面向人工智能的 enactive 方法

本文提倡将 enactive 方法论引入人工智能（AI）。enactive 方法认为，感知是一种主动、技能性的与世界互动过程，智能体通过行动并理解其行动如何塑造经验来进行感知。这与传统观点相区别，后者将感知视为大脑接收感觉输入、加工后发出行动指令的被动内部过程。enactive 观点强调感知的动态、具身与互动性特征，这些特征植根于嵌入环境中的智能体的 lived 经验。我们识别并发展了四个最具相关性的 enactive 概念：经验、行动感知不可分、自主性和具身性。主流 AI，从基于规则的系统到大型语言模型，大多忽视了这些见解，视认知为与具身互动和内在规范性脱节的内部处理。然而，强化学习（RL）通过强调行动、智能体-环境互动、反馈驱动的适应性以及智能体中心的评估，呈现出与 enactive 原则的结构共鸣。尽管如此，这种共鸣不应被视为理论等价，RL 仅仅是对部分 enactive 见解的近似，而关键要素仍缺失或发展不足。基于此分析，我们建议将 enactive 的思想更广泛地纳入主流 AI 和 RL。