因果过度决定与认知层次分析

李安然 张志林

一、因果的反事实理论与过度决定

通常认为，现代意义上的因果关系研究起源于休谟的因果规则性理论（regularity theory of causation）：我们认定两个事件之间存在因果关系，乃是因为我们不断地观察到这两个事件前后相继地发生，并显示出它们之间的恒常关联（constant conjunction）特征。换言之，在我们观察到类似于c 的事件发生之后，总能观察到类似于e 的事件发生，于是便认为是c 导致了e。具体地说，根据休谟的因果规则性理论，当且仅当满足如下三个条件，才可认定事件c是事件e的原因：（1）c与e在时空上是连续的，据此可排除超距作用的存在；（2）从时间上看，e跟随c，即e在c之后发生，据此可将原因与结果区分开来；（3）所有c类事件发生之后都跟随着e类事件的发生①大卫·休谟：《人性论》，关文运译，北京：商务印书馆1980年版，第195页。。

因果规则性理论面临着一个关键性的挑战：根据这种理论，我们不能区分因果式的规则性与非因果式的规则性。比如说，公鸡打鸣一般发生在太阳升起之前，并且这构成了一种时空上连续的规则性。因此，根据因果规则性理论，在公鸡打鸣与太阳升起之间存在着因果关系。但是，实际上公鸡打鸣并不是太阳升起的原因。换言之，规则性并不是识别因果关系的充分条件。不仅如此，规则性也不是识别因果关系的必要条件。举例来说，那些在历史上只发生过一次的前后相继事件，如小行星撞击地球与恐龙灭绝，二者之间就不存在恒常的联结，但这并不妨碍它们之间存在着因果关系。因此，可以说，休谟借助于认知主体有关“恒常联结”的心理联想来解释因果关系，混淆了真正的因果关系与偶然的规则性关系，这是其因果规则性理论的根本问题所在。

为了更准确地刻画因果关系，刘易斯（David Kellogg Lewis）发展了同样由休谟本人提出的关于因果的反事实理论（counterfactual theory of causation）②这一观点由休谟提出，但并未受到他本人重视，而且他也混淆了因果的规则性理论与因果的反事实理论。。该理论主张，假设c 和e 都是实际存在的两个不同事件，当且仅当如果c不存在则e也不存在时，e才是因果地依赖于c的③David Kellogg Lewis, “Causation”, Journal of Philosophy, 1973, Vol.70, pp.556-567.。众所周知，即使公鸡不打鸣，太阳仍会升起，根据因果的反事实理论可知，公鸡打鸣不是太阳升起的原因，因此二者之间不存在因果关系。由此可见，不同于因果的规则性理论，因果的反事实理论能够区分真正的因果关系与偶然的规则性关系。

然而，因果的反事实理论却也面临着一个严峻的问题，这就是“因果的过度决定”（causal overdetermination）④限于篇幅，本文只讨论物理上的不同事物所导致的因果过度决定情况，而不涉及构成性的因果过度决定（constitutive overdetermination），以及心智哲学中由人的物理状态和对应的心灵状态所导致的因果过度决定问题。。事实上，因果过度决定问题就是作为对因果反事实理论的关键质疑之一而被提出来的。所谓因果过度决定，说的是某一事件e 有两个或更多个原因，并且其中的每一个原因事件c1, c2, …, cn都是e 发生的充分条件（为简便起见，以下只考虑两个原因的情况），这就使得因果的反事实理论失效了：假如c1不发生，c2也会发生，但e 仍然会发生；同样，假如c2不发生，c1也会发生，而e 也同样会发生。例如，假如苏西和比利两人都向一个玻璃瓶扔石头，这两块石头都在相同的时间砸中那个玻璃瓶，并且每块石头本身都足以使那个玻璃瓶破碎。在这种情况下，人们一般会倾向于认为，苏西扔石头的事件（c1）与比利扔石头的事件（c2）都是那个玻璃瓶破碎这一事件（e）的原因。然而，根据因果的反事实理论，c1和c2都不是e 的原因，因为如上所说，假如c1不发生，e却会发生；同样，假如c2不发生，e也会发生。显然，这与常识相悖：本身足以引起e的事件为什么不是e的原因？

