
重點
- 德國波昂大學科學與倫理研究所的 Wanja Wiese 在《Erkenntnis》發表〈A Philosophy of Science Perspective on the Conscious Turing Machine〉(2026 年 11 月 19 日線上刊出,開放取用)。
- 他評估電腦科學家 Lenore Blum 與 Manuel Blum 的「意識圖靈機」(conscious Turing machine,以下簡稱 CTM)。這個形式模型不描述大腦,對人類意識也可能說錯;Wiese 問它還能帶來哪些科學理解(§1、§3)。
- 他主張 CTM 可能以三種方式增進理解:推廣既有的解釋、用數學解釋演算法的性質、以統一與「怎樣可能」解釋提供非解釋性的理解(§4.4)。
- 他提出,CTM 或許也該當作可能的意識系統(例如 AI)的模型來評估(§4.3.3);它目前還欠關於意識的可檢驗預測(§4.4、§5)。
問題是什麼
圖靈 1936 年的機器模型給出一個不依賴物理實現的計算概念。Wiese 問:抽象的意識模型能不能同樣帶來對意識的一般理解?Blum 夫婦的 CTM 受圖靈啟發,核心想法來自 Baars(1988)的全域工作空間理論(global workspace theory)。這個理論主張,資訊進入各認知模組都能取用的工作空間,才成為有意識的。Blum 夫婦說,從模型推出的解釋提供「對意識經驗如何產生或可能如何產生的高階理解」(Blum and Blum 2022: 8)。Wiese 追問這種理解屬於哪一種科學理解,CTM 的主張又怎麼得到證成(§1)。
他先指出圖靈機和 CTM 的差別(§1)。圖靈不必查證人心算時是否真的照他的模型走,他的計算定義成不成功,大致和實際的計算系統無關。意識即使是一種計算,也是物理系統中的計算;計算模型有沒有描述到意識的核心特徵,要看它在多大程度上在實際有意識的系統中實現,或至少和它們結構相似。所以 CTM 的成功,很大程度上取決於實際有意識的系統是什麼樣子(§1)。
圖靈的理論後來成了數位電腦的藍圖。Wiese 認為,CTM 能否當作「有意識機器的藍圖」(Oliveira 2022)並不明顯:假如全域工作空間理論是錯的,實作 CTM 的機器只有碰巧也實現了意識真正需要的機制,才會有意識(§1)。Blum 夫婦自己也說,他們把 CTM 設計成意識與 AI 的框架,不是藍圖(§1 註 2)。所以 Wiese 認為,CTM 若成功,主要貢獻應該是讓人更深入理解意識;它也給意識下定義,但這個定義建立在全域工作空間理論等既有理論上,不完全是新的(§1)。
針對誰、新在哪裡
Kirkeby-Hinrup、Stenseke 與 Overgaard(2024)評估過 CTM 的解釋力,認為它對盲視(blindsight)、極度疼痛的解釋和既有解釋相容,卻沒有增加洞見(§1)。Wiese 在結論回應這項評估:只看 CTM 對意識科學理解的貢獻,會扭曲對它潛力的判斷;結論也談到 CTM 的後設理論角色,以及它關於 AI 的預測(§5)。他的做法是把科學哲學對解釋與理解的分類逐項套到 CTM 上(§2、§4),並沿用自己的提議:意識科學需要一個「最小統一模型」(minimal unifying model)(Wiese 2020)。
全文的評估偏向肯定,結論是 CTM 至少有增進科學理解的潛力(§4.4)。Wiese 在致謝中感謝 Kirkeby-Hinrup、Blum 夫婦等人對先前草稿提供意見。
