超越大语言模型：物导向哲学路径下的意义生成

郑保章 付晓婧

收稿日期：20230606

基金项目：国家社科基金项目：大数据应用中的信息流动与伦理问题研究（19BXW116）

作者简介：

郑保章，教授，博士生导师，主要从事互联网技术与伦理、科技传播与伦理研究，Email：baozhang@dlut.edu.cn。

摘要：

人类创造是人们通过构建关系之网以确证自身在世界之中的位置，塑造意义世界的基础，此种构建需要某种“超越”的外部之物作为支撑。目前，大语言模型已经在智能生成方面表现出巨大的创造潜力，甚至在部分原创性任务中可以取代人类创造，这或将对人类的意义世界造成潜在性威胁。究其症结在于，大语言模型的底层生成逻辑是建立在相关主义基础之上的，而这种基础预设在激进化演绎的同时不可避免地暴露出其深层局限。一方面，大语言模型以“相关主义循环”的方式将自身封闭于字面主义的符号表征与现有的固定范式之内，使得“超越”之维不再可能；另一方面，大语言模型的智能生成功能对于现实架构的渗透性影响又转而超越了相关主义的可理解范畴。从长远角度来看，这种深层矛盾必将冲击一直以来人类从单一主体视域出发建构而成的意义世界。人类何以突破相关主义的内在生成逻辑，维护自身意义世界，这是智能技术时代人类必须直面的问题。立足“物导向哲学”，实现对大语言模型生成逻辑的“超越”，其意义在于这种“超越”的双重性，既能更包容地将大语言模型类智能机器及其功能纳入“物”的可阐释范畴，又能以去中心化的方式突破相关主义束缚，借助“联合实在”的美学活动，通向超越性的外部，为人类创造添注活力，为人类意义世界提供支撑，以此开辟出“超越”大语言模型的意义生成之路。

关键词：大语言模型；物导向哲学；意义生成；相关主义；联合实在

中图分类号：TP18；B15

文献标识码：A

文章编号：16738268（2024）01011209

一、引言

目前，大语言模型（large language models，LLMs）已能完成复杂的自然语言处理任务，如语言翻译、情感分析、问题回答和文本生成等，这意味着一些需要人类的原创性工作可能被人工智能替代。但机器的创造可以替代人类创造吗？人类创造并非只是冗杂负累的工作生产，而是人类主体自由的体现，是人类意义世界的基础。因此，这一问题不仅涉及实然性问题（即基于概率计算或元素重组等底层逻辑的智能生成能否媲美人类创造），更涉及应然性问题（即机器的智能生成会给人的意义世界带来何种影响，人类能否依赖于它。若不能，人类何以超越大语言模型的生成逻辑，维护自身意义世界）。

从实然性方面看，大语言模型目前展现的生成能力已在生成分析预测、识别模拟、多模态数据生成等方面表现卓越。如DeepMind的AlphaFold预测了超百万物种的2亿多蛋白质结构［1］，GPT4被训练生成文本和图像双模态。正如Sonya Huang、Pat Grady与大语言模型GPT3合作的文章中所写：“一种强大的新型大语言模型使机器能以可信的、有时甚至是超人类的结果进行书写、编码、绘制和创造。”［2］然而，仍有相当多的人对大语言模型的生成能力保持质疑，此类质疑敏锐地指出了生成问题与“思考世界”“生成解释”的关联。如本德（Emily Bender）、格布鲁（Timnit Gebru）等指出，大语言模型是“随机鹦鹉”［3］，它们只是在模仿文本，而不是思考世界。另有学者认为大语言模型不理解语言，它只是语料库模型［4］。乔姆斯基（Noam Chomsky）的“普遍语法理论”（universal grammar）可为此提供支持。这一理论坚持人先天被赋予一种普遍语法，即生成复杂语句和连贯思维的能力，它寻求的不是统计数据间的粗暴关联，而是生成解释。但上述质疑并不能从实然性方面否认大语言模型的生成能力，因为大语言模型通过语料学习到的可能不止数据组合的概率那么简单。如肯尼斯（Kenneth Li）等人就以棋盘游戏走法训练大语言模型，发现其似乎自行建立了棋盘方格的内部模型。认知哲学家查尔莫斯（David J. Chalmers）由此推论：“大语言模型通过训练，以减少字符串匹配的预测误差，这中间可能需要各种其他过程，包括对世界进行抽象处理。”［5］同时，大语言模型可利用推理算法如整数线性规划法（integer linear programming，ILP）、马尔可夫逻辑网络法（Markov logic network，MLN）和神经网络算法如记忆网络法进行简单的逻辑解释［6］。所以，从实然性角度看，大语言模型并非完全不可能思考世界或是进行解释。但问题不是那么简单，“思考世界”包括思考抽象世界或生活世界，“生成解释”又涉及生成逻辑解释和意义阐释。大语言模型虽然可以从大量人类文本中找寻逻辑，并构建抽象世界模型，但它无法像人类一般全心投入生活世界，并为此种生存构造意义。从应然性角度出发，机器的智能生成实则贬低了人赖以生存的意义世界。

