涂 良 川

(华南师范大学 马克思主义学院，广州 510631)

深度学习被喻为人工智能的未来，这不仅是因为其以技术逻辑推动了机器“自主”学习的发展，更因为深度学习的技术化学习过程、功能化学习成果、操作化学习改进为理解生物智能“提供一个新的概念框架”[1]前言16。深度学习在神经生理学、系统科学和统计学等学科的启发下，尝试性地实现了从对象化到非对象化的识别能力，在建构理解概念的过程中，一方面更新了人工智能的知识库，将数据的规律内化成判定的原则、推理的规范、预测的根据；另一方面，则以数据感知的方式修正算法误差、推进算法进化、实现算法泛化，使其具备了跨越专家系统的可能。虽然深度学习是机器学习的一个特定类型，具有机器学习的一般规定性，但是其“可以让计算机从经验中学习，并根据层次化的概念体系来理解世界，而每个概念则通过与某些相对简单的概念之间的关系来定义”[2]1。深度学习以获得嵌套性概念体系的方式超越了符号逻辑对对象世界的硬编码，将人类学习能力注入到计算机系统中，使其兼具人类认知的实践灵活性与人工智能推演的精确严密性，使人工智能能够在对基本学习模式的调用中获得复杂的知识、形成科学的认知、作出准确的判断。深度学习基于多层次组合的普遍原理，使“计算机通过较简单的概念构建复杂的概念”[2]3，其类神经的电子网络通过参数的修正、结果的比对、成效的评价，形成了能够在相互关系中定义对象的能力。虽然，深度学习并非以共相的一致性来保障判断的准确性，但其通过递归调用而形成和修正的模式却使其获得了由环境定义的“家族相似性”。在层次或深度的加持之下，一方面机器“感知”到的图像、声音等信息密度低的“感觉材料”被深度学习“嵌套的层次概念体系”抽象化成信息密度高、描述能力强、逻辑判断准的“概念”，使机器学习获得的规律具有自然语言概念的抽象性、规范性与跨越性；另一方面，基于对神经网络与信息传递的模拟，深度学习“能以经验为基础进行自我建构”[3]29，既还原了智能形成于人与外界交流学习的历史现象学，又使实践经验反向修正实践前提的原则具体化为深度学习优化模型的“梯度反向传播”等算法，使其具有开放性与灵活性；再一方面，非线性操作的多层网络“将无理变为非线性的有理”[4]42，赋予深度学习系统获得类数学的逻辑自洽性，既能够依据先验知识作出精确的预测，又能够依据训练数据进行泛化，使其具有超越先验知识的可能性。因此，深度学习提取规律、优化模式和泛化预测的技术路径，既是学习的技术实现，更是对学习本质的哲学追问。这不仅使人工智能的技术范式以数据量的扩张、计算力的提升等来提高智能的物理性原则进展到了对学习能力获得的探讨，而且使人工智能在深度学习的加持之下，从传统人工智能“大数据小任务”的模式正在向“大数据大任务”和“小数据小任务”方面发展与转变。所以，呈现深度学习追问学习本质的哲学叙事，既是对人工智能技术逻辑的哲学理解，又是对人工智能时代认识论的哲学探讨。

一、数据规律的提取与对象世界的概念化

深度学习得益于多层感知机的启发，使其成为继逻辑回归“监督学习”、表示学习“无监督学习”之后的机器学习全新阶段。虽然深度学习作为机器依然从数据中获得知识，但是其却可以在“概念化”数据中超越从知识库中搜索规律、实例中提取联系的机器学习方式。因为，深度学习“通过其他较简单的表示来表达复杂表示”[2]3的学习逻辑，一方面是对表示学习核心难题的技术解决，另一方面则是对“人类智能的复杂性源于非常简单元素的组合”的技术肯认。虽然我们很难说因为深度学习解决了表示学习难题、肯定了人类智能特质就必然使其获得类人的学习能力，但是深度学习以“层次化的概念”来简化学习的起点、以递归调用和反向传递等手段来实现从简单到复杂的建构时，既是对人类概念化对象世界过程的技术性模拟，更是对人类通过概念化对象世界获得智能的哲学性理解。

