【摘要】人工智能技術(shù)快速發(fā)展并融入人類社會的多個領(lǐng)域，為藝術(shù)創(chuàng)作與傳統(tǒng)藝術(shù)觀念帶來深遠影響，其背后存在自然智能與人工智能在認知機制上的根本差異：貝葉斯大腦基于因果推理與預(yù)測誤差修正，形成具有解釋性、目的性與情感深度的自然范疇；而以玻爾茲曼機為代表的人工智能依賴統(tǒng)計推理與數(shù)據(jù)擬合，形成缺乏因果意圖的統(tǒng)計范疇。在藝術(shù)創(chuàng)作中，人類藝術(shù)根植于情感、意義與意識，而人工智能藝術(shù)本質(zhì)上是數(shù)據(jù)模式的組合生成，雖能拓展形式邊界，卻無法具備人類的情感深度與自我意識。這一差異不僅揭示了人機認知的本質(zhì)區(qū)別，也為未來人機共生的藝術(shù)與文化生態(tài)提出新的挑戰(zhàn)。
【關(guān)鍵詞】自然智能 人工智能 藝術(shù)創(chuàng)作 貝葉斯大腦 玻爾茲曼機
【中圖分類號】TP18 【文獻標識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2026.02.009
【作者簡介】劉闖，復(fù)旦大學(xué)哲學(xué)學(xué)院特聘教授。研究方向為科學(xué)哲學(xué)、智能哲學(xué)，主要論文有《自然理性內(nèi)化與心智因果起源的哲學(xué)探究》《時空、引力與量子糾纏》《Substance and Method: Studies in Philosophy of Science》。
引言
隨著人工智能理論和技術(shù)的日新月異，人類社會的各個領(lǐng)域都在經(jīng)歷前所未有的變革。從智能助手到無人駕駛，從合成蛋白設(shè)計到科學(xué)理論研究，人工智能正逐步融入我們生活工作的方方面面。與此同時，其對人類認知、創(chuàng)作以及藝術(shù)的影響也日益顯著，尤其在藝術(shù)創(chuàng)作領(lǐng)域，人工智能已經(jīng)開始挑戰(zhàn)傳統(tǒng)的藝術(shù)觀念和創(chuàng)作方式。這一切背后，隱藏著深刻的哲學(xué)問題：自然智能與人工智能的本質(zhì)區(qū)別是什么？后者為何會有如此空前的影響力？它們又將如何影響我們的未來，特別是在創(chuàng)造性和文化表達上？
自然智能，作為生物演化的產(chǎn)物，其基于動物（包括人類）大腦的貝葉斯推理結(jié)構(gòu)和自我糾錯機制，使我們能夠感知世界、進行推理、作出決策，并通過行動、語言和情感與他人交流。人類的感知與認知深刻依賴于自身的身體。與此相對，人工智能作為一種由計算機算法驅(qū)動的“智能”，其感知與推理過程僅依賴于數(shù)據(jù)和統(tǒng)計模式，缺乏人類和動物特有的身體或具身情感與意識。通過大量數(shù)據(jù)學(xué)習(xí)，人工智能能夠快速識別模式、解決問題，但其思考過程與傳統(tǒng)意義上的智能截然不同。
本文將探討自然智能與人工智能的原理性區(qū)別，通過藝術(shù)創(chuàng)作與欣賞的案例，闡述這種區(qū)別對人類與人工智能的共存與互動的影響，并結(jié)合貝葉斯大腦與玻爾茲曼機的對比，分析二者在感知、推理和創(chuàng)作過程中的不同機制，以及人工智能在藝術(shù)創(chuàng)作中展示的與人類藝術(shù)創(chuàng)作中不同的特點和挑戰(zhàn)。希望為讀者提供一種從基本原理出發(fā)討論人工智能發(fā)展與影響的全新視角，促使大家思考：由于基本原理和機制的區(qū)別，人工智能創(chuàng)作出來的作品是否會逐漸遠離人類固有的文化與文明，給人機共存的未來提出意想不到的挑戰(zhàn)？還是人類會在諸多原創(chuàng)性領(lǐng)域“聯(lián)合”其他動物，另辟蹊徑，開創(chuàng)出前所未有的藝術(shù)文化？
動物大腦中的貝葉斯感知
傳統(tǒng)被動感知理論。哲學(xué)家笛卡爾提出的二元論認為，動物身體（包括大腦）與心靈分為物質(zhì)和精神兩個獨立的實體。物質(zhì)性感知與行動的過程被視為一個“感官—神經(jīng)—大腦—神經(jīng)—肌肉”的閉環(huán)，強調(diào)外部感官信息通過神經(jīng)系統(tǒng)傳遞至大腦，進而影響行為，整個過程是被動的。而心靈運用概念推理等方法主動指導(dǎo)與控制感知與行動，則是超出物質(zhì)范疇的精神活動。與此同時，在哲學(xué)家洛克看來，外部世界的事物通過感官輸入影響我們的心靈，這一過程也是被動的。感官輸入是一種被動的感官印象，這些印象會根據(jù)刺激的性質(zhì)，被大腦轉(zhuǎn)化為內(nèi)部的觀念。比如，我們通過眼睛感知到的顏色、形狀、距離等，都是感官印象的結(jié)果。大腦只是在這一過程中進行加工和反射，而不是主動地創(chuàng)造或解釋這些印象。
這些有代表性的傳統(tǒng)西方感知理論往往把感知刻畫為被動過程，忽視動物（物質(zhì)的）大腦在感知過程中的主動構(gòu)建與推理。而貝葉斯感知理論的出現(xiàn)，突破傳統(tǒng)的感知理論框架，提出大腦不僅僅是被動接受和處理外部信息的工具，更是能主動構(gòu)建感知經(jīng)驗的推理系統(tǒng)。