二、意义之阙如：大语言模型底层技术的生成局限

人的现实生存需要意义，以此生成一层关系之网确证自身在世界中的位置，而这种关系又需要某种“超越”的外部之物作为支撑。大语言模型对人类意义世界的贬斥是双重的，一方面它脱离了“物”，进一步切断了人与万物、人与世界的关联；另一方面其生成逻辑将自身封闭于现有范式内，从而丧失了“超越”之维。

（一）大语言模型符号表征下的“物”的退隐

无论是大语言模型所處理的自然语言，还是其转码后生成的程序语言，究其本质都是对物（包括实在物、现象或事件）的符号表征，但符号显然不是物本身，事实上回溯人类符号语言的发展史，我们看到的是词与物不断分离、物不断隐退的过程。大语言模型所输出的语言，实则是符号抽象化的最大体现，符码在复杂的智能系统中自行运转输出文本、图像，而这一切并非对自然物的模拟，而只是对人类文本符号的再度符号化。符号脱离了人与物，从而构成一个悬浮的能指链。回顾人类符号语言的发展史，一个很明显的特点是，最初的符号建立在它与物的相似性之上。福柯在《词与物》中总结了四种相似性：适合、仿效、类推和交感［7］。“适合”指物之间的邻近，事物在关联中属性相通；“仿效”指不受位置约束的契合；“类推”微妙地联结了前面两种相似性，事物间的适合被仿效，拓展出无数的关系；“交感”是一种同一性力量，使事物间相互吸引，性质逐渐趋同。人们根据这些相似性构建符号秩序，试图把握物与物之间的关联，因而，符号实则只是在标示事物间的关联，其对事物的代指消弭了物本身而转向了物之间的关联。然而，这种关联是绝对客观的吗？为何要构建这种关联？威廉·弗卢瑟（Vilém Flusser）从生存主义的维度提供了一种解释：“符号像一种假设，是人类为寻找意义而人为构造的体系。”［8］75如果符号的设定是为了塑造意义，那它当然不是绝对客观的，它围绕着主体视域展开，体现着人之意图。但这同时存在一种辩证关系，人们通过符号确认自身在世界中的位置，而符号系统又只是因人而存在，那么，符号系统实则在人与现实事物之间树立了一层隔膜。从这一角度出发，简单回顾人类符号语言转变之过程大致为：从原始图像、自然语言到书面文字，再到机器转码所输出的文本图像。最初原始图像根据相似性对自然事物进行模拟表征。文字语言使符号进一步抽象化，并以线性的谓词逻辑将之关联起来，原来对相似性的模拟变成了根据逻辑规则的形式推演，由此线性的因果逻辑被权威化，符号间的形式关联受到重视，而符号与事物间的代指关系被漠视。再到机器代码通过将自然语言解码重新编码，以至于符号进一步抽象化，如此一来，人与物之间的隔膜愈渐厚重。显然，符号所显现的世界，以及语言所言说的世界，从来都是对物的阉割。但人们最初符号化的目的是试图为自身生活编织一层意义之网，即通过符号把握自身与世界的关系，在最初词与物的切近中，总有源自物的维度为这种关系提供支撑。当物被抽离，这层意义之网就变得极为脆弱。据此，大语言模型似乎是符号抽象化的激进版本，它进一步隔离了人与物，使得人与世界的关系陌生化，正如周丰所说：“每一种陌生化形式在驯化了人们的感知并被人们习以为常后，还会有新的陌生化形式出现。”［9］这种陌生化消磨着人们理解世界的支点，冲击着人类的意义世界。