以上关于因果过度决定的例子对因果的反事实理论提出了严峻的挑战。一种看起来似乎很有前景的解决方案是“细粒度策略”（fine-graining strategy）①Esteban Céspedes, Causal Overdetermination and Contextualism, Berlin: Springer, 2016, p.5.。根据这一策略，在每一种可能的情况下，结果可能都会是不一样的，因为原因事件发生时间的不同将会导致结果事件的不同，而且同一时间原因事件发生方式的不同也会导致结果事件的不同。于是，任何在时空上不同，或者在发生方式上不同的事件，都是不同的事件。从本体论来看，这种观点是毋庸置疑的：例如，两枚硬币再相似，我们也不会说它们是一枚硬币；同样，两个事件再相似，在本体论上也不应被看作同一事件。在上述例子中，这表现为苏西和比利同时用石头所砸中的那个玻璃瓶将会以一种特定的方式破碎(e)，而且这种破碎方式与苏西单独用石头砸向那个玻璃瓶时其破碎的方式(e1)，以及比利单独用石头砸向那个玻璃瓶时其破碎的方式(e2)，这三者都会被看作是不同的事件。直观地看，两块石头共同作用于那个玻璃瓶，它们分别做出了各自的因果贡献，而二者共同产生的结果和它们其中任何一个单独作用时都有所不同，这种情况就不再是因果的过度决定，而是联合因果（joint causation）②Laurie Ann Paul, “Counterfactual Theories”, in H.Beebee, C.Hitchcock, and P.Menzies (eds.), The Oxford Handbook of Causation, New York: Oxford University Press, 2009, p.178.。进一步说，在我们生活的这个物理世界中，即使苏西和比利各自所扔的石头都能砸碎那个玻璃瓶，二者合力之下对那个玻璃施加的力也必然与它们单独砸碎那个玻璃瓶时有所不同，否则就会违反动量守恒定律。看来根据细粒度策略，通过把貌似同一的事件区分为不同的事件，就可以解决因果过度决定对于反事实因果理论的诘难。例如，假设苏西没有朝着那个玻璃瓶扔石头，即c1不发生，那么那个玻璃瓶就不会以e1的方式破碎，因此根据因果的反事实理论，c1是e1的原因。

如果严格地遵从细粒度策略的思路，那么我们就应该把世界中的每个事件都看作一个独特的个体，而不能通过抽象方式将其归属于任一范畴，因为任何抽象都会使事件损失一些信息，从而可能会在某些认知过程中造成把同一范畴的不同个体看作同一个体的错误。但是，把每个事件都看作一个独特的个体而完全不允许抽象行为，这与人类的认知过程（尤其是科学的认知过程）是不相符的。科学旨在通过特定的抽象类及其相关定律来描述世界，而不必把每一事物、每一事件都区分到个体层面上。正因如此，刘易斯在其早期阶段就对细粒度策略持否定态度,不过他的出发点主要不是科学认知，而是常识认知。他认为，对于一个问题，当常识给出一个坚实且无可争议的答案时，理论最好赞同它。也就是说，在这种情况下，如果对因果关系的分析不能符合常识的要求，那么该分析就是有问题的。换言之，早期刘易斯认为，极端的脆弱性标准不符合很多我们关于事件的日常看法③David Lewis, Philosophical Papers: Volume Ⅱ, New York: Oxford University Press, 1986, pp.194-199.此外，值得一提的是，刘易斯在讨论占先（preemption）时提到了与细粒度策略十分相近的概念——结果的极端脆弱性（extreme fragility of effects），简称脆弱性。详见D.Lewis, “Causation”。。不仅如此，面对很多关于因果关系的否定判断时，极端标准可能还会把常识不认为是原因的事件看作是原因，而这些事件被刘易斯称作“虚假原因”（spurious cause）。举例来说，假设在刑场上一个犯人正待枪决，而有八个士兵将同时执行射击任务；再假设其中一个士兵由于心软而没有执行长官发出的射击命令，于是那个犯人便由七颗子弹杀死，而不是由八颗子弹杀死的。刘易斯认为，如果那个犯人被七颗子弹杀死与被八颗子弹杀死被看作不同事件的话，就会得出那个心软士兵的不射击行为导致了犯人被杀死的荒谬结论。实际上，那个心软士兵的不射击行为就是犯人死亡的“虚假原因”。在刘易斯看来，“当我们想表明一个结果真正地依赖于它所谓的冗余原因（redundant causes）时，我们需要一个极端严格的脆弱性标准；当我们想与常识判断一致时，我们却需要一个比较宽松的标准，这就形成了双重标准。因此，当遇到某一具体问题时，我们并不知道该应用严格的标准还是宽松的标准。”①David Lewis, Philosophical Papers: Volume Ⅱ, New York: Oxford University Press, 1986, p.199.换言之，早期的刘易斯认为，我们不能抛弃常识而对所有问题都使用细粒度策略进行分析，而当我们拥有常识和细粒度策略两套方案时，却又不知道何时应该用常识的标准、何时应该用细粒度策略的标准。