第一，虽然深度学习对数据规律的提取深受神经生物学、脑科学等经验研究与过程还原的影响和启发，但是却更注重对人类智能概念化对象世界过程的理解与实现。深度学习作为机器学习兴衰沉浮之后的全新范式，虽然其依然沿袭了机器学习从数据提取规律的基本逻辑，但是因为其对获取规律方式的创新，使其能够基于数据相互的依赖性关系将数据规律转化成判断对象的原则，使其借用数据量与计算力但却不依赖计算机的物理性能与数据的描述容量，获得了“从对象化样本(比如许多叶子图像)学到非对象化的对象识别(比如辨认出从未见过的或千变万化的叶子)的能力”[4]43。与其说深度学习提取了数据的规律，倒不如说深度学习从数据中获取了描述对象、区别对象、判断对象的概念。而且，深度学习之所以具有如此能力，显然不是因为人工智能系统获得了事无巨细的记忆能力、强大无比的计算比对能力，而是因为深度学习的算法通过数据信息的提取，使得“信息积累成知识；知识深化成理解；理解演变为智慧”[1]4。因为，深度学习对数据规律的提取，不是单一按照某一知识门类或对人类思维过程的经验理解，而是综合了人类认知的重要成果，融合了数学、计算机科学、神经科学等人类用以概念化对象世界的认知理论与方法，使之既能够在随机的初始化网络中以反向传播的方式不断地进行全局调整，并能够依据人类概念抽象的过程机理进行迭代优化。深度学习的这一逻辑，使之不再依赖于直观的具体比对，而是形成了以概念的本质作为肯定要素对对象进行否定性识别与排除，从而真正改变了机器智能以绝对数量、检索速度、对比精度取胜的描述逻辑。深度学习的有效性，既是对其技术范式的有效性，更是对概念化对象世界有效性的绝佳证明。

第二，深度学习是“从海量数据中‘抽象’出其中包含的信息”，而非还原出存在的既定的规律，是受“感知”、“推理”和“行动”等目的推动的抽象。深度学习不是要还原一个既定的对象，而是要获得一套以效果有效性为标准的感觉、推理与行为原则。也就是说，深度学习提取数据规律，是以抽象为原则对数据本质属性的逻辑建构，一方面使之能够满足行为主义判定的需要，另一方面能够形成描述世界的结构模型和知识逻辑。虽然深度学习的技术过程与物理模型来源于生物神经网络，但是其并不是在照搬生物神经网络物理结构的前提下来获得学习的能力，而是将人概念化对象世界的抽象能力转换成了可计算实现的自我修正、自我进化的算法。虽然深度学习在技术逻辑上特别关注实现这一抽象过程的人工神经网络的联结，但是其抽象本身就已远远超越了人工智能依靠逻辑推理的传统，而是真正将抽象作为突破机器智能以量取胜、以快致胜、以准获胜的核心机制。从今天最新的研究成果来看，如果深度学习能够做到简约性与自治性,[5]那么人工智能就可以在抽象能力上更上一层楼。因为，深度学习抽取数据的规律，并不是用已有的规律对数据事实进行试错性的验证、选择和应用，而是要在抽象中获得“紧凑性”和“结构化”的具有判定实效的模式。一方面，基于简约与自治性的深度学习算法能够实现获得规律的“闭环反馈”的自我修正，使机器学习既能够运用已有的规律，更能够进一步发现新的规律，这在逻辑上类似于“反思事物的‘整体’或者‘根基’的思维能力”[6]。另一方面，深度学习的抽象，显然不是暴力训练的概括，而是从外部数据形成“低维”的结构以适用于表征对象的简化原则，在数据结构上表现为压缩结合，在哲学上表现为“将低级特征进一步抽象成高级特征”[7],从而真正使深度学习之“深度”在逐层抽象数据的过程中，既完成从部分到整体的表征，又完成从复杂到简单的抽象。