（二）大语言模型底层逻辑下的“超越”之维的缺失

人工智能发展到大语言模型的过程并非一蹴而就，从数符计算到统计概率以及神经网络和强化學习，其底层技术被不断调整，同时也反映出不同的哲学立场。一方面，以数符计算实现智能机器的路径很早就被提出。如哲学家莱布尼茨就曾提出“通用语言”（universal language）的设想，即创造一套能表达思想及事物的符号系统，借助符号从而演算推导出各种知识。之后，希尔伯特（David Hilbert）提出了“判定性问题”（entscheidungs problem），即是否存在一系列有限的程序步骤，可判定任意一个给定形式化命题的真假。图灵由此将计算与智能关联起来，进而在其1950年发表的著名的《计算机器与智能》（Computing Machinery and Intelligence）［10］一文中，提出让计算机器模拟人的思维的设想。然而这涉及两个主要问题：其一，将各种任务转化为计算式描述是困难的；其二，数学直觉的不可或缺性以及算法不完全，即人心的形式化思维超出有穷机器的能力，同时还存在一些人心不能判定的数论问题。另一方面，有一条可归结为经验主义路径。经验主义放弃了数符计算所要求的确定性，将知识的来源归结为一般感性经验，从而更灵活地依循不确定的感性经验进行决断。将经验主义路径落实于技术层面主要依靠两个底层理论，即贝叶斯概率论和控制论。先谈概率论。经验主义的机器智能其实质是在拟合数据和概率分布曲线，它遵循的是概率论。著名的“休谟问题”曾对因果关联的必然性提出质疑：因果推理的基本形式是“若A，则B”，然而过去有限的经验显然不足以推证未来事件的发生，这涉及归纳的合理性问题。因果联系虽不是必然，但由果溯因、由因推果往往是人们的思维惯性，人们信任这种思维并将之视为现实生活的常识基础。贝叶斯（Thomas Bayes）看到了因果关联的现实性，以概率论将休谟斩断的因果再度连接。贝叶斯推理是一种对概率进行估计的概率推理形式［11］，它可作为由果推因的数学工具。简单而言就是，“若A，则X%可能为B”，在A的情况下，根据概率X推导可能性最大的B，这就是目前流行的大语言模型的主要输出原理。再说控制论，控制论可谓系统工程的重要理论基础，维纳（Norbert Wiener）等人最早在《行为、目的和目的论》（Behavior，Purpose and Teleology）中将控制看作一种目的和行为反馈调节的系统循环，这一理论提供了一条实现机器智能的自动化路径，即通过尝试、测试和调整操作而以类似人类的方式执行任务。目前大语言模型基于的核心技术——神经网络和强化学习，体现了控制论在技术应用上的优势［12］。神经网络指的是许多非线性映射函数的多层加权组合。这些组合的权重最初是随机设置的，通过不断调整加权系数，使得神经网络拟合特定的函数映射［13］。强化学习则定义了智能机器可能的状态和动作集，然后设定奖励函数。机器会使用一些相对简单的规则来探索不同系列动作的奖励，据此更新机器动作策略，直到完成任务。目前，大语言模型的优越性恰恰显示出经验主义路径的优势。

但是，无论是计算路径还是经验路径，以大语言模型为代表的机器在智能生成上都存在着很大的局限性。前者必须将特定任务标示为机器可以理解的通用语言，这需要大量人类工作，同时还存在算法不完全性问题。后者减少了人类的参与，其决策能力依循的是经验概率与奖励函数，通过对大量数据的学习而自动迭代进化，从而放弃了对确定性的执着，灵活地模拟人的经验决策，甚至依照人类期望发现人类未曾发现的“知识”，例如前文提到的DeepMind的AlphaFold成功预测超百万物种的2亿多蛋白质结构。但是，这种“知识”依然受限于算法底层设计与人类期望，无法打破现有范式，因而不具备根本的“超越”性。如果说，计算路径类似于柏拉图哲学执着于理念世界，执着于第一原理的确定与永恒，经验路径就类似于现代哲学从理念世界转向了经验世界，确定性的大厦已轰然崩塌，一切知识只在或然关系中被建构，但现实的人走的却更像是现象学超越论的道路，缘此道路而求索的是世界可理解性的条件，从而是开放的、追求意义和“超越”的。