本文的讀法:本站介紹過的〈哲學新聞|一般人根據什麼說別人有意識?Wyrwa 在意向立場旁提出「意識立場」〉談一般人怎麼把意識歸給別人;Wiese 談形式模型能讓研究者理解意識的什麼。
解釋與理解的幾種類型
機制解釋(mechanistic explanation)說明系統的部件如何組織,使它們的活動與互動產生目標現象,並要求模型的變項對應目標系統的特徵(§2.1;Kaplan and Craver 2011: 611)。略去低階細節、可以套用到不同系統的抽象機制模型,稱為機制草圖(mechanism sketch),CTM 可以看作一份草圖。計算模型則以指定演算法來解釋。Piccinini(2020: 159)認為,它或許至多提供「怎樣可能」解釋(how-possibly explanation),也就是說明現象可能怎麼產生;要說明現象實際怎麼產生,還得研究底層機制。許多關於計算解釋的說法都要求模型和目標系統結構相似,並認為這種相似讓模型能做出預測;所以 Wiese 認為 CTM 也該帶來新的預測,不能只和認知神經科學文獻大致一致(§2.1)。
知道一個解釋,帶來解釋性理解;Wiese 也考慮非解釋性理解(non-explanatory understanding),也就是不靠知道某個解釋而得到的理解,並對兩者的關係保持中立(§2.2)。統一是其中一種:一個模型說明不同的現象,或組合不同理論的元素,顯示它們哪些假設彼此相容。他把 CTM 的這類統一歸入非解釋性理解,但不主張所有統一都不算解釋(§2.2;§4.3.3 註 18)。Lipton(2009: 51–52)提出,僅僅可能的解釋能以兩種方式帶來非解釋性理解:(a) 發現某個可能解釋是錯的,就知道現象不是因此發生;(b) 可能解釋指出它和實際解釋共有的不變特徵。Wiese 指出,兩者都預設我們已有實際的解釋(§2.2)。
意識圖靈機怎麼運作
Wiese 舉例說明全域工作空間理論:走路時控制腿部的感覺訊號多半只由運動系統處理,沒有被意識到;小心走下陡坡時,相關資訊也能用來口頭報告、引導注意,這時它是有意識的(§3)。
CTM 用理論電腦科學的語言刻畫這個過程(§3)。工作空間是單一的短期記憶(STM),無意識的處理器構成長期記憶(LTM)。處理器產生「區塊」(chunk),其中包括要旨(gist,區塊表徵的內容),以及估計要旨重要性與正負價性的權重(Blum and Blum 2021: 6–7)。區塊經由「上行樹」(Up-Tree)以淘汰賽競爭,最後勝出的區塊進入 STM,再經由「下行樹」(Down-Tree)廣播給所有處理器(Blum and Blum 2021: 8–9)。在這個機率式競爭中,區塊勝出的機率取決於它的「強度」等數值,強度起初設為權重的絕對值(§3)。
Wiese 指出,CTM 不是大腦功能的模型,甚至可能推出錯誤的主張,所以它怎麼解釋意識並不明顯(§3)。
把 CTM 當成研究綱領
Wiese 借用 Lakatos(1970)的研究綱領(research programme)來評估 CTM(§4.1)。研究綱領由「硬核」與「保護帶」構成:硬核是不因新證據而更改的基本假設;保護帶是推出經驗預測所需的輔助假設,預測受到證據挑戰時就修改它們。對全域工作空間理論與 CTM 來說,「意識就是資訊能被各認知子系統全域取用」可以算進硬核(§4.1)。
研究綱領要看長期的發展來評估,標準包括解釋力與預測力(§4.1)。所以評估 CTM 要回答兩個問題:(1) 它目前增進多少對意識的科學理解;(2) 它將來可能增進多少(§4.1)。
證成挑戰:支持全域工作空間理論的證據,也支持 CTM 嗎?