第三，深度学习非线性网络结构，在功能上证明了经验主义提炼数据规律的有效性，在规律生成上呈现了非线性迭代模型似概念的抽象性，在规律来源上表达了大数据揭示全样本的可能性，在规律运用上体现了概念的肯定与否定统一的辩证性。如果说深度学习是以数据为依据把对象世界移入到算法逻辑之中的话，那么这样的移入就具有建构的改造性。因为，受人脑认知逻辑启发的深度学习，当其从数据中学习时，不过是以基础逻辑机制对数据进行再加工。虽然深度学习的隐藏层具有不可解释性，但是却以技术现象学表明了观念形成的过程复杂性、主体建构性与社会历史性，即“观念的东西不外是移入人的头脑并在人的头脑中改造过的物质的东西而已”[8]。其一，深度学习非线性网络结构的非线性一方面可以保障数据之间的最大的相关性，另一方面又能够保护深度学习在递归调用基本规则中形成突变的可能性。这既是深度学习不可解释性的存在基础，又是深度学习保障数据规律完整性的技术支撑。其二，深度学习多层性(深度)的层层迭代，既运用“特征提取器”[3]93对数据规律进行不断抽象，又以诸多“梯度”连续性等方式保持不断抽象过程的平滑性。一方面，多层迭代使抽象过程具有更多可变性与可能性，保持数据规律之于未来的开放性，虽然层数越多、可解释性越弱、复杂性越高，但是却能够以层数的组合超越单一数字神经元放大、或缩小、或保持权重来放大步长和频度的单一性，使之在组合的复杂中获得抽象的有效性；另一方面，多层迭代作为嵌套迭代，通过选取最能保证计算连续可微的函数，既尽可能保存梯度平滑下降的每一种可能性，又不断比对选取描述能力强、概括能力高的抽象路径。其三，深度学习以技术的方式深入地挖掘了概念抽象的过程性，虽然不能将抽取数据规律如同人类概念化对象世界那样物质化地改变神经网络的结构，但是却能够在输入与输出中以相关性的方式表现出对数据类概念的描述。深度学习以网络的功能性实现了概念的肯定与否定的描述、区分和判定等。因此，深度学习抽取数据规律本身虽然不同于人类智慧的因果性，但是其相关性的描述却在一定意义上实现了对人类智慧学习智能同质化的表达，虽然目前深度学习离人类概念化对象世界的能力还很远，但是却在以技术复刻学习过程中形成了以数字神经网络理解学习的技术路径。

第四，深度学习“无上限自举”[9]提取数据规律的过程，是以简单处理单元的并行网络对样本特征进行的逻辑挖掘，从机理上契合了经验概念化对象世界的过程，既将概念化对象世界达成模式识别的功能表现得淋漓尽致，又将深度学习网络以概率论来描述规律的特质体现得充分具体。深度学习不执着于复原人类智能概念化对象世界的复杂生物机制，而是在对概念化对象世界的功能理解与实现一致的神经网络机制上开创出了挖掘数据规律的技术路径。深度学习之所以能够在数据规律的提取中以无上限自举，其根本原因在于深度学习不是以“生物自然主义”的思维方式理解神经元对对象世界的感知、抽象和概念化，而是以阈值的变化来表达、参数的调节来实现、网络的连接来记忆、功能的一致来证明数字神经网络获得了识别对象的模式，获得了对对象世界的类概念表达。表面上看，深度学习用概率论、神经网络等方法证明了大脑就是计算机，实质上却是以“大脑式计算”的全新方法表明概念化对象世界与数据规律的深度学习提取之间具有同构性。其一，深度学习以无上限自举的自动驱动来修正规律，既是技术性调节规律有效性的方式，又是对概念化对象世界的不断的历史唯物主义修正。其二，虽然深度学习的并行网络并不强调相关性向因果性的转变，但是其无上限自举本身就是一种内化时间过程性的努力，这一方面意味着数据规律的可能性是多元的，另一方面意味着规律是开放生成的，再一方面则意味着规律本身是内化时间经验的。其三，深度学习提取数据规律的过程，是基于对感知的数字神经网络理解而展开的递归调用过程，这和概念化对象世界基于基础概念的循环具有过程的同构性。虽然不能因为过程一致而认定结果相同，但深度学习的有效性却充分证明了概念不断发展与递进的有效性。