三、“超越”之困境：大语言模型相关主义预设的隐含矛盾

事实上，大语言模型哲学立场的根本症结就在于，它在对相关主义的基础预设激进化演绎的同时，也暴露出其内在的局限性。一方面，大语言模型以“相关主义循环”的方式将自身封闭于字面主义的符号表征与经验主义的现有范式内，使“超越”之维不再可能。另一方面，大语言模型智能生成功能对现实架构的渗透性影响超出相关主义的可理解范畴，这必将冲击长久以来人类从单一主体视域出发建构的意义世界。

（一）相关主义循环：大语言模型基础预设的封闭性

重提“超越”之物是件很难的事。古希腊语前缀“meta”本有“超越”之义，因而“metaphysics”（形而上学）通常被视作超出物理世界的科学。古代西方哲学围绕着形而上学展开，但随着古典哲学的认识论转向，形而上学被视为神秘主义滥调被丢弃，“超越”之维因被视为主体无法思及之处而被避而不谈。梅亚苏（Quentin Meillassoux）将这种转向后的哲学统称为“相关主义”（corrélationisme）。相关主义的症结在于，它使得主体性与客体性作为相互独立的两个领域来进行思考的方法是无效的。“‘相关主义式的我思将思考封闭在与存在的相互关系之中，不过是思考与自身的关系上覆盖着的伪装而已”［14］，其思想总是内在于现实和反思之中，无法突破性地把握外部。这种哲学虽不会武断认定物自体不存在，但它不再谈及物自体的任何事。它以一种“相关主义循环”（cerclecorrélationne）的方式将自身立于不败之地，因而当我们在思考某物时，依赖一种主客相关式的思考，无论是“思考能思与所思间的相关性（现象学），还是思考语言与所指物间的相关性（分析哲学）”［15］。如此，思维与语言正是“相关主义”的锁链，任何事物只能经由思维或语言被表征出来。更准确地说，我们只是被思维或语言表征之物包围，只能在“相关主义”内部，而真正的外部实则成为了对我们而言永远封闭的外部。既然外部已经不再可能，“超越”也不再可能。

人们是站在相关主义的哲学立场去构建大语言模型的，由于只有被纳入逻辑和语言内之物才是可思维的，因此人们试图让大语言模型学习语言并模拟逻辑思维。这种模拟使大语言模型逐漸走向可集成多场景的复杂生成任务的通用人工智能（artificial general intelligence）。在微软发布的论文中，研究者对OpenAI开发的多模态大语言模型（GPT4的早期版本）进行了能力测评，他们指出GPT4在各种领域和任务上表现出了卓越的能力，包括抽象、视觉、编码、数学、医学、法律、理解人类的动机和情感等［16］。或许在广泛的任务范围内，大语言模型可以达到或优于人类水平。但大语言模型所借助的符号表征是高度简化的，它只是借用可字面化的属性去描述物。试着想象一下大语言模型如何描述一颗星星：距地球约X光年，直径Y公里，表面温度N摄氏度，或者将之描述为感觉属性，如发出蓝绿光芒、地表粗糙等。但现象学已经指出，上述描述不过是一些性质而非物本身，事物会侧显出不同的性质，但其自身总有一个不变的物的内核，就像我们从不同角度观察杯子，却不会大费周折地思考“此刻的杯子与转动前的杯子有80%的相似，根据这种相似它们可以被泛称为同一个杯子”。现象学实际上已经告诉了我们感觉物与其感觉性质间的区别，符号永远缺乏物的依附，换言之，它只看到前景而忽视背景。一种忽视背景的生成不具有根本的创造性，这是由于它无法突破现有范式。

（二）视域局限：相关主义预设与不可解释性

大语言模型哲学预设真正的吊诡之处在于，人们以相关主义构建它，却无法站在相关主义的立场上解释它。早在20世纪威廉·弗卢瑟分析现代传播结构时，便从侧面揭示了人与机器的深层矛盾。他指出：“在以科学和技术为主题的树形话语结构下没有真正的接收者，因其传递的话语超出了人的记忆能力……最终只能依靠人为的、人工智能式的记忆体才能被储存。”［8］25即是说，伴随科学知识的不断专业化，人类早已失去了对整体知识的把控，而人工智能却可以凭借其庞大的储存空间和计算能力编码或重组这些内容。显然，于人类而言，大语言模型类人工智能不仅具有超人类的知识要素储备和惊人的编码重组能力，而且已经表现出难以解释的涌现功能（如在零样本情况下的类比推理能力［17］）。

