【摘要】在同大語言模型知識實(shí)踐的并置中，我們可以定位到學(xué)科交叉融合的必要性。以ChatGPT為代表的大語言模型，盡管才剛剛進(jìn)入人類的視野中，但已經(jīng)在知識實(shí)踐上展現(xiàn)出卓越能力，成為堪稱“通”家的大“專”家。我們可以用“模擬模式”與“數(shù)字模式”來分別描述人類與大語言模型的知識實(shí)踐。大語言模型問世前的人工神經(jīng)網(wǎng)絡(luò)算法，數(shù)字模式的知識實(shí)踐僅僅令其在狹窄的垂直領(lǐng)域展露出卓越智能。然而以海量人類文本為訓(xùn)練數(shù)據(jù)的大語言模型，其知識實(shí)踐則呈現(xiàn)出無視領(lǐng)域疆界的通用性。面對大語言模型在知識實(shí)踐中的應(yīng)用，人類何為？潛在論與量子物理學(xué)，給出了我們積極展開跨學(xué)科知識實(shí)踐的理據(jù)。
【關(guān)鍵詞】大語言模型 后人類 模擬模式 數(shù)字模式 純粹潛能 量子思維
【中圖分類號】TP18/C19 【文獻(xiàn)標(biāo)識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2023.21.005
引言
“學(xué)科交叉融合”是必要的嗎？晚近經(jīng)常有學(xué)術(shù)同行提出這個(gè)問題。
盡管近年來“學(xué)科交叉融合”得到大力倡導(dǎo)，國務(wù)院學(xué)位委員會與教育部于2020年底正式設(shè)置了“交叉學(xué)科”門類，然而不得不承認(rèn)，今天的學(xué)術(shù)評價(jià)體系仍主要以學(xué)科為單位展開。如果你是一位任職于中文系的青年學(xué)者，真的有必要探究區(qū)塊鏈、增強(qiáng)現(xiàn)實(shí)、人工智能等前沿技術(shù)乃至量子物理學(xué)抑或神經(jīng)科學(xué)嗎？且不說離開治學(xué)“舒適區(qū)”（comfortable zone）本身之艱難，對于跨越學(xué)科疆界形成的研究成果，由誰來評審？誰來評判這種知識實(shí)踐是否生產(chǎn)出了優(yōu)異的或至少質(zhì)量合格的知識產(chǎn)品？如果最后仍是“現(xiàn)代文學(xué)”或“文藝學(xué)”領(lǐng)域的學(xué)者來評審，那么這些跨學(xué)科的內(nèi)容很可能反而導(dǎo)致你的研究不被認(rèn)可（因?yàn)閷＜易x不懂你的研究）。
看起來，躲在既有學(xué)科疆界之內(nèi)進(jìn)行知識生產(chǎn)似乎是安全的，更是舒適的。于是，我們有必要對篇首的這個(gè)問題，予以認(rèn)真思考。
后人類知識實(shí)踐者：作為“通”家的“專”家
以ChatGPT為代表的大語言模型是2023年最受關(guān)注的技術(shù)，然而人工智能界專家們發(fā)起的相關(guān)爭論，集中在它所帶來的安全風(fēng)險(xiǎn)上，而非其知識實(shí)踐的模式。[1]OpenAI于2022年11月30日正式上線ChatGPT后，短短數(shù)月大量人類作者同ChatGPT合寫的論文、乃至ChatGPT獨(dú)著的書籍，便如雨后春筍般接連問世[2]；即便在大量沒有署名的地方，ChatGPT亦事實(shí)性地參與了知識生產(chǎn)，成為了我們這個(gè)時(shí)代的重要知識實(shí)踐者，一位“后人類”的實(shí)踐者。[3]
筆者曾就“澳大利亞核政策變遷及其影響”這個(gè)相當(dāng)縱深、專業(yè)的議題問詢這位后人類的知識實(shí)踐者，其幾秒內(nèi)輸出的內(nèi)容，不僅概述了澳大利亞核政策變遷的國際與國內(nèi)背景及其過程，更是條分縷析地探究了導(dǎo)致變遷的多重原因，并剖析了變遷所帶來的諸種影響。至為關(guān)鍵的是，這些內(nèi)容得到了眾多在該領(lǐng)域長年深耕的專家的認(rèn)可。這個(gè)案例讓我們看到，大語言模型儼然是一個(gè)稱職的、相當(dāng)出色的知識生產(chǎn)者。
大語言模型不僅是精通像“澳大利亞核政策變遷及其影響”這種縱深論域的專家型知識實(shí)踐者，還是一個(gè)激進(jìn)的超越學(xué)科疆界的知識實(shí)踐者。ChatGPT被認(rèn)為已接近“通用人工智能”[4]——就其知識實(shí)踐而言，它顯然是“通用的”（general），而非“狹窄的”（narrow）；它徹底無視知識實(shí)踐的學(xué)科疆界，既是強(qiáng)大的大“專”家，同時(shí)更是大“通”家。不少ChatGPT的用戶經(jīng)常拿它會出錯(cuò)（甚至是“一本正經(jīng)地胡說八道”）說事，從而否定它作為知識生產(chǎn)者的資質(zhì)。然而，對ChatGPT的這個(gè)批評必須納入并置性的分析視野中：作為知識生產(chǎn)者的人類作者，難道就不會出錯(cuò)？
實(shí)際上，大語言模型出錯(cuò)的原因不難定位到：它們使用海量的書籍和互聯(lián)網(wǎng)文本作為訓(xùn)練材料，而這些材料本身就包含錯(cuò)誤，從各種常見的低級錯(cuò)誤（從事實(shí)錯(cuò)誤到錯(cuò)別字）到各類大量出現(xiàn)的“復(fù)雜錯(cuò)誤”（從不恰當(dāng)?shù)男袠I(yè)建議到“陰謀論”）。[5]正是因?yàn)槿舜罅砍鲥e(cuò)，大語言模型無論怎樣迭代，結(jié)構(gòu)性地?zé)o法做到零出錯(cuò)。
這也就是“機(jī)器學(xué)習(xí)”研究里所說的“垃圾進(jìn)，垃圾出”（garbage in, garbage out）?；ヂ?lián)網(wǎng)文本無可避免存在大量低質(zhì)量的文本，無法做到以人工的方式在訓(xùn)練前加以徹底排除——譬如，盡管可以把一些富含此類文本的網(wǎng)站整個(gè)剔除，但很多“問題文本”是隨機(jī)產(chǎn)生的。大語言模型只能在訓(xùn)練中通過不斷迭代權(quán)重來減少出錯(cuò)狀況。
