笛卡尔认为，纯粹物理机械永远不能像人类那样灵活地思维和使用语言。而由于没有思维实体(res cogitans),它们也没有意识。然而，思维、使用语言以及具有意识的能力不能通过增加一种“思维的”非物质实体得到真正解释，即使在人身上也一样；原因很简单，所有关于人类思维、使用语言等如何可能的问题只能回归到思维实体(见第2章)。语言和思维依赖于规则和程序的运用，而这种运用需要在某种能够执行它们的媒介物中表现出来。认知心理学理所当然地认为，具体的媒介(embodying medium)就是脑。认知心理学中的功能主义(心理功能主义)作了额外的界定，认为心智和意识仅仅是脑中的加工形式。在形式上，心智的或有意识的状态被等同于因果关系，因果关系是知觉输入、公开反应和其他心智的或有意识的状态的一部分。从这个观点来看，研究心智和意识就是研究人们思维、解决问题、使用语言等时所使用的规则和程序，这通常用信息加工或神经网络的术语给予详细说明。

正如我们在第4章已经看到的，有充分的理由相信：人类心智的运作能被这类第三人称术语有效地描述，尽管第一人称的现象意识不适用于这类说明。此外，无论人们如何质疑第一人称意识到功能性关系的第三人称解释的可还原性，也不会质疑人类的心智和意识与脑活动的密切关联，以及脑是一个物理系统。鉴于此，那么是什么阻止了脑之外的其他物理系统也拥有相关联的心智和意识呢?

根据计算功能主义者的观点，由于心智操作只不过是计算，因此没有什么能阻止心智和意识出现在非人类系统中。举例来说，数学家阿兰·图灵(AlanTuring,1950)曾表示，如果独立判断不能区分出对所提问题提供答案的是计算机还是人，那么或许就可以说这台机器在“思维”。哲学家希拉里·普特南(HilaryPutnam,1960)声称，心智与脑之间的关系其实"类似于计算机所执行的逻辑运算与该机器的物理结构之间的关系”。

这种逻辑运算或许可以被比作心理运作，因为他们将计算机功能描述得类似于脑中的逻辑运算。普特南后来还指出，它们有一个比较有趣的既非"心智的”(在笛卡尔意义上)亦非"物理的"的属性。毋宁说，"正如亚里士多德所知，心理谓词(psychological predicate)描述了我们的形式，而非我们的物质”。

需要指出的是，功能很容易从结构中分离出来。一个有着特定物理结构的系统可能具有许多不同的功能。比如说，一台特定的计算机可能被用于解方程、控制工厂流程、模拟人类认知功能和行为等。相反地，相同功能也能体现在很多不同的物理结构中。例如，最早的计算机是由真空管构成的，真空管后来被晶体管所取代，随后又被集成电路取代。

随着人工智能(AI)和心智功能的计算机模拟的发展，认知科学普遍认为脑/心智的关系就类似于计算机的“硬件”(物理结构)与该机器的"软件"(程序)的区别。也就是说，许多心理功能主义者也是计算功能主义者。然而，这里需要特别强调的是，心理功能主义并不能推衍出计算机功能主义。心理功能主义宣称，心智和意识只不过是脑的一些功能。而根据计算功能主义的观点，脑的生化成分与心智和意识毫不相关。简言之，心智和意识是可输出的；无论一个系统的物理属性可能是什么，如果它表现出一致的功能，且这些功能完全被输入、系统中的内部元素和输出之间的因果关系所定义，那么它就有同样的心智。

·如何使机械系统具有心智

笛卡尔的时代(17世纪)疑惑于机器能否思维，而这一疑问在今天已经不再新奇了。在古代希腊、埃塞俄比亚以及中国，人们早就已经制造出了模仿人体行为的机器。但事实证明，模拟人类心智的功能要更困难。第一台数字计算器于1642年由布莱士·帕斯卡(Blaise Pascal)制造完成，随后为莱布尼兹所完善，使得该机器能够做到加法、乘法、除法和开平方根(McCorduck,1979)。尽管这台机器令人印象深刻，但是它的功能是固定不变的。

