從表面上看，對任何具有很強的專業性與運作效率，卻依然需要人類加以操控的機器而言，其在社會中的大規模運用，一般只會大量解放人類的勞力，增加人類自由創造的時間，并使得人類文明更加繁榮，而不會使其衰弱，據此理路，如果深度學習機制在本質上與這樣一種機器相似的話，那么其出現似乎也應當成為人類文明的福音，而不會成為人類文明的遠憂。但不巧的是，深度學習機制恰恰在下述方面與前述機器是不同的：一般意義上機器的運作所消耗的主要是自然資源（如煤炭、石油、天然氣）而已，而深度學習機制的運作所消耗的資源，除了自然資源之外，還包括人文資源。由于人文資源本身的再生是以大量的人類勞動力的存在為前提的，所以，深度學習機制對于人類勞動力的大量取代，將從根本上對人類社會人文資源的可持續發展構成威脅。

為了將上面這層道理說透，筆者還需要回答兩個問題：

首先，什么是人文資源？為何人文資源的基本構成要素一定是自然人，而不能是機器？

其次，為何說深度學習機制對于人類勞動力的取代會消耗人文資源，而傳統的機器（如紡紗機、汽車、高鐵等）則不會？

先來看第一個問題。筆者所說的“人文資源”是一個相對寬泛的概念，它包括一個經濟體內部的社會成員既定的價值觀體系、通常具有的文化知識、一般智力水平等等。它與一般所說的“勞動力”這個概念相比，還包括了使得合格勞動力得以產生的培訓機制與隱性文化-意識形態背景。具有正面價值的人文資源將具有如下特征：它具備一個穩固的卻并不僵化的知識培養體系，能夠穩定地培養出具有相應勞動素質的勞動力——這里所說的“勞動素質”除了專業技能之外，還包括勞動者的上進心與誠實、守信等基本品德。其中的高級勞動力還必須進一步具備挑戰權威、勇于創新等高級素質。這里需要注意的是，從“量”的角度看，就目前的技術發展水平而言，人文資源的保持與發展是依賴于一定數量的人類勞動者的存在的；而從“質”的角度看，勞動個體之間存在的差異性所造成的市場競爭，又為既有人文資源的日益豐富提供了契機。換言之，具有特定生物學基礎，作為人類歷史產物并具有一定數量的人類個體，才是上面所說的隱性文化-意識形態的實踐者、特定職業培訓機構的運作者，以及此類機構的培養對象。

與之相比較，目前的人工智能產品卻不能成為人文價值的真實承載者，并由此成為人文資源的有機組成部分。其相關論證如下：

第一步：任何真實的人類人文價值的承載者都需要“理解”相關的價值規范。這里需要注意的是，“理解”不僅僅是指在字面上能夠背誦相關的規范內容，還指理解者應當知道如何在各種難以預期的變化語境中以靈活的方式執行規范的內容，比如，一個合格的人類司機應當知道在緊急避險的情況下，要如何適當放寬對于特定交通規范的執行標準，以免造成更大的災難。而這種理解一般將包括如下內容：（1）規則制定者的制定目的是什么；（2）自己執行這樣的規則的目的是什么；（3）規則得以實施的一般條件是什么；（4）為何眼前遇到的緊急避險情形構成了對于上述“一般條件”的反例；（5）在眼前的緊急避險狀況中，自己暫且違背交通規則中相關條例的恰當理由是什么——或說得更具體一點，為何說違背條例（卻能夠救險）所帶來的好處能夠抵消遵守條例（卻無法救險）所帶來的壞處。由此看來，完整地“理解”一條價值規范，是需要牽涉到理解者非常復雜的心智活動的。

第二步：目前的深度學習系統只能滿足對于特定輸入的簡單歸類活動，而遠遠沒有達到可以模擬上述復雜心智活動的地步（這一點筆者在前文中已反復說明）。

第三步：所以，現有的深度學習產品不能成為人文價值的真實承載者。

對于上述論證的第一步，有的讀者或許會有疑問：既然人類行為主體對于同一價值規則的理解方式存在著那么多環節，這就會為不同的行為主體對于同樣的價值規則產生不同的理解制造大量的契機。在這樣的情況下，我們怎么可能保證在人類社會中，價值體系本身能夠得到忠實的傳承呢？