并且，從統(tǒng)計(jì)學(xué)上來看，互聯(lián)網(wǎng)每年會增加巨量的文本，但新增的知識（亦即，純粹“新知”）卻并不多，且在巨量文本中的比例低得可怕。故此，GPT-5（如果有的話）未必一定比GPT-4提升很多，因?yàn)槿祟愇拿髦袔缀跛兄匾墨I(xiàn)都已被納入GPT-4的訓(xùn)練中，而此后產(chǎn)生的新文本中極小比例是高質(zhì)量的。這意味著，能夠進(jìn)一步提升大語言模型的優(yōu)質(zhì)數(shù)據(jù)，正在逐漸枯竭。若大量使用新近增加的文本來訓(xùn)練大模型并迭代其權(quán)重，反而會使生成文本的質(zhì)量下降。
我們看到，在各自的知識實(shí)踐中，人類作者與后人類的大語言模型都會出錯(cuò)，都可能輸出問題文本與低質(zhì)量文本。兩者對比起來，大語言模型輸出文本的錯(cuò)誤情況，實(shí)際上要比人類低得多——大語言模型幾乎閱讀了所有知識論域里的所有既有文本，且是一頁不落地閱讀，沒有一個(gè)人類作者能做到如此全面與海量的閱讀。對比如此“勤奮好學(xué)”的大語言模型，不少人類作者，實(shí)屬片面地讀了一點(diǎn)就敢寫敢說了，其生產(chǎn)的多數(shù)文本（包含重要的純粹“新知”的文本除外），質(zhì)量和價(jià)值卻不及大語言模型知識實(shí)踐的產(chǎn)品。
知識實(shí)踐的兩種模式
將人類與大語言模型的知識實(shí)踐做并置性的對比，我們能進(jìn)一步定位到知識實(shí)踐的兩種模式。
大語言模型通過迭代權(quán)重，能夠精確地控制所生產(chǎn)文本的質(zhì)量——比如在訓(xùn)練時(shí)給予《自然》（Nature）期刊“論文”遠(yuǎn)高于互聯(lián)網(wǎng)論壇同主題“帖子”的權(quán)重。而人類的知識實(shí)踐者，則無法使用如此精確的權(quán)重系統(tǒng)（譬如，一位高顏值的主播往往會讓人不知不覺對其言論給出過高權(quán)重）。對比大語言模型，人類之知識實(shí)踐的一切進(jìn)程，皆是以遠(yuǎn)為模糊的——“模擬的”（analog）——方式展開。[6]
作為后人類的知識實(shí)踐者，大語言模型既是強(qiáng)大的學(xué)習(xí)者（深度學(xué)習(xí)者），亦是出色的生產(chǎn)者（生成式AI）。它實(shí)質(zhì)性的“后人類”面向，并非在于其實(shí)踐不受學(xué)科疆界限制（人類亦能做到），而是在于其學(xué)習(xí)（輸入）與生產(chǎn)（輸出），皆以“數(shù)字”（digital）形態(tài)進(jìn)行。這就意味著，大語言模型實(shí)際上標(biāo)識出一種同人類——“智人”（Homo sapiens）——全然不同的知識實(shí)踐。
圖靈獎得主、“深度學(xué)習(xí)之父”杰弗里•辛頓在2023年6月10日所作的《通向智能的兩條道路》演講中，提出了“能動者共同體”（a community of agents）分享知識的兩種模式。[7]我們可以把這兩種共同體模式分別命名為“數(shù)字模式”與“模擬模式”。大語言模型（人工智能）與人類（智人），分別是這兩種模式的能動性實(shí)踐者。
每個(gè)大語言模型，都包含了無數(shù)“數(shù)字計(jì)算”的能動者，它們使用權(quán)重完全相同的副本。如果個(gè)體能動者（亦即每個(gè)副本）具有同樣權(quán)重、并以完全相同的方式使用這些權(quán)重，那么，能動者之間就可以把自身個(gè)體性訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到的內(nèi)容，通過共享權(quán)重的方式無損地實(shí)現(xiàn)彼此轉(zhuǎn)交。也就是說，共同體內(nèi)每一個(gè)能動者，都可以即時(shí)獲得其他能動者的學(xué)習(xí)成果——前提是所有個(gè)體能動者皆以完全相同的方式工作，故此他們必須是數(shù)字的。
就大語言模型而言，模型的每個(gè)副本都從它所觀察到的數(shù)據(jù)中學(xué)習(xí)，不同副本觀察不同的數(shù)據(jù)片段，它們通過共享權(quán)重或梯度來高效地分享所學(xué)的知識。這就使得每個(gè)副本都能從其他副本的學(xué)習(xí)中收獲知識。在這個(gè)意義上，大語言模型本身就是一個(gè)“能動者共同體”，該共同體內(nèi)每個(gè)能動者都只是以非常低的帶寬來學(xué)習(xí)（僅僅就拿到的數(shù)據(jù)片段來預(yù)測下一個(gè)單詞），但彼此間能精確地共享權(quán)重——如果模型擁有萬億個(gè)權(quán)重，則意味著每次分享能開啟萬億比特帶寬的溝通。
于是，運(yùn)行大語言模型的成本（主要體現(xiàn)為能源消耗）會十分巨大——這是知識實(shí)踐之?dāng)?shù)字模式的代價(jià)?；剂舷乃鶎?dǎo)致的行星層面的生態(tài)變異，恰恰是“人類世”（the Anthropocene）的核心困境：龐大的能耗會增加巨量碳排放，推動其熵值的加速增加。[8]能源消耗以及前文討論的數(shù)據(jù)枯竭，構(gòu)成了大語言模型發(fā)展的兩個(gè)關(guān)鍵限制。
與大語言模型相較，人類個(gè)體進(jìn)行學(xué)習(xí)的能源消耗非常低，而學(xué)習(xí)帶寬則遠(yuǎn)高于單個(gè)模型副本。但人類個(gè)體在分享知識過程中的效率，則遠(yuǎn)低于大語言模型。利用特定生物硬件之模擬特性來進(jìn)行計(jì)算（“生物性計(jì)算”）的人類個(gè)體，只能使用“蒸餾”（distillation）來分享知識，而無法使用權(quán)重共享來精確地分享知識。[9]這就意味著，個(gè)體B沒有可能完全弄清楚個(gè)體A生成內(nèi)容時(shí)所使用的權(quán)重（甚至這種權(quán)重對于A本人也是不明晰的）。這便是知識實(shí)踐之模擬模式的局限。