能動推理或預(yù)測加工理論的感知。貝葉斯大腦（Bayesian Brain）理論的核心在于“預(yù)測誤差最小化”（PEM）機制和“感知—行動”統(tǒng)一化機制。該理論認為，大腦并非僅僅依賴對外部感官輸入數(shù)據(jù)的整理和概念化來認知周圍的世界，而是通過構(gòu)建關(guān)于世界的生成模型（generative model），以及其與感官數(shù)據(jù)的因果生成關(guān)系，來預(yù)測感官輸入。具體來說，大腦通過假設(shè)引起當前感官數(shù)據(jù)的外部成因，并根據(jù)這些假設(shè)與數(shù)據(jù)多層級對比產(chǎn)生的誤差，更新其世界模型之間的先驗分布，從而形成對外界事物的感知經(jīng)驗。[1]比如，當我們看到一個物體時，貝葉斯大腦并不是簡單地將圖像傳輸?shù)揭曈X皮層，由概念加工、形成經(jīng)驗，再根據(jù)經(jīng)驗作出反應(yīng)，而是首先通過先前經(jīng)驗構(gòu)建的假設(shè)（如墻上的是小蟲還是黑斑或是黑影）及其先驗分布，預(yù)測它可能是什么，以及在感官層面會導(dǎo)致怎樣的輸入分布。這個預(yù)測的準確性決定我們對感官輸入如何作出相應(yīng)的行動。如果預(yù)測和實際感官輸入存在差距，系統(tǒng)將進行更新、調(diào)整模型，使其更好地適應(yīng)外部環(huán)境。
預(yù)測誤差最小化過程。貝葉斯大腦的預(yù)測誤差最小化過程，在動物大腦皮層中是一個層級性的機制。過程中預(yù)測誤差通過大腦的不同層級處理（最小化后忽略）和向上傳遞（無法忽略的驚奇），從低級的感官輸入到高級的感知功能，逐步調(diào)整生成模型，以減少誤差的積累。比如，在視覺感知中，視覺皮層會不斷調(diào)整關(guān)于物體形態(tài)、顏色、距離等特征的預(yù)測，確保感知結(jié)果與實際情況盡可能一致，而視覺經(jīng)驗判斷皮層則會不斷調(diào)整外物模型類別（如是貓還是小狗）的預(yù)測。
同時，貝葉斯大腦是一個標準“知行合一”的機器，也就是說，這一機制不僅限于主動預(yù)測和感知，還能通過主動預(yù)測指導(dǎo)行動來幫助感知（如移動視線以看得更加清晰）。通過“感知—行動”的緊密整合，大腦能夠根據(jù)環(huán)境反饋快速調(diào)整其行為策略，這也是自然智能的一個重要特征。
深度學(xué)習(xí)中的大數(shù)據(jù)統(tǒng)計感知
深度神經(jīng)網(wǎng)絡(luò)與玻爾茲曼機。與自然智能的貝葉斯機制相比，人工智能系統(tǒng)的感知過程更加依賴于統(tǒng)計學(xué)習(xí)和大數(shù)據(jù)分析。深度神經(jīng)網(wǎng)絡(luò)（DNN）通過多個層次的非線性變換，從原始數(shù)據(jù)中提取出有感知與認知意義的特征，然后統(tǒng)計性地選擇它們的組合，以最終確認外物。在這種結(jié)構(gòu)與過程中，數(shù)據(jù)通過一系列的加權(quán)計算傳遞和變換，最終達到分類或回歸的目的。
玻爾茲曼機（Boltzmann Machine），特別是限制玻爾茲曼機（Restricted Boltzmann Machines），是深度學(xué)習(xí)領(lǐng)域的一種重要模型，其工作原理源于統(tǒng)計物理學(xué)中的玻爾茲曼分布原理。該原理具有普適性與基礎(chǔ)性，采用無監(jiān)督學(xué)習(xí)方法，其相關(guān)研究成果更獲得2024年諾貝爾物理學(xué)獎。玻爾茲曼機通過模擬粒子在物理系統(tǒng)中的狀態(tài)變化來對數(shù)據(jù)進行建模：網(wǎng)絡(luò)中的每個神經(jīng)元或單元都具有某種概率狀態(tài)，網(wǎng)絡(luò)的目標是通過不斷調(diào)整這些狀態(tài)，最小化總能量，最終使網(wǎng)絡(luò)能夠在給定的輸入數(shù)據(jù)中找到合適的分布狀態(tài)。與貝葉斯大腦的預(yù)測性和因果推理不同，玻爾茲曼機可以在數(shù)據(jù)中發(fā)現(xiàn)潛在的結(jié)構(gòu)和規(guī)律，通過在統(tǒng)計空間中反復(fù)調(diào)整權(quán)重，尋找最優(yōu)化的模型來描述數(shù)據(jù)分布，以構(gòu)建感知與認知經(jīng)驗。[2]
雖然深度學(xué)習(xí)還包括多種不同類型的神經(jīng)網(wǎng)絡(luò)，如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)，以及更為特殊的大語言模型，每種網(wǎng)絡(luò)在架構(gòu)和應(yīng)用上都具有獨特性。但鑒于玻爾茲曼機在原理上的基礎(chǔ)性，學(xué)習(xí)機理上的超前性（無監(jiān)督學(xué)習(xí)），本文選擇將其作為與貝葉斯機相對應(yīng)的分析對象。本文研究認為，其他部分神經(jīng)網(wǎng)絡(luò)的功能和運行可能更多依賴人為操作或控制，就人機共存的未來而論，玻爾茲曼機的獨立特性使其具有獨特的研究價值。
人工智能感知的統(tǒng)計特征。人工智能在處理感官數(shù)據(jù)時，依賴于統(tǒng)計學(xué)習(xí)方法，尤其是深度學(xué)習(xí)技術(shù)。通過大規(guī)模數(shù)據(jù)集的訓(xùn)練，人工智能能夠挖掘潛在于數(shù)據(jù)中的各種特征并進行歸類。例如，在計算機視覺領(lǐng)域，人工智能可以通過大量圖像數(shù)據(jù)訓(xùn)練，自動學(xué)習(xí)山川、樹木等外部環(huán)境的特征，從而實現(xiàn)圖像識別。
