2026年5月15日上午，四川大学哲学系文科讲席教授任晓明应邀到访中心，为中心师生带来了题为“深度学习与不确定性推理的哲学问题”的报告。本次报告由中心主任郭美云教授主持，熊作军副教授、蒋军利副教授、王一廷博士、孙洋博士及中心在读硕博研究生参与了此次报告。

任教授开篇即指出，我们生活在一个充满随机性、模糊性和不完全信息的世界中，因而与确定性推理相比，不确定推理更贴近现实世界的本质。随着人工智能的高速发展，根本性挑战在于如何在知识不完备、信息模糊的复杂环境中构建合理的推理框架。不确定性系统可分为三类：源于知识不足的认知不确定性、源于系统内在复杂性的本体论不确定性，以及涉及价值判断的规范性不确定性，这一分类为后续的方法选择与哲学讨论奠定了坚实基础。

在方法体系部分，任教授系统介绍了贝叶斯方法、模糊逻辑与粗糙集、D-S证据理论等多种主流不确定推理方法，并特别强调蒙特卡洛丢弃（MC Dropout）能够以极低的计算成本近似贝叶斯神经网络，作为“奥卡姆剃刀”的典型应用，是深度学习不确定推理的重要技巧。通过天气预报、医疗诊断、空调控制等生动案例，任教授展示了这些方法如何在不同应用场景中发挥作用。

任教授进一步指出，从不确定性推理的运行模式来看，深度学习本质上是一种概率推断，更像人类的“直觉”或“经验判断”，是一个强大的“推理引擎”，而非“逻辑引擎”。它擅长模式匹配与统计归纳，学习的内容是统计关联而非逻辑规则，同时缺乏具身体验，因而容易出现逻辑错误、事实幻觉和自相矛盾等问题。

讲座最具理论深度的部分，是任教授对深度学习范式带来的哲学挑战的反思。第一，深度学习的成功质疑了传统计算主义关于智能必须依赖符号操作的假设；第二，迫使我们追问“理解”的本质——一个没有具身体验，即没有真实的触觉、视觉或身体经验的大模型说出“苹果会掉”时，是否算真正的理解？第三，模型性能越高越不透明的“黑箱困境”，正成为无法回避的现实难题。

面对这些挑战，任教授提出了“批判经验主义”作为未来AI哲学的可能立场，强调将可证伪性内嵌于学习过程、承认数据的价值负载性、以有限理性为认识论基础。他指出，深度学习的问题与出路需要在技术与哲学两个层面同步推进，技术层面应基于可解释AI、因果推理、神经符号AI和具身AI等路径解决“黑箱问题”；哲学层面则应回归现象学、实用主义与过程哲学，推动分析哲学与现象学的融合，并基于具身理论重新定义智能本质。

讲座最后，任教授以机器翻译与人类翻译的对比案例引发开放思考：机器能够准确翻译“I miss you, but I miss you”，却难以抵达“此情可待成追忆”的人文深度，这究竟是“伪理解”还是另一种形式的“功能意识”？在不确定中追求确定、在统计中融入逻辑、在效率与透明之间寻求平衡，仍是人工智能时代需要我们持续追问的命题。这引发了在场老师及学生关于不完备性定理、行为主义及经验主义等一系列问题的广泛讨论与思考，本次报告在浓厚的学术氛围中圆满结束。

（泮新璐/文，马子珺/图，熊作军/审核，彭子骄/发布）