這里需要注意的是，適當的修正與變化，不僅是對于人類價值體系自身的“理解”環節所提出的邏輯要求，甚至也正是使得人類人文資源得以保存的內在要求，之所以這么說，本身又是緣于下述這個新的三步論證：

第一步：在質的規定性方面，測算人類文化資源的豐富性的尺度與測算自然資源的豐富性的尺度有著很大的差異。前者與種類的豐富性更相關，后者則往往與數量的豐富性更相關。譬如，如果我們說一個文化共同體內的影視產業所依賴的人文資源豐富的話，我們一般指的是該共同體內能夠產生的可供改編的劇本種類的豐富度，可供挑選的演員類型的豐富度，以及消費市場對于多樣性文藝作品的接受能力，等等。在這里，并沒有統一的標準告訴我們哪些人文資源的品類就一定比另一些品類來得好（舉例來說，在一位優秀的喜劇演員與一位優秀的悲劇演員之間再進行比較，往往是非常困難的，甚至是沒有意義的。俗語所說的“文無第一、武無第二”，也就是這個意思）。甚至就對于單純的勞動力資源的測算而言，只要該社會的工業與服務業的復雜性達到了一定的程度，拋開對于勞動力的類型與分層結構的考察而單純地考察勞動力的數量，也是沒有多大意義的（因為一支內部成員具有彼此相似機能的勞動大軍，是無法滿足一個具有高度多樣性的工業-服務業體系的運作要求的）。與之相比較，在我們討論石油資源或電力資源的質量時，我們往往使用的就是相對統一的衡量標準，并在該標準下更多地將注意力投注到相關資源的量上。當然，在純粹的自然科學考察中，也有個別學科門類對于自然資源豐富性的度量方式有點類似于對于人文資源的度量方式，如生態學的考察方式（因為生態資源的豐富度的確與生物種類的豐富度更相關，而不是與某特定物種的數量更相關）——不過，由于生態學的學術語境并不包含明顯的價值性評判要素，故而，我們是無從僅僅憑借“熱帶雨林的生態豐富性高于溫帶闊葉林”這一點就認定溫帶闊葉林在價值上“劣于”熱帶雨林的。與之相比較，我們卻完全可以判斷說，一個能夠生產更為豐富種類的文藝作品的文化共同體，在價值上要優于一個文藝作品種類單一的文化共同體。

第二步：很顯然，一個文化共同體內不同成員對于同一價值的不同理解方式，是能夠促發相關主體行為上的多樣性的。而這種多樣性彼此競爭，又能促使全社會對于價值規范的集體理解發生遷移或者分化，由此造成文化產品與工業產品的多樣化（如果將工業產品也視為某些文化觀念的固態化形式的話）。相反，單一的價值把握方式所產生的單一的價值取向與行為模式，一般就會削弱文化共同體的產出物的種類豐富性，甚至造成所謂“文化荒漠”。

第三步：所以，一個文化共同體內不同成員對于同一價值的不同理解方式，對于維護人類價值體系的“有機性存在”——區別于純粹的石油資源或天然氣資源的“無機性存在”——具有重大意義。

從上述結論中我們不難推出，除非現有的人工智能系統能夠像人類個體那樣對同一價值內容產生多樣性的、并帶有自身個性色彩的認識，否則，它們對維護人類價值體系的有機性存在并不能產生積極意義。但正如筆者所提到的，目前主流的深度學習機制是無法滿足這一要求的，因為深度學習機制無法復刻人類進行價值判斷時所經歷的那些復雜的心智活動。

那么，為何我們不能滿足于深度學習機制在主動維護人類價值體系方面的這種“無能性”，就像我們同樣可以容忍汽車、飛機等機械在同樣維度上的“無能性”呢？這就牽涉到了筆者對于前述第二個問題的回答——該問題是：為何深度學習機制的廣泛應用不僅無法積極地補充人類的既有人文資源，還會消耗之，而傳統的機械未必有此負面效力？

