科学解释中的因果性问题

沈旭明

（吉首大学马克思主义学院，湖南吉首 416000）

科学解释中的因果性问题

沈旭明

（吉首大学马克思主义学院，湖南吉首 416000）

科学解释的四种模型：演绎模型、因果图示、概率模型和神经网络模型都涉及因果关系的寻求。人们从对因果性的发生进行研究，试图解释事物之间的因果联系和生理层面的发生机制。科学解释中各种解释模型在因果性研究方面取得一些进展的同时也产生了许多困难，没有一种解释模型能为因果性理解提供一种令人满意的方案，因果性的理解仍是科学解释中的艰深问题。

科学解释；解释模型；因果性

亚里士多德（Aristotle）说，哲学始于好奇，而他的哲学指的是自然科学［1］。为满足这种好奇，我们试图理解世界，要理解世界就必须对自然界的各种现象进行合理的解释，而对这些解释的寻求是自然科学的一个主要目的。科学不但解释自然现象，而且“所有科学知识都是技术体现、建构或诠释的”［2］，因此，科学解释也包括对技术的解释，它是科学哲学中的重大课题之一。关于科学解释，人们从不同进路对其进行研究并产生不同见解，如本体论观点、实用主义观点等。正如罗森堡（Alex Rosenberg）所说：“关于科学如何作解释，存在着一些他择性进路，反映了可以追溯到柏拉图时代的哲学上的根本差异，有的人把科学解释视为我们发现的类似于数学证明的东西；有的人则把它当作人类建构的东西。逻辑实证主义者试图为科学家建立一种渴求已久的、理想的科学解释标准。其他哲学家则试图理解推理在科学家实际给出的说明中是如何起作用的。”［3］从一定意义上看，不论在科学中还是在日常生活中，解释都包括对原因的陈述。虽然并不是所有解释都是关于因果关系的，如对数学结果的获得、设计中的微妙对称性的解释等，但绝大多数解释都产生因果概念。“从非因果解释逐步深入到因果解释乃是科学进步的一种明显表征”［4］，而且当解释包括因果和非因果的因素时，因果的因素都试图在解释判断中占据主导地位，同时因果理解改变了理解的常规特征。因果性看起来在大部分解释中发挥着主要作用，并且针对不同解释方式和解释模型，因果关系在其中地位也不同。科学解释存在诸多模式，并各具特征，其中主要有如下几种模型。

一、科学解释模型

按内格尔（Ernest Nagel）的总结，科学“解释”有四种类型。①第一种是演绎型的解释，这种解释把有待解释的事实看作是解释前提逻辑上必然的推理。这种解释常见于自然科学当中，它从一个侧面反映了自然科学中对规律探求的必要性。第二种是或然性解释。在实际科学领域中的许多解释，由于其说明前提并不蕴涵解释项，所以并不具有演绎形式。但是，虽然前提不能保证被解释项逻辑上为真，但通常使后者“或然”为真。第三种是功能解释或目的论解释。在生物学或人类事物的研究中，往往采取这种解释形式：“或者指明一个单元在维持或实现它所属的系统的某些特征方面所履行的一个或多个功能（或者功能失调），或者阐明一个行动在导致某个目标中所起的工具作用”［5］（P25）。第四种是发生学解释。一般在历史研究中往往是通过描述一个特定的研究题材是如何从早先的题材中演变出来的，来解释为什么恰好是这个对象具有一定的特征，这种解释就称做“发生学解释”。这就是内格尔对科学解释进行的分类［5］（P21－27）。那么在科学解释中，具体包括哪些解释模型呢？按照萨加德（Paul Thagard）和利特（Abninder Litt）的划分，可以将科学解释模型分为四种，即：演绎模型、图示和类比模型、概率模型和神经网络模型［6］。我们一般对亨普尔提出的演绎模型比较熟悉，研究较多，但科学解释还应包括其他三种解释模型。