在较晚的文献中，刘易斯在某种程度上接受了脆弱性观点。根据他的观点，假设在一个可能世界中，c不发生，而e要么直接不发生，要么e发生的时间或方式与现实世界中发生的时间或方式有所不同，那么便可认为c 是e 的原因②David Lewis, “Causation as Influence”, Journal of Philosophy, 2000, Vol.97, No.4, p.187, p.186, p.189.。但是，他仍然坚持在日常情况下不必预设事件的脆弱性，因为事件产生时间或方式的微小改变，并不会让我们把改变后的事件与原来的事件看作不同的事件，而是看作同一类事件的不同版本（version）③David Lewis, “Causation as Influence”, Journal of Philosophy, 2000, Vol.97, No.4, p.187, p.186, p.189.。刘易斯认为，如果结果很微小的变化都被看作是不同事件的话，那么就会得到类似于“一切时间上在先的事件都是那特定结果的原因”的结论，而这将导致如下违背日常直觉的结论：例如，苏西扔的石头和比利扔的石头之间存在着万有引力，这种引力也会使得那个玻璃瓶破碎的时间或方式有所不同，因而“两块石头之间微弱的万有引力也是玻璃瓶破碎的原因”④David Lewis, “Causation as Influence”, Journal of Philosophy, 2000, Vol.97, No.4, p.187, p.186, p.189.；又如上述“虚假原因”，即那个心软的士兵的不射击行为导致了犯人被杀死。由此可见，虽然刘易斯对待反事实因果理论的观点有一些改变，但他仍然坚持认为，细粒度策略所体现出来的脆弱性标准并不符合我们日常认知的习惯，因此他对结果的极端脆弱性依旧持否定态度。但是，针对事件发生时间或方式的改变，在什么范围内，我们仍可将其看作相同事件的不同版本，而超过这个范围则将其看作不同的事件呢？令人遗憾的是，刘易斯并没有为回答这个问题提供一个清晰统一的标准，因而因果过度决定问题仍未得到令人满意的解决。

二、思维经济原则的启发

为什么我们不应完全抛弃常识所提供的方案，而坚持采取细粒度策略？或许恩斯特·马赫（Ernst Mach）提倡的“思维经济原则”能够提供一些启发⑤Paul Pojman, “Ernst Mach”, The Stanford Encyclopedia of Philosophy (Winter 2020 Edition), 2023-08-01, https://plato.stanford.edu/archives/win2020/entries/ernst-mach/.。一方面，马赫受到赫尔曼的启发，将后者对经济要素的分析运用于人的认知领域之中；另一方面，马赫提出思维经济原则，也深受达尔文进化论的影响。马赫认为，进化论不仅对生物学的发展具有巨大作用，而且对其他学科的演变也具有强大的推动力。在他看来，科学的发展也是一种生存竞争的过程，科学在这种竞争中也遵循着适者生存的法则。因此，他认为，为了使人们能够更好地适应环境，科学认知活动应该采取更加经济的方法。也就是说，哪种科学能够使人们以最小量的劳动完成所须完成的任务，它就会得到更好的存在和发展，否则就会被淘汰。正如马赫本人所说：“科学的目的在于尽可能对自然给予最经济的描述，因为科学提供的概念给我们提供了理解世界的更好指引。如果科学不是经济的，那么它便是无用的。”①转引自Paul Pojman, “Ernst Mach”, The Stanford Encyclopedia of Philosophy (Winter 2020 Edition).马赫认为“思维的经济性”是接受或者拒绝科学理论的一个指导性原则。也可以说，在他看来，科学的生物学目的在于增进人类记忆，以便更好地服务于人类适应环境的能力。根据马赫的观点，按照科学理论必须遵循思维经济原则的要求，我们就可以为科学的发展方向确立一个稳定的基础，进而导出一个重要的观点：当科学理论遍历了越来越多的世界，而且随着这些科学理论在我们无意识的记忆中的自行运作，越来越多的世界就会变成我们既有认知结构的一部分。也可以说，思维经济性的动机本身就是科学的一种生物学式的本能，因而科学的发展必定会受制于这种动机和本能。

