阅读下一页)

    进入专题: 费孝通悖论   人工智能  

本文责编:sunxuqian
发信站:中国福彩网_[开户赠金](http://feifeitv.com),栏目:天益学术 > 社会学 > 社会思想与理论
本文链接:http://feifeitv.com/data/120129.html
文章来源:作者授权中国福彩网_[开户赠金]发布,转载请注明出处(http://feifeitv.com)。

2 推荐

在方框中输入电子邮件地址,多个邮件之间用半角逗号(,)分隔。

中国福彩网_[开户赠金](feifeitv.com)网站为公益纯学术网站,旨在推动学术繁荣、塑造社会精神。
凡本网首发及经作者授权但非首发的所有作品,版权归作者本人所有。网络转载请注明作者、出处并保持完整,纸媒转载请经本网或作者本人书面授权。
凡本网注明“来源:XXX(非中国福彩网_[开户赠金]网)”的作品,均转载自其它媒体,转载目的在于分享信息、助推思想传播,并不代表本网赞同其观点和对其真实性负责。若作者或版权人不愿被使用,请来函指出,本网即予改正。
Powered by feifeitv.com Copyright © 2020 by feifeitv.com All Rights Reserved 中国福彩网_[开户赠金] 京ICP备12007865号 京公网安备11010602120014号.
易康网

页面底部区域 foot.htm