人工智能系統(tǒng)的優(yōu)勢，在于能夠通過直接處理大量數(shù)據(jù)，自主習(xí)得感知和認知能力，并在沒有前驗假設(shè)分布的情況下，從數(shù)據(jù)中“習(xí)得”有效識別能力。然而，人工智能的感知系統(tǒng)并不像人類大腦那樣依賴于經(jīng)驗（前驗假設(shè)）和概率因果推理，而是通過統(tǒng)計方法來解決問題，生成對感官輸入的響應(yīng)。
人工智能用統(tǒng)計學(xué)習(xí)方法“感知”外界，其機制與前文提及的傳統(tǒng)被動感知理論具有更高的契合度。除去細節(jié)差異，有的哲學(xué)家如洛克的知識論會自然地認為，人類感知外界的機制本質(zhì)上即遵循此類被動接收與歸納的邏輯。有趣的是，人類自然智能的感知過程，是遵循貝葉斯能動預(yù)測加工原理來實現(xiàn)的，而人類創(chuàng)造出來的人工智能卻基本契合傳統(tǒng)被動感知理論，以被動的統(tǒng)計學(xué)習(xí)方法來實現(xiàn)對外界的感知。
自然類范疇與統(tǒng)計類范疇
因果推理與統(tǒng)計推理的區(qū)別。除了在主動與被動感知模式方面的差異，由于感知推理模式的不同，自然智能與人工智能還以不同的范疇體系實現(xiàn)對世界的感知與認知。[3]自然智能的核心優(yōu)勢在于其概率因果推理能力。貝葉斯大腦不僅通過外部數(shù)據(jù)對環(huán)境進行建模，并用其預(yù)測外來數(shù)據(jù)的分布，還會在推理過程中不斷修正和驗證假設(shè)。相比之下，人工智能的推理更依賴統(tǒng)計推理方法：其通過對大量數(shù)據(jù)的統(tǒng)計建模，識別數(shù)據(jù)中可能存在的特征和特征間的組合規(guī)律。值得注意的是，人工智能的系統(tǒng)更關(guān)注數(shù)據(jù)的分布特征，而不是尋找背后的因果關(guān)系。從認知哲學(xué)的高度來看，人工智能系統(tǒng)所感知到的、與動物大腦相似的“感知印象”，一部分是靠人給予它的訓(xùn)練，一部分是通過數(shù)據(jù)迭代實現(xiàn)的統(tǒng)計磨合。
自然類別與統(tǒng)計類別的區(qū)別。自然類別（natural kind）是認知科學(xué)與哲學(xué)領(lǐng)域的核心概念，特指由生物演化、文化經(jīng)驗以及人類感知與認知系統(tǒng)自然而然形成的類別。在貝葉斯大腦的框架中，自然類別的構(gòu)建并非依賴于對感官輸入的歸納總結(jié)，而是自然選擇和長期演化進一步結(jié)合的產(chǎn)物。比如，人類的眼睛對顏色、形狀、運動等特征非常敏感，在生存競爭中，人類大腦會對外物在環(huán)境中形成的長期穩(wěn)定形態(tài)和性質(zhì)，構(gòu)建生成模型假設(shè)及其概率分布，這一認知過程使得人類在面對一個物體時，能夠自然地將其區(qū)分為“動物”“植物”等自然類別，進而完成對物體的感知與認知。此外，這種分類還會依賴物體對感知者所具備的潛在用途，在認知心理學(xué)中，這一屬性被定義為“動緣”（affordance）。[4]
統(tǒng)計類別(statistical kind)則存在本質(zhì)差異，人工智能系統(tǒng)缺乏感知外界的物理身體，即使像機器人這樣擁有物理“身體”，也無法構(gòu)成完整意義上的感知身體，其感知并不依賴于物體的固有特征，而是通過大規(guī)模數(shù)據(jù)分析，從數(shù)據(jù)的統(tǒng)計分布中提取關(guān)鍵信息，如最大概率特征在特征空間中的遠近距離，進而實現(xiàn)對外界的分類“感知”。具體而言，人工智能系統(tǒng)，尤其是深度學(xué)習(xí)模型，主要依賴這種方法：通過訓(xùn)練海量數(shù)據(jù)，基于數(shù)據(jù)特征空間中概率峰值的距離，找出特征間的相關(guān)性，從而作出分類識別。從本質(zhì)上看，統(tǒng)計類別是對數(shù)據(jù)集的數(shù)學(xué)建模，并不是基于對象本身的感知屬性或者動緣屬性，而是數(shù)據(jù)的統(tǒng)計規(guī)律。換句話說，人工智能的統(tǒng)計類別通常難以與人類的自然類別相吻合，其對同一自然物的分類可能存在差異，而這一差異主要取決于該物的感知數(shù)據(jù)在訓(xùn)練數(shù)據(jù)中的分布特征。
貝葉斯大腦與自然類別的關(guān)系。貝葉斯大腦的機制本質(zhì)上是概率因果推理和預(yù)測，具體表現(xiàn)為對外界事物及其動緣信息的預(yù)測加工過程。在這種框架下，大腦通過構(gòu)建關(guān)于環(huán)境的生成模型來理解世界，并不斷優(yōu)化這些模型，使其預(yù)測更加精確。這一過程結(jié)合行動，與自然類別的形成密切相關(guān)，因為人類的大腦并不是簡單地接受外部信息，而是在每一次感知中主動推測可能的成因，依賴先前的經(jīng)驗和生存需求來調(diào)整感知模型。
那么，為何貝葉斯大腦在感知外界的過程中會產(chǎn)生采用自然類的范疇呢？答案可以從以下方面獲得。[5]一是演化遺產(chǎn)與生物適應(yīng)性。貝葉斯大腦理論是一個演化博弈理論，大腦的感知和推理系統(tǒng)經(jīng)過演化篩選留存，旨在幫助個體適應(yīng)復(fù)雜的環(huán)境。在這種演化博弈過程中，大腦和身體一道發(fā)展出基于適應(yīng)環(huán)境需求的“自然類別”系統(tǒng)。這些類別在長期的演化過程中被篩選出來，并且能夠有效地應(yīng)對生存和繁衍所需的各種任務(wù)。比如，“動物”“植物”等自然類別對生存至關(guān)重要。動物大腦對這些類別的識別區(qū)分能力，因其對于動物在自然環(huán)境中尋找食物、避免危險及與同類交流至關(guān)重要，被自然選擇留存為生存策略。因此，貝葉斯大腦在感知世界的過程中，會逐漸形成對這些自然類別的依賴，并借助它們構(gòu)建對環(huán)境的感知和理解。