因此，深度学习目前虽然因其深度的不可解释性很难被逻辑地解释清楚，基于相关性的规律的类因果性与因果性之间也有差异，但却是依据人类认知能力的科学理论、认知本质的哲学判断和对认识效应的社会认可，创造出来的一种实质提取规律自动化的技术机制。这一技术机制的科学性和有效性，虽然目前尚不能和概念化对象世界的人类智能同日而言，但是其以技术隐喻的方式再一次证明概念化之于认识的重要意义，同时也敞开了理解概念化发展的重要问题，以及概念化与提出问题的存在论一致的关系问题等。

二、模型误差的优化与实践干预的原则化

优化模型误差，既是深度解决学习成果有效性的技术手段，又是改进学习基本向度的学习方式。这意味着深度学习不仅向正确和有效学习，而且还向错误和无效学习。优化是一种技术性的反思路径，既是对模型既定结构的修补与完善，又是对基本模型的改变与反思。因此，模型误差的优化虽然在技术的层面表现为网络结构的修改，但在本质上却是将模型效应与功能内化成模型的要素，是类实践反思的自优化原则。特别是反向传播算法在深度学习中的广泛应用，一方面解决了模型修正的技术与逻辑问题，另一方面又提供了一条以经验修正和改进先验哲学理路的技术路径。优化，特别是基于效果衡量、数据规律再发现和操作成效再运用的优化，一方面使模型误差得以控制、功效得以提升、“能力”得以加强，体现出机器学习逻辑推定的精准性和数据扩展的开放性；另一方面则充分表明深度学习获取了基于经验来改进先验的技术机制，体现出深度学习算法进化的高阶自动性与类人智能的独立性和自主性；再一方面既在技术上用实践经验原则化的方式规避了“大力出奇迹”的成本与稳定问题，又以技术有效性的方式证明了实践经验原则化的存在论与认识论意义。

第一，深度学习各种优化模型误差的算法都是基于样本数据学习与工作成效的优化，既继承了认知的成果，又开放了认知的修正，使机器采获规律、运用规律具有了类人学习的反思性。深度学习之所以坚持模型的优化，不仅因为模型功效的局限性是可知的，而且更是因为相信模型应该以及可能被反思修正。深度学习的优化不仅考虑模型的有效性问题，而且是确证实践经验的形而上学性的问题。其一，训练作为深度学习常用的优化模型的手段，其目的在于“减少机器在学习阶段所犯错误”[3]148,在使得目标函数最优的过程中，提高模型的精度、拓展应用的广度、强化学习的深度和升华规律的信度。训练不是先验输入，而是反向传播，既是对贝叶斯网络的算法实现，又是经验修正先验的技术模型，更是对实践干预的技术吸纳。其二，优化虽然在其技术路径上表现为调节参数、建立或断开逻辑联结，但是在其形而上学方面却是以模型工作的适应性与有效性来现实地证明模型算法的客观性。从表面上看，深度学习的优化是基于大数据对模型进行的经验主义的修正；从实质上讲，深度学习的优化是基于数据表征的偶然性对模型算法的实践丰富。因此，深度学习的优化既以技术的方式表达了新经验主义认识论的主张，[10]46又将归纳的有效性奠基在经验的内化上。因为，“人的思维是否具有客观的[gegenständliche]真理性，这不是一个理论的问题，而是一个实践的问题”[11]503-504。其三，优化是对形式化模型的基础、结构和效果的一种综合性评价，并且是基于系统内部的评价。虽然这里没有技术性地回复哥德尔不完全定理的问题，但是却内涵了类反事实反思的机制。因为，在深度学习的优化中，系统不过是在不断执行一个判断，并提出一种要求：“这是我想要提供的输出，到目前为止，你还没有向我传输能够使我给出正确答案的输出，所以我希望你生成这样的输出。”[3]150所以，在层次结构的深度之上，深度学习一方面为优化提供了一种物理的逻辑机制，使其输出在不同的层级被权衡、赋值与改进；另一方面为优化提供一种非线性的传播路径，使被纳入到算法的修正因素具有可能性与开放性的全局影响；再一方面为优化从技术的归纳逻辑上升到认知的感知逻辑提供了现实通道，既能够及时地处理新进入系统的数据，又能够在自主学习中客观地参照监督学习的进程。