根据马赫的观点，我们在因果过度决定问题中把事实上两个在时间或空间上差别不大的不同事件看作同一事件，便可用思维的经济性来解释：人们之所以把这些事件看作同一事件，乃是出于思维简约性的需要。换言之，人类把因细微差别而不同的事件s1, s2, …, sn看作相同的事件，将有助于提高认知效率，从而在进化过程中获得更好的自我保存和繁衍能力。现在让我们回头再看上述苏西和比利用石头砸碎玻璃瓶导致因果过度决定的例子：在日常生活中，我们不假思索地把苏西扔石头砸玻璃瓶（c1）和比利扔石头砸玻璃瓶（c2）都看作是那个玻璃瓶破碎（e）的原因，这种看法在绝大多数情况下对人们的认知活动来说都已够用，而这正是思维经济原则的一种体现。然而，这却容易招来因果过度决定的诘难：c1和c2都不是的e 原因，因为如上所述，假如c1不发生，c2也会发生，从而e仍然会发生；同样，假如c2不发生，c1也会发生，e也同样会发生。此时，把c1导致的事件e1、c2导致的事件e2、c1和c2共同导致的事件e这三者看作同一事件，则难以满足我们认识世界的需要。为了解决这个问题，就需要将三者区别对待。正如上文中所引刘易斯所说：“当我们想表明一个结果真正地依赖于它所谓的冗余原因时，我们需要一个极端严格的脆弱标准；当我们想与常识判断一致时，我们就需要一个比较宽松的标准，这就形成了双重标准。”据此，因果过度决定的困扰正是由于我们错误地把属于同一范畴的不同事件看作同一事件而造成的。因此，即使我们坚持思维经济原则，也会面临这样的困难：我们究竟应该把思维“经济化”到什么程度，才能既可保证思维的简洁性，又不会招致类似于因果过度决定的诘难？

三、理性分析与认知层次

由上可知，刘易斯反驳细粒度策略（脆弱性）的关键点是：如果细粒度策略想要解决因果过度决定问题，而又不与人们的日常直觉相冲突，它就必须提出一个统一“双重标准”的准则，但细粒度策略似乎没有这样的功能。不过，也许这一反驳尚有进一步讨论的余地。首先，细粒度策略的支持者与刘易斯都同意，因果过度决定问题的背后其实有一个在认知过程中如何正确地确定认知层次的问题。其次，细粒度策略的支持者认为，只要对认知层次进行细粒化处理，因果过度决定问题就会消失。对此，虽然刘易斯并不否认运用细粒度策略似乎可以解决因果过度决定问题，但他认为采用该策略却会带来另一个严重的问题，即一味地使用细粒度策略，在很多情况下将会与我们的常识相冲突。因此，他强调，有时我们需要根据常识给出最优的解决方案，有时却又不得不借助于细粒度策略，这样形成的双重标准就可能让我们在遇到具体问题时，不知选择哪种方案为好。刘易斯认为，起码在他所处的那个年代（1980 年代）尚未找到一个能统一这“双重标准”的策略①David Lewis, Philosophical Papers: Volume Ⅱ, p.199.。最后，刘易斯认为，找不到这样一个统一标准，就不能解决因果过度决定问题背后的认知层次确定问题，因为我们不知道如何掌控“双重标准”以解决那些具体问题。

我们认为，细粒度策略与刘易斯的观点都存在问题。刘易斯观点的问题在于他所设想的“统一标准”是一种绝对明确的、非经验的标准，因为他要求在遇到具体问题时必须能够据此标准直接确定正确的认知层次，而且似乎无须经过任何反馈和试错过程。当然，这样的统一标准确实不存在，但解决因果过度决定及其与常识之间的矛盾问题，亦即正确地确定认知层次的问题，并不一定需要如此绝对的统一标准（下文将讨论这一观点）。诚然，细粒度策略确实有助于解决因果过度决定问题，但其缺点在于彻底坚持这一策略将会导致认知层次无限细化的倾向，而易于忽视思维经济性的要求。显然，这一缺点可以凭借马赫的思维经济原则来进行弥补，从而避免不必要的资源浪费。换言之，将细粒度策略与思维经济原则结合起来进行思考，从原则上说，在遇到某一具体问题时，我们就可以确定那个最优的认知层次：它既足够精确，从而能够避免因果过度决定的困扰；又尽量考虑到思维经济性的要求，而不至于浪费认知精力。当然，这里所确定的层次不同于刘易斯提出的在面对具体问题之前就已确定好的层次——即试图统一常识与细粒度策略的那种非经验性的层次。相反，这里要确定的层次是根据具体问题的需要，通过细粒度策略与思维经济原则互相制约而锚定的层次。也就是说，这里所要确定的层次是以具体问题的需求为导向的。针对某一具体问题，我们锚定的层次是那个足以解决具体问题、而又不浪费认知精力的层次。

