当前，数字人文在语言学、历史学等领域的研究已经兴起，计算语言学和数字历史格外受到关注，结合计算技术的哲学探索也方兴未艾。首先需要阐明的是，计算哲学（computational philosophy）作为一种新的哲学研究方法，不是对计算机技术、数据技术、人工智能技术等进行哲学反思，而是将一系列计算技术应用于哲学领域，试图以此促进哲学发现、考察和论证。目前，计算哲学主要采用的计算技术是通过计算建模来进行模型模拟（也被称为“虚拟仿真”）。然而，这种新方法引起了哲学研究内部和外部的争论。比如，思想是否可以被计算和模拟？模拟理想情境是否有价值？算法得出的哲学模型是否具有稳定性和可重复性？特别是，模型模拟这种方法能否被认为是一种哲学方法？或者采用这种方式研究哲学问题，能否算作一种哲学方法？ 

　　在有关哲学方法的手册、核心教科书或哲学方法的论文数据集中，建模或计算模拟鲜有涉及。威尔森（Conor Mayo-Wilson）和佐尔曼（Kevin J. S. Zollman）等学者为计算哲学是一种哲学方法进行了辩护，认为在取得哲学目标上，建模和计算模拟要优于思想实验，而且设计和编码计算模型本身能够培养良好的哲学思维习惯。不过，他们的辩护侧重于讨论建模和模拟方法本身所具有的工具价值，以及计算哲学相比已有的哲学方法（如思想实验、实验哲学等经验研究方法）在促进理解哲学问题上的优势，而忽视了计算哲学在解决现实问题（而不仅是哲学问题）时的认知价值。 

　　鉴于此，本文将首先呈现已有的计算哲学研究涉及的领域和采用的具体进路，厘清计算哲学是否为一种哲学方法的现有争论，指出已有的争论混淆了模型模拟本身的方法问题与计算哲学自身的问题；再以科学哲学对科学合作中的哲学问题所做的计算模拟为例，为计算哲学作为一种新的、补充性的研究方法的双重认知价值进行辩护。 

　　一、计算哲学的兴起：工具主义还是解决问题 

　　 将数字技术特别是人工智能技术用于哲学研究，是否在追赶潮流，或是否仅基于一种工具主义的立场？在工业和经济领域之外，最早拥抱和采用人工智能技术的是科学研究领域。人工智能技术，特别是机器学习技术，被认为能够提高科学研究的效率、速度和质量，以及带来科学研究模式的变化，甚至在科学发现中发挥主要的认知角色。事实上，相对于自然科学、物质科学和生命科学领域，在人文领域的人工智能应用程度也并不低。通过文献计量和分析发现，自20世纪80年代开始，人工智能技术便被应用于艺术和人文研究领域。迄今为止，其应用所占比重为3.2%，甚至高于农业和生命科学、牙科、免疫学和微生物学、护理学和兽医学等领域的占比。哲学研究领域应用建模技术始于20世纪90年代，斯科姆斯（Brian Skyrms）通过建模来分析政治哲学中习俗和社会契约的理性起源。时至今日，计算建模在社会认识论、科学哲学、社会与政治哲学等领域被使用得较多。 

　　 计算哲学作为一种新兴的方法，其应用并非十分广泛，而是闪点式出现在不同领域中，很难通过明确的分类方式来概括其一般性特点。为此，我们将选择不同领域的具体案例来概述计算哲学的现状。从模型类别来看，计算哲学多使用其他领域已使用的模型，而不是专门用来解决哲学问题的模型，来处理与复杂现实社会有关的哲学问题。这些模型包括分析模型、贝叶斯模型或基于自主体的模型（Agent-Based Model，ABM）。比如，在语言哲学领域，研究者借鉴博弈论模型，分析语言模糊性问题；在社会哲学、社会认识论和政治哲学领域，研究者利用贝叶斯模型或基于自主体的模型，讨论社会契约与分配正义问题、认知理性与社会极化问题；在科学哲学领域，研究者使用自主体模型，分析科学合作中的认知劳动分工、科学家的交流网络、理论选择偏好、科学共识的形成等问题；在中国哲学领域，研究者利用主题建模（topic model）技术对古籍文本进行分析；等等。 