二是效率與信息處理的優(yōu)化。貝葉斯大腦理論強調(diào)“預(yù)測誤差最小化”機制，即大腦根據(jù)過去的經(jīng)驗和外部環(huán)境的感知輸入來預(yù)測結(jié)果，并不斷調(diào)整自身模型以減少誤差。自然類別的使用能夠極大提高這一預(yù)測過程的效率。通過歸納出“常見類別”，并根據(jù)這些類別形成因果模型對外因進行預(yù)測，大腦可以在面對復(fù)雜和動態(tài)的環(huán)境時，通過對感官“小數(shù)據(jù)”的預(yù)測，迅速作出反應(yīng)，而不需要逐一分析新的事物或事件。比如，當我們看到一只具有特定外形的動物時，大腦無需逐一分析細節(jié)（如顏色、大小、形狀等），而是迅速將其歸入“動物”類別，并根據(jù)已有的經(jīng)驗判斷它是否是危險的、可食用的或友善的。這種分類方式不僅能節(jié)省處理信息的計算量，還能夠提高大腦在日常生活中的適應(yīng)性。
三是感知與行動的緊密整合。貝葉斯大腦的一個重要特點是感知與行動的緊密整合。按照神經(jīng)科學(xué)家弗利斯頓等人的口號：感知就是行動，行動也是感知。[6]自然類別通過提供一種方便、高效的框架，使大腦能夠利用相應(yīng)行動來迅速識別和理解外部世界。這種基于自然類別的感知機制可以幫助個體迅速作出適應(yīng)性反應(yīng)，從而進一步感知與認知到環(huán)境的細節(jié)。比如，當非洲原野上的人類看到獅子時，大腦立即將其歸為“危險動物”類別，并激活應(yīng)急反應(yīng)機制來迅速測試這一動緣的真實性，而不是逐步分析其形態(tài)和其他屬性。自然類范疇能夠快速引導(dǎo)行為，減少過度思考和推理的時間，從而在生存競爭中占據(jù)優(yōu)勢。
四是自然類別與生物和社會演化的聯(lián)系。自然類別的形成不僅是為了提高感知與認知效率，還與動物身體的根本需求密切相關(guān)。大腦的結(jié)構(gòu)、功能與生理過程緊密相連，比如，“食物”和“捕獵”等自然類別與動物獲取能量、維持生命的需求息息相關(guān)。這些類別為大腦提供有效框架，使得個體在復(fù)雜的自然環(huán)境中，能夠快速作出決策并采取行動。此外，人類的自然智能不僅僅涉及生理層面，還包括文化和社會層面。許多自然類別，如“家庭”“社區(qū)”“國家”等，多通過社會交往和文化傳承逐漸形成。這些類別幫助個體在社會中實現(xiàn)有效互動，并維持社會結(jié)構(gòu)和秩序。因此，貝葉斯大腦的自然類范疇不僅是對物理生物世界的感知，也涉及與他人互動、學(xué)習(xí)和社會適應(yīng)的需要。
玻爾茲曼機與統(tǒng)計類別的關(guān)系。玻爾茲曼機是一類無監(jiān)督學(xué)習(xí)模型，基于概率統(tǒng)計推理來學(xué)習(xí)和理解數(shù)據(jù)中的模式。在這種模型中，外界的事物（如圖像、語言、聲音等）被看作巨大的數(shù)據(jù)集，包含海量特征、屬性及其間的相關(guān)性。玻爾茲曼機通過對這些數(shù)據(jù)進行統(tǒng)計分析、比較和建模，習(xí)得在數(shù)據(jù)的多維空間中發(fā)現(xiàn)規(guī)律的方法。
與貝葉斯大腦依賴先驗假設(shè)，并通過預(yù)測與修正獲得后驗分布來感知世界的機制不同，玻爾茲曼機不關(guān)注事物的概率因果關(guān)系，而是通過大量數(shù)據(jù)的分布特征推斷類別與模式。其通過隨機初始化和優(yōu)化過程逐步調(diào)整模型的權(quán)重，以獲取最能準確描述數(shù)據(jù)分布的模型。
玻爾茲曼機的主要目標在于，通過特征和模式識別實現(xiàn)信息處理。其將輸入數(shù)據(jù)（如一個句子的詞匯或圖像中的像素）轉(zhuǎn)換為高維的統(tǒng)計空間，并在其中尋找具有相似特征的數(shù)據(jù)簇，即通過比較統(tǒng)計空間中不同特征對應(yīng)的高斯分布峰值間的距離，將鄰近的峰值歸為同一數(shù)據(jù)簇。這些數(shù)據(jù)簇即構(gòu)成“統(tǒng)計類別”，這些類別并不必然地依賴于事物的實際物理屬性或因果關(guān)系，而是通過在大數(shù)據(jù)中識別并歸類頻繁出現(xiàn)的模式，最終實現(xiàn)對此類屬性與關(guān)系的認知。比如，在語言處理任務(wù)中，玻爾茲曼機可以通過分析大量文本數(shù)據(jù)，自動學(xué)習(xí)詞匯之間的統(tǒng)計關(guān)系（如詞頻、詞匯共現(xiàn)、上下文信息等），而不是像貝葉斯大腦依賴自然類別（如“動物”“物品”）實現(xiàn)感知和分類。其進而識別出語義相關(guān)的詞語和句子結(jié)構(gòu)，并根據(jù)這些統(tǒng)計關(guān)系生成新的文本或預(yù)測下一個詞語。[7]
玻爾茲曼機系統(tǒng)通過優(yōu)化網(wǎng)絡(luò)權(quán)重實現(xiàn)最小化系統(tǒng)能量，這一過程類似于統(tǒng)計熱力學(xué)中系統(tǒng)狀態(tài)依據(jù)玻爾茲曼分布律進行調(diào)整的機制。這種優(yōu)化過程本質(zhì)上是統(tǒng)計的，而非概率因果推理的。玻爾茲曼機通過調(diào)節(jié)神經(jīng)元之間的連接強度（即權(quán)重），使系統(tǒng)能量最小化，從而得到一個統(tǒng)計類的最優(yōu)概率分布。
