一、有心无心，如遇故人

　　前些天，武汉大学蔡恒进先生在一个认知科学群里转发了一篇关于ChatGPT的文章。他是计算机和人工智能领域的专家。我半认真地说：蔡老师，关于ChatGPT这“孩子”的教育问题，就拜托您多费心啦。蔡先生回复：为AI立心！这是一个非常妙的回答；因为长期以来，人工智能有心无心这个论题，就一直是一个令人反复追问的所在。这使我想起学术生活的一段往事。

　　1980年代末期，我选过计算机系的两门课，一门课名是《知识表达，knowledge representation》，另一门是《神经网络模型化，connectionist modeling》，我的一篇期末论文题目是《复合心智, multiple mind》。老师评语甚佳，我得了两个A, 挺高兴。其实，从知识表达发展出的知识编码解码，由神经网络模型发展出的词距权重微调技术，正是如今ChatGPT和其他类似人工智能系统底层设计的二项基本技术支撑。所以，看到ChatGPT来了，我有如遇故人之感。始料不及的是，这孩子如今这么有出息，竟然成了社会公众人物，这是好事。毁誉参半，就是成功。

　　当时上计算机系课的时候，学校还请了美国著名哲学家塞尔来讲座。塞尔把神经网络模型狠批一通。他说，如果你主张这计算模型具有心智，必须同时满足四个条件：主观性（subjectivity), 意向性（intentionality), 因果性（causality) 和意识（consciousness)。给我们讲课那位计算机系老师就在下边听讲座，我在旁边都感受到气氛有些尴尬。心想，这有心无心之争，还真是个事儿啊。

　　1990年秋季，我从哲学系转入心理系。在我新办公室门上，不知哪位学长留下一张纸条，写着：“What is mind, no matter. What is matter, never mind.” 这两句话，谐正双关，我试译为：“何为心智，断不及物。何为物质，从不走心。”谐也好，正也罢，可见有心无心是人工智能和科学哲学领域的永恒议题。

　　二、判定问题与“我不知道”

　　最近某日凌晨，我在一个数学家的群里发了一条看似无理的微信：“请教，在目前解析数论的语言和概念框架下，黎曼猜想是可判定的吗？”结果有三位同仁用这个问题去问ChatGPT, 问的方法仅稍有差别，内容是一样的。ChatGPT的回答竟然很不一样。第一个回答属于所答非所问，等于什么都没说。第二个回答纯属胡扯。第三个回答显示了预训练的水平，概括地讲了目前黎曼猜想的研究现状，但并设有正面回答问题。这三种回答模式本身并不可怕，反而反映了人们在语言行为的不同表现，给人感觉似乎它不经意间通过了传统的图灵测试；因为，环顾左右而言他，不懂装懂，瞎编乱造，或者按背过的知识点机械回答，这些都是人们语言行为有时出现的现象，不足为怪。

　　但真正令人担心的是，ChatGPT似乎不会说：我不知道。我问的问题，实际上是一个涉及计算复杂性理论的非常难的问题，称为判定问题。并不是在问在数学上如何解决黎曼猜想。两者属于不同的层次。正常人（包括相关领域的专家）的回答应该是，我不知道。“我不知道”或相近短语应该是相当靠前的高频短语。一个不字或其近义词应该占到了半边天下。可见，不仅ChatGPT, 还有它的设计者，都还有很长的路要走。ChatGPT无心，在语言行文中显得有些缺心眼儿可以理解。可是其设计者有心，应当感到焦虑才是。

　　三、ChatGPT与认知革命三学派

　　由1950年代开始的认知科学革命，产生了大致三个颇为不同的学派，即乔姆斯基与米勒的语言习得学派，吉布森与奈瑟的环境赋能学派，以及西蒙与纽沃计算学派。乔姆斯基学派当年又称为哈佛学派。语言学派从语言习得的角度，区分了人们与生俱来的内在认知装置（competencies，capacity)和后天的语言行为表现（performance, ability)。环境学派（后来又称生态心理学）认为环境布满各种结构，而人在与这些结构相互作用时被赋予（affordance) 了认知能力。计算学派强调计算机模拟的重要性，以设计各种认知与行为的计算架构为己任。不难看出，ChatGPT作为一个课题涵盖了这三个学派的方方面面。