通过“理性决策”来平衡精确性和经济性，以达到最优认知，这一观点在经济学、计算机科学、生物学、心理学等领域均有相关讨论。比如说，司马贺（H.A.Simon）认为，理性决策的分析方法必须既能适应环境的结构，又能符合心灵的认知限制，因为进化的压力使得人们会倾向于选择足够好的决策，而不是追求最理想的决策②Herbert Alexander Simon, “A Behavioral Model of Rational Choice”, The Quarterly Journal of Economics, 1955,Vol.69, No.1, p.101.。受经济学中相关讨论的启发，安德森（J.R.Anderson）同样认为，人类认知是对环境结构和认知目标的理性适应。他认为，我们可以从两种意义上来看待人类的理性：规范性的（normative）和适应性的（adaptive）③John Robert Anderson, The Adaptive Character of Thought, Hillsdale: Laurence Erlbaum Associates, Inc., 1990,pp.29-32.。规范性的理性以真理为最终目标，在此意义上衡量一个认知主体是否具有理性，取决于该认知者在产生真信念方面的表现。也就是说，一个理性的认知主体必须能够产生真信念：如果一个认知主体在产生真信念、规避假信念方面比其他认知主体做得更好，那么这个认知主体就比其他认知主体更为理性。另一方面，适应性的理性强调的则是：如果一个有机体在与环境的交互过程中，能够更好地发现食物、住所以及配偶，并能避免危险，那么该有机体就能更好地自我保存及繁衍，这个有机体就是更加理性的①Stephen P.Stich, The Fragmentation of Reason: Preface to a Pragmatic Theory of Cognitive Evaluation, Cambridge,MA: The MIT Press, 1990, p.58.。重要的是，根据安德森的观点，从解释角度看，适应性的理性比规范性的理性更为基本，因为假如有人问为什么我们认为真信念是评判理性的一个标准，最可能的解释是：真信念正确地反映了世界的状况，从而可以促进我们对环境的适应能力，因而可以提高我们的自我保存和繁殖的成功率。简言之，我们之所以要追求真信念，乃是因为我们想更好地适应环境。从这个角度看，一方面，规范性的理性和适应性的理性是一致的；另一方面，我们却不能从真信念中分析地得出更好的适应性。有一点特别需要提及：在一些特殊情况下，有些假信念反而比真信念具有更好的适应性。比如说，保罗记错了聚会的时间导致他错过了与队友的聚会，而这个聚会中出现了新冠疫情的传播，因此保罗的错误信念反而使他获得了适应环境的优势。不仅如此，规范性理性的另一个问题在于它可能会忽略计算的代价（computational cost），一味地追求完美的目标，但这可能与人的认知过程不相符合，并且在某些情况下还会过度精细地区分认知层次，从而导致认知效率低下，而这对于人适应环境恰恰是不利的②John Robert Anderson, The Adaptive Character of Thought, p.32, p.31.。

与规范性的理性不同，适应性的理性却会把计算代价纳入考虑之中，力求在目标优化与计算代价之间寻找一个最佳的平衡。当可利用的环境资源足够充裕而处于理想状态时，认知的结果与所做的决策可能都是最理想的。但是，事情往往不会那么简单，因为在实际的认知与决策过程中，环境中可利用的资源通常是极其有限的。在这种情况下，人们只能基于这些有限资源去尽量趋近所谓的理想方案。基于这种分析，安德森提出了“理性分析”（rational analysis）的认知建模架构，其要点如下③John Robert Anderson, The Adaptive Character of Thought, p.32, p.31.：

（1）准确地指定认知系统的目标，即清晰地陈述所需优化的项目是什么。

（2）建立一个关于认知系统适应环境的形式化模型。首先须明确这里所说的“环境”不是实验室之类较为简单的环境，而是指现实中较为复杂的、人类认知参与其中的环境。这种环境的一个显著特点是，它在根本上是概率性的，因为在已知关于环境的有限信息的情况下，我们并不能确定未来会发生什么。因此，必须基于这些有限的环境信息，对要求适应环境的认知系统之可信程度做出一些假设，然后随着证据的累积再对此假设进行调整，以求增强或减弱其信念度。这种信念更新的方式遵循的是贝叶斯统计推理（Bayesian statistical inference）。