玻爾茲曼機的另一個關(guān)鍵特點在于，其能夠通過處理大數(shù)據(jù)的泛化能力，習(xí)得更為復(fù)雜的模式。在人工智能領(lǐng)域中，尤其是大語言模型和圖像處理任務(wù)中，數(shù)據(jù)規(guī)模通常極為龐大，傳統(tǒng)的分類或概率因果推理方法難以應(yīng)對。因此，統(tǒng)計類方法（如玻爾茲曼機）可通過學(xué)習(xí)數(shù)據(jù)的分布特征來進行感知和推理，進而有效適應(yīng)和處理大規(guī)模、復(fù)雜的數(shù)據(jù)集。比如，玻爾茲曼機能夠通過學(xué)習(xí)大量圖像，統(tǒng)計出最常見的像素模式，并通過這些模式識別出圖像中的物體，而不需要依賴預(yù)設(shè)的自然類別（如“貓”“車”等）。其通過對數(shù)據(jù)的深度分析，發(fā)現(xiàn)一個比自然類別更加細致的統(tǒng)計空間，使其能夠在沒有顯式定義的情況下進行模式識別和生成。
自然類與統(tǒng)計類的沖突與融合問題。隨著深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)理論和技術(shù)的發(fā)展，人工智能已在許多領(lǐng)域超越傳統(tǒng)的自然類別認知。比如，在科技研究領(lǐng)域，人工智能可以通過大數(shù)據(jù)學(xué)習(xí)，發(fā)現(xiàn)遠超人類自然感知能力的潛在模式。然而，這也帶來一些問題，即人工智能的感知系統(tǒng)可能會偏離人類傳統(tǒng)的自然類系統(tǒng)，導(dǎo)致對世界的解讀與人類的理解存在顯著錯位。
這種沖突表現(xiàn)在，人工智能可能會生成一些看似“合理”的分類，但這些分類并不符合自然類的常識認知。比如，在圖像識別中，人工智能可能將部分外形相似的物體（如圓形物體和球體）歸為同一類，而忽略人類對物體功能和用途的不同理解。然而，統(tǒng)計類的“離奇”也給我們提供了機會，人工智能可通過運用統(tǒng)計類別來拓寬人類的感知與認知視野。其可通過對海量數(shù)據(jù)的分析發(fā)現(xiàn)人類之前未注意到的類別關(guān)系，并為人類提供新的視角，幫助人類更好地理解和分類世界。
人工智能的藝術(shù)創(chuàng)作與體驗
自然智能與人工智能在能動地感知與認知外界時，所用的心理工具（自然類與統(tǒng)計類）有所區(qū)別。那么，這種區(qū)別會產(chǎn)生怎樣的影響？本文以藝術(shù)為例來探討這個問題，主要有兩點原因。一是藝術(shù)領(lǐng)域受到人工智能的沖擊，且這一情況已經(jīng)得到公眾的普遍關(guān)注；二是藝術(shù)創(chuàng)作與體驗領(lǐng)域可能成為未來人機共存中的一個分水嶺。若以科學(xué)技術(shù)領(lǐng)域的發(fā)現(xiàn)和發(fā)明為例，自然與人工智能之間的張力尚未表現(xiàn)出明顯特征，不必過度關(guān)注。比如，科技領(lǐng)域中自然類范疇早在人工智能大量介入之前就已經(jīng)受到?jīng)_擊，物理學(xué)的“自然類”除了“基本粒子”、四大“基本相互作用”，其他均不具備嚴格自然類屬性。化學(xué)分類也不同于日常認知中的自然類，即便是現(xiàn)代生物科學(xué)中的分類，也與日常的自然類存在很大區(qū)別。因此，以藝術(shù)領(lǐng)域為例更能說明問題。目前中外文獻中已有對藝術(shù)領(lǐng)域案例的討論。[8]
藝術(shù)創(chuàng)作的要義，在于通過作品的感官呈現(xiàn)（如視覺、聽覺等）傳遞情感和思想，引發(fā)觀眾的感知與共鳴。無論是通過繪畫、雕塑、音樂還是其他新興藝術(shù)形式，都致力于以作品為媒介，激發(fā)受眾的情感體驗。藝術(shù)創(chuàng)作不僅僅是外部物質(zhì)媒介的簡單表達，還承載著創(chuàng)作者的意圖與情感，作品的意義通過觀眾的感知體驗得以實現(xiàn)。在這個過程中，人類藝術(shù)家的大腦通過貝葉斯機制預(yù)測觀眾的反應(yīng)，并根據(jù)這些預(yù)測調(diào)整創(chuàng)作內(nèi)容與形式。比如，藝術(shù)家可能會通過事物的選擇、色彩的搭配、形狀的選擇等方式，來引導(dǎo)觀眾的感知，以達到預(yù)期的藝術(shù)效果。而人工智能的創(chuàng)作過程則存在顯著差異。
當人工智能作為主體參與藝術(shù)創(chuàng)作時，其“創(chuàng)作”并不是基于情感和意圖的傳遞，而是基于從大數(shù)據(jù)中學(xué)習(xí)到的統(tǒng)計規(guī)律生成新的作品。人工智能藝術(shù)創(chuàng)作依賴于算法的訓(xùn)練，其通過對大規(guī)模數(shù)據(jù)集的分析，能夠生成符合統(tǒng)計規(guī)律的新藝術(shù)作品。例如，生成對抗網(wǎng)絡(luò)（GANs）可以生成看似逼真的圖像，這些圖像可能在形式上符合藝術(shù)品的標準，但它們?nèi)狈λ囆g(shù)創(chuàng)作中的情感和意圖。