　　 计算技术应用于对哲学问题的讨论，一个重要优势是促进我们对复杂社会系统中动态问题的理解。在社会认识论领域，当知识不再被视为个体性的，而是超越个体认识论层面时，研究者想知道，从个体主义到不同个体之间的交互如何达成共识，这种共识是否在认知上合理，以及如何为集体知识的规范性进行辩护。以科学共同体的探索如何构成集体知识为例，通过计算建模可以促进理解，科学共同体中的社会交互、社会规范、奖励和系统，如何与科学探索过程一起，共同影响科学知识形成。在信念认识论研究中，研究者构建了基于主体的模型，以计算模拟动态过程，发现持有高阶信念的群体或有不同程度极化的群体，通过信息和信任建立起联系，最后可以达成认识上的理性。在有关论辩策略的社会机制中，研究者可以通过在模型中引入初始条件，探索个体的策略和认知局限如何影响群体的论辩过程，个体如何基于推理或者论证来改变信念；通过群体性论辩，一些争议性论证既可以由共识来传导，同时还可以追寻真理。通过基于自主体的模型进行模拟，还可以揭示社会哲学关注的博弈行为与合作行为的涌现。比如，自私的群体如何才能达成合作，合作中的伦理必要性如何产生，亲族选择如何涌现并发挥作用，以及少数群体如何在社会交互过程中变成劣势群体。 

　　哲学研究面向复杂的社会系统，探索信念、观点、信任、意图、价值等问题。较之于科学研究中的受控实验对自然世界的理想化、机械化建构，即使是简化的社会系统，不同主体之间的相互作用仍远复杂于机械系统，需要考虑难以测量的人类信念、意图和信任等问题。自然界或人造的机械系统，或多或少可以算作决定论式的，而大部分社会系统的组成部分之间的关系则是概率论式的。而且，我们获得的有关社会系统的隐性知识，常常并不被认为是知识。诉诸计算技术，哲学研究可以将这些问题概念化后，再进一步过程化、明晰化。 

　　可见，计算技术与哲学问题的结合，并不是因为计算这种方法已被广泛应用于自然科学和社会科学等领域，所以哲学研究也要拥抱这种新技术。而是因为采用这种方法，契合了当下的哲学研究所关切的现实问题，有助于挖掘现实世界问题背后的社会动态机制，丰富哲学研究的深度和广度。接下来，我们将以科学哲学为例，分析计算哲学为何是哲学研究对现实问题的关切，与模型模拟具有挖掘动态机制的优势，这两者自然结合在一起的结果。 

　　二、科学哲学的经验转向：经验描述还是机制解释 

　　 近年来，参与式的科学哲学开始兴起，目标是将对哲学问题的理论思辨转向对社会问题提供更加实用的解决路径，从对科学发现问题的理性重构转向分析并解决现实世界中的问题，做有用的科学哲学。这种参与式的哲学不仅希望对解决社会或经济问题作出贡献，还力图在哲学知识方面作出贡献。这是因为，将哲学观点应用于具体的现实目标场景中进行分析的同时，也可以拓展并验证具体的哲学观点或理论。更进一步地，科学哲学家索伯（Elliot Sober）倡导，科学哲学家的工作应严格区分哲学问题和科学问题，去拥抱一种深度参与式哲学——科学中的哲学（philosophy in science），利用新的哲学工具解决科学问题，或找出科学争论背后的哲学问题，进而促进科学家解决科学问题。这种哲学工具不同于传统的哲学研究方法（通过概念分析或论证），而是像科学研究一样去获得可观察的证据。 

　　在这种愿景下，哲学家开始使用社会科学的研究方法来生成自己的经验数据，从而支撑关于科学实践的一些观点。比如，使用定量的调查数据、文献计量方法，或是通过做“实验”来理解基因等特定的科学概念、自然实体等。不同于思想实验、逻辑论证、理论推导或历史案例研究，田野调查、模型模拟等方法丰富了我们对科学研究中社会维度和规范性维度的理解。不过，这些经验进路在科学哲学研究中的潜在价值以及经验研究本身所具有的作用，引起了一些反思和批判性讨论，特别是对于描述性的工作如何解决规范性问题方面。 

　　 具体而言，在回答科学如何取得进步的问题上，库恩（Thomas Kuhn）提出，常规科学中科学家从事着解谜题的活动，将科学的进步看成“作为整体的群体解决新问题的有效性和效率”。在这个问题域之下，雷（K. Brad Wray）作为一个桥梁式人物，利用文献计量这种经验研究方法来探索科学哲学问题。比如，诺贝尔奖得主的年龄分布与新颖性成果的取得之间的关系、革命性的科学论文如何被引用等。雷发现，新颖性特别强的论文会成为科学史、科学哲学、科学社会学和科学计量学领域的研究对象，并带来新的引用。对科学家的实验室展开的人类学田野考察，揭示了科学合作的过程中科学家如何调适要解决的问题，进而应对其中的复杂性。这些研究拓展了已有科学哲学的问题域——从关注科学理论和辩护的语境，转向聚焦科学实践、打通科学发现与辩护的语境。不过，这些研究所依据的经验数据，要么是来自小样本，要么是对特定的实验室展开的田野考察，多停留在描述层面，与哲学研究所追寻的一般性、抽象性和对规范性问题的解答，尚存距离。 