人類社會之所以會有“學(xué)校”這種教育機(jī)構(gòu)，很大程度是因?yàn)槿祟悅€(gè)體無法將自己所知道的東西直接裝進(jìn)另一個(gè)個(gè)體的生物硬件中。兩個(gè)神經(jīng)網(wǎng)絡(luò)內(nèi)部架構(gòu)如果不同（亦即，不存在神經(jīng)元間的一一對應(yīng)），那權(quán)重共享就不起作用（即A的權(quán)重對B沒用）。或許可以這樣理解，如果一個(gè)人能夠直接使用詩人李白神經(jīng)網(wǎng)絡(luò)的權(quán)重，那他就能寫出李白的詩句。不同的人類個(gè)體之間（以及不同的大語言模型之間）進(jìn)行知識分享，只能使用“蒸餾”。比起權(quán)重共享，蒸餾的帶寬要低得多，這意味著知識分享效率低，能耗也小。[10]金庸在其名作《天龍八部》與《笑傲江湖》中，多次描述了一類獨(dú)特功夫，后輩可以把前輩幾十年的功力直接“吸”到自己身上——這種功夫?qū)θ魏我蕾嚿镄杂布磉M(jìn)行學(xué)習(xí)的能動者而言，都是絕不可能的。而用“數(shù)字模式”進(jìn)行學(xué)習(xí)的能動者，則不需要這種功夫，因?yàn)樗麄儾恍枰?ldquo;吸”走他人的訓(xùn)練成果，而是可以實(shí)現(xiàn)彼此擁有。
從狹窄人工智能、大語言模型到超智人工智能
讓我們把分析進(jìn)一步推進(jìn)。我們有必要看到：跨越學(xué)科領(lǐng)域進(jìn)行知識實(shí)踐，原本是人類獨(dú)家的能力。而人類知識實(shí)踐者能夠做到這一點(diǎn)（亦即，“學(xué)科交叉融合”得以可能），恰恰得益于其所采取的“模擬模式”。
在大語言模型問世之前，采取“數(shù)字模式”進(jìn)行深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)算法，都只是專門的“狹窄人工智能”（narrow artificial intelligence）。“阿爾法狗”（AlphaGo）能夠在圍棋賽事中毫無懸念地戰(zhàn)勝所有人類頂級高手，然而如果讓它去玩《俄羅斯方塊》，亦無法通關(guān)，至于寫詩、編程抑或探討“澳大利亞核政策變遷及其影響”，則完全無能為力。在大語言模型問世之前，各種狹窄的人工神經(jīng)網(wǎng)絡(luò)算法不僅在模型架構(gòu)上完全不同，并且必需使用專門類別的數(shù)據(jù)來進(jìn)行訓(xùn)練，故此無法通過分享權(quán)重的方式共享訓(xùn)練成果。
然而，以ChatGPT為代表的大語言模型，激進(jìn)地打破了狹窄人工智能的疆域界限。ChatGPT既是編程高手，也是澳大利亞核政策專家，既懂物理學(xué)，也懂哲學(xué)、史學(xué)、文藝學(xué)……大語言模型能夠跨越各種專門領(lǐng)域疆界進(jìn)行知識實(shí)踐，使“模擬模式”的既有優(yōu)勢蕩然無存。它并不是使用專門數(shù)據(jù)（如圍棋棋譜）來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，而用各種類型文本（如書籍、網(wǎng)頁、ArXiv論文、維基百科、平臺用戶評論等）來進(jìn)行如下這個(gè)訓(xùn)練：從上下文來預(yù)測下一個(gè)詞。借用語言學(xué)家費(fèi)迪南·索緒爾的著名術(shù)語，大語言模型同“所指”（signified）無涉，但精于在“指號化鏈條”（signifying chain）中對“能指”（signifier）進(jìn)行預(yù)測。
然而其關(guān)鍵就在于，人是“說話的存在”（speaking beings）。人的“世界”，正是經(jīng)由語言而形成。換言之，語言絕不只是人與人之間溝通的媒介，更是“世界”得以生成的構(gòu)成性媒介——沒有語言，各種“實(shí)體”（entities）會繼續(xù)存在，但我們卻不再擁有一個(gè)“世界”。“世界”——用精神分析學(xué)家雅克·拉康的術(shù)語來說——是一個(gè)“符號性秩序”（symbolic order）。人無法同前語言的秩序（拉康筆下的“真實(shí)秩序”）產(chǎn)生有意義的直接互動。[11]
正是語言（由無數(shù)彼此差異的“能指”串起的“指號化鏈條”），使各種前語言的“存在”變成為了一個(gè)秩序（“符號性秩序”），一個(gè)人類可以理解、并居身其中的“世界”。當(dāng)大語言模型深度學(xué)習(xí)了人類生產(chǎn)出的幾乎所有文本后，那么，它就對人的“世界”（而非“真實(shí)秩序”）具有了幾近整體性的認(rèn)知——這便使得人類眼中的“通用”智能成為可能。
有意思的是，在《通向智能的兩條道路》演講末尾，辛頓做出如下追問：“如果這些數(shù)字智能不是通過蒸餾非常緩慢地向我們學(xué)習(xí)，而是開始直接從現(xiàn)實(shí)世界學(xué)習(xí)，將會發(fā)生什么？”[12]在辛頓本人看來：
如果他們可以通過對視頻建模進(jìn)行無監(jiān)督學(xué)習(xí)，例如，我們一旦找到一種有效的方法來訓(xùn)練這些模型來對視頻建模，他們就可以從“油管”（YouTube）的所有內(nèi)容中學(xué)習(xí)，這是大量的數(shù)據(jù)。如果他們能夠操縱物理世界，譬如他們有機(jī)器人手臂，等等，那也會有所幫助。但我相信，一旦這些數(shù)字能動者開始這樣做，他們將能夠比人類學(xué)到的多得多，而且他們將能夠?qū)W得非?？?。[13]
辛頓所說的“直接從現(xiàn)實(shí)世界學(xué)習(xí)”和“對視頻建模進(jìn)行無監(jiān)督學(xué)習(xí)”，實(shí)際上意味著數(shù)字智能在目前大語言模型所展現(xiàn)的近乎“通用”的智能之上，具有了直接從前語言秩序進(jìn)行學(xué)習(xí)的能力——而這種學(xué)習(xí)能力是作為“說話的存在”的人類所極度匱乏的（如果不是幾乎沒有的話）。人類從牙牙學(xué)語的孩童開始，幾乎所有實(shí)質(zhì)性的教學(xué)實(shí)踐都是通過作為“指號化系統(tǒng)”的語言來完成的。[14]當(dāng)然，嬰孩出生并非“白紙”，而是帶有各種不用“教”的“先天性知識”，如看到蛇會恐懼，那是經(jīng)由生物性演化形成的神經(jīng)網(wǎng)絡(luò)運(yùn)算系統(tǒng)作出的反應(yīng)。相對于后人類的無監(jiān)督機(jī)器學(xué)習(xí)與經(jīng)由“指號化系統(tǒng)”而展開的人類學(xué)習(xí)，演化訓(xùn)練出的知識運(yùn)算可稱得上是前人類學(xué)習(xí)。辛頓認(rèn)為，當(dāng)數(shù)字智能具有這種后人類的無監(jiān)督學(xué)習(xí)能力后，“超智人工智能”（super-intelligent AI）就會誕生，并且在他看來，這種情況一定會發(fā)生。[15]