（一）演绎模型

在科学解释的研究中，特别是在解释模型的建立与分析中，亨普尔做了大量的工作。“亨普尔的科学解释理论是20世纪最伟大的哲学成就之一，它使科学解释问题成为科学的一个主要目标。”［7］科学解释不同于神学、宗教及日常生活中的说明，它必须具有自己的特点。科学解释关心的是提出一种与我们的经验有清晰的、逻辑的、联系的并且从而进行客观检验的世界观念。因此科学解释必须满足两个要求：“解释相关性和可检验性要求”［8］。亨普尔提出并捍卫了“演绎—律则（D—N）模型”。

其中结论E为被解释语句，其前提集由一般定律L1，L2，……，Lr及其他断定特定事实的陈述句C1，C2，……，Ck所组成。在解释中援引的定律，也可称为被发现现象的覆盖律，而解释性论证可以说是将被解释项包容在这种覆盖律内，因此该模型也称为“覆盖律模型”。

有关该模型他提出了如下四点要求：

1．被解释项必须是解释项逻辑演绎的结果；

2．解释项必须至少包含演绎中实际需要的一个普遍定律；

3．解释项必须至少在原则上能被实验或观察所证实；

4．组成解释项的句子必须是真的［9］。

如果我们用一组陈述去构造某一特定事实的科学解释，那么这四个条件对于任何这样的陈述集合被认为个体上必要、合起来充分的条件。亨普尔认为他所提出的解释模型很好地满足了解释相关要求，并且也满足可检验性要求。当然，关于他对上述解释模型所提出的四点要求，后来有许多批评意见，认为许多条件都不能满足。

是否所有科学解释都建立在严格普遍的定律的基础上呢？情况并非如此。如“张三得了感冒”可用下述说法来解释：他哥哥几天前得了感冒，他是从他哥哥那里染病的。这两种事件即感冒和接触感冒患者之间有联系，但这种联系不能用普遍形式的定律表示出来，接触感冒患者只能说有很高的概率感染这种病。所以，解释项蕴涵着被解释项并不具有演绎的确定性，而只有接近的确定性或高度的或然性。该论证可用下述图示表示：

L：与感冒患者接触的人，得病概率很高

C：张三接触感冒患者

E：张三得感冒

上述模式表示前提使得结论有着或大或小的概率。

以上两种都具有某些基本特征，在这两种情况下，给定事件都是用其他事件来加以解释，这些事件与被解释项用定律联系起来。只不过在第一种模型中，定律是普遍形式的，而第二种情形中定律是概率形式的。第一种是演绎解释，第二种属归纳解释，对被解释项的预期也不一样。

以上就是亨普尔提出的著名的科学解释模型，当然主要是针对自然科学的。但该模型在科学哲学中进展并不顺利，科学家个人经常不会按照这种形式去做，即使是普遍性定律也很少如此清晰巧妙地服从于证据的进步。作为科学解释，除了物理方面的东西，最基本的作为演绎链条中的表面相似性都开始消失了。对不是科学家的人来说覆盖律模型显得更不合理。日常的解释中人们更不会去考虑这一系列的公理而去运用演绎推理的模型。人们通常喜欢一个解释而不能说出其所以然。我们通常把解释认为是提供一种机械论意义的理解，所以当涉及到没有机械性的生理学的解释时，认为是一种结果而不是一种真正的解释。在科学解释的研究中，我们不但要考虑其产生和发现的过程，同时应研究其提出和接受的过程。

（二）因果图示

在日常生活中，解释项和被解释项之间的联系通常都是比较松散的，不像演绎模型那样的严谨。刻画这种因果联系的形式就叫做因果图示，例如，认知科学使用的一种普遍的解释图示的结构如下：