当然，也有哲学家如沃尔夫冈·霍夫基希纳（Wolfgang Hofkirchner）明确指出，“运算的产物（过程、逻辑和结果）已经变得不可预测……因此被工程师错误地称为涌现，尽管算法过程的每一步都遵循一个确定的规则”［18］。无论涌现功能是否存在，这些观点至少表明，人类自己构造的大语言模型，却成为了我们无法思及的外部，且更重要的是，这一外部对于我们而言不是无关紧要的。

两千多年前，普罗泰戈拉的那句“人是万物的尺度”虽备受后世诟病，但伴随人与自然的不断抗衡，人逐渐将自身理性凌驾于自然之上。笛卡尔以“我思”（cogito）将主体视域设立为存在的支点，康德以“人为自然立法”捍卫人的主体尊严，而伴随科学技术的高速发展，人类高举实践理性大旗改造开发自然，从这方面看，主体理性即人类近代文明之桂冠。然而如前所述，现代知识话语呈树状结构发展，当个人不得不局限于单数主体的认识论视域时，大语言模型却以海量储备吞噬下人类知识的累累硕果，并以高速的算率将之分解、编码、重组，继而以某种形式生成新信息。当大语言模型渗入人类社会的方方面面之时，这也必将破坏长久以来人们从单一的主体视域出发建构的整个存在论。正如赵汀阳所言：“这意味着一个存在论巨变：单向的存在论有可能变成双向的存在论（甚至是多向的）。”［19］这触碰到了哲学的基本问题，近代哲学反对传统形而上学的绝对性，使存在论受制于思想的界限，存在只有经过主体的反思才得以显现，因而存在论的问题只是思想的自相关问题。这种存在论涉及主体的创造，人们由此创造出了以人为中心的意义世界，因此当这种存在论发生巨变时，人们的意义世界也必将随之颤动。正如路易斯维尔大学网络安全教授扬波尔斯基（Roman V. Yampolskiy）所言：“ChatGPT等语言模型可能构成生存性风险。”［20］我们有必要对其保持警惕，审视其颠覆性影响，超越其内在逻辑。面对大语言模型类人工智能的强大生成功能，我们必须去重新审视它、超越它。对此，一条大有希望的路径是突破相关主义的哲学预设，去追问“超越”之维的外部之物。

四、“超越”之取径：物导向哲学对大语言模型生成逻辑的突破

针对上述相关主义的思维局限，发轫于21世纪的思辨实在论（speculative realism）掀起了当今欧陆哲学的实在论思潮，前文所提的梅亚苏即这一思潮的重要代表。他力图以人类思维框架之外的科学语言获取关于客体实在的绝对知识，把思维对外部的认识论的缺陷转向存在内部的无理由属性，借助康托尔集合理论的“超限数”（the transfinite），论证了这样一种“非全体性”世界的存在［21］，认为纯粹偶然的外部可以在数学思辨之下被思考。我们暂不谈这一路径可行与否，只谈在大语言模型时代这一路径即便触及了“超越”的外部，也不能对人类的独特性作出辩护，数学思辨最大限度地将对物的思考与人相隔离，它指向的是一个冰冷的、无关乎人的世界。或许，现代哲学所需的转向不是抛却相关主义，而仅仅是为这种“相关”去中心，以一种“物导向”（objectoriented）的方式在对广泛的外在的他物承认的基础上，维护人类独特的意义世界。