為了具體說明深度學習機制與傳統機器的不同，我們不妨就將該機制與現代化的交通工具——汽車、飛機等——進行比較。舉例來說，盡管汽車的發明的確取代了馬車，但是很初步的反思就會讓我們發現：這種轉變并沒有消滅人類勞動力，而是增加了對于人類勞動力的需求——譬如，傳統的馬車車夫的工作只是被汽車司機的工作所取代了，而且，由于汽車生產流程的復雜性遠遠超過馬車，汽車的生產與銷售本身也帶來了大量新的勞動崗位。更有甚者，私人汽車的普及其實是大大增加了人類個體的活動能力，并順帶增加了不同個體根據自身對世界的理解與認知來改造世界的能力，或者說，增加了不同的人類個體或人類集團在人類歷史中的博弈能力。這樣的變化無疑是增加了人類文明的豐富度，并由此為人類的人文資源的發展做出了正面貢獻。無獨有偶，在“人工智能”概念之外一般計算機技術的發展，也是起到了與“汽車普及”類似的功效。譬如，大量文檔處理軟件的出現，的確是大大減輕了辦公室公文的處理強度，而這一點實際上就等于為其他更需要智力投入的勞動形式的展開留出了大量的時間，并使得更多人能夠有更多的閑暇進行文化內容的生產，最終增加了人類文明的豐富度。

然而，深度學習技術的運用則與上述技術有著重要的不同。從表面上看來，深度學習所涉及的運用范圍非常廣，從“自動言語識別”“圖像處理”“藝術修圖”“藥品發現與毒理學研究”到“金融欺詐檢測”，幾乎涉及人類生產活動的方方面面，這種“普適性”也就給不少人造成了這樣一種假象：既然人類的更廣范圍內的機械化勞動都可以被人工智能技術所取代，那么，人類也就會有更多的閑暇從事自由的勞動，由此豐富人類的人文積累。但這個粗糙的推論是錯誤的，因為它本身是立基在一個錯誤的預設之上的：說某項技術已經涉及了領域A，就等于說該技術已經能基本勝任領域A的主要任務?；蛘f得更具體點，也恰恰是因為深度學習技術在原則上其實是不能真正滿足“自動言語識別”“圖像處理”“藝術修圖”“藥品發現與毒理學研究”到“金融欺詐檢測”等工作領域對于人類勞動的需求的，因此，過高估計相關技術在這些領域內的運用潛能，就會在根本上威脅到人類勞動者的培養機制的穩定運行，由此威脅到人類文明自身的穩定發展。

對于上述結論感到不服氣的讀者或許會再問這樣兩個問題：第一，為何深度學習技術不可能真正取代相關領域內的人類專家？第二，就算深度學習技術與傳統技術一樣，無法全面取代相關領域內的專家，那么，為何傳統技術對于人類特定工作領域的入侵不會威脅人類勞動者的培養機制，而深度學習技術卻偏偏會？

在這兩個問題中，比較容易回答的是第一個問題，因為我在前文已經指出，任何一個領域內的人類勞動都包含著對于相關規范原則的“理解”，而“理解”所需要的復雜心智活動是深度學習技術在原則上就無法模擬的。現在我們就以“自動言語識別”為切入點，再為此論點提供另外一個案例。“自動言語識別”指的是這樣一項技術：使用計算機的手段，將機器所獲取的人類發言的語音信息，自動轉化為文本信息，由此大大簡化人類速記員的工作負擔。而這項工作的難度就在于：不同人的發音帶有不同的個人色彩，因此，在對這些發音人的信息進行轉錄的時候，就會產生相當的差錯率。而且，同音詞現象的存在，也為系統的準確語義歸類制造了大量困難。而深度學習技術解決此類問題的典型方式可謂“簡單粗暴”：即以大量已標注的人類語音數據與語義符號之間的配對關系為素材，進行海量訓練，由此使得系統能夠模擬人類在特定語音與特定語義之間的配對活動。譬如，由深度學習技術支持的一個早期的自動語言識別項目——TIMIT——的做法，就從美國尋找到了來自八個美語方言區的630個發音人，讓每個人各自說十句話作為素材，以此訓練機器進行語音識別，并由此獲得了一定的工程學成功。