第二，深度学习的优化不是直接地判断模型的对错与功效，而是自下而上地修改权重、修正联结，将前置性判断与经验性修正有机地结合起来。在某种意义上说，深度学习优化模型本身表征了事实与价值二分体系在实践中的崩塌。其一，深度学习基于技术与逻辑可行性的考虑，优化将新增数据和效能判断直接指向独立分量的权重和联结。这一方面是使线性判断能力提升为非线性的判断能力，另一方面又肯定了人类思维通过降维来认知对象的准确性。其二，优化作为深度学习改进自身的必要手段，是基于无监督学习在深度学习之内运用而进行的改变。优化模型的误差，不是完全解决误差，只是“表明找到了一条较好的路径，虽然不一定是最佳路径”[1]114。优化虽然期待全局最小值，但却总是通过局部最小值的方式来逼近，而非得到最小值。这就从根本上尊重了自下而上的认知现象学，使之获得了类人类思维的反思性，而且深度学习优化误差的操作逻辑又从根本上肯定了前置形式的客观性。面对这种双重客观性，深度学习的优化策略表面上看解决的是误差问题，其实际在功能上实现的是系统的稳定性，在认知上保障的是知识科学性，在哲学上表征的是经验形上性与形式先验以及先验可改进性。其三，在自下而上的优化中，虽然深度学习是受生物神经网络的启发，但却不是还原论地重复了生物神经网络增强与减弱的生活奖励机制，而是一种“理性主义和经验主义的相融互补，整体论与还原论的协同互动”[10]49的系统“进化”机制。深度学习优化误差本身就意味着人工智能是可塑性的数字神经网络，而系统高阶自动化的优化既是表达深度学习具有以形式为前提采集经验并使之原则化与价值化的能力，又表明深度学习是基于系统自身来优化的。这既符合深度学习的数学原理，又体现深度学习的非线性特质。