回到篇首的問題：“學(xué)科交叉融合”是必要的嗎？面對從大語言模型（接近“通用人工智能”）邁向“超智人工智能”的數(shù)字智能，我們可以定位到它的必要性：大語言模型在學(xué)習(xí)上已經(jīng)不存在“舒適區(qū)”，無視學(xué)科疆域的邊界；而超智人工智能的無監(jiān)督學(xué)習(xí)，則更加無視人類“世界”的各種疆界，完全不受其影響。面對這樣的“數(shù)字模式”實(shí)踐者，如若作為“模擬模式”實(shí)踐者的我們?nèi)匀桓市亩阍?ldquo;舒適區(qū)”內(nèi)，那么未來“世界”的知識生產(chǎn)，乃至“世界化成”（worlding）本身，即將同我們不再相關(guān)。
“離身認(rèn)知”與語言學(xué)轉(zhuǎn)向
在知識實(shí)踐上，人類不應(yīng)自我邊緣化。然而，問題恰恰就在于：面對大語言模型，躺平，誠然是一個(gè)極具說服力的“人生”態(tài)度。
今天的年輕人群體里，“躺平”已然十分流行，并被《咬文嚼字》編輯部評為“2021年度十大流行語”。[16]在對“躺平”施以道德譴責(zé)之前，我們有必要認(rèn)真思考這個(gè)問題：面對大語言模型，為什么我們不躺平？
一個(gè)人即便再勤奮，再好學(xué)，在其有生之年能讀完的書，大語言模型全都讀過——甚至這顆行星上現(xiàn)下在世的80億人口加起來讀過的書（尤其是富含知識含量的書），大語言模型幾乎全部讀過。一個(gè)人哪怕天天泡在圖書館里，也比不上大語言模型把整個(gè)圖書館直接裝進(jìn)自身，并且隨時(shí)可以用自己的話“吐”出來。面對這樣的知識實(shí)踐者，我們?nèi)绾渭暗蒙希?ldquo;躺平”難道不是最合理的態(tài)度？
在筆者的課堂討論中，有學(xué)生曾提出這樣的問題：ChatGPT的能力是指數(shù)級增長的，而我就算是不吃不喝學(xué)習(xí)，也只能一頁一頁地看，做線性增長，還不保證讀進(jìn)去的全都變成自己的知識。面對ChatGPT，反正都是輸，再學(xué)習(xí)也趕不上，“終身”壓上去也白搭，還不如早點(diǎn)躺平，做個(gè)“吃貨”。人工智能沒有身體，論吃它比不過我。
確實(shí)，大語言模型至少目前沒有“身體”，沒有感知器官，產(chǎn)生不出“具身認(rèn)知”（embodied cognition）。赫伯特·德雷弗斯等當(dāng)代后認(rèn)知主義學(xué)者，強(qiáng)調(diào)大腦之外的身體對認(rèn)知進(jìn)程所起到的構(gòu)成性作用：除了身體的感覺體驗(yàn)外，身體的解剖學(xué)結(jié)構(gòu)、身體的活動方式、身體與環(huán)境的相互作用皆參與了我們對世界的認(rèn)知。這意味著，如果我們擁有蝙蝠的身體，則會有全然不同的具身認(rèn)知。從后認(rèn)知主義視角出發(fā)來考察，當(dāng)下的大語言模型，具有的誠然只是“離身認(rèn)知”（disembodied cognition）。但辛頓所描述的“超智人工智能”，則將具有具身認(rèn)知，并且是遠(yuǎn)遠(yuǎn)越出人類身體諸種生物性限制的后人類具身認(rèn)知。
然而，值得進(jìn)一步追問的是：大語言模型的這種離身認(rèn)知，真的就比不上人類的具身認(rèn)知嗎？即便不具備具身認(rèn)知，大語言模型仍然在“美食”這個(gè)垂直領(lǐng)域內(nèi)勝過一切具有具身認(rèn)知的人類“吃貨”。大語言模型不需要“吃”過口水雞和咕咾肉，才知道前者比后者辣得多，“沒吃過”完全不影響它對食物乃至“世界”作出智能的分析與判斷。而一個(gè)很會吃、吃了很多口水雞的人，也不見得在吃上呈現(xiàn)出比ChatGPT更高的智能，如果不是相反的話。換言之，大語言模型較之許許多多自詡嘗遍各類美食的人，更具有“美食家”的水準(zhǔn)——在飲食上，ChatGPT的建議絕對比“吃貨”們可靠得多。
這里的關(guān)鍵就是，盡管目前大語言模型因沒有感知器官而不具備具身認(rèn)知，但這并不影響它對“世界”的符號性捕捉。誠如OpenAI的首席科學(xué)家伊利亞·蘇茨科弗所言:
它知道紫色更接近藍(lán)色而不是紅色，它知道橙色比紫色更接近紅色。它僅僅通過文本知道所有這些事。[17]
大語言模型不需要親“眼”看見過紅色、藍(lán)色或紫色，便能夠精確地、恰如其分地談?wù)撍鼈?。許多“眼神”好得很的人類個(gè)體，恐怕會認(rèn)為紫色更接近紅色而非藍(lán)色——再一次地，“模擬模式”在精確性與可靠性上往往不如“數(shù)字模式”。
大語言模型僅僅通過對“符號性秩序”的深度學(xué)習(xí)，就能夠?qū)θ祟愄幧砥鋬?nèi)的這個(gè)“世界”了如指掌。索緒爾的結(jié)構(gòu)主義語言學(xué)研究已然揭示出，作為生活在語言中的“說話的存在”，我們并無法抵達(dá)“是”（譬如，什么“是”藍(lán)色）。這就意味著，我們必須放棄關(guān)于“是”的形而上學(xué)的聚焦，轉(zhuǎn)而聚焦一個(gè)符號性秩序中“是”與“是”之間的差異（亦即，符號之間的差異）。
語言，是一個(gè)關(guān)于差異的系統(tǒng)。語言把前語言的“存在”轉(zhuǎn)化為各種“是”。和“存在”不同，“是”涉及指號化，涉及能指與所指間的一種專斷的對應(yīng)。[18]“紅色”，就是一個(gè)能指——大語言模型無法“看見”它所指號化的內(nèi)容，但完全不影響其在“世界”中有效地“說出”它（在溝通中有效）。大語言模型，同前語言的“存在”無涉，同拉康所說的“真實(shí)秩序”無涉。