（一）以物观物：以物导向哲学重新审视大语言模型

在思辨实在论思潮下发展起来的物导向哲学可以为人们提供一条新的思考路径，这一路径首先得益于思辨实在论的另一代表学者哈曼（Graham Harman）的“物导向本体论”（objectoriented ontoglogy）。该理论认为，事物间的存在模式与作用方式远超出人类思维所限定的范畴。哲学不应受限于相关主义的视域，对物体间性避而不谈。在哈曼这里，“物”既不可被“向下还原”（undermine）为其组成部分和内部结构，又不可被“向上还原”（overmine）为其效用、影响或是数学化的属性的总和，当今自然科学的成功很大程度上依赖的是“双向还原”（duomine），即一方面将事物分解为其基本的构成要素，另一方面以数学化的方式去把握一切。这种方式看似提供了关于世界的可靠解释，但忽略了许多非物理意义上的物，更难以回答意义的问题。由此可见，哈曼的“物”，指的是比其组成部分或其在世界上的效应的总和都多出来一些的东西［22］2435。根据这种“新万物理论”，一切形式的存在，人类和非人类的、精神性和物体性的，都可被看作是物。或许只有更包容地看待纷繁迭出的自动化智能机器以及由此出现的玄妙新奇的新的生活方式，人们才能深入追问自身存在于世的独特意义，而以物导向哲学反观大语言模型至少在以下两方面具有积极作用。

一方面，避免看待大语言模型的两种错误态度。一种倾向于轻视它，这是由于我们以向下还原的方式将大语言模型看作它的内在结构和程序机制，这种方式消解了大语言模型本身，并将之化约为其组成部分，让我们盲目地认为自己可以掌控大语言模型的运作机制。另一种倾向于将其神秘化，这是以向上还原的方式将大语言模型看作它的外在表现，如当看到ChatGPT生成具有情绪倾向的文本时怀疑其具有了某种“意识”。这两种态度会让我们情绪化地看待大语言模型，前者无法解释大语言模型的涌现现象，后者会导致人们对大语言模型神秘功能的无端恐慌。而从物导向哲学出发，大语言模型本身不可还原为其组成部分，它具有比其组成部分更多的功能（如涌现现象），但又不等同于其效用，因此大语言模型作为物，拥有主权生命和内在潜力。只有基于此种认识，人们才能审慎面对大语言模型，在警惕其弊害的同时积极挖掘并利用其功能。

另一方面，物导向哲学可突破相关主义的局限，通达超越维度。物导向哲学实则继承并发展了康德的物自体理论。康德划分了现象与物自体，将人的认识能力限制在了现象层面，物自体是人类思维无以通达之外部。哈曼承认实在物本身拥有永远无法被把握的内在性，但事物的实在与事物的感觉属性并非一回事。思维不可能直接把握实在，但凭借美学活动，却能以“替代因果”的间接方式走入实在内部，以一种替代的方式破除相关主义，通向超越性的外部。

（二）万物互联：大语言模型时代的意义生成之路径

人类何以站在物导向哲学的角度，实现对大语言模型生成方式的“超越”呢？哈曼以奥尔特加·加塞特（José Ortega y Gasset）“柏树就像死去火焰的魂灵”的隐喻为例［22］60，说明在艺术活动中，“我”将像一个演员般投身于隐喻所展现的戏剧体验中。由此，“我”作为不会缺席的实在物（real object），替代了“柏树”这一缺席的实在物，并承担起隐喻中“柏树”的感觉性质（sensual qualities），于是，“我”仿佛正是隐喻中的“柏树”如火焰般燃烧。据此，哈曼指出，在艺术活动中，重要的存在物并非那缺席的实在的树，而是读者和火焰的感觉性质组成的“联合实在”（amalgamated reality）。通过“联合实在”，我们可以实现真正创造性的“超越”，这种“超越”亦是对大语言模型生成方式的突破，对封闭范式的突破。哈曼认为，“范式不仅是实在的，而且它始终以背景媒介的方式在场”。科学知识总是关于某种范式的，范式实则是关于知识的一系列无法描述的假定，关键在于“承诺（commitment）”［22］178。这是一种非真的信念，仅在假定尚未被完全理解时才能发挥作用，且注定会被更好的范式取代。大语言模型只能依循某种范式运转，因而它无法为新的范式做出承诺，它的生成也就无法为知识带来真正的创新。而物导向哲学坚持实在论，它要求我们面对现实，寻求事物独立于其感知者和言说者的实在性，它指示给我们的不是某种范式下差异体系的表面，而是独立于其他相关物的某事物本身，是事物的深度。所以，物导向哲学不会将自身封闭于现有知识范式内，而是对“超越”维度保持开放。