但麻煩的是，這樣的統計學操作卻很難覆蓋人類理解者的如下智力加工活動：根據對于發言人背景知識的預測，來推測某個發音代表哪個語義。譬如，如果你（作為一個具有充足人類智能的人類語言理解者）能夠從某個人前面的發言中聽出他的文化水準只有小學水平，你就不會期望他接下來的發言里會使用某些非?！案叽笊稀钡脑~匯；因此，當你貌似聽他說到某個“高大上”的詞匯的時候，你就會作出猜測：這其實是與之音韻相近的某個另外的詞匯。同樣的道理，在處理涉及隱喻的詞匯表達的時候，由于本體與喻體之間存在著巨大的領域差別（比如將中國歷史上的某個典故比附到當代商戰的領域中去），理解者本身所儲存的語義網范圍也就應當能夠具有對于這些復雜事項的表征能力，甚至其心智還應當具備在短時間內在不同領域的不同知識點之間搭建臨時語義橋梁的能力——否則，相關的語音轉化的工作也非?？赡軙皝G靶”。然而，目前的基于深度學習的自動言語識別系統，至多只能滿足對于特定言談領域的語義建模，而并不具備跨領域的語義類比能力。甚至從原則上看，即使在遙遠的未來，在深度學習的技術路徑中滿足這些要求也是不可能的，其根據則在于如下三段論推理：

大前提：任何在兩個領域之間建立類比聯系的臨時性修辭活動，都會具有鮮明的個性色彩；

小前提：深度學習機制只能對大多數人在大多數情況下所作出的言語行為進行“平均化”，并因此無法把捉任何作為“統計學異常數”出現的個性因素；

結論：深度學習機制無法把握任何在兩個領域之間建立類比聯系的臨時性修辭活動。

再來回答前述第二個問題：為何傳統技術對于人類特定工作領域的入侵不會威脅人類勞動者的培養機制，而深度學習技術卻偏偏會？在筆者看來，與汽車以及尚未研發成功的通用人工智能技術相比，深度學習技術處在一個很曖昧的位置：一方面，它的確比單純的機械更多地涉及對于人類智慧的模擬；但另一方面，與真正的通用人工智能相比，它對于人類智慧的模擬卻是粗暴與膚淺的。這種曖昧性顯然是傳統的自動化設備所不具備的，因此，就對于傳統設備的使用而言，一般的使用者也能夠清楚地厘定“機器”與“人”之間的界限，由此使得人類自主能動性不至于因為機器的介入而受到明顯損害——相反，某些更新的人類技能（如汽車駕駛的技能）卻反而會由此得到培養。但深度學習卻與之不同：該技術是以某種與人腦實際工作方式不同的方式，貌似完成了人腦所完成的某些認知任務，這就會使得人類對這些機器產生更強的依賴，并使得人自身相關認知技能的鍛煉機會大為縮減。

從哲學角度看，深度學習機制其實就是海德格爾所說的“常人”（德語“Das man"）的機械化表達：它濃縮了一個領域內的人類智慧的平均意見，并以大量個體化的人類常識判斷的存在為其自身存在的邏輯前提。如果我們將這些進行判斷的人類個體以及其所依賴的人文背景都視為廣義的“人文資源”的一部分（順便說一句，在前面所提到的TIMIT案例中，這些人文資源指的就是掌握大量美語方言的美國人的存在），那么，深度學習技術就可以被視為寄生在人文資源上的“技術寄生蟲”——它會慢慢揮霍人文資源的紅利，而本身卻不產生新的歷史發展可能性。

本文節選自《人工智能哲學十五講》（徐英瑾 著，北京大學出版社，2021年7月），澎湃新聞經出版社授權刊發。