以伊曼紐爾·康德為代表人物的“認(rèn)識論轉(zhuǎn)向”，被以索緒爾為代表人物的“語言學(xué)轉(zhuǎn)向”革命性地推進(jìn)，正是因?yàn)槿藗儾坏珶o法企及“物自體”（故此必須放棄研究“是”的形而上學(xué)），并且他們對“現(xiàn)象”的體驗(yàn)（如眼中的紅色），也只能通過語言（作為能指的“紅色”）進(jìn)行有效溝通。完全不具備具身認(rèn)知的大語言模型（無法通過感官來進(jìn)行體驗(yàn)），卻依然能夠呈現(xiàn)出關(guān)于這個(gè)“世界”的通用性的智能，那是因?yàn)椋粩噙M(jìn)行深度學(xué)習(xí)的，不是“世界”內(nèi)的某一種專門系統(tǒng)，而是那個(gè)符號性地編織出“世界”的系統(tǒng)——一個(gè)處在不斷變化中的差異系統(tǒng)。
純粹潛能：論知識實(shí)踐的原創(chuàng)性（I）
生活在大語言模型時(shí)代，“躺平”似乎無可厚非。那么，讓我們再次回到上文拋出的問題：走出“舒適區(qū)”，跨學(xué)科地進(jìn)行知識實(shí)踐，具有必要性嗎？
筆者的答案是：仍然有必要。首先，對于人類的知識實(shí)踐而言，學(xué)科疆界不僅會限制研究的視野，并且會造成認(rèn)知偏差。靈長類動物學(xué)家、神經(jīng)生物學(xué)家羅伯特·薩波斯基提醒我們注意到：
不同類別之間的疆界經(jīng)常是武斷的，然而一旦某些武斷的疆界存在著，我們就會忘記它是武斷的，反而過分注重其重要性。[19]
對此，薩波斯基舉的例子，便是從紫色到紅色的可見光譜。在作為符號性秩序的“世界”中，存在著不同的“顏色”，分別由不同指號（如紅、藍(lán)色）來標(biāo)識。然而，光譜實(shí)際上是不同波長無縫構(gòu)成的一個(gè)連續(xù)體。這就意味著，每種“顏色”各自的疆界，實(shí)則都是被武斷決定的，并被固化在某個(gè)指號上。不同的語言，有不同的顏色指號系統(tǒng)，也就是說，可見光譜在不同語言中，以不同的方式被分割，由此“武斷”地產(chǎn)生出各種疆界。
而進(jìn)一步的問題在于，疆界一旦形成，會使人產(chǎn)生認(rèn)知偏差。薩波斯基寫道：
給某人看兩種類似的顏色。如果那人使用的語言剛好在這兩種顏色之間劃分了疆界，他/她就會高估這兩種顏色的差異。假如這兩種顏色落在同一類別內(nèi)，結(jié)果則相反。[20]
薩氏認(rèn)為，要理解這種被疆界所宰制的認(rèn)知行為，就需要越出學(xué)科疆界進(jìn)行研究，如此才能避免作出片面解釋。[21]在本文討論的脈絡(luò)中，我們可以定位到如下關(guān)鍵性的要素：人腦所采取的“模擬模式”。
人的認(rèn)知，無法以大語言模型所采取的精確的“數(shù)字模式”展開。采用“數(shù)字模式”的大語言模型，其知識實(shí)踐不但具有精確性，并且能夠無障礙地跨越疆界。無論認(rèn)肯與否、接受與否，我們正在邁入一個(gè)“后人類的世界”，在其中大量“非人類”（nonhumans）亦是知識生產(chǎn)的中堅(jiān)貢獻(xiàn)者，是參與世界化成的重要能動者。[22]
然而，在這個(gè)后人類世界中，采取“模擬模式”的人類的知識實(shí)踐——當(dāng)其努力克服疆界宰制來展開實(shí)踐時(shí)——對于世界化成而言，卻仍然至關(guān)重要。
我們有必要看到：以ChatGPT為代表的大語言模型，誠然是堪稱“通用”的大“專”家，知識覆蓋幾乎無死角，但它精于回答問題，卻拙于創(chuàng)造新知。語言學(xué)家諾姆•喬姆斯基將ChatGPT稱作“高科技剽竊”[23]。話雖尖刻，但按照我們關(guān)于“剽竊”的定義，大語言模型的知識的的確確全部來自于對人類文本的預(yù)訓(xùn)練——這就意味著，即便通過預(yù)測下一個(gè)詞的方式，它能夠做到源源不斷地生成“全新”的文本，但卻是已有文本語料的重新排列組合。換言之，大語言模型無法原創(chuàng)性地創(chuàng)造新知。
大語言模型用規(guī)模提升（scale）的方式讓自身變“大”，從而“涌現(xiàn)”出近乎通用的智能。然而，它在文本生產(chǎn)上的“潛能”（potentiality）卻是可計(jì)算的——盡管那會是天文數(shù)字。而人類的“模擬模式”，不僅使其跨越學(xué)科疆界展開知識實(shí)踐成為可能，并且使其“潛能”無可精確計(jì)算——要知道，人的知識實(shí)踐，在生物化學(xué)層面上呈現(xiàn)為超過一千億個(gè)大腦神經(jīng)元用電信號進(jìn)行復(fù)雜的彼此“觸發(fā)”。盡管兩個(gè)神經(jīng)元之間的“觸發(fā)”與“不觸發(fā)”可以用數(shù)字形態(tài)（0和1）來表達(dá)，但整個(gè)大腦的“生物性計(jì)算”進(jìn)程，卻無法予以數(shù)字化。大腦這個(gè)“濕件”（wetware），實(shí)則是一個(gè)不透明的黑箱。
以保羅·麥克萊恩為代表的神經(jīng)科學(xué)家們，把大腦區(qū)分為主導(dǎo)自主神經(jīng)系統(tǒng)的中腦和腦干、主導(dǎo)情緒的邊緣系統(tǒng)、主導(dǎo)邏輯與分析的皮質(zhì)（尤其前額葉皮質(zhì)）這三層不同的區(qū)塊。[24]然而誠如薩波斯基所言，這又是把“一個(gè)連續(xù)體類別化”（categorizing a continuum）的經(jīng)典操作，這些區(qū)塊只能當(dāng)作“隱喻”，那是因?yàn)椋?ldquo;解剖意義上這三層之間很大程度重疊”，“行為中的自動化面向（簡化來看這屬于第一層的權(quán)限）、情緒（第二層）和思考（第三層）并非分離的”。[25]
由于大腦具有可塑性（譬如，盲人的視覺皮質(zhì)經(jīng)由訓(xùn)練能用于處理其他信號，大幅強(qiáng)化觸覺或聽覺），并且每年都有大量新的神經(jīng)元生長出來——人終其一生，都具有不斷更新其知識實(shí)踐的潛能。政治哲學(xué)家吉奧喬•阿甘本曾提出“潛在論”（potentiology），其核心主旨是，不被實(shí)現(xiàn)的潛能具有本體論的優(yōu)先性。阿氏本人將“潛在論”建立在對亞里士多德學(xué)說的改造之上。[26]在筆者看來，“潛在論”的地基，實(shí)則應(yīng)該是當(dāng)代神經(jīng)科學(xué)與計(jì)算機(jī)科學(xué)：正是因?yàn)槿祟惔竽X采取“模擬模式”，人才會是如阿甘本所描述的“一種純粹潛能的存在”（a being of pure potentiality）。[27]所有被特殊性地實(shí)現(xiàn)的東西（包括人類整個(gè)文明在內(nèi)），都僅僅是這種純粹潛能的“例外”。人，可以原創(chuàng)性地創(chuàng)造——亦即，從其純粹潛能中產(chǎn)生——新事物。