　　形式化的计算建模和模型模拟这种方法，可以探寻科学研究中的社会维度和认知维度之间的抽象关系和机制。接下来，我们将以理解科学合作中哲学问题的计算模拟为例，讨论计算模拟这种方法对于哲学研究的价值——并非仅为工具主义的，而是具有独特的认知价值。 

　　三、计算哲学的多重认知价值 

　　计算哲学的认知价值，一方面来自计算模型本身，如解释力、预测能力、探索能力、试错能力等；另一方面来自哲学家将哲学问题与建模方法的融合，能够将现实问题的形成和演化过程抽象化，促进对复杂社会现象背后动态机制的探索。 

　　以科学合作中的具体问题为例，在真实的科学研究中，合作中的科学家有认知上的分异，他们在合作过程中会出现认知上的分歧。科学研究特有的社会规范，又会影响共识形成、集体理性、荣誉分配、贡献识别与担责等问题，让认知和社会过程中的规范性问题交织在一起。科学家采用的不同认知策略和职业生涯中的不同选择，也会影响合作的达成与推进，进而形成复杂的认识论网络。换言之，现实的科学合作达成与推进，是一个复杂系统。计算哲学有助于揭示科学合作中的社会机制，探析合作带来的复杂社会系统中因果力的表现形式，以及关联起不同社会机制的因果关系。 

　　 基于认知劳动分工的一系列理想模型，计算建模试图通过考察如何优化认知劳动分工，解释科学合作中的社会机制并进行预测。比如，科学家在求解问题时采取的策略不同，有的喜欢单打独斗，有的倾向做领头羊，有的愿意做跟随者。在合作过程中，他们还会根据自己和其他团队的研究进展进一步划分认知劳动，根据合作群体的认知交互更新信念。不仅如此，科学家在面对同一个研究目标时，往往会采取不同进路。比如，在DNA双螺旋结构的发现过程中，不同研究小组之间就存在着不同进路的竞争。另外，科学家们即使单独工作，也会在研究取得进展后影响科学群体的研究策略。基于自主体的模型，通过模拟认知劳动分工，能够在更大程度上模拟与真实科学研究类似的认知情境，还能够更加灵活地呈现出各种可能性。比如，基金分配、研究方法选择、团队大小、团队负责人的研究策略、团队中的性别等多样性以及信念变化等具体问题。虽然真实的科学合作图景是高维的，但计算模拟可以抽象出少数几个维度，分析这些维度的相互作用过程，并对最终结果进行预测。比如，如果在奖励系统的激励下，合作群体在方法论上具有同质性，通过合作推进也可以带来多样性。科学研究中的社会规范会影响合作群体的认识论策略，减少合作网络中的个体多样性，从而反向影响合作群体取得认知进步。 

　　同时，计算模型还可试错，排除可能性，既可以确证已有理论，也可以通过否定可能假说来获得知识。比如，一般认为科学研究中充分无误的交流能够促进认知进步。而计算模型结果发现，当合作者不太关注彼此实验结果时，合作群体在认知上反而会表现出更强的可靠性。此外，模型模拟还具有探索新问题的能力，这是概念分析难以实现的功能。概念分析往往做的是反思性工作，探索性较弱，尤其缺乏对探索性工作成败进行预测的能力。在这个层面上，模型模拟的探索性与预测性是结合在一起的。 

　　总之，模型模拟提供了新工具来考察复杂动态系统，进行预测、解释和纠错，探索不同的可能性，并与经验结果进行对照。科学研究中通常会使用海量的经验数据，进而建立回归模型来进行数据分析。模型模拟中的虚拟模型，与基于海量数据来建立的模型不同，虽然较少依赖海量的经验数据，一般是对事件的可能性进行论证，有时是对历史事件进行简化后进行虚拟仿真；但对模型模拟运行后出现的结果中的数据进行分析或是建模的过程本身，不仅是一种哲学上的理论化过程，而且能够和真实的科学研究实践结合，为一些可能性的观点作出辩护或纠错，由此将因果假说明晰化、具体化。 

　　四、理想化与验证性：计算哲学如何反推模型固有问题 

　　尽管模型模拟有上述认知价值，但关于计算哲学的争论，不少是来自模型自身的问题，特别是模型将现实情境理想化、哲学概念和框架过于抽象以及模型的验证性（validation）等方法论问题。下面将要论证的是，模型模拟这种方法本身固有的问题，并不能成为质疑将它用于探究哲学问题的理由，而且哲学家通过使用模型获得的经验，可以更好地反馈对模型模拟这种方法背后的哲学问题的讨论。 