（3）做出关于计算限制的最小假设，并把这些限制条件纳入优化过程之中。

（4）运用贝叶斯决策论（Bayesian decision theory）的方法，并基于上述要点（1）-（3），给出最优的行为函数。

（5）检验关于行为函数的预测是否能被确证和是否可接受。

（6）如果关于行为函数的预测不能满足可接受性的要求，那么就需要进一步重复步骤（1）-（3）。

下面尝试在这种理性分析框架下来解决上文中提示的因果过度决定问题。首先，需要优化的问题是：在“苏西和比利一同用石头扔向玻璃瓶并导致玻璃瓶破碎”与“苏西用石头扔向玻璃瓶并导致玻璃瓶破碎”及“比利用石头扔向玻璃瓶并导致玻璃瓶破碎”这三个不同的事件中，应该明确玻璃瓶在不同情况下破碎是同一事件，还是不同的事件。

其次，尝试建立一个关于认知系统适应环境的形式化模型。假设H1：在c1、c2、c1+c2三种情况下玻璃瓶破碎是同一事件B；H2：在c1、c2、c1+c2三种情况下玻璃瓶破碎是三个不同的事件B1、B2和B3；E 表示动量守恒定律。进一步假设H1和H2的先验概率都为0.5，动量守恒定律成立的概率为0.99。因为H1与动量守恒定律相悖，我们假设P(E|H1) = 0.01；而H2与动量守恒定律相容，假设P(E|H2) = 0.95。

再次，因为在这里所假设的简单情况下不存在关于计算的限制条件，所以我们可以不做有关计算限制的假设。

最后，运用贝叶斯推理进行计算和决策。根据贝叶斯定理可得：

由此可见，在接受动量守恒定律的前提下，我们对H1的可接受程度远远低于对H2的可接受程度。因此，在面对因果过度决定问题时，应该把c1、c2、c1+c2这三种情况所导致的玻璃瓶破碎看作三个不同的事件B1、B2和B3。

迄今为止，可以看到安德森的理性分析架构能够很好地解决苏西和比利砸碎玻璃瓶所引发的因果过度决定问题。但是，如果问题变得更为复杂，需要用到大量计算的情况，则对计算限制做出最小假设就会引起一些麻烦。或者说，仅仅考虑环境资源是否充足，而不考虑人脑的认知能力及其限制，就会导致如下结果：在寻找认知目标的解决方案时，如果遇到两种或多种方案似乎都可以符合认知要求，而且各种方案的计算复杂度差别较大，那么仅仅根据简单的理性分析策略，就难以在各种方案中做出合意的选择。

因此，虽然理性分析策略可以很好地解决一些因果过度决定的典型问题，但它并不能很好地解决隐含于因果过度决定深层的认知分层问题。以毒蛇作为一个简单的例子来进行分析：假设一个蛇类学家遇到了一条蝰蛇科的蛇，他会倾向于根据自己的知识储备，毫不费力地识别出这条蛇属于哪一属的哪一种，并说明它的毒性如何、攻击性如何等特性。但是，假如一个对蛇类知之甚少的人在路边遇见一条蝰蛇科的蛇，如果他不是在从事蛇类研究的相关工作，他就不必耗费时间去区分这条蛇是蝰蛇亚科、白头蝰亚科或者蝮蛇亚科等，而只需知道它是毒蛇，甚至只需知道它是蛇，然后远离它就行了。由此可知，相比于规范性的理性，理性分析框架的可取之处在于环境资源有限时，也可以基于这些有限的资源做出决策。但是，这些决策可能会一味地追求最细粒的分类，而不把这种细分所产生的额外的人脑计算消耗考虑在内。因此，在遇到类似的问题时，这种分析就显得并不那么具有经济性。

四、资源理性分析——有限最优的理性分析

如上所述，在步骤（3）中，安德森把计算限制最小化看作一个核心假设，这在上述扔石头砸碎玻璃瓶的案例中当然是可以接受的，但在遇到如上述蛇类问题的情况时，就可能会与所设认知目标不符。这里的关键问题是：人类的有限资源对于计算所施加的限制通常是实质性的，而这里所说的“有限资源”不仅包括环境资源的有限性，而且也包括人脑计算能力的有限性。因此，简单的理性分析策略无法解释由于人类本身认知资源的有限性所造成的认知偏差。所幸在人工智能领域，科学家们已经发展出一种关于有限计算资源的理性理论，而其关键概念是“有限最优”（bounded optimality）①Eric Joel Horvitz, Computation and Action under Bounded Resources, PhD Dissertation, Stanford University, 1990,p.13.。简略地说，所谓“有限最优”就是在与环境实时交互的硬件处理能力有限的情况下，为行动者设计的最优程序。也就是说，在某一特定的硬件配置条件下，如果一个程序比另外的所有程序表现得都更好，或至少是一样好的话，那么这个程序就是有限最优程序。