第三，优化模型的误差对于深度学习而言虽然是保证其效能的技术手段，但却从本质上表达了智能学习的基本特征。因为，深度学习的优化以技术现象学的方式表征了学习不仅可以描述对象、表征对象和还原对象，而且能够原则化经验、先验化表象和价值化实践。深度学习作为学习，优化是“改进对经验的表征，就是通过已有的内在条件对外部实在作出适当的表征”[12]，而且是基于“实践出真知”的原则性改进。其一，优化是深度学习通过消解误差而不断改进系统的过程。误差非错误，是对系统内部特质与外部结果双重判断的结果。所以，深度学习类实践的新经验主义，虽然有着将数据绝对化的面向，但却因为优化误差技术方法的引入，隐喻性地表达了通过数据规律、判断数据状态、预测数据未来等来实现对操作数据活动过程、经验和结果的形上化和先验化。优化使操作数据的经验不断上升为原则，并不是形成绝对的演绎逻辑，而是纳入归纳特质，并表征系统意识到系统自身能力的可修正性原则。也正是在这个意义上，我们可以依照马克思的逻辑[11]162这样讲，深度学习通过优化“意识”到了模型自身，有意识的优化把深度学习同人工智能的其他学习直接区别开来。其二，优化是深度学习行为认知的有机组成，其修正性的调节不仅使系统更加有效与精准，而且使系统与数据真正形成深度互动，是深度学习实现“干中学”和“学中干”的统一。虽然当前人工智能系统并没有具身学习的能力与条件，但是深度学习却在修正误差的过程中力图以技术简化的方式实现具身学习，并在高阶自动化的系统完善中不断与环境进行深度交互。这一方面表明深度学习极度地尊重环境的客观性，以修正模型误差的方式技术地表明“环境的改变和人的活动的一致，只能被看做是并合理地理解为变革的实践”[11]504，并将实践过程和经验内化系统构成要素；另一方面则表明深度学习高阶自动化的学习是基于环境、提取规律、内化操作和升华经验的系统性学习，是系统自动开始的“本能”与系统遭遇数据的“直觉”的合一。其三，单一的修正虽然挂一漏万，但是人工智能算力和存贮力加持的数据泛化的修正、系统无监督的修正等又以类实践的过程积累不断地校正修正本身，使模型的误差可控、能力可行、判断可信。这既可以使科学规律的获得“按几何级数发展”[11]82，又推动人工智能算法进化的不断加速。当然，修正模型误差首先是深度学习的技术机制，但是修正本身所呈现出来的对实践过程的递归调用，一方面使被实践所认知的偶然性内化成系统的必然性；另一方面则使系统的学习能力始终保持开放性与未完成性，修正系统误差使深度学习能够自由葆有系统与环境对系统自身的修正与改进的能力，从而真正表现深度学习系统的自由性。(1)马克思明确提出，“由于具有表现本身的真正个性的积极力量才是自由的”。马克思，恩格斯.马克思恩格斯文集:第1卷[M].人民出版社，2009:335.

总之，优化作为解决模型误差的技术性手段，虽然直接源于深度学习对系统可行性、有效性和扩展性的现实考量，但却远远超越了技术设计本身，是一种对智能学习本性的追问。表面上看，优化是不断用检验的方式来功能性地改进系统参数与联结；本质上讲，优化是对学习基于实践经验反向传递形上性的哲学表征。因为通过优化，不仅强化了深度学习系统直接的功效，更为其智能预测的泛化留下了足够的可能性。

三、智能预测的泛化与感性经验的科学化

深度学习以学习来解决算法的通用性问题，既变革了传统人工智能的方法论，又使人工智能技术进入到全新的时代。因为，学习作为智能体重要的能力，不仅能够模仿其学习对象的行为，而且能够深入理解学习对象的本质，更能够以学习对象为基础创造性地构造出全新的对象。因此，智能预测的泛化问题不仅是深度学习关注的核心问题，更是以技术使“生成模型可以为AI系统提供它们所要理解的、各种不同的概念框架，让它们有能力在面对不确定性的情况下推理这些概念”[2]438。如此看来，深度学习嵌套式的概念化对象世界，一方面赋予算法灵活性，奠定智能预测泛化的基础；另一方面又形成具有普遍化的科学逻辑，既统合感性经验的体验性与独特性，又形成科学逻辑的规范性与预测性。