第一位尝试建造通用型、可编程计算器的是英国数学家查尔斯·巴贝奇(Charles Babbage)。从1833年到其去世的1871年间，巴贝奇一直致力于这台“分析机”(Analytic Enginc)的研究。这台机器有一个由穿孔卡控制的处理器，他希望处理器能使机器分析任意数学函数并将其列表显示。据他的密友拉芙莱斯夫人(Lady Lovelace)所说，分析机"编制代数模型的方式就如同于雅卡尔提花机(Jacquard loom)在纺织品上编织图案一样”。

然而，巴贝奇并未完成他的设计—第一代通用数字计算机是在第二次世界大战期间制造完成的。在阿伦佐·丘奇(Alonzo Church)和阿兰·图灵(Alan Turing)等人的理论工作的基础上，一位英国邮政局工程师---托马斯·弗劳尔斯(Thomas Flowers)设计了该计算机，用于破解1943年制订于布莱切利公园(Bletchley Park)的超级机密计划中的德国密码。另一台在宾夕法尼亚大学的穆尔(电气)工程学院建成的机器ENIAC,则被用来生成炮弹弹道表。尽管这些机器有超级(运算)速度和通用运算能力，但它们及它们的直接继承者却没有一个被认为是在运用理性或模仿人类心智的其他功能。在这一点上，它们类似于查尔斯·巴贝奇(Charles Babbage)的分析机，如同拉芙莱斯夫人在一部回忆录中所指出的那样：“分析机没有要创作任何东西的抱负，它能够做任何我们知道如何命令它执行的事情”。

然而，为了创造更具"思维能力"的机器行为，一些必要的智能措施已经付诸实施。在莱布尼兹、威廉·汉密尔顿(William Hamilton)和奥古斯都·德·摩根(Augustusde Morgan)的理论工作基础上，爱尔兰逻辑学家乔治·布尔(George Boole)在1854年就根据一些简单符号以及操作这些符号的规则，阐述了一套表达逻辑命题与这些命题之间的关系的方法。这种"代数“用一种二进制代码(仅由0和1组成)来轮流表示。1937年，麻省理工学院的一名工科生克劳德·申农(Claude Shannon)完成了他的硕士论文——论证布尔代数能够被用于描述热继电器和开关电路的运行("开”和"关"状态的排序)。因此，这种可能性表明逻辑运算能在机器的运行中实现。

尽管如此，由开关电路实现的逻辑运算与"思维"之间的鸿沟依旧很大。然而，在20世纪50年代，有一丝曙光，人们认识到可能可以从人类自身方面着手弥合人类与机器之间的鸿沟。也就是说，可以视人类功能本身为编码、存储、获取和转换信息的系统运作。相反的，一旦简单的机器语言操作恰当地组合为复杂的、相互关联的系统，它们就能够产生更高层次的功能，在一定程度上，这些功能类似于那些人所执行的功能。例如，1955年，美国兰德公司(RAND Corporation)的纽厄尔(Newell)、西蒙(Simon)和肖(Shaw)将这些见解运用在一种新计算机程序设计语言IPL1(之后是IPL2)中，以适合驱动机器运行的指令形式，它能够表达那种似乎被人使用的程序和策略。运用这一点，他们制造出了“逻辑理论家”(Logic Theorist),这个程序展现了解决逻辑问题的策略。

在当时，这个结果似乎是一个惊人的成功。"逻辑理论家"证明了罗素和怀特海(Whitehead)的《数学原理》(Princi pia Mathematica)前52条定理中的38条.其中还包括比原著更加简短而精巧的对定理2.85的证明。在这之后出现了“通用问题求解器”(General Problem Solvers,GPS),该程序包含了解决问题的各种通用策略，而这些策略都来源于人类解决问题的自我报告。这一早期模拟程序比“逻辑理论家”更加令人印象深刻，并且最终发展为可解决11个不同领域中的问题。这些领域包括了国际象棋、定理证明、传教士和野人渡河问题、积分以及分析句子，因此，机器掌握的不仅是行为还有人类解决问题的灵活性。鉴于对这些领域的熟练程度可以作为评估人类智力的一种方法，那么我们就可以理解，对于许多人工智能(AI)领域的工作者来说，它提供了机器具有智能的有力证据。