正是基于安德森的理性分析和有限最优理论，格里菲斯（T.L.Griffiths）等人提出了“资源理性分析”（resource rational analysis）的策略②Thomas L.Griffiths, Falk Lieder, Noah D.Goodman, “Rational Use of Cognitive Resources: Levels of Analysis Between the Computational and the Algorithmic”, Topics in Cognitive Science, 2015, Vol.7, Issue 2, pp.217-229.。与简单理性分析策略中仅对认知限制做出最小假设不同，资源理性分析策略要求考查哪些认知操作可以为人类所用，以及这些认知操作在时间花费上的代价是多少。格里菲斯等人认为，在辅之以关于人类认知能力及其限制的合理假设之后，有限优化就可以为认知策略及其表征提供一个切实可行的规范性标准③Falk Lieder, Thomas L.Griffiths, “Resource-rational Analysis: Understanding Human Cognition as the Optimal Use of Limited Computational Resources”, Behavioral and Brain Sciences, 2020, Vol.43, p.4.。然而，因为世界的状态是不断变化的，所以为了适应持续变化的环境，“表现良好”的资源理性分析策略要求有限最优的心灵不仅要生成好的决策，而且生成的速度也要快。既然每个认知操作都需要时间，有限最优一般也要求在计算上更加节俭。需要强调的是，真实世界非常复杂和不确定，并且有限的经验会限制人们适应环境的能力和程度。当需要在某一特定环境下做出最优的启发式（heuristic）h*来引导某个单一决策或推理时，要求考虑的因素有判断、决策和相应信念更新的效用，以及完成它们需要消耗的计算代价④人们在处理问题后，通常会积累一些解决问题的经验知识，经过大脑的结构化以后变成经验法则。在遇到新问题时，为了节省认知资源，人类会优先尝试运用这些已有的经验法则来解决问题，这些经验法则就可叫作“启发式”。在一般情况下，启发式会给人们提供一种高效的问题解决路径，但在某些场合下也可能由于不适用于新问题而导致认知偏差。。随之而来的一个问题是：假如对每一个不同的环境，我们的大脑都需要一个特定的启发式与之对应，那么计算代价就会变得特别大。所以，为了容纳这些人类理性上的限制，格里菲斯等人把最优标准从对于真实环境E的最优，放宽到对于通过直接经验、间接经验、进化适应等方式而获得的关于环境信息i的最优。因此，在只有有限信息i时，边界的资源理性启发式为①Falk Lieder, Thomas L.Griffiths, “Resource-rational Analysis: Understanding Human Cognition as the Optimal Use of Limited Computational Resources”, p.5, p.6.：

其中，h*是在某一特定环境下指引某个单一决策的最优启发式（optimal heuristic），s0= (o, b0)是结合了对外在世界初始状态的观测信息o 与人的初始信念状态b0的集合；B 表示与环境E作用的大脑；HB是大脑B 可以执行的启发式h 的集合；u 是认知效用函数（utility function）；随机变量cost (th, ρ, λ) 表示总的计算代价，其中ρ 表示在实施的持续时间th内h 所运用的认知资源投入，λ认知主体在单位量的认知资源以及单位时间所消耗的计算代价。

概略地说，资源理性分析方法是一个试图平衡边界最优化和人类心灵认知局限性的理论，其运作方式可分为五个步骤②Falk Lieder, Thomas L.Griffiths,“Resource-rational Analysis: Understanding Human Cognition as the Optimal Use of Limited Computational Resources”, p.5, p.6.：

（1）开始于对认知某个方面的一个计算层③这个观念来自于玛尔（D.C.Marr）在Vision 中关于视觉研究三个层次的论述，由安德森在 “The adaptive nature of human categorization”中引用并衍生到整个认知领域。在玛尔看来，视觉研究可以分为三个不能互相还原的层次：（1）计算层（level of computation）：确定什么（what）被处理以及为什么（why）？（2）算法层（level of algorithm）：解决计算如何（how）被机械地或程序地确定，确定①输入和输出的符号；②算法；③算法如何实现从输入到输出。（3）实现层（level of implementation）：刻画实现算法的认知系统的物理特征。参见David Marr, Vision: A Computational Investigation into the Human Representation and Processing of Visual Information, San Francisco: W.H.Freeman, 1982, pp.24-27。的描述，以形成一个明确的问题及其解决方案；