Wiese 提出兩項挑戰(§4)。證成挑戰要求說明 CTM 的主張怎麼得到證成,CTM 要提供「怎樣可能」解釋以上的東西,就得通過它;解釋挑戰要求說明 CTM 在既有模型之外多貢獻了什麼解釋。
Wiese 問,支持全域工作空間理論的經驗證據是否也支持 CTM,並認為這要看兩者的差異(§4.2)。Blum 夫婦強調,CTM 和 Baars 的理論不同,不設定中央執行者(central executive)(Blum and Blum 2023: 12)。若證據顯示有中央執行者,就不支持 CTM;和認知控制有關的額頂葉網路參與有意識處理,這項發現可以當作這類證據,但 Wiese 說目前這大概仍是詮釋的問題(§4.2)。所以支持全域工作空間理論的證據,不會自動支持 CTM。支持全域廣播的證據則也支持 CTM,前提是 CTM 蘊含被支持的主張。即使 CTM 當作人類意識的模型是錯的,它仍可能是其他意識實現方式的模型(§4.2)。
另一條路是和已知的意識現象一致(§4.2)。Wiese 以極度疼痛為例:在 CTM 中,極度疼痛的區塊佔據 STM,它的強度極大,其他區塊除非強度相當,否則無法勝出(Blum and Blum 2021: 29–30)。他認為這描述了極度疼痛可能必要的一些特徵;但由於缺乏現象意識的操作性定義,可以說模型解釋不了極度疼痛為什麼「感覺」可怕(§4.2)。依 Kirkeby-Hinrup 等人的看法,這類說明只重述既有的解釋。Wiese 回應,CTM 能容納盲視、變化盲視(change blindness)、疼痛這些現象,顯示它的表達力足以容納關於意識的各種事實,這既不明顯也不平凡;這本身不構成證成,但就這一點而言(pro tanto)是支持 CTM 的理由(§4.2)。
解釋挑戰的三種回應
Wiese 指出,能描述現象不等於解釋了它。解釋挑戰要問:CTM 在全域工作空間理論等既有模型之外,增加了什麼解釋性理解(§4.3)?Wiese 提出三種互補的回應,並說它們未必都會成功(§4.3)。
第一種或許最保守:CTM 不提供額外的解釋洞見,但它略去實作細節,凸顯能在不同系統實現的相關性質,藉此推廣既有的解釋。Piccinini(2020: 160)認為,只有說明神經機制的模型,才帶來能拆開、修好、重造系統的深度理解。Wiese 同意,要理解腦傷怎麼影響意識,高階模型幫不上忙;但 CTM 可能回答關於意識的較一般問題,而且由於模型的一般性,這些解釋也適用於非人類的有意識系統(§4.3.1)。他的例子是工作空間的容量限制:在 CTM 中,一次只有一個區塊能被廣播,區塊大小也必須受限,理由是計算複雜度;CTM 讓這些限制可以量化、可以證明(Blum and Blum 2022: 4)。若某種全域工作空間理論為真,結果就適用於所有意識來自全域工作空間的系統,人類工作空間的限制也就不只來自神經,還來自普遍的複雜度限制(§4.3.1)。
第二種訴諸數學解釋(§4.3.2)。CTM 的演算法保證區塊進入工作空間的機會和它來自哪個處理器無關,Wiese 稱之為「公平」。Blum 夫婦指出,複雜度的考量嚴格限制這類演算法:要公平又不讓複雜度一路增加,競爭演算法就必須是機率式的(Blum and Blum 2024: 28)。大腦即使實現全域工作空間,也可能沒有這個性質;但如果有,這個性質由演算法的數學性質推出,不必訴諸因果機制;大腦是否實現這樣的演算法,則仍需要經驗支持(§4.3.2)。
第三種主張 CTM 提供非解釋性理解(§4.3.3)。可以這樣主張:即使大腦實現了全域工作空間,我們也不知道它用哪一個演算法,這時指定一個可能的演算法本身就有價值。他在註中說,Dehaene 等人的電腦模擬不能像 CTM 那樣形式地證明競爭過程的性質(§4.3.3 註 17)。Wiese 逐一檢查 Lipton 的兩種方式:(a) 不適用,因為我們還不知道大腦沒有實現 CTM 的演算法;(b) 可能適用:Blum 夫婦認為 CTM 的某些細節在某種程度上是任意的;若是如此,那些不任意的特徵相容於許多版本的 CTM,因而穩健。不過這看來仍預設某個版本的 CTM 為真,所以他認為至少目前斷定 CTM 提供這類理解,還太早(§4.3.3)。Wiese 指出,一般的爭論關心「怎樣可能」解釋在缺少實際解釋時,能不能幫助理解實際的現象;評估 CTM 時,這或許不是最相關的問題(§4.3.3):
顯示原文與出處
That is, perhaps CTM should not (only) be evaluated as a model of actual phenomena, but as a model of possible phenomena.