解释目标：为什么人们有特定的心智行为？

解释形式：人们有心智表征；人们具有实现这些表征的运算过程；这些运算过程运用于表征就产生行为。

这些图示包括更多用于刻画特定心智表征的特殊图示，如概念、规则和神经网络等。哲学家已开始探讨这种解释图示和形式的重要性。

应用普遍图示解释包括与应用类比解释具有相同的过程，推理过程如下：

1．识别被解释的事件；

2．在记忆中搜索与之相匹配图示或事件；

3．应用搜索到的时间或图示为需要解释的事件提供解释。

在演绎解释模型中要求解释项与被解释项之间有严格的逻辑关联，而在图示或类比解释中仅仅需要一种大致的特定的因果关联。

（三）概率模型

第三种解释模型是概率模型。该模型是用更加定量的方法——概率理论建立起来的，解释者与他们的目标之间的关系比演绎模型更松散。萨尔蒙（W．Salmon）提出解释的关键是统计的相关性，如果在给定A和C时B的概率与只给定A时B的概率不同，那么B和C相关［10］。概率解释模型的主要计算方法是贝耶斯（Thomas Bayesian）网络，是皮埃尔（Judea Pearl）和其他一些哲学和计算科学的研究者发展起来的［11］。贝耶斯网络是一种定向的非循环的图表，里面的节点是统计变量，它们之间的边界代表条件概率，不允许有循环。

贝耶斯网络是表征因果联系的一种方便的方法（如图1），在该网络中每一个节点表示一个变量，箭头表示条件概率表征的因果关系。

图1 传染病的因果图示

为了在该网络中进行概率推理和因果关系的研究已发展出强大的运算法则。虽然贝耶斯网络为计算和标准的哲学应用提供了一个很好的工具，但相应的问题是它们怎样才能对应用于科学解释的认知建模。尽管贝耶斯网络具有计算力和哲学解释力，而且，“它立足于把解释的因果关系和解释者的信念相结合”［12］，但它的心理相关性却值得怀疑。虽然人们的心理表征包括一些如图1所描述的大致因果图形是合理的，但这种图形具有贝耶斯网络所有特性却不那么合理。首先，大量的经验证据表明概率推理不是人们生来就具有的经验推理的一部分。其次，没有理由相信人们能独自具有在贝耶斯网络中满足高斯—马尔科夫（Gauss－Markov）条件和进行推理的那种信息。第三，虽然用定向图示表征因果知识很自然，但在许多科学和日常领域中这种图示因为反馈回路必然有循环。最后，概率本身不足以获得人们关于因果关系的理解。因此，根本不清楚贝耶斯网络是否是最好的解释模型，尽管他在诸如社会科学等领域中大量应用。但是，即使在社会科学的解释中，科学家常常依靠直觉，那种非概率意义的因果关系。

（四）神经网络模型

萨加德（Paul Thargard）提出了一种神经网络模型来评价相互竞争的科学解释［13］。这种解释模型中使用了局部的神经元，整个命题通过单个神经元来表征。命题之间的联系通过神经元连接之间的兴奋或抑制状态来表征神经网络模型在低层次的心理现象，如在感知、范畴化和记忆中使用，而不是在高层次的心理现象，如问题解决和推理中使用。尝试对解释进行神经分析的好处是使对多模型的认知过程的合并成为可能。萨加德描述了解释者和解释目标二者有时是用非语言的方式表征的。而且，溯因推理过程有情感的输入与输出。当人们对事物感到迷惑或惊奇时，就会寻求解释，而当用一个满意的假说来进行解释时就会导致令人满意的结果。如图2概述了该过程。

图2 溯因推理的过程

另一个溯因推理模型就是伊利亚史密斯（Chris Eliasmith）和安德森（Chris H．Anderson）提出的神经系统的工程结构模型（NEF②）［14］。该模型根据数学的表征和转换来刻画神经团和它们的活动。表征的复杂性是受表达它的神经团的维度约束的。简言之，表征中的单一维度与不连续的方面对应。表征复杂性的层次取决于神经活动，而这些活动受限于一维的标量、向量和有限的但数量巨大的维数或函数。其中用到了一种表征的高维形式—全息简约表征HRR。③HRR将神经上的合理性和维持复杂的能力结合起来，将结构的联系植入有效的计算形式之中。HRR是通过多种多样的操作结合而形成的高维向量，但HRR具有重要的固定维度的特征：两个n维HRRS结合产生另一个n维的HRR。