（2）假定心灵计算架构可能趋近解决问题的某类算法、这些算法所用的计算资源所需花费的代价，以及更精确地趋近正确答案的效用；

（3）在这类算法中发现能够平衡有限资源和精确性的最优算法；

（4）评估理性过程模型对经验数据的预测；

（5）修改计算层架构及其处理明显差异的限制，推演出一个改良的资源理性模型，然后重复操作，直至模型的假设足够真实时为止。

可以看出，与安德森理性分析框架的六个步骤相比，资源理性分析最主要的改变在于步骤（2）：在其模型中添加了计算代价和认知效用这两个因素，从而可约束无休止地细化目标事物的行为，避免不必要的认知浪费。

资源理性分析框架以上述方式建构的模型，可以更好地平衡有限资源与目标精确度之间的张力，使模型的参数更加符合人类实际的认知过程。一旦关于计算架构的假设变得越来越具有现实性，它的预测也会越来越精确，而其中相应的模型运行过程也将会越来越与产生人们反应的心理学或神经计算的机制相似。当模型的预测结果足够精确，或者相应的认知限制都被考虑在内之后，资源理性分析的过程就结束了。可以看出，与简单的理性分析策略仅仅从外在环境的结构中预测行为不同，资源理性分析策略预测的认知机制结合了内在的认知资源和外在的环境因素。这个进步使我们可以更好地把对于大脑认知架构的理解用数学语言转译成关于心理过程和心灵表征的模型。

至此，不仅因果过度决定的典型案例在理性分析策略那里可以得到解决，而且因果过度决定深层所隐含的确定认知层次的问题，也可以由资源理性分析策略提供一套可行的解决方案。在此不妨再次考虑一下蛇的例子。根据不列颠百科全书，蝰蛇科一共有200多种蛇。假设我们熟知每种蛇需要花费1个小时的时间，那么想要熟知整个蝰蛇科，我们就需要200多个小时的时间。至于具体的效用u，则需要根据具体需求来确定：当我们需要获取关于这些蛇类的知识时，这些学习时间（即计算代价）就是不可避免的；而当我们仅仅为了规避蛇类带来的危险时，花费大量时间学习这些知识就显得不必要了，因为它并不能给我们带来很多效用，反而会大大地增加计算消耗。简言之，我们对事物的认知层次受到有限环境资源与大脑计算能力的约束。在面对一个特定问题时，当相邻两个层次的计算效用相差明显时，我们需要选择更为精细的层次；当相邻两个层次的计算效用相差不明显，而且上一层次的效用已足以应对需要解决的问题时，我们便倾向于选择到上一层次为止，因为更加精细的分层会增加计算代价，却并不会明显地增加认知效用，而这与思维经济原则及其背后的进化论思想都是不相符合的。

五、结论

我们认为，不存在一个非经验性的认知层次系统能够满足刘易斯试图提出的统一标准。当然，即使不存在这样一个标准，也可借助于“细粒度策略”分析一些因果过度决定问题的典型案例。然而，细粒度策略却会带来另一个问题：在很多情况下，细粒度策略与常识认知和科学认知不符。从进化论角度看，马赫提出的“思维经济原则”表明，人类在认识世界的过程中总是倾向于将认知资源或计算进行最小化的处理。这就揭示了因果过度决定问题的来源——为了节约认知资源，人们倾向于把如上所说的c、c1、c2三个不同的事件看作是同一事件，从而导致认知偏差。不过，这并不表明思维经济原则没有可取之处。事实上，思维经济原则反映了人类进化过程中的基本策略，是一种生存优势的体现。

受到司马贺的启发，安德森倡导的“理性分析策略”结合了环境资源与认知细粒度，给出了理性分析的认知框架。这种理性分析策略把有限的环境资源考虑在内，从而在一定程度上约束了认知层次过度细粒化的趋势，这尤其在心理学领域为理性分析框架做出了奠基性的贡献。而且，理性分析策略确实能够很好地分析哲学领域中因果过度决定问题的一些经典案例。但是，这种分析策略的不足之处在于它没有考虑到人脑处理能力的有限性，因此它在某些情况下的预测会产生一些偏差。

结合计算机领域的“有限最优理论”，格里菲斯等人倡导的“资源理性分析策略”，在理性分析框架的基础上添加了计算代价和改进效用这两个因素，进一步约束了一味追求精确目标的倾向，从而能够更好地在目标精度与计算代价之间达成平衡，因而是更加符合人类认知实际情况、更加高效的认知框架。我们的有关讨论表明，这一基于资源理性分析策略所构建起来的认知框架，不仅适用于对砸碎玻璃瓶之类因果过度决定问题经典案例的分析；而且更重要的是，正如本文中关于蛇类案例的分析所示，这一认知框架还可用来分析隐含于因果过度决定问题之中的认知层次确定问题。