　　 诚然，模型模拟虽然试图讨论真实情境，但是建模时涉及的要素依然是有限的。建模的首要条件是理想化，将少量可能的影响因素抽象化和简化，进而探寻可能的机制。不过，理想化和部分化本身并不能成为评价模型优劣的条件，模型好坏还与建模目的、稳健性等相关。而且，理想化在自然科学研究中十分常见。比如，受控实验就是在对自然条件进行理想化，只不过简化的是物理系统而不是社会系统。正是因为这种理想化，科学家才得以考察同一现象的不同特征。典型的理想化，是理想条件下气体的体积和压力之间的反比关系。进一步地，这种理想化和简化模型，还成为科学家进行推理、预测和干预现实世界的工具。比如分子结构模型，化学家将复杂分子结构高度理想化后，可以用来分析化学反应机理，预测化学反应，做出计算并且干预反应条件。科学家在理想化模型和复杂的自然现象中寻找权衡。不仅如此，科学研究中的模型和建模，本身也是视角主义的，仅能探索有限的问题。有些模型看起来是不相容的，但都是在求真。比如，欧洲核子研究中心利用大型粒子对撞机来研究高能物理，研究团队虽然使用了标准模型之外的两种不相容的模型，但物理学家在对科学问题的探寻中均诉诸实在，追踪自然现象中的真。为此，模型模拟这种方法本身固有的问题，并不能成为质疑模型模拟作为一种哲学研究方法的充分理由。对于计算哲学而言，模型模拟更重要的目标是给出可能的预测，给出某些特定事件发生的可能性。即使不能对现实问题给出精准的因果关系，进而被现实世界中的现象所验证，但它依然有价值。比如，在讨论科学家采取何种认知策略能够最快实现认知目标、做出科学发现的问题上，前文所述的认知景观模型模拟，发现领头羊型和追随者型的混合群体，能够很快地找到认知目标。不过，模型模拟也发现，这种混合策略也会出现阈值。 

　　更进一步地，哲学家的计算建模工作，还能拓展模型模拟这种方法的应用场景，反推计算机科学家思考计算模拟的缺陷和价值。比如，我们分析了科学哲学家韦斯伯格（Michael Weisberg）与合作者的计算模拟工作的被引情况，发现这篇论文在计算机科学、数学、数学生物学与计算生物学等领域都被广泛引用。 

　　此外，计算哲学的工作，还可以反过来促进思考模型的价值和验证性问题。科学哲学的优势，是讨论科学研究中的概念和方法。而计算模拟作为当下科学研究除了实验和理论之外的第三种进行科学研究的方式，背后有不少哲学问题。比如，模拟仿真如何准确复现真实世界的过程？建模过程是否融入了非认知价值？成功的建模有哪些特征？气候模型就是一个典型例子，建模的过程涉及重要的伦理问题和科学哲学问题。但是，目前科学家在关于气候变化的经验研究中，往往并没有触及太多的哲学问题。人工智能研究领域的学者所引用的文献，多来自数学和计算机领域，而少有哲学、地理学和艺术学等领域的文献。建模的过程和经验，能够促进科学哲学研究者思考和评价科学模型中的哲学问题，并启发计算机科学和数学研究，以及促进理解人工智能驱动的科学发现中的哲学问题。 

　　 总之，计算哲学展现出双重认知价值：促进理解复杂现实问题背后的社会机制、改进模型模拟在方法上的缺陷。而模型本身存在的方法问题，并不能成为质疑计算哲学的理由。模型模拟只是哲学研究工具箱中的方法之一，本身并不能自动回答哲学问题，也不会自动补充或取代如概念分析、历史分析、逻辑论证、思想实验等其他哲学方法。虽然模型模拟以及计算哲学在一些方面存在缺陷，但正是因为有这些多元化的进路，可以为哲学研究拓展新的可能。比如，在不同群体的知识、信念、规范等形成的社会机制上，挖掘和优化真实的科学实践中基金分配的机制，可以探索集体审议能否促进集体知识的形成。在具体的建模方法上，可以探索能否发展出适用于哲学问题的专属模型，并像自然科学领域的模型一样发展出基于模型的认知，以提高模型的可理解性。在反推模型模拟方法的认知价值上，计算哲学结合自身的建模实践，从设计者和使用者的视角对模型模拟方法论的考察，能够推动计算科学领域优化模型，助力解决计算模型模拟特别是机器学习中模型的认知透明性问题。 

　　〔本文注释内容略〕

　　原文责任编辑：莫斌  崔晋