在神经网络溯因推理模型中，情感能够控制“认知的”神经活动。解释的神经网络模型为科学解释提供了一个发生机制，就是它的情感的输入与输出，是一种简单的溯因。然而，这种简单的溯因用来说明用认知反射模型（ECHO④）来执行的解释理论就显得太简单。在该模型中，假说和单个证据都由简单的人工神经元表达。它们通过处于兴奋或抑制状态的连结连接起来，而这种状态与所表达的命题的状态一致。反射模型说明高层次的认知活动，如复杂理论的评价，可以通过简单的神经网络来进行。该模型具有一定程度的心理合理性，但在神经科学的合理性上与神经系统的工程结构模型相比相形见绌，因为最大的反射模型只能用大约200个神经元来为一个命题编码，而神经系统的工程结构模型可以使用数千个神经元来为少数的因果联系编码［15］。一个有趣的问题就是如何在神经系统的工程结构模型的框架内用在神经科学上更具现实性的反射模型来完成比较理论的评价。

二、解释中的因果性

解释一般都在一定意义上包含着对原因的陈述，如我们上面所说的四个解释模型。正如刘易斯（David lewis）所说：“我们想要获得的对任何事实的解释都在漫长和复杂的因果历史的尽头。”［16］在解释过程中，解释者提出一些关于事件的因果历史的知识——解释的知识——并试图传达给其他人，而没有非因果的解释。他在《因果关系的解释》一文中对解释中的因果关系进行了详细的阐述［16］。一个被解释的事件的发生都有它的原因，这些原因是共同作用的。因果关系中的因果链条是紧密相连的，因果过程是一个连续的过程。几个原因也许是汇合在一起形成一个巨大的原因。原因的多样性和因果历史的复杂性使得我们在谈及一个具体事物的原因时极不明朗。因果性的历史是一种关联的结构，它的联系就是事件：在特定事实中那种是原因或结果的局部事件。这些事件代表着各种联系，如事物的时空联系，局部和整体之间的联系，也包括概率的联系。特定事件的因果历史也包括事件本身，所有事件都是它的一部分。

关于演绎模型中的因果性问题，刘易斯也提出了独特的见解。他认为，虽然在演绎解释模型中，没有大量的篇幅来论述因果性在解释中的地位，他们也许坚持认为在有些特殊事件中，我们对一些特殊现象的产生可以获得很好的非因果解释。但在进行演绎模型的实例分析时，他们所选择的实例的被解释项中都包含了一系列的关联原因，因此为因果的历史提供了知识。

刘易斯认为有这样一种十分重要但相当难理解观点。我们可以同意关于成功的规律的知识至少与因果知识高度相关，反之亦然。因此，在实践中对解释的追求和对规律的研究是不可分的。但我们还是能够质疑解释模型中覆盖律的知识是否是关于该事件解释的知识的一部分。持覆盖律理论者说是，但刘易斯认为并非如此。他认为这是一个不可能解决的问题，假如我们实际上在没有定律的知识的前提下不可能获得关于因果性的知识，或者相反。我们能够质疑在知道所有原因而对定律一无所知的情况下解释工作是否要做。我们可以提出问题，但无须为回答它而烦恼，因为关于这种荒谬情况下的直觉判断不值得去考虑。但我们应该注意到，对D—N模型中的规律普遍性而言，他既不是解释本身也不是因果联系所不可或缺的，因为许多情况下我们的有效解释都只能诉诸概率的解释模型，而概率模型中的概率定律只具有概然性，而不具有普遍性。

那么，在因果性解释中，概率理论的解释进路看起来比其他理论进路可能更有希望。然而，虽然贝叶斯网络是表征因果联系的一种方便的方法，但其心理相关性却值得怀疑。概率本身不足以获得人们关于因果关系的理解，事件概率的增加也许是意外的或者是一些普通原因产生的结果。从那些令人误解的相关性中挑出因果概率知识需要大量的关于概率的和独立的知识，而这常常是人们所缺乏的。因此，即使在社会科学的解释中，科学家常常依靠直觉，那种非概率意义的因果关系。

