English Version
20231
本期话题
专题:解释鸿沟

四十年以来,在心灵哲学中,关于现象意识的研究是显学,也是难点。如何用恰当的理论框架满意地解释现象意识成为横梗在心智哲学研究进程中的第一大拦路虎。解释鸿沟之难解也导致一些学者寻求研究转向,或者转向了更加细化的经验研究,或者完全放弃了这一话题。

本次专题重新回到解释鸿沟,选取了三种不同的回应。陈嘉映指出神经活动和意识活动之间的解释鸿沟并不是主观/客观之间的鸿沟,也不是相关性/因果性之间的鸿沟。在此基础上,他区分了机制解释和叙事解释,只有从叙事解释的角度去理解解释鸿沟,才有望走出一条新路。郁锋认为解释鸿沟需要回答认识论和形而上学两类问题的解释性知识,并对最新的运用形而上学概念(奠基)回应解释鸿沟的方案进行了辨析,指出即便我们可以填平形而上学的鸿沟,认识论的鸿沟依然无法解决。邓明艳则专门讨论是解释鸿沟本身的预设问题导致解释鸿沟无解,对意识的难易区分、僵尸论证、心物二元等基本问题做了分析。三篇专题论文的思路都是比较新颖的,为在人工智能、脑科学发展如日中天的今天,重新思考重大基本理论难题提供了新的视角。

                                                                                                        (专题策划:李斌、梅剑华)


本期目录
  • 谈谈解释鸿沟
    <p>摘 要:本文尝试表明神经活动和意识活动之间的解释鸿沟并不是主观/客观之间的鸿沟,也不是相关性/因果性之间的鸿沟。本文先讨论了原因和解释之间的关系:单纯确定致动因不等于提供解释,解释依赖于致动因和结果之间的经验网络或科学理论。本文进一步区分了经验解释和机制解释并指出依赖于科学理论的意识产生机制对整体意识活动的解释力十分有限。这是之所以有一条“解释鸿沟”的主要原因。</p><p><br/></p><p>关键词:解释鸿沟 点线因果模式 机制解释 叙事解释</p><p><br/></p>
    作者: 陈嘉映        
    卷期: 2023年1月第45卷第1期
    页码: 1-9
  • 拯救意识现象:弥合解释鸿沟还需要什么解释知识
    <p>摘 要:谢弗在最近的研究中试图论证心灵哲学中经典的解释鸿沟与不同层次的实在之间跨层认知的不透明性是同一问题。他认为可以通过底定的形而上学律则来弥合所有的鸿沟。我们将反驳谢弗的论点并进一步辩护意识解释鸿沟问题的特殊性。最后我们认为,真正解开意识的解释鸿沟难题需要包含回答认识论和形而上学两类问题的解释性知识。</p><p><br/></p><p>关键词:解释鸿沟 底定 分体学鸿沟 解释性知识</p><p><br/></p>
    作者: 郁锋        
    卷期: 2023年1月第45卷第1期
    页码: 10-16
  • 解释鸿沟基本预设的困难及其解法
    <p>摘 要:本文将从三个层次入手来探讨解释鸿沟的基本预设及其困难。在第一层,本文将引入脑科学研究的最新进展来表明查尔默斯关于意识难易问题的区分缺乏事实依据。第二层将聚焦于形塑解释鸿沟的僵尸论证来考察其中包含的矛盾和不一致。对这一论证的分析有助于揭示在其预设中一种独特的意识理解。第三层试图呈现这一意识理解的基本结构中存在的问题,以及在现象意识这种独特的感知、意识理解中深藏的心物二元假设。本文最后将通过对感知的自然主义和生态性理解来探究非心物二元的一种新的意识理解可能。</p><p><br/></p><p>关键词:解释鸿沟 意识 功能 感知</p><p><br/></p>
    作者: 邓明艳        
    卷期: 2023年1月第45卷第1期
    页码: 17-25
  • 对哲学体统的温和辩护
    <p>摘 要: 我同意菲利普·基切尔所述的关于科学、哲学和政治之间关系的大部分内容。然而,在这篇文章中,我提出了一个与基切尔在有用的哲学和体面但无用的哲学之间划定的略有不同的界限。具体来说,我想要为形而上学的重要性做辩护,其可能不是基切尔的体面的哲学的一部分。在基切尔批判的超现实主义之外,还有一些形而上学的可能性,我试图展现一个我支持的形而上学论题——过程本体论或过程主义,其对于自然世界的经验研究和进步政治的可能性都有意义。我还试图提出形而上学与科学哲学之间的一种辩证关系。</p><p><br/></p><p>关键词:菲利普·基切尔 形而上学 过程本体论 病毒 多元主义</p><p><br/></p>
    作者: 约翰·杜普雷        
    卷期: 2023年1月第45卷第1期
    页码: 26-32
  • 机器学习与科学发现 ——以AI-Einstein为例
    <p>摘 要:机器学习尤其是深度学习广泛地应用于科学实践的各个领域和环节,但其在数据密集型学科带来的“科学新发现”,只能获得存在于数据中的已知概念之间的关系,而试图用机器学习重现科学史上新概念和新理论发现过程的“科学再发现”研究,也因为使用模拟出来的数据而成为后知之明;作为“曲线拟合”的机器学习常被认为不能带来“真正”的科学发现和概念创新;通过对19世纪关于光的传播和寻找以太相关的观测和实验数据进行挖掘并用机器学习建模,发现当同一类问题的数据和理论之间出现冲突时,“曲线拟合”方法至少可以帮助带来科学概念的转变,提示新知识的出现。</p><p><br/></p><p>关键词:智能驱动 自动科学发现 以太</p><p><br/></p>
    作者: 王东        
    卷期: 2023年1月第45卷第1期
    页码: 33-40
加载更多
关于我们
© 2021 中国科学院大学版权所有 地址:北京市石景山区玉泉路19号(甲) 邮编:100049