也就是說,或許不該(只)把 CTM 當成實際現象的模型來評估,而該把它當成可能現象的模型。
結果有可能是:CTM 對人類意識不完全正確,對其他形式的意識卻是正確的模型;特別是,它可能說明意識怎麼在 AI 系統中實現(§4.3.3)。Wiese 說明,這不要求每個實作 CTM 的 AI 系統都有意識,只要某個 AI 系統的意識至少有一部分能由 CTM 解釋即可;CTM 對理解 AI 的意識能有多少幫助,他說目前只能推測。更一般地,CTM 可能有助於發展析取式的意識理論(disjunctive theory of consciousness):非人類系統實現意識的方式,可能和人類不同(§4.3.3)。
統一是另一種相關的理解(§4.3.3)。CTM 用同一個模型說明多種現象,可能因此加深理解:它顯示一組相對最小的假設就足以說明這些現象;它也組合了全域工作空間理論、預測處理、注意基模理論、Dennett 的功能論與整合資訊理論的元素(Blum and Blum 2022 附錄頁 9–10)。即使被組合的某些想法是錯的,CTM 仍顯示這些理論哪些假設彼此相容,加深對這些理論本身的理解(§4.3.3)。
還欠關於意識的可檢驗預測
Wiese 說明,自己一再說 CTM「可能」提供這些理解,因為目前不清楚大腦在多大程度上實現了 CTM 的架構與演算法(§4.4)。所以他希望從模型推出可檢驗的預測,找到超出和認知神經科學、其他意識理論「一致」的支持。例如注意:什麼會吸引注意、由上而下與由下而上的注意怎麼交互作用、能否同時注意不同項目;注意的實驗典範已經很多,他認為其中很可能有一些預測可以檢驗(§4.4)。在這些問題得到回答之前,CTM 這個研究綱領無法得到最終評估(§4.4)。
結論
Wiese 問 CTM 會不會像圖靈的計算定義那樣改變意識科學,並認為可以有把握地說不會;原因不在 CTM,而在意識和抽象計算本性不同(§5)。他在註中說這段話要保留地看:一位匿名審查人指出,圖靈的工作當初也沒有立刻受到重視,研究者可能要過一段時間,才認識到 CTM 的潛力(§5 註 21)。
意識研究已經有幾十個理論、模型與假說,Wiese 自問為什麼還需要電腦科學的觀點,他的回答是:
顯示原文與出處
I believe the answer can be found in the fact that the CTM is not yet another theory of consciousness. Instead, it provides a meta-theoretical account of consciousness.