如果說人工智能系統(tǒng)可以實現(xiàn)對藝術(shù)的“欣賞”行為，其“藝術(shù)體驗”則更為直接，其不需要理解作品的深層意義，而是僅通過算法分析作品中的數(shù)據(jù)特征，就可生成對作品的反應(yīng)。在這種情況下，人工智能的“藝術(shù)體驗”與人類的藝術(shù)體驗有著根本的區(qū)別。人類在欣賞藝術(shù)時，會通過自己的經(jīng)歷、文化背景和情感狀態(tài)對作品產(chǎn)生獨特的理解，而人工智能則僅僅是根據(jù)輸入的數(shù)據(jù)生成相應(yīng)的輸出。
那么，以自然類范疇和以統(tǒng)計類范疇創(chuàng)作藝術(shù)的根本區(qū)別又體現(xiàn)在何處？根據(jù)前文的分析，人類藝術(shù)依賴自然類的范疇來進行因果性敘事與情感表達。藝術(shù)家在創(chuàng)作過程中，不但會對形式、色彩等視覺元素進行排列組合與藝術(shù)化處理，更重要的是會追問“為什么”。畢加索的《格爾尼卡》之所以成為世紀名作，并非因為其在形態(tài)設(shè)計上的獨特性，而是因其通過符號化的形象，承載了戰(zhàn)爭的殘酷經(jīng)驗與情感控訴。畫中的斷裂馬身、嚎叫的母親和扭曲的空間，都通過人類大腦的自然類感知被解讀為“痛苦”“毀滅”和“無助”。這種藝術(shù)體驗，本質(zhì)上是人類大腦在因果框架下重建意義的過程。類似地，中國水墨畫中“山”的形象，不僅僅是視覺元素的組合，而更是觸發(fā)觀者對自然、隱逸與哲思的文化性聯(lián)想。這類因果性與文化性，構(gòu)成人類藝術(shù)不可取代的底色。
相較之下，人工智能藝術(shù)依賴統(tǒng)計類范疇來生成作品。其并不追問“為什么”，而只是回答哪些模式最可能共現(xiàn)或最能吸引眼球。當人工智能生成一幅“梵高風格的貓”時，其實際上是在像素層面將“貓”的統(tǒng)計特征與“梵高畫風”的統(tǒng)計特征進行疊加。結(jié)果可能極具視覺沖擊力，卻不存在因果敘事與情感根基。而人工智能生成的音樂作品，往往是基于大量旋律的統(tǒng)計模式拼接，旋律或優(yōu)美或離奇，但其背后沒有“作曲家思念家鄉(xiāng)時的心境”或“宗教儀式的精神氛圍”這類情感內(nèi)核。觀眾在聆聽時，仍然會用自然類的因果推理來賦予其意義，但這種意義是人類大腦主動投射上去的，而非人工智能創(chuàng)作中所承載的表達訴求。而當概率拼接足夠離奇時，人類大腦的投射有可能無濟于事。
因此，用自然類的藝術(shù)呈現(xiàn)的意圖與解釋，通過概率因果推理把經(jīng)驗和文化編織成作品；而用統(tǒng)計類的藝術(shù)呈現(xiàn)的形式與特征的統(tǒng)計拼接，依靠模式的統(tǒng)計重組制造新奇感。二者在表面上可能都能吸引觀眾，內(nèi)在邏輯卻完全不同。一個源自“解釋世界”，一個源自“擬合數(shù)據(jù)”。這也解釋了為什么人類藝術(shù)和人工智能藝術(shù)在未來有可能呈現(xiàn)出兩條分道平行的發(fā)展軌跡。
自然類范疇創(chuàng)作與統(tǒng)計類范疇創(chuàng)作的關(guān)鍵區(qū)別可總結(jié)為以下方面。首先，是情感與表達的深度。自然類范疇創(chuàng)作強調(diào)藝術(shù)家的情感表達和對世界的理解，作品往往能夠觸動人心并引發(fā)觀眾的共鳴。藝術(shù)家通過作品表達對生活、自然、人類經(jīng)驗等感悟，其作品通常帶有個人色彩和獨特的藝術(shù)理念。這種共鳴如果缺乏長期演化而來的身體和大腦，恐難以產(chǎn)生。統(tǒng)計類范疇創(chuàng)作則往往缺乏這種情感深度。由于不具備經(jīng)由生物演化而形成的思考能力和情感特性，人工智能在創(chuàng)作時不會有情感和意識，其只是根據(jù)數(shù)據(jù)之間的統(tǒng)計關(guān)系來生成作品。盡管人工智能可能模仿某些藝術(shù)風格，但由于這種創(chuàng)作并不具備自我意識或情感表達，往往更冷靜、理性，但也可能突破動物藝術(shù)感的邊界，創(chuàng)作全新的藝術(shù)維度。
其次，是創(chuàng)作過程的主觀性與客觀性。在自然類范疇的創(chuàng)作中，藝術(shù)家的主觀性至關(guān)重要。藝術(shù)家的個人體驗、情感，以及對世界的認知都會直接影響作品的最終呈現(xiàn)。藝術(shù)創(chuàng)作是一個主觀體驗的過程，藝術(shù)家通過直覺、情感或哲學(xué)思想來探索和表達世界。在統(tǒng)計類范疇的創(chuàng)作中，人工智能的創(chuàng)作過程呈現(xiàn)客觀性和概率選擇性。其通過處理大量數(shù)據(jù)并依靠算法規(guī)則生成作品。即便能夠產(chǎn)生“視角”，也不是主觀視角，而只是客觀的相對位置差異。因此，人工智能創(chuàng)作的藝術(shù)可以產(chǎn)生離奇的創(chuàng)意，在很多情況下甚至超越傳統(tǒng)創(chuàng)作，但其本質(zhì)是基于數(shù)據(jù)分析與模式重組，并不包含主觀意圖。
自然類范疇的創(chuàng)作具有較高的情感原創(chuàng)性，因其依賴于藝術(shù)家的獨立思想和個人感知，而藝術(shù)家從自然世界中提煉出獨特的視角和創(chuàng)作意圖。藝術(shù)作品往往是對現(xiàn)實的再創(chuàng)造，其不僅僅是現(xiàn)象的再現(xiàn)，更是對世界的深刻解讀。統(tǒng)計類范疇的創(chuàng)作則可以在視覺上產(chǎn)生新穎的作品，以離奇的原創(chuàng)性展現(xiàn)于世，這種作品是基于現(xiàn)有數(shù)據(jù)的重組和創(chuàng)新，雖然可能開創(chuàng)新維度，但它不具備情感的原則性。人工智能的創(chuàng)作并不源自內(nèi)心主觀藝術(shù)沖動，而是對數(shù)據(jù)規(guī)律的應(yīng)用和變換。