那么关于我们前面提到的因果图示的解释模型不用赘述，它本身就是对因果关系的一种刻画。图示所刻画的不是那种严格的逻辑关系，而是一种大致的特定的因果关联。

就像其他解释模型一样，神经解释模型也预先假定着一些因果性的理解。萨加德尝试提出一种神经网络来说明生物怎样理解因果性也许是可能的，也就是对因果性进行一种认知的理解［6］。假设要进行幼儿对因果关系的把握的研究，那么原因就是一个基于感觉和自发控制基础上的前语言概念。幼儿就是以如下形式获得印象图示的：

状态的感觉＋自动的行为≥新状态的感觉［6］

也许这些图示是天生就具有的，但是它们也许是通过幼儿早期的知觉或自动的经验而获得。一个简单的图示就是：

静止的物体＋用手打击物体≥移动的物体［6］

关于因果关系的前语言的印象图示与一些哲学家所提出的因果关系的可操作性和可干预性的观点是一致的。“A导致B”与“A仅仅与B相关联”是不同的，其区别是“控制A同样也能控制B”只适用于前一种情况而不适用于后者。从概念上讲，操作和干预的概念似乎预设了因果概念，因为使某事发生和导致某事发生在语言层面上没什么区别。然而，尽管在语言层面上因果关系有这种循环，但从上述对幼儿的描述中，通过假定人们具有一种印象图示的因果关系的神经编码，在心理上我们能够打破这种循环。这种非语言的图示是理解一事件导致另一事件发生和一事件仅仅随另一事件后发生的区别的基础。因果性的印象图示自然是在我们用来建构溯因推理模型的神经系统工程结构模型（NEF）框架下实现的，神经团既能对感知和自动行为编码也能对它们之间的联系编码。在神经网络模型中，对因果联系并没有产生真正的理解，因为在全息简约表征（HRR）中的向量是自动产生的。为何产生？并不知其所以然。相反，我们可以推测人们具有对因果连接的概念进行编码的神经团，这种联系作为他们最早的在操作物体时形成的前语言经验的结果。因为基于视觉和知觉经验之间的连接，不能充分地用语言表达，但它为后来因果关系的更语言化更数学化的特征提供了基础。

三、结论

解释不管是关于科学还是关于日常生活的，一般都是人们追求一种对世界现象和事物的可理解性，当然科学解释中还涉及到预测，所以，解释一般都是对因果关系的寻求。人们总结出了关于科学解释的多种形式，如内格尔提出的四种形式。而关于解释的模式的研究也相当广泛，从对事物之间自身的因果关系的研究到生理层面如何理解因果关系都提出了相应的解释模式。如演绎模型、图示模型、概率模型及神经网络模型等。在解释中对因果性的研究从对事物之间的因果关系的分析上升到我们如何理解因果性，从对它的存在性研究发展到对其发生的研究，一直追寻到生理层面，神经层面。在科学解释中亨普尔提出并捍卫了“演绎—律则（D—N）模型”。对D—N模型中的规律普遍性而言，它不是因果联系所必须的，因为许多日常现象之间的联系并不具有那种规律普遍性。因为很多情况下事物之间联系只具有概然性，而不具有普遍性。第二种解释模型是图示和类比。因为日常生活中解释中事物之间不是演绎的而是一种较松散的关系，我们只能用一种因果图示来描述它们之间的关系。但上述二者在解释模型中不是竞争的理论，因为我们期望在不同的科学领域采取不同的解释形式。那么一种更定量化的解释模型是萨尔蒙（Salmon）等人提出的概率解释模型，看起来它可能比其他解释进路更有希望，但由于其广泛使用的计算方法中贝叶斯的心理相关性值得怀疑，因此它也不能说是一种最好的解释模式。那么，最后一种解释模型是神经网络模型，它为解释提供了一种情感的输入和输出的解释机制及一种简单的溯因推理。但其发展中也遇到了困难，其提出的模型用来说明用认知的ECHO模型来进行的解释理论的比较评估过于简单，以至于它也不能提供一种真正的因果性的理解。

