所谓教育哲学，首要的任务是反思何谓教育、何谓学习。这种反思不是一蹴而就的，因为教育和学习的具体含义有其时代性，必定随时而变。当朱熹注解《论语》时，“学而时习之”的现实意涵已然大大不同于孔子的时代，因为朱熹的时代已经有了印刷术和科举制度，这时候主要学习的不再是礼仪的操练，而是经典的记诵和注解。①进入21世纪，其意涵更是大不相同，学习的主要任务不是深入四书五经，而是融入现代知识体系，成为现代国家的公民。教育哲学的反思因此必定包含了一个历史哲学的维度，必定要在时代剧变中重新定义教育和学习，而首要的任务是对时代本身的重新界定。② “随时而变”在这个意义上并非随波逐流，而恰恰是要在加速流转、躁动不安的时代洪流中寻求清晰的定位。历史哲学的眼光和方位感可以让我们一方面敏感于AlphaGo、ChatGPT这样的新事物，另一方面又不至陷入媒体的夸大其词所营造的恐慌情绪。这个意义上的思想者在积极介入的同时处变不惊，着眼于时代深处远为沉静的涌动来理解河面上的激流。 一、机器学习的概念 ChatGPT就是2023年的这样一股激流。人工智能在自然语言处理上的突破意义重大，约略来说，在教育问题的讨论中，有两点值得着重指出。 首先，自然语言处理(natural language processing，简称NLP)虽然仍是一个专用人工智能领域，可自然语言是人类文明的基本媒介，不但承载着人类的知识和思想，而且是人与世界、人与人相交往的主要通道，自然语言处理的突破意味着人工智能的“通用化”大门已经打开。这种通用化一方面指的是GPT-4已经呈现出某种通用人工智能的特征。微软研究院发表了一篇长达154页的重磅论文，题为《通用人工智能的火花：GPT-4早期试验》(Sparks of Artificial General Intelligence：Early Experiments with GPT-4)，得出结论说：“鉴于GPT-4能力的广度和深度，我们相信它应该被合理视作一个通用人工智能系统的早期(但仍不完整)版本。”所谓通用人工智能(artificial general intelligence，简称 AGI)，就是不局限于下棋、驾驶、绘画等专项领域，而是“能够像人类那样胜任各种任务”，“具有跨领域的问题处理能力”。[1]微软是OpenAI的主要资金来源，所以微软研究院并非中立的第三方，这篇长文的惊人结论必定会遭遇同行的质疑和挑战；可单从表现来看，在聊天、绘画、编程等等领域均表现不俗的GPT-4确实可谓“通用人工智能的星星之火”。有关于此，对通用人工智能和强人工智能的概念做一番区分，或许就能化解争论。强人工智能具有“真实心智”，而通用人工智能未必如此，只是它的表现会给人留下具备“真实心智”的印象。③就此而言，我们要警惕自己高估ChatGPT这样的大语言模型(large language model，简称LLM)。它并不是真的在“聊天”，因为背后并没有一个“真实心智”，它并不理解自己输出的句子，而只是在做准确度惊人的词频统计。因此，撇开有关通用人工智能的争论不说，在此所谓“通用化”，在另一方面，指的主要是自然语言处理的突破进一步扫除了人机交流的障碍，而这意味着人工智能向生活世界的全面渗透。人工智能的时代真的到来了。就此而言，ChatGPT确实可谓人工智能发展史上的一座里程碑，意义不容低估。 其次，这个正在到来的人工智能时代，准确来说，是一个机器学习(machine learning)的时代。因为当下取得突破的人工智能，不是基于规则的早期人工智能，而是基于机器学习的新型人工智能。所谓基于规则的早期人工智能，是“让计算机执行某项任务的传统方式”，即“写下算法”或“一系列向计算机发送的指令”，以此直接规定计算机应如何执行任务。[2]而机器学习“涉及大量数据输入以预测全新的结果，而绝非直接命令得到的直接输出”。[3]换言之，“每个算法都有输入和输出：数据输入计算机，算法对其进行处理，然后输出结果。机器学习将这种情况颠倒过来：输入数据和期望的结果，而输出的是将前者转化为后者的算法”[4]。机器学习所用的算法是“生成其他算法的算法”，是自动化本身的自动化。 机器学习的方法分为三种，分别是监督学习、无监督学习和强化学习。所谓监督学习，用斯图亚特·罗素(Stuart J.Russell)和彼得·诺维格(Peter Norvig)的定义来说，就是通过“观察一些输入和输出的例子之后，获得了从输入映射到输出的函数”[5]。因此监督学习处理的是被标记过的数据，而无监督学习是在没有标记的数据中、没有明确反馈的前提下，从海量的输入中识别出模式。强化学习是让机器“从一系列的强化，即从奖励和惩罚中学习”。 机器学习在近十年的高速发展尤其要归功于基于“人工神经网络”的“深度学习”(deep learning)。所谓“深度”，就是在输入层和输出层之间设置了隐藏的中间层。如论者所言：“隐藏层是人工神经网络能力的关键，但也带来了一个问题。很难弄清楚人工神经网络是如何找到解决方案的。”[6]这也就是在有关ChatGPT和GPT-4的讨论中备受关注、备受争议的“涌现”和“可解释性”问题。无论是否称之为“涌现”，机器着实在学习。机器的学习严格来说不同于人类的学习，只要强人工智能尚未产生，我们就只能从隐喻的意义上谈论“机器学习”，可机器经过层层训练之后，确实从海量数据中生成了一套相当可靠的算法，这个过程是不妨称之为“学习”的，虽然其学习路径还呈现出一种黑箱性质。 二、机器学习的时代 我们无须在此深入相关的技术细节，而是满足于技术轮廓的勾勒，并从这种勾勒中体察当下时代的若干基本特征，说明我们为何主张以“机器学习”来为时代命名。 首先，机器学习的广泛应用可谓19世纪中叶以来技术时代的一次重大变形。④当下流行“AI时代”“智能时代”“数据时代”“算法时代”等等提法，可如果想要更准确地标识这一次发展，那就应该称之为“机器学习的时代”。因为机器学习是人工智能的当下形态，也是数据之所以变得如此重要，而算法之所以能够深入生活世界的关键所在。算力、数据和算法三者缺一不可，仅仅强调三者之一，事实上都不能抓住机器学习成功的要害：“AI之所以能在过去十年中重获新生并呈指数级增长，都得益于机器学习领域取得的重要进展(就像我们已经注意到的一样，这都基于更快的计算机处理器，海量可利用的大数据以及新的计算方法)。”⑤机器学习可谓算力、数据和算法的聚合。如技术史家所言，判断科技发展的方向，要看的不是单方面的突破，而是“一个浪潮的聚集势头”。[7]机器学习正是当下信息技术的聚集势头。