那么，人类何以在这种“联合实在”的基础上，构建意义世界呢？

严格说来，哈曼的哲学在某种层面上是一种扁平的本体论，即取消了人作为主体的优先地位，强调物的平等，重视物体间性。但这种物体间性关系并非对称的，其实质是一个物剥夺另一个物之性质的过程。如前文中的例子，是柏树剥夺了火焰的性质，而非相反。所以，人对某物的感知与这个物与其他物的互动必然有本质上的差别。那些认为物导向哲学漠视人的想法是不对的。物导向哲学所强调的平等是所有物平等的独立与特殊，而非均值的等同。哈曼视博格斯特（Ian Bogost）为物导向哲学的同道者。诚如博格斯特所言：“对世界无私的，几乎全身心的投入，使我们得到满足，在慷慨而非自私的引领下，我们将做出新的发现。”［23］物导向哲学提示人们以平等的、美学的方式探析物之间的“联合实在”，据此可以从两个方面去设想大语言模型时代意义生成的可能路径。

其一，从人与机器的联合实在出发。这要求人们拒绝将机器简化为其工具属性，即人们离开无意识的工具理性状态，去接触物本身。海勒斯（Katherine Hayles）在《思辨美学与物导向探问》中提出一种方式，即以想象力的投射，在现有理性经验证明的基础上尽可能地模拟物自身体验与感知世界。她同样从博格斯特那里得到启发，认为尽管博格斯特赞许哈曼的路径，但他表明面向对象的描述可以从证据的基础上发展出来。“博格斯特感兴趣的是人眼在低光强状态下的感知与数字图像传感器感知的差异。在探索这些差异的过程中，他打开了一种可能性，即通过对非人类物体如何体验世界的细致描述，或者说，即非人类物体在世界中存在的方式，来充实面向物的方法。”［24］这种方法的深刻意义不在于探索一种无足轻重的人机关联，而在于推测机器如何与世界相遇，由此扩展自身感官阈限。大语言模型时代，这种想象力投射的方法论是，人们需要大量的，从科学、技术或工程来源的知识，促成自身与大语言模型类智能机器的想象投射，进而在这种联合的基础上构建一种跨物种的交互逻辑和创造性实践。

其二，从人与人的联合实在出发。如前所述，相关主义的底层预设往往会导致人们对物的忽视，那些被忽视的物不仅包括非人之物，還包括作为特殊物的“他人”。目前，大语言模型预训练所基于的庞大文本来自人类群体的智慧硕果，其卓越的生成能力在于它摄取了人类文明现有的知识存储和分类逻辑。人们对目前大语言模型强大生成功能感到恐慌，是因为大语言模型的智能源自人类群体的智慧，而人作为单数个体却无法吸纳如此繁多的知识信息。但事实上，人类从来都不是各自为营的生物，人类社会若被向下还原为原子式的个体实则不堪一击，当然，若被向上还原为固化的历史叙事也将忽视其间偶然性的谱系断裂。人类文明最耀眼的光辉恰恰在于人与人的联合实在，这种联合既能够使人们重视特殊的“他人”，正视那些脱离传统范式下的个体灵感或不同话语，又能以美学的方式，促使人们基于彼此间的共情进行交流与协商，使人们在协同并进中谱写群体的文明并创造赖以生存的意义世界。

五、结语

大语言模型在智能生成上的突出表现冲击着人类的意义世界，其根本原因在于人类创造是人们通过构建关系之网塑造意义世界的基础，而大语言模型已在部分智能生成任务上可取替人类创造。它在排挤人类创造的同时，也冲击了长久以来人类从单一主体视域出发建构的意义世界。人类何以将具有难以解释的涌现功能的智能机器纳入可理解的范畴，人类何以突破大语言模型的内在生成逻辑维护自身意义世界，这些都是智能技术时代人类必须直面的问题。

事实上，大语言模型的生成逻辑在对相关主义的基础预设激进化演绎的同时，已然暴露出其内在局限性，它以“相关主义循环”的方式将自身封闭于字面主义的符号表征与现有的固定范式内，使“超越”之维不再可能。或许，当今时代正呼唤一种“物导向”哲学来为人类创造添注新的活力，这种哲学的意义在于它为传统的主体中心视域提供了解缚的可能。它将外部的“超越”之物的存在重新纳入可阐释之范畴，这种“超越”的双重性既将大语言模型视为可阐释之物，又号召以联合实在的美学方式突破大语言模型所基于的相关主义生成逻辑，从而真正开辟出“超越”大语言模型的意义生成之路。

参考文献：

［1］CALLAWAY E.“The entire protein universe”： AI predicts shape of nearly every known protein［J］. Nature，2022（608）：1516.DOI：10.1038/d41586022020832.