雖然人工智能是人類文明高度發(fā)達的結(jié)晶，但統(tǒng)計類范疇的創(chuàng)作方式代表了人工智能與自然智能截然不同的創(chuàng)作途徑。自然類范疇創(chuàng)作的藝術(shù)作品通常注重情感的表達、藝術(shù)家的意圖以及作品背后的深層次思想，而統(tǒng)計類范疇創(chuàng)作則更關(guān)注數(shù)據(jù)模式的識別和重組，其創(chuàng)作過程是數(shù)據(jù)驅(qū)動和客觀生成的。
盡管如此，人工智能的藝術(shù)創(chuàng)作并非完全與自然類創(chuàng)作對立。在未來，人工智能藝術(shù)創(chuàng)作可能通過更深層次的學(xué)習(xí)與訓(xùn)練，逐漸產(chǎn)生獨立于人類藝術(shù)，但與之互補的創(chuàng)作方式，并以此開辟藝術(shù)創(chuàng)作與體驗的新天地。事實上，人類藝術(shù)史上不乏試圖超越人類感知與認知局限性的嘗試。偉大的藝術(shù)家往往都是挑戰(zhàn)傳統(tǒng)藝術(shù)觀念和模式的先行者。人工智能藝術(shù)給人類帶來的全新的維度，很可能會成為未來藝術(shù)家選擇和合作的對象。人工智能的出現(xiàn)已經(jīng)在創(chuàng)新方面給科學(xué)技術(shù)領(lǐng)域以極大的幫助，我們有理由相信，人工智能藝術(shù)將會對人類藝術(shù)創(chuàng)作未來作出相似貢獻。
同時，在未來人工智能藝術(shù)發(fā)達、人類無法在同樣的維度上與之競爭的情況下，人類藝術(shù)家很可能另辟蹊徑，開辟人工智能藝術(shù)無法效仿的領(lǐng)域。比如，無論未來的人工智能系統(tǒng)多么發(fā)達先進，其也不可能擁有通過長期生物演化而來的動物身體，而這樣的動物身體與貝葉斯大腦的結(jié)合所產(chǎn)生的情緒、感知和初級認知，是人工智能系統(tǒng)所望塵莫及的東西。因此，人類文明在未來高度發(fā)達的人機共存時代里，有可能放棄人類在很長一個時期內(nèi)追求的“高大上”的藝術(shù)目標，而回歸到創(chuàng)作原始、粗糙但充分體現(xiàn)動物具身感受和感知的作品里去，它們自然、非理性、微妙、難以捉摸和不可言喻，與人工智能藝術(shù)作品構(gòu)成鮮明對比。
可以想象，在未來的人機共存環(huán)境中，藝術(shù)的發(fā)展可能沿著兩條分離的方向前進。人類藝術(shù)將繼續(xù)深化因果敘事、返璞尋源和文化積累，強調(diào)情感和感知與初級認知，甚至更積極地探索感知錯覺與因果預(yù)期之間的張力。而人工智能藝術(shù)則會在統(tǒng)計組合和新奇性上不斷拓展，在虛擬現(xiàn)實、游戲與沉浸式藝術(shù)中展現(xiàn)出獨特優(yōu)勢。它們擅長風格混搭與形式實驗，能創(chuàng)造出前所未有的感官體驗景觀。
由此可見，人類與人工智能藝術(shù)可能既分道揚鑣，又相互補充。如上所述，兩者平行發(fā)展，最終或許會出現(xiàn)雙軌的藝術(shù)世界：人類為人類創(chuàng)作，人工智能為人工智能創(chuàng)作，二者在各自的維度上延展，但也可能在交匯處催生“人機共創(chuàng)藝術(shù)”。在這一過程中，人工智能不斷挑戰(zhàn)“藝術(shù)本質(zhì)”的哲學(xué)邊界，而人類則因人工智能的存在被迫重新反思自身藝術(shù)的獨特性與不可替代性。正是在這種互動與張力之中，人類與人工智能的藝術(shù)未來將走向既分離又互補的發(fā)展方向。
結(jié)語
本文通過比較自然智能（以貝葉斯大腦理論為代表）與人工智能（以玻爾茲曼機模型為代表）的運作機制，揭示二者在感知、推理與藝術(shù)創(chuàng)作中的根本差異。貝葉斯大腦依賴因果推理，以預(yù)測與誤差修正的循環(huán)來主動建構(gòu)對世界的理解，并形成與進化和經(jīng)驗相關(guān)聯(lián)的自然類范疇。該機制使人類的感知與創(chuàng)作具有解釋性、目的性與情感深度。然而，玻爾茲曼機及其相關(guān)的深度學(xué)習(xí)模型，則通過統(tǒng)計推理擬合大數(shù)據(jù)的統(tǒng)計分布，形成統(tǒng)計類范疇。這種機制在模式識別和數(shù)據(jù)生成方面極為高效，但缺乏因果性與內(nèi)在意圖。
在藝術(shù)創(chuàng)作中，這種差異帶來深遠影響：人類藝術(shù)強調(diào)情感、意圖與因果意義，而人工智能藝術(shù)則依賴數(shù)據(jù)統(tǒng)計和模式組合生成作品。人工智能或能拓展藝術(shù)的新形式，但其生成過程本質(zhì)上缺乏人類創(chuàng)作的情感與自我意識。自然智能與人工智能的機制差異不僅揭示人機認知的根本區(qū)別，也為未來人類與人工智能共存的藝術(shù)與文化生態(tài)提出新的挑戰(zhàn)并引發(fā)深度思考。
注釋
[1]參見趙汀陽：《人工智能還給人類的思維難題》，《中國社會科學(xué)》，2024年第8期；K. Friston, "A Theory of Cortical Responses," Philosophical Transactions of the Royal Society B: Biological Sciences, 2005, 360(1456)。