同人類相比照，大語言模型具有潛能，但不具有潛在論意義上的純粹潛能：“數(shù)字模式”使得其潛能變得可計(jì)算，亦即，可窮盡性地全部實(shí)現(xiàn)（僅僅是原則上可實(shí)現(xiàn)，實(shí)際操作將耗費(fèi)巨額算力）；換言之，它沒有純粹的、在本體論層面上能夠始終不被實(shí)現(xiàn)的潛能。ChatGPT能夠跨越學(xué)科疆界生成極富知識含量的文本，但它做不到徹底原創(chuàng)性地生成新知——這件事辛頓所說的“超智人工智能”或可做到，但目前的大語言模型做不到。
有意思的是，在一個(gè)晚近的對談中，OpenAI首席執(zhí)行官山姆·奧特曼這樣界定“通用人工智能”：
如果我們能夠開發(fā)出一個(gè)系統(tǒng)，能自主研發(fā)出人類無法研發(fā)出的科學(xué)知識時(shí)，我就會稱這個(gè)系統(tǒng)為通用人工智能。[28]
按照奧特曼的上述界定，現(xiàn)階段包括GPT-4在內(nèi)的大語言模型盡管已然是堪稱“通用”的大“專”家，但卻仍未能抵達(dá)通用人工智能的境界，因?yàn)樗鼈內(nèi)詿o法“自主研發(fā)”新知。與之對照，不同學(xué)科領(lǐng)域的人類“專”家，卻可以通過彼此交叉、互相觸動的知識實(shí)踐（甚至通過和ChatGPT的對話），既能夠“溫故”，也能夠“知新”，并且能夠“溫故而知新”。
人不僅是“說話的存在”，同時(shí)在本體論層面上是“一種純粹潛能的存在”。正是在純粹潛能的意義上，即便生活在大語言模型時(shí)代，我們亦不能躺平。
量子思維：論知識實(shí)踐的原創(chuàng)性（II）
進(jìn)而，對于思考人類在大語言模型時(shí)代展開跨學(xué)科知識實(shí)踐的必要性問題，我們可以進(jìn)一步引入量子思維。量子思維，顧名思義是量子物理學(xué)的諸種“詭異”（spooky，阿爾伯特·愛因斯坦所使用的形容詞）發(fā)現(xiàn)所引入的思考視角。
量子物理學(xué)家、女性主義者、后人類主義者凱倫·芭拉德2007年推出了一本廣受贊譽(yù)的巨著，題為《半途遇上宇宙》（Meeting the Universe Halfway）。[29]量子物理學(xué)的實(shí)驗(yàn)結(jié)果揭示出，人實(shí)際上總是半途（halfway）地遭遇宇宙，不可能整個(gè)地碰見它。你能知道動量，就注定會不知道位置，知道位置就不知道動量。動量、位置乃至溫度、密度、濕度等，都是人類語言設(shè)定出的概念，而不是宇宙本身的屬性。[30]
時(shí)至今天我們所知道的那個(gè)世界，只是人類半途構(gòu)建出來的“世界”，所有人類知識（甚至包括量子力學(xué)本身在內(nèi)），都屬于“智人”讓自己安身其中的這一半“宇宙”——它可以被妥切地稱作“符號性宇宙”（symbolic universe）。[31]
這也就是為什么諾貝爾物理學(xué)獎得主尼爾斯·玻爾曾說，“‘量子世界’并不存在”[32]。玻爾可謂量子力學(xué)的核心奠基人，他竟然說“量子世界”并不存在？！他的意思是，“量子世界”僅僅是一個(gè)由量子力學(xué)的各種概念、方程與描述構(gòu)建起來的“世界”，換句話說，屬于人類半途認(rèn)識的那個(gè)“宇宙”。人的認(rèn)識本身，就是在參與“宇宙”的構(gòu)建。[33]
即便你是一個(gè)邁出學(xué)科疆界的終身學(xué)習(xí)者與知識生產(chǎn)者，你也只能半途遇見宇宙，遇見人類（包括你本人）參與構(gòu)建的那半個(gè)“宇宙”。這就意味著，任何整體化的嘗試——嘗試用已有知識已有做法來判斷一切事情、處理一切事情——都注定要失敗。你覺得你學(xué)富五車，讀了很多書，總是忍不住對身邊伴侶說“你不應(yīng)該這樣想”“你怎么就不懂”，其實(shí)就是在把自己的知識整體化。一個(gè)國家看到別的國家跟自己做法不一樣就受不了，想方設(shè)法“卡脖子”逼迫對方就范、想使其變成跟它一樣，這同樣是不恰當(dāng)?shù)恼w化思維。政治學(xué)者弗朗西斯·福山把這種整體化思維美其名曰“歷史的終結(jié)”。[34]歷史終結(jié)論，就是缺乏量子思維的產(chǎn)物。[35]
面對大語言模型，我們確實(shí)要對它的學(xué)習(xí)速度、對其堪稱“通用”的大“專”家水平心悅誠服，而不是頑固秉持“我們更行”的人類中心主義態(tài)度。但我們?nèi)匀豢梢员Ｓ形覀兊闹腔?，仍然可以做一個(gè)名副其實(shí)的“智人”而不僅僅是“吃貨”，如果我們學(xué)會使用量子思維的話。
大語言模型是用人類已生產(chǎn)的古往今來的文本語料預(yù)訓(xùn)練出來的。所有文本，都結(jié)構(gòu)性地內(nèi)嵌人類認(rèn)知。這也就意味著，用文本語料訓(xùn)練的大語言模型再智能、再勤奮學(xué)習(xí)，至多也只能對人類所半途遇見的那一半宇宙了如指掌。它的知識無法整體化，無法思考因自身的出現(xiàn)而可能帶來的“技術(shù)奇點(diǎn)”（technological singularity）。實(shí)際上，它無法思考任何一種“奇點(diǎn)”，因?yàn)?ldquo;奇點(diǎn)”在定義上（by definition）標(biāo)識了人類一切已有知識“失敗”的那個(gè)位置。如史蒂芬·霍金所言，在奇點(diǎn)上所有科學(xué)規(guī)則和我們預(yù)言未來的能力都將崩潰。[36]
也就是說，如果大語言模型真的造成人類文明的技術(shù)奇點(diǎn)，它自己不會有辦法來應(yīng)對它。所以，人工智能的智能，解決不了它自己帶來的挑戰(zhàn)。[37]當(dāng)問及ChatGPT會帶來怎樣的挑戰(zhàn)時(shí)，它會給出自己“只是提供服務(wù)，不會帶來任何威脅”等諸如此類的回答。
