中国逻辑史与中国哲学史的学科研究中被称为“名学”或“先秦名学”的内容，如果回到早期中国的文献来看，其实没有特别显著的系统关联，更无“名学”这一称谓；那么，原本离散的思想资源因何被选定并提炼为专门之“学”，就是值得思考的学术史问题。或许可以说，这是处理古代思想资源时不可避免的现代重构，但是，这并未回答为什么古人对“名”的思考被重构为一种“学”？比如，“道”的观念就其在中国思想史上所产生的影响来看，显然比“名”重要，但在学术语汇中，“道学”一词却远没有像“名学”那样被普遍接受。①并且，回到20世纪初来看，在真正专业化的逻辑史与哲学史研究成型前，“名学”一词就已经流行于近代知识分子的著作中。究其原因，乃是面对西学的系统性传入，当时论者首先是被西学的“方法”所触动，因此要从中国古典思想中提炼所谓的“名学”，以回应和消化西学冲击下建构本土方法之学的诉求。②也正因此，当“名学”随后进入逻辑史、哲学史的专业领域时，就并非一般性的议题，而是构成其学科方法论的要素，即肯定中国有本土的“逻辑”与“哲学”，不能不着眼于“名”来谈。③只是当下来看，“名学”研究早已热度不复，这或许正因为以上学科已经形成了专门的方法话语，不再需要托“名”来谈；但在古典中国的思想资源向现代学术的最初转型中，“名学”却是典型的试验田。 这就引出了另一个问题，即在现今与可见的未来，“名学”是否还有作为学术转型之试验田的价值？我的回答是有，但先要明确“学术转型”的所指。从学术史的长时段来看，能与20世纪现代中国学术逐步确立这一重大进程相提并论的，恐怕就是人工智能在21世纪的迅速发展，很可能令此前确立的一整套“现代研究”发生重大改变，即今天常说的数智转型。但所谓“数智转型”仍然相当宽泛，本文关注的仅是古典中国思想被纳入现代大学的学科性研究时，AI的引入会带来什么。我认为，改变首先是方法层面的，即AI作为新型研究手段的应用可能对逻辑史研究、哲学史研究甚至广义的思想史研究的作业模式造成实质影响；而紧随其后的是观念层面的改变，即由于研究方法的改变引发的整个学术范式的改变。当然，后一改变还只是未来预期，但前一改变却当下就可实证；所以，本文的主要工作是以早期中国与“名”相关的思想资源为例，展示AI的应用带来了什么。 一、面向思想的定量研究 在展开基于AI建模的“名学”研究前，有必要对什么是AI建模做一个简单介绍。一定范围内，理解AI建模就是理解机器学习，其在人工智能的发展史上有两个阶段：一是传统机器学习，一是现代深度学习。无论哪个阶段的“学习”，AI都是在为事物(包括文本、图像、语音等)的特征提供某种数学表示(比如用一串数字表示语词或句子)，使得特征成为可计算的。因此AI建模就是以计算的方式模拟事物特征，而机器学习的目标就是优化对事物特征的数学表示(如神经网络中的反向传播)，即通过算法(如梯度下降法)调整特定的参数(权重参数与偏置参数)来逼近(拟合)事物特征的实际情况、一般模式与底层规律，并最终将优化的成果应用于在新环境中解决新问题，即实现“泛化”。要强调的是，在传统机器学习与现代深度学习中，虽然“学习”的本质都是数学上的参数更新，但“学习”的类型却截然不同：在传统学习阶段，AI要模拟的主要是事物中的匀速变化或线性发展的简单特征(基于规则)；在现代深度学习阶段，AI要模拟的则是事物中的非匀速变化或非线性的复杂特征(通过激活函数)。由此，人类视角下无规律、不确定的东西就能基于AI来做预测(比如对话中预测下一个词汇或字符)。这种形式的AI建模依赖多层神经网络(如卷积神经网络CNN、长短时记忆网络LSTM、循环神经网络RNN、Transformer等)，网络层数的加深能强化AI的表示能力(也可能导致过拟合)，所以这种形式的机器学习叫作深度学习。 本文所论基于AI建模的“名学”研究，就是利用现代深度学习的探索，以神经网络拟合中国古人论“名”的思想。但思想不是经验对象，只能通过言说思想的语言进行把握，所以更确切地说，AI对思想的建模是对思想文本的语义建模，即通过海量样本的迭代学习来逼近和预测语句的意思和语义关联。当然，哲学家对句子“意思”是什么存在复杂的讨论。但在这些讨论中，最受重视的是语句中仅关联于句子真值的“意思”，因为只有能被断定为真或假的“意思”才有可公度的客观性。就此而言，AI的语义建模应该更契合哲学研究对语义客观性的重视。比如，基于统计将每个句子或词汇转化为可计算的一串数字，即n维向量；在样本与模型容量足够、训练充分且目标合理的前提下，这串数字会从初始的随机数被优化为稳定、可公度、可比较的值，此即AI的语义理解。④当然，这与人类视角的语义理解不同，其机制并非生物的，而是数学的；但在工程师眼中，只要AI能有效度量语义的同与异(比如，度量语义向量的余弦夹角)，甚至在某些任务上超过人类(如大样本聚类)，就不妨将之视为一种“理解”，即过去需要人类心智完成的任务，现在AI能以数学的方式重新实现。所以对AI来说，所谓的语义理解其实只是一种工程上的隐喻。但这类隐喻也会造成误导，令人担忧AI可能具备人类的心智，尤其是在统计得到的语义向量(一串数字)之外，当语词在句子中的位置、长文本上下文关联等特征，也能在数学上被表示为机器可计算、可学习的东西时(位置编码与注意力机制)，人们惊诧地看到，AI竟也能“感受”和“捕捉”微妙的语义变化，有时甚至比人更为敏感。但在我看来，既然AI与人对语义的理解处于不同空间(一是数学的，一是生物的)，则与其想象AI有无可能像人那样理解文本，倒不如关心一个更切实的问题，就是将文本语义在数学上表示为AI可算可学的东西，这对于哲学或逻辑学的思想研究意味着什么？对此，如果说思想研究确乎离不开对思想文本的语义研究，那么最直接的结论就是基于AI建模的语义计算将使针对思想的定量研究成为可能。但问题是为何需要这样做，难道思想研究不是最需要个性与创造力的领域吗？这当然没错，但个性与创造力的发挥一定与计算理性不可兼容吗？提出这个问题，不免让人想到包括思想研究在内的整个人文研究，被公开或潜在地质疑其客观性的情况并不少见。这类质疑当然暴露了对世界复杂性的认知不足，但也提出了一个不容回避的严肃问题，就是有无可能为人文领域的思想研究建立一个相对客观的基础？我认为，这可能就是AI之于“文科”的价值所在，即假如研究者对思想文本的解读，因为引入AI的计算，可以不再仅凭立场说话，还能凭借数据说话，也即对思想的研究也能在一定程度上被纳入定量研究的范畴，或许就能为强化思想研究的客观性提供条件。