［2］HUANG S， GRADY P， GPT3. Generative AI： A creative new world［EB/OL］.（20220919）［20230505］. https：//www.sequoiacap.com/article/generativeaiacreativenewworld/.

［3］BENDER E M， GEBRU T， MCMILLANMAJOR A， et al. On the dangers of stochastic parrots： Can language models be too big？［C］//FAccT21： Proceedings of the 2021 ACM conference on fairness， accountability， and transparency. New York：Association for Computing Machinery，2021：610623.

［4］VERES C. Large language models are not models of natural language： They are corpus models［EB/OL］.（20220715）［20230305］.  https：//doi.org/10.48550/arXiv.2112.07055.

［5］CHALMERS D J. Could a large language model be conscious？［EB/OL］.（20230429）［20230505］. https：//doi.org/10.48550/arXiv.2303.07103.

［6］周明，段楠，刘树杰，等.神经自然语言处理最新进展——模型、训练和推理［J］. Engineering，2020（3）：155188.

［7］FOUCALT M. The order of things： An archaeology of the human sciences［M］. London & New York： Routledge，2005：1928.

［8］FLUSSER V. Kommunikologie［M］. Frankfurt： Fischer Taschenbuch Verlag，2007.

［9］周丰.审美感知塑造：元宇宙艺术的路径可能［J］.重庆邮电大学学报（社会科学版），2023（2）：186.

［10］侯世达，丹尼尔·丹尼特.我是谁，或什么：一部心与自我的辩证奇想集［M］.舒文，马健，译.上海：上海三联书店，2020：5773.

［11］霍雨佳.贝叶斯推理谬误分析——基于因果联结与信念形成的解释进路［J］.自然辩证法研究，2021（4）：106111.

［12］LI L， ZHENG N N， WANG F Y. On the crossroad of artificial intelligence： A revisit to Alan Turing and Norbert Wiener［J］. IEEE Transactions on Cybernetics，2018（99）：19.

［13］SCHMIDHUBER J. Deep learning in neural networks： An overview［J］. Neural Networks，2015（61）：85117.

［14］甘丹·梅亚苏.有限性之后：论偶然性的必然性［M］.吴燕，译.郑州：河南大学出版社，2018：99.

［15］苏丹.梅亚苏的前先祖性对相关主义的批判［J］.现代外国哲学，2020（2）：200.

［16］OpenAI.GPT4 technical report［R/OL］.（20230327）［20230505］. https：//doi.org/10.48550/arXiv.2303.08774.

［17］WEBB T， HOLYOAK K J， LU H. Emergent analogical reasoning in large language models［EB/OL］.（20230324）［20230505］. https：//doi.org/10.48550/arXiv.2212.09196.

［18］沃尔夫冈·霍夫基希纳，邬天启.人工智能的未来：“慈爱的机器”还是“交际的工具”［J］.重庆邮电大学学报（社会科学版），2022（4）：58.

［19］赵汀阳.人工智能提出了什么哲学问题？［J］.文化纵横，2020（1）：4357.

［20］罗曼·V.扬波尔斯基，奥托·巴滕，王悠然.ChatGPT等语言模型可能构成生存性风险［N］.中国社会科学报，20230306.DOI：10.28131/n.cnki.ncshk.2023.001030.

［21］范春燕.一種新唯物主义的可能“姿势”——评梅亚苏的思辨唯物论［J］.马克思主义与现实，2019（5）：118124.

［22］格拉汉姆·哈曼.新万物理论：物导向本体论［M］.王师，译. 上海：上海文艺出版社，2022.

［23］BOGOST I. Play anything［M］. New York： Basic Books，2016：20.

［24］HAYLES N K. Speculative aesthetics and object oriented inquiry（OOI）［M］//ASKIN R， ENNIS P， HAGLER A， et al. Speculations V： Aesthetics in the 21st century. Brooklyn： Punctum Books，2014：158179.

（编辑：蔡秀娟）