第一，智能预测的泛化是基于对差异性实例的学习而形成的超越既定数据的能力。虽然目前深度学习获得的泛化能力有限，只能识别“与所学习过的示例差别不是太大”[3]88的对象，但是却提出了判断不同对象的能力的要求。这既肯定了我们前述深度学习嵌套性概念所具有的肯定与否定能力，又意味着通过对感性经验的抽象获得一种发现原理的泛化能力。或者说，泛化本身不是求助于对各种规律和模型的穷尽列举与海量比对，而是通过对感性经验原理的表达来实现对对象的识别、预测和判断。其一，智能预测的泛化在技术上虽然以特征提取为逻辑，但在执行上却是“在人所设置的环境中适应性地进行识别和决策，所以比起符号人工智能显得更加智能化，也更接近人的日常认识活动”[13]。数据表达的感性经验既是系统知识的来源，又是系统要超越的对象。这一方面使感性经验不再是作为零散的表象而被先定的规律剪裁或抛弃，另一方面又使系统获得感性的规定与限制，不是无根据地逻辑推演。也正因为如此，深度学习在发展中虽然极度依赖数据，但却又不受制于数据。泛化是系统发展从“大数据小任务”机械推理、符号表示演进到“小数据大任务”通用智能的重要步骤。所以，泛化是对感性经验形成的感性活动的哲学肯认与技术表征。其二，泛化是基于学习而获得的对感性经验的超越，既表现为智能预测的“离身性”，又表达为智能预测的“具身性”。泛化意味着深度学习不再强调前置程序的完满性，而是借助于数据在自主学习与监督学习中实现对系统知识单元、逻辑判定和效果评价的逆向修正、特征添加、联结再建等。训练完成的系统本身具有某种固定性，但是一旦将系统置于预测与判断之中，系统在学习机制的作用之下又开始对自身能力再次丰富，类似于人类智能在感性经验中“活到老，学到老”一样。虽然按照“莫拉维克悖论”来说，感性经验是人工智能的短板，但是深度学习的泛化却不失为解决这种短板的技术尝试。因为，智能预测的泛化既以唯物主义的方式强调了感性经验存在的基础性，使学习本身必须基于数据，又以建构主义与功能主义强调了感性经验知识化、逻辑化与概念化，形成了功能模拟、结构模拟和行为模拟的技术性统一。[14]

第二，深度学习智能预测的泛化，是“从观察到的现象中总结出定律，并用定律预测现象”[3]78自主学习的技术实现，既完成了深度学习系统功能的建构，更是以技术的方式表征感性经验的形上性与科学性。智能预测的泛化能力，既是深度学习充分挖掘学习之为智能生物特性的结果，又是泛化数据、科学化感性经验的必然。深度学习强化智能预测的泛化，使其超越了基于先验认知的推理，进展到了科学化的行为认知。其一，感性经验作为人以感性活动与对象世界打交道的历史性体验，不仅以生物的应激性对世界作出了反应，还将学习获得的方式内化成神经的结构、生成行为的能力，更是以发生机理启发了智能预测的泛化。深度学习从存在基础上重释了感性经验，既使这种学习本身有了更具体的对象指向性，又以行动的方式重述了学习之于智能的建构性。因此，深度学习智能预测从生成逻辑上就具有以感性经验面对整全对象的可能性。其二，深度学习注重对学习的理解，而非执着于机械唯物主义的逆向工程学，使得其从行为、功能和因果等方面探索了数据表达的感性经验上升为科学化概念的技术路径，使预测的有效性“更依赖对观察得到的数据进行泛化，而不是依赖先验知识”[3]126。这一方面符合智能生物学习升华感性经验，而不是记忆感性经验的事实；另一方面又形而上学地确证了基于感性活动的感性经验虽然是实际的、偶然的、零散的，但是却真实地表征着逻辑和事实，可以而且应该被概念化成预测的前提、推理的规律与评价的准则。也就是说，智能预测的泛化作为深度学习权衡系统优劣和通用性的原则，并不是从系统内在的逻辑结构、前置规定和功能区化来评价系统本身，而是从其学习方式、学习能力和学习效果方式来考虑。虽然深度学习系统在设计时离不开最基础的处理数据、分析规律、改进系统的简单规定，但是却能够形成感性经验科学化的技术逻辑，在提升智能预测、泛化智能预测中确证了感性经验上升为科学规律的必要性与可能性。其三，智能预测的泛化，不仅具有系统解决问题的跨越性，而且具有系统处理问题的灵活性与系统自身的通用性。因此，科学的感性经验既构成系统解释观察对象、操作对象、干预对象和建构对象的极简原则，使系统处理问题简洁化，从而使学习成为替代暴力计算与海量存贮的智能途径；又使预测而非解释能力成为衡量学习有效性的标准，使现代哲学关于学习与智能、智能与预测、预测与实践等观念获得了技术证明。智能预测的泛化，本身就不是事无巨细地还原生物智能体的生物机制与感性经验的具体细节，而是让系统“停止记录学习数据，开始学习发现数据蕴含的基本规律”[3]129。