　　在一篇短文中提到这些，不是为了展开论述，而是为了提供一个路线图示：如何考察ChatGPT的认知以及我们对它的认知。这和初识某人，想要做进一步了解，是一个意思。比如，上面第一小节是在乔姆斯基意义下，介绍ChatGPT的内在装置与基本能力（competences，capacity), 第二节说的是其表现（performance)。至于说它有出息是指其技术进步，而说它是公众人物，三位同仁不约而同地去问它同样一个问题，是说其产生的社会影响。这种路线图示可帮助我们区别什么是其技术进步，什么是其科学发展，什么是其社会影响，以及什么是其商业宣传。人的时间精力和资源都是有限的甚至是稀缺的。所以，投入一件事情，就要考虑自己的机会成本。

　　四、以标准教育考试为例

　　1997-2000年，我在普林斯顿大学和美国教育考试服务中心（ETS) 同时做博士后。研究课题之一就是在普林斯顿大学心理系的推理实验室为GRE和SAT测试考题相对难度。相当于对考题文本的经验分析。其时，也正是ETS开始发展机考和机器阅卷（包括写作）技术的初期。一道考题的相对难度，不仅涉及题目文本的表层结构，还要涉及其深层结构，例如推理结构和决策结构。结构化程度，比如排比句的递进，也是判断一篇文章写作强度与论证力度的关键判据。

　　结构性为我们提供各种认知通道，也是知识成规模迁移的重要工具。结构化是思想语言的基本特征, 应该也是自由交流（Chatting）的题中应有之义。历来，逻辑主义AI强在其结构性基础，神经网络AI强在其模块化处理。有机会我想了解后者在结构化技术上的进展；例如，可以应用哥德尔算术化方法构造自指语句，从而加深对话层次，等等。俗话说，人无远虑，必有近忧。

　　五、商业性认知与非商业性认知

　　其实，对于大多数人而言，ChatGPT只有工具性和应用性的意义。那么，什么是ChatGPT对于个体的工具性意义呢？塔斯基的不可定义性定理告诉我们，任何个体工具性真理是不可在个体工具性层面定义的，而只能在高于个体性和工具性两者的层面来定义。这个课题的深入讨论超出这篇短文的范围。简略而言，对于ChatGPT的认知方式和使用方法取决于ChatGPT本身的认知水平。但后者存在两面性，即商业性和非商业性。区别两者的标志之一，就是预训练内容的公开与否。

　　在商业性假设下，预训练内容是保密的。客户在不清楚预训练内容的生态环境下，就只能与ChatGPT博弈所谓“20问题游戏”。这个具有极大不确定性的博弈过程要由量子力学波函数来刻画。没有详细的预训练信息，客户对ChatGPT的观测只能是狄拉克意义下的微观观测，满足测不准原理。

　　在非商业性假设下，预训练内容是公开的，而且OpenAI有义务提供并不断公布更新的预训练具体内容。在这种情况下，客户和ChatGPT处于信息对称的状态，后者就像牛顿所观测到的自由落体苹果，两者的关系用一般的连续函数就能刻画了。

　　　结束语

　　对于前段时间听到的元宇宙和最近听到的ChatGPT，我们感受到的都是“大词”，“网络技术大革命”“人工智能大拐点”“广泛应用大前景”“无限可能大市场”，等等。对此，我持开放心态，乐见其成并愿与其并肩前行。但同时，我感受到大资本的挟持，大商业的奴役，大浪潮的垄断和大趋势的无形。我只想弱弱地问一句站在ChatGPT背后的人，可能告诉我，您都预训练了那“孩子”什么，明天早饭您准备给那“孩子”吃什么？也许，我还会多问一句，您知道什么是NP问题吗？