例如，到20世纪80年代初期，国际象棋程序就开始打败国际大师了。1980年，美国西北大学(North Western University)的国际象棋4.7程序在一场联赛中打败了国际大师大卫·列维(David Levey)。1982年，科斯(Scisys)在香港上市的国际象棋冠军马克五号系统(Chess Champion Mark V system)以5比1大败英国的国际象棋大师约翰·纳恩(John Nunn)。此外，马克五号(Mark V)还找到了三种解决一个著名国际象棋难题的正确方案，在此之前，人们认为只有一种解决方案。该难题由俄罗斯专家扎格鲁杰科(L.Zagorujko)在1972年首先提出，并在全世界报纸杂志上广泛刊登了，但是除了扎格鲁杰克自己提出的一种解决方案之外，还没有人能够发现其他解决方法。纳恩(Nunn)不能找到解决方法，但是马克五号(Mark V)找到了扎格鲁杰科的解决方法以及两种自己的可选方案，这使得专家们大吃一惊。之后，IBM的“深蓝”(Deep Blue)击败了当时的国际冠军保持者加里·卡斯帕罗夫(Gary Kasparov)。2007年3月，在由国际大师瓦希克·拉伊利赫(Vasik Rajlich)创立的世界计算机一国际象棋冠军赛(World Computer-Chess Champion)中，雷布卡(Rybka,象棋软件)在六局制比赛中以3胜3平打败国际象棋大师贾安·艾尔维斯特(Jaan Ehlvest),虽然雷布卡让了一步棋(随机选择),并且只用了大师一半的思考时间。

从那以后，计算机对人类心智能力的模拟有了进一步的发展，尽管并非所有的人类能力都被证明可以用这种方式来简单模拟。基于规则和程序的符号处理在串行数字计算机中是自然地执行的。因此，对于遵从串行逻辑规则的模拟认知运算来说，这些都是很有用的设备。然而，一些对人类来说非常简单的能力已被证实很难在这些机器上实现。例如，面孔和语音呈现出的复杂模式所展示的统计规律很难以不变的特点和固定的规则来描述，通过这类符号处理技术很难识别它们。然而，对于一种机器体系结构来说困难的事情，未必对于另外一种也同样困难。比如说，近几十年来，在面孔和语音等的模式识别方面已取得了广泛进展。最新的系统使用了多层人工神经网络，该网络的内部连接在一段学习时间(根据预置的“学习规则”)中要么增强要么减弱，这取决于它们是否促进了将要被识别的模式的成功识别。在这样的系统中，没必要详细说明先天的复杂模式的规定性特征---当前馈和反馈的恰当形式被应用时，系统只需要"放松"到最佳识别的性能状态即可。相较于串行计算机，这样的类神经网络增加了一个优点，即它们在其体系结构和运作上表现出更接近于活脑中的神经元。

类神经网络具有以相对简单的方式完成此类任务的能力，还具有将认知科学与神经科学相连接的潜能，就如同在它们之前的数字计算机，这样的能力和潜能在"脑的心智”(一个Churchland(1989)所描述的那种理论"协同演化”的例子)的心理学模型中有着重大影响。就我们的日的而言，无论哪种方式占支配地位--—甚至可能出现符号的、基于规则的进路与神经网络的进路是互补的。例如，在这样的情形中：心理现象能够很好地被规则描述，而学习规则的机制能够很好地被神经网络描绘。例如，这可以应用到作为语言使用基础的语法规则中。无论最终是否是真的，如今人工系统模拟或模仿某些一度被认为是人类心智独有的认知领域的能力令人印象相当深刻。