[2]參見《2024年物理諾獎頒給“AI+物理”：Geoffrey Hinton和John Hopfield因人工神經(jīng)網(wǎng)絡(luò)成果獲獎》，2024年10月8日，https://finance.sina.com.cn/roll/2024-10-08/doc-incrvwyw7089607.shtml；G. E. Hinton and R. R. Salakhutdinov, "Reducing the Dimensionality of Data with Neural Networks," Science, 2006, 313(5786)。
[3]J. Otsuka, Thinking About Statistics: The Philosophical Foundations, New York: Routledge, 2023, p. 204.
[4]J. J. Gibson, The Ecological Approach to Visual Perception, Boston: Houghton Mifflin, 1979.
[5][6]K. Friston, "A theory of cortical responses," Philosophical Transactions of the Royal Society B: Biological Sciences, 2005, 360(1456).
[7]如今的大語言模型并不是用玻爾茲曼機，僅耗能一項就不切實際，但是理論上是可以用玻爾茲曼機構(gòu)建大語言模型產(chǎn)品的。
[8]參見于廣瑩：《人工智能藝術(shù)的局限性與當代價值》，《美學(xué)研究》，2024年第1期；M. Kunda, "Visual Mental Imagery: A View from Artificial Intelligence," Cortex, 2018(105)；A. Elgammal et al., "CAN: Creative Adversarial Networks, Generating 'Art' by Learning About Styles and Deviating from Style," 21 Jun 2017, arXiv preprint arXiv:1706.07068。
責 編∕鄧楚韻 美 編∕周群英
The Impact of Differences Between Natural Intelligence and Artificial Intelligence Mechanisms on Artistic Creation
Liu Chuang
Abstract: The rapid development of artificial intelligence and its many applications in human society have had a far-reaching impact on the traditional conception of art. The Backdrop of such impact is the essential difference between the fundamentals of the natural and artificial intelligence: the Bayesian brain, based on causal reasoning and prediction error minimization, produces natural categories with interpretability, purposiveness and profound emotional depth; in contrast, artificial intelligence represented by the Boltzmann machine relies on statistical reasoning and data fitting, forming statistical categories lacking causal inferences and intentionality. In artistic creation, human art is rooted in emotion, meaning and consciousness, while AI art is essentially a combinatorial generation of data patterns. Though it may help to expand the boundaries of artistic forms, AI art is incapable of having emotional depth and self-awareness of human beings. This difference not only reveals the intrinsic cognitive difference between humans and machines, it also presents new challenges for the artistic and cultural ecology of human-machine symbiosis in the future.
Keywords: natural intelligence, artificial intelligence, artistic creation, Bayesian brain, Boltzmann machine