我認為,答案在於 CTM 並非又一個意識理論。它提供對意識的後設理論說明。
他的理由是:Blum 夫婦把 CTM 稱為框架,也指出它組合了主要意識理論的面向;CTM 是形式模型,可能帶來獨特的數學洞見;CTM 也刻意做成最小的模型。所以它可以看作最小統一模型,比只組合不同理論或添加多餘假設的模型,更可能抓住關於意識的部分真理(§5)。
Wiese 也考慮一項要求:後設理論的模型也該帶來新的洞見或預測(§5)。他指出,Blum 夫婦從 CTM 推出至少一個有意思的預測,但它關於 AI,並非關於意識:Buckner(2024: 29)認為,完整的認知架構會有許多能力競爭共享的資源,Blum 夫婦預測,CTM 那類演算法有助於解決這個競爭問題(Blum and Blum 2023: 15)。Wiese 認為這顯示 CTM 至少有希望;要發揮潛力,還要推出和意識更直接相關的預測(§5)。
限制與可能的反駁
以下各項是 Wiese 自己承認或劃定的限制,標明「本文的讀法」的一項除外。
- 結論多半停在「可能」;CTM 這個研究綱領的價值,要留給未來評估(§4.4)。
- CTM 經由全域工作空間理論得到的證成有限。他在註中說,全域工作空間理論受到多少經驗支持還沒有定論(§4.2 註 9);中央執行者若獲得證實,CTM 當作人類意識的模型就可能是錯的(§4.2)。
- CTM 設定一種內部語言「Brainish」,現有文獻沒有完整說明它,它對理解意識的價值目前無法評估(§1;Kirkeby-Hinrup et al. 2024)。
- 本文的讀法:把 CTM 也當成可能的意識系統的模型,可以不必先確定它對人腦是否為真,卻帶來另一個問題:要說 CTM 正確解釋了某個 AI 系統的意識,得先能判定這個系統有意識;判定的標準若就是全域工作空間理論或 CTM 本身,論證就成了循環。Wiese 沒有討論這一步怎麼做。
參考資料
以下列出 Wiese 的論文,以及本文轉述其論證、說法或例子的著作;只順帶提及的著作,書目見 Wiese 原文的參考文獻。
- Wiese, Wanja. 2026. “A Philosophy of Science Perspective on the Conscious Turing Machine.” Erkenntnis, online first. https://doi.org/10.1007/s10670-026-01176-y
- Blum, M., and L. Blum. 2021. “A Theoretical Computer Science Perspective on Consciousness.” Journal of Artificial Intelligence and Consciousness 8(1): 1–42. https://doi.org/10.1142/S2705078521500028
- Blum, L., and M. Blum. 2022. “A Theory of Consciousness from a Theoretical Computer Science Perspective: Insights from the Conscious Turing Machine.” PNAS 119(21): e2115934119. https://doi.org/10.1073/pnas.2115934119
- Blum, L., and M. Blum. 2023. “A Theoretical Computer Science Perspective on Consciousness and Artificial General Intelligence.” Engineering 25: 12–16. https://doi.org/10.1016/j.eng.2023.03.010
- Blum, L., and M. Blum. 2024. “AI Consciousness Is Inevitable: A Theoretical Computer Science Perspective.” arXiv:2403.17101. http://arxiv.org/abs/2403.17101
- Kirkeby-Hinrup, A., J. Stenseke, and M. S. Overgaard. 2024. “Evaluating the Explanatory Power of the Conscious Turing Machine.” Consciousness and Cognition 124: 103736. https://doi.org/10.1016/j.concog.2024.103736
- Wiese, W. 2020. “The Science of Consciousness Does Not Need Another Theory, It Needs a Minimal Unifying Model.” Neuroscience of Consciousness 2020(1): niaa013. https://doi.org/10.1093/nc/niaa013
- Oliveira, A. L. 2022. “A Blueprint for Conscious Machines.” PNAS 119(23): e2205971119. https://doi.org/10.1073/pnas.2205971119
- Lipton, P. 2009. “Understanding without Explanation.” In Scientific Understanding: Philosophical Perspectives, edited by H. W. de Regt, S. Leonelli, and K. Eigner, 43–63. University of Pittsburgh Press.
- Piccinini, G. 2020. Neurocognitive Mechanisms. Oxford University Press.
- Kaplan, D. M., and C. F. Craver. 2011. “The Explanatory Force of Dynamical and Mathematical Models in Neuroscience: A Mechanistic Perspective.” Philosophy of Science 78(4): 601–627. https://doi.org/10.1086/661755
- Lakatos, I. 1970. “Falsification and the Methodology of Scientific Research Programmes.” In Criticism and the Growth of Knowledge, edited by I. Lakatos and A. Musgrave, 91–196. Cambridge University Press.
- Baars, B. J. 1988. A Cognitive Theory of Consciousness. Cambridge University Press.
- Buckner, C. J. 2024. From Deep Learning to Rational Machines: What the History of Philosophy Can Teach Us about the Future of Artificial Intelligence. Oxford University Press.
Comments
留言