人，能思考技術(shù)奇點(diǎn)——“技術(shù)奇點(diǎn)”這個(gè)概念就是一群學(xué)者提出的。人——就像以往文明史上那些不斷拓展已有知識邊界的人——有能力去思考那半途之外的黑暗宇宙，一步步把“黑洞”（black hole）、“暗物質(zhì)”（dark matter）、“暗能量”（dark energy）這些曾經(jīng)或仍是深淵性的、只能用“黑”“暗”來描述的假說，拉進(jìn)我們認(rèn)知范圍內(nèi)的一半宇宙中——那個(gè)大語言模型可以掌握甚至是高精度掌握、并能模型化重構(gòu)的“符號性宇宙”中。
今天，大語言模型已經(jīng)深度參與世界化成，參與構(gòu)建我們生活在其中的符號性宇宙。然而，我們不能躺平——大語言模型可以跨越學(xué)科疆界生成知識，而人可以跨越學(xué)科疆界生成原創(chuàng)性知識?；艚鸾o我們帶來了一個(gè)特別有分量的案例。患上漸凍癥后，這位物理學(xué)家喪失了絕大多數(shù)具身認(rèn)知的能力。2018年去世的霍金如果多活兩年，2020年諾貝爾物理學(xué)獎大概率會同時(shí)頒給他，因?yàn)?ldquo;奇點(diǎn)定理”（singularity theorem）是他和羅杰·彭羅斯共同構(gòu)建的。更令人無比敬重的是，霍金在學(xué)術(shù)生涯中并沒有躺平并止步于“奇點(diǎn)定理”，盡管這是達(dá)到諾貝爾獎級別并且最后收獲該獎的研究成果。霍金后來提出的“無邊界宇宙”（no-boundary universe）假說，就是繞過奇點(diǎn)（“大爆炸奇點(diǎn)”）這個(gè)設(shè)定來思考宇宙的智性努力。[38]至于更為世人所熟知的作為公共知識分子的霍金，則是源于他不斷越出學(xué)科疆界的知識實(shí)踐取得令人矚目的成果。
結(jié)語
在同大語言模型知識實(shí)踐的并置中，我們可以定位到學(xué)科交叉融合的必要性。
以ChatGPT為代表的大語言模型，盡管才剛剛進(jìn)入人類的視野中，但已經(jīng)在知識實(shí)踐上展現(xiàn)出卓越能力，成為堪稱“通”家的大“專”家。我們可以用“模擬模式”與“數(shù)字模式”來分別描述人類與大語言模型的知識實(shí)踐。大語言模型問世前的人工神經(jīng)網(wǎng)絡(luò)算法（譬如AlphaGo），數(shù)字模式的知識實(shí)踐僅僅令其在狹窄的垂直領(lǐng)域展露出卓越智能。然而以海量人類文本為訓(xùn)練數(shù)據(jù)的大模型，其知識實(shí)踐則呈現(xiàn)出跨越領(lǐng)域疆界的通用性。
面對大語言模型在知識實(shí)踐中的應(yīng)用，我們不能躺平，不能躲在知識實(shí)踐的舒適區(qū)。潛在論與量子物理學(xué)，給出了我們積極展開跨學(xué)科知識實(shí)踐的理據(jù)。
（本文系國家社會科學(xué)基金重大項(xiàng)目“后現(xiàn)代主義哲學(xué)發(fā)展路徑與新進(jìn)展研究”的階段性研究成果，項(xiàng)目編號：18ZDA017）
注釋
[1]2023年3月29日，1000余位人工智能業(yè)界領(lǐng)袖聯(lián)名呼吁立即暫停訓(xùn)練比GPT-4更強(qiáng)的人工智能。2023年5月30日，包括圖靈獎得主杰弗里·辛頓、約書亞·本吉奧以及谷歌DeepMind首席執(zhí)行官戴密斯·哈薩比斯、OpenAI首席執(zhí)行官山姆·奧特曼、Anthropic首席執(zhí)行官達(dá)里奧·阿莫代伊在內(nèi)的超過350名人工智能行業(yè)研究人員、工程師和首席執(zhí)行官，聯(lián)合簽署并發(fā)布如下聲明：“降低人工智能帶來的滅絕風(fēng)險(xiǎn)，應(yīng)該同大流行病、核戰(zhàn)爭等其他社會級規(guī)模的風(fēng)險(xiǎn)一起，成為一個(gè)全球優(yōu)先事項(xiàng)。”參見《AI可能滅絕人類！22字聲明，ChatGPT之父和AI教父都簽了》，2023年5月30日，https://www.thepaper.cn/newsDetail_forward_23282744；《馬斯克率一眾科技圈大佬發(fā)聲：應(yīng)暫停訓(xùn)練比GPT-4更強(qiáng)大的AI系統(tǒng)》，2023年3月29日，https://baijiahao.baidu.com/s?id=1761688767716274674。
[2]參見《首本由ChatGPT寫的實(shí)體書出版，國內(nèi)出版界如何應(yīng)對？》，2023年2月28日，https://baijiahao.baidu.com/s?id=1759063407725941025。
[3]參見
吳冠軍
：《再見智人：技術(shù)-政治與后人類境況》，北京大學(xué)出版社，2023年。
[4]S. Bubeck et al., "Sparks of Artificial General Intelligence: Early experiments with GPT-4," 22 Mar 2023, https://arxiv.org/abs/2303.12712.
[5]在這個(gè)論述中，“常見”與“大量出現(xiàn)”很重要，因?yàn)榇笳Z言模型計(jì)算的是概率分布，如果某個(gè)錯(cuò)誤（譬如，“天是橙色”，事實(shí)錯(cuò)誤抑或錯(cuò)別字）很少出現(xiàn)，那么模型的輸出便絕不會出現(xiàn)這種錯(cuò)誤。
[6]關(guān)于大語言模型獨(dú)特的出錯(cuò)方式的進(jìn)一步分析，參見吳冠軍：《大語言模型的信任問題與資本邏輯》，《當(dāng)代世界與社會主義》，2023年第5期；吳冠軍：《大語言模型的技術(shù)政治學(xué)研究——知識生產(chǎn)的后人類境況與意識形態(tài)批判》，《中國社會科學(xué)評價(jià)》，2022年第5期。
[7][12][13]G. Hinton, "Two Paths to Intelligence," 10 June 2023, https://mp.weixin.qq.com/s/_wXjuAo7q5Nkn1l_ormcmQ.