综观解释中的因果性问题研究，首先，人们已从对事物之间的因果关系的研究追寻到了其发生层面，即因果关系的认知的研究；其次，在对因果关系的认知研究还处在初步阶段，主要还是关于低层次的心理现象的研究，而不是问题解决和推理方面的研究［6］；再者，神经解释模型虽对解释认知过程进行了分析，并没有解决什么是解释及解释是如何产生的等问题。因此对解释及其中因果关系的探求还是一个有待人们去进一步探讨的艰深问题。

［注释］

①在内格尔的译著《科学的结构》中“解释”都是用“说明”一词，二者表达相同的意义（explanation）。为使文章前后一致，以免产生歧义，本文均采用“解释”一词。

②NEF：Neural Engineering Framework．

③HRRs：holographic reduced representations．

④ECHO：Explanatory Coherence by Harmany Optimization．

［1］［古希腊］亚里斯多德．形而上学［M］．苗力田，译．北京：商务印书馆，1997：33．

［2］文祥．论伊德现象学中科学与技术的相互关系［J］．长沙理工大学学报（社会科学版），2014（5）：22．

［3］Rosenberg，Alexander：Philosophy of science：a contemporary introduction［M］．New York，London：Routledge，2005：21．

［4］张志林．论科学解释——从解释的逻辑谈起［J］．哲学研究，1999（1）：27．

［5］［美］殴内斯特·内格尔．科学的结构［M］．徐向东，译．上海：上海译文出版社，2005．

［6］Thagard P，Litt A．（forthcoming）．Models of scientific explanation［A］／／In R．Sun（Ed．）．The Cambridge handbook of computational cognitive modeling［M］．Cambridge：Cambridge University Press，2008：549－565．

［7］张萍．亨普尔科学解释理论的价值意蕴［J］．西南大学学报（社会科学版），2010（11）：85．

［8］［美］卡尔·G·亨普尔．自然科学的哲学［M］．张华夏，译．北京：中国人民大学出版社，2006：75．

［9］Hempel．Aspects of Scientific Explanation and Other Essays in the Philosophy of Science［M］．The Free Press，1965：247－248．

［10］Salmon W．Statistical explanation［A］／／In R．Colodny．（Ed．）The nature and function of scientific theories［M］．Pittsburgh：University of Pittsburgh Press，1970：173－231．

［11］Pearl，J．Probabilistic reasoning in intelligent systems．San Mateo：Morgan Kaufman，1988．

［12］闫坤如．科学解释的贝叶斯网络模型探析［J］．自然辩证法研究，2016（1）：98．

［13］Thagard P．Explanatory coherence［M］．Behavioral and Brain Sciences，1989：435－467．

［14］Eliasmith C，Anderson C H．Neural engineering：Computation，representation and dynamics in neurobiological systems［M］．Cambridge，MA：MIT Press．2003．

［15］Thagard P．Coherence in thought and action［M］．Cambridge，MA：MIT Press，2000．

［16］Lawrence Sklar．Philosophy of Science Explanation，Law，and Cause，David lewis，Causal Explation，1999：92．

Causality of Scientific Explanation

SHEN Xu－ming
（College of Marxism，Jishou University，Jishou，Hunan 416000，China）

The four Models of Scientific Explanation：deductive models，schema of cause and effect models，probabilistic models and neural network models are related to seek of causations．People attempt to explain the causality between things and provide a mechanism for explanation physiologically by studying the generation of causality．Every Model of Scientific Explanation still faces many difficulties while some progress has been made，but no model can offer a satisfied explanation of causality，so the understanding of causality of scientific explanation is an abstruse problem for people．

scientific explanation；models of scientific explanation；causality

N03

A

1672－934X（2017）02－0010－07

10．16573／j．cnki．1672－934x．2017．02．002

2017－02－11

湖南省哲学社会科学基金项目（11YBB306）；湖南省教育厅科学研究项目（15C1158）；吉首大学博士科研资助经费研究项目：（jsdxxcfxbskyxm201107）

沈旭明（1971－），男，湖南长沙人，讲师，哲学博士，主要从事科学哲学、逻辑学研究。