第三，立足于感觉材料、提升感性经验，通过建构理解概念的概念，深度学习实现了智能预测的泛化，既证明感性经验存在着“家族相似性”，更表明智能学习能够将感性经验科学化成普适性的判断能力、操作逻辑和评价标准。智能预测的泛化，不是增加系统的知识库，而是提升系统的感性语境。这既表明感性经验的不可预测性应该是智能预测的存在论语境，又表明智能学习具有获得预测非预测性事实的能力。正如有学者提出的那样，人工智能其实缺少的不是知识，缺少的是感性实在。其一，感性经验内涵着关于对象的知识与改造对象的实践，对其科学化，既是以抽取规律的方式表达之，又是以直面全新偶然表达之。因此，在解决智能预测泛化的问题中，深度学习将感性经验科学化成系统的构成要素，其将感性经验内蕴的空间维度与时间维度转化成系统的跨越能力。深度学习不仅直接提取了感性经验直接表征的科学规律，而且还在对感性经验进行嵌套层次的分解中获得了类人智能的辨别力。这充分表明感性经验的独特性、时效性、社会历史性等非连续的“裂隙”既是智能学习获得认知的障碍，又是智能学习泛化与迁移的基础。其二，以深度学习的方式科学化感性经验来获得智能预测泛化的技术路径，并不是在模拟大脑生物与生理结构上来实现结构主义还原，而是在深入把握学习过程、学习方式和学习功效中实现人类智能能力的表征。虽然深度学习在规律存贮机制上存在着擦除与重写的“灾难性遗忘”，但是因为对感性经验的历史唯物主义肯定使得深度学习不断在技术上寻求葆有感性经验实在性的方式与途径，运用持续学习新系统来保证感性经验的科学性。[15]这虽然是一种技术性的尝试，但是其葆有感性经验客观性的形上性本身却显示出深度学习智能预测泛化“不可替代的构造功能，或虽然初步但比较真实的学习功能”[4]45，这实现了感性经验的知识化与能力化。这是人工智能以深度学习的路径来追问学习本质所期待的。

结论

深度学习以技术逻辑实践生物智能的学习，使其超越了以样本量大、搜索力强、对比力准等“大数据小任务”实现人工智能“聪明”的传统路径，通过对学习本质的追问实现了人工智能技术范式的变革，以哲学叙事的方式表明了概念化对象世界、原则化实践干预和科学化感性经验之于智能的根基性意义，以及智能学习的现象学过程。深度学习虽然是以技术的逻辑来实现学习的过程、以功能的效应来判定学习的效果和以修正结果的手段来改进学习的积累，但是却以技术现象学的方式揭示学习如何在递归调用肯定、否定和组合等基本操作的实践中不断地提出全新问题，实现了概念、原则和逻辑的建构；更以行为的有效性、过程的开放性、系统的进化性证明了学习的可能性。因此，深度学习虽然是受神经元交流方式启发而对学习进行的一种技术性建构，但是却以技术的方式直接指向了智能体获得智能的活动特质以及智能活动成果的特性。一方面，深度学习虽然依然存在着黑箱和可解释性等难题，但是却以技术现象学表征了智能获取的历史现象学：“智力的获得是人与外界交流学习的结果”[3]28。另一方面，深度学习不断优化的逻辑表明，学习不是重复地接受既定的认知成果，而是以经验为基础的自我建构与自我发展；再一方面，深度学习不以量大而以泛化数据来扩展其行为能力的事实表明，智能体的学习既是对感性经验的唯物主义肯定，又是对对象世界的概念性建构，更是对自我能力的反思性改进。