[8]參見吳冠軍：《從人類世到元宇宙——當(dāng)代資本主義演化邏輯及其行星效應(yīng)》，《當(dāng)代世界與社會主義》，2022年第5期；吳冠軍：《人類世、資本世與技術(shù)世——一項(xiàng)政治經(jīng)濟(jì)學(xué)-政治生態(tài)學(xué)考察》，《山東社會科學(xué)》，2022年第12期。
[9]除了生物性的“默會知識”（分享困難且極其不精確）外，智人在分享知識時(shí)主要倚靠符號性-話語性的“蒸餾”。
[10]為了降低大語言模型的運(yùn)行能耗，辛頓同其合作者提出使用蒸餾方法，將原始數(shù)據(jù)集上訓(xùn)練的重量級模型作為教師，讓一個(gè)相對更輕量（參數(shù)更少）的模型作為學(xué)生，對于相同的輸入，讓學(xué)生輸出的概率分布盡可能地逼近教師輸出的分布。于是，大模型的知識就可以通過這種監(jiān)督訓(xùn)練的方式“蒸餾”到小模型里。小模型的準(zhǔn)確率下降往往很小，卻能大幅度減少參數(shù)量，從而降低對硬件和能耗的需求。See G. Hinton; O. Vinyals and J. Dean, "Distilling the Knowledge in a Neural Network," 9 March 2015, https://arxiv.org/pdf/1503.02531.pdf。
[11]吳冠軍：《有人說過“大他者”嗎？——論精神分析化的政治哲學(xué)》，《同濟(jì)大學(xué)學(xué)報(bào)（社會科學(xué)版）》，2015年第5期。
[14]關(guān)于教學(xué)實(shí)踐的進(jìn)一步討論，參見吳冠軍：《后人類狀況與中國教育實(shí)踐：教育終結(jié)抑或終身教育？——人工智能時(shí)代的教育哲學(xué)思考》，《華東師范大學(xué)學(xué)報(bào)（教育科學(xué)版）》，2019年第1期。
[15]故此，辛頓呼吁年輕一代研究人員要努力“弄清楚如何讓人工智能在不獲得控制的情況下，為我們生活更好而奮斗”。See Hinton, "Two Paths to Intelligence"。
[16]《〈咬文嚼字〉發(fā)布“2021年十大流行語”：雙減、躺平、元宇宙等入選》，2021年12月10日，https://new.qq.com/rain/a/20211210A08A2800。
[17]I. Sutskever and C. Smith, "Episode #116," 15 March 2023, https://www.eye-on.ai/podcast-archive.
[18]一旦能指與所指的對應(yīng)被固化（比如，被理解為“自然的”），那就會出現(xiàn)“形而上學(xué)／元物理學(xué)”（meta-physics）——一門以本質(zhì)主義的方式研究“being”（是什么）的學(xué)問。
[19][20][21][25]R. M. Sapolsky, Behave: The Biology of Humans at Our Best and Worst, New York: Penguin, 2017 (ebook), p. 14, pp. 29-30.
[22][30]吳冠軍：《從元宇宙到量子現(xiàn)實(shí)：邁向后人類主義政治本體論》，北京：中信出版集團(tuán)，2023年，第371～373頁。
[23]"Noam Chomsky on ChatGPT, Universal Grammar and the Human Mind: Unlocking Language and AI Mysteries," 29 July 2023, https://www.youtube.com/watch?v=VdszZJMbBIU.
[24]P. MacLean, The Triune Brain in Evolution, New York: Springer, 1990.
[26]參見吳冠軍：《生命權(quán)力的兩張面孔：透析阿甘本的生命政治論》，《哲學(xué)研究》，2014年第8期；吳冠軍：《阿甘本論神圣與褻瀆》，《國外理論動態(tài)》，2014年第3期。
[27]G. Agamben, "The Work of Man," in M. Calarco and S. DeCaroli, Giorgio Agamben: Sovereignty and Life, Stanford: Stanford University Press, 2007, p. 2.
[28]《Sam Altman預(yù)言2030年前出現(xiàn)AGI，GPT-10智慧將超越全人類總和！》，2023年9月7日，https://new.qq.com/rain/a/20230907A04O0Q00。
[29]K. Barad, Meeting the Universe Halfway: Quantum Physics and the Entanglement of Matter and Meaning, Durham: Duke University Press, 2007.
[31]吳冠軍：《陷入奇點(diǎn)：人類世政治哲學(xué)研究》，北京：商務(wù)印書館，2021年，第93～115頁。
[32]See A. Shimony, "Metaphysical Problems in the Foundations of Quantum Mechanics," lnternotionol Philosophical Quanerly, 1978, 18(1); A. Petersen, "The Philosophy of Niels Bohr," Bulletin of the Atomic Scientists, 1963, 19(7).
[33]物理學(xué)家約翰·惠勒（“黑洞”概念的提出者）甚至提出了“參與性宇宙”（participatory universe）命題。詳細(xì)討論參見吳冠軍：《從元宇宙到量子現(xiàn)實(shí)：邁向后人類主義政治本體論》，第373～375頁。
[34]F. Fukuyama, "The End of History?" The National Interest, 1989, Summer.
[35]進(jìn)一步的分析，參見吳冠軍：《量子思維對政治學(xué)與人類學(xué)的激進(jìn)重構(gòu)》，載錢旭紅等：《量子思維》，上海：華東師范大學(xué)出版社，2022年。
[36]S. W. Hawking, A Brief History of Time: From the Big Bang to Black Holes, New York: Bantam, 2009, p. 84.
[37]參見吳冠軍：《通用人工智能：是“賦能”還是“危險(xiǎn)”》，《人民論壇》，2023年第5期。
[38]S. W. Hawking, The Theory of Everything: The Origin and Fate of the Universe, Beverly Hills: Phoenix Books, 2005, p. 113, pp. 98-99.
責(zé) 編∕張 貝
Knowledge Practices Facing Large Language Models
Wu Guanjun
Abstract: In the juxtaposition with large language models' knowledge practices, we can locate the necessity of interdisciplinary integration. Large language models, represented by ChatGPT, although having just entered our horizon, have already demonstrated exceptional capabilities in knowledge practices, becoming akin to "generalists" in expertise. We can characterize the knowledge practices of humans and large language models respectively as "simulation mode" and "digital mode". Before the advent of large language models, the digital mode of knowledge practices in artificial neural network algorithms only allowed them to exhibit superior intelligence within various narrow vertical fields. However, large language models, trained on massive amount of human texts, exhibit a generality that disregards domain boundaries. Faced with the overwhelming superiority of large language models in knowledge practices, what should humans do? Potentiology and quantum physics provide the rationale for actively engaging in interdisciplinary knowledge practices.
Keywords: large language models, posthuman, simulation mode, digital mode, pure potentiality, quantum thinking
吳冠軍，華東師范大學(xué)二級教授、政治與國際關(guān)系學(xué)院院長，華東師范大學(xué)中國現(xiàn)代思想文化研究所暨政治與國際關(guān)系學(xué)院教授、博導(dǎo)，教育部“長江學(xué)者”特聘教授。研究方向?yàn)檎握軐W(xué)、生命政治學(xué)、技術(shù)政治學(xué)、生態(tài)政治學(xué)、媒介政治學(xué)、電影哲學(xué)、精神分析學(xué)、當(dāng)代歐陸思想、當(dāng)代中國思想。主要著作有《從元宇宙到量子現(xiàn)實(shí)：邁向后人類主義政治本體論》《再見智人：技術(shù)-政治與后人類境況》《陷入奇點(diǎn)：人類世政治哲學(xué)研究》《現(xiàn)時(shí)代的群學(xué)：從精神分析到政治哲學(xué)》等。
