关于reell和real

关于reell和real,想来想去,觉得倪梁康的解释还是存在一些问题。把real译成“实在的”固然不错,但把reell译成“实项的”确实不妥,从字面上根本不知道它“意指”什么。而且和德语的本来含义不能吻合,他这样翻译的目的是企图和“意向相关项”区别开来,达到一种学理上的明晰性。但是,把noema译成“意向相关项”也并非万事大吉,并不能够传达现象学的真义。


我考虑把reell译成“实有的”、real译成“实在的”。“实在的”指外部的自然世界,它是实在的(real)。“实有的(reell)”和“本质的(eidetisch)”相对应,就好比海德格尔把“存有的(ontisch)”和“存在的(ontologisch)相对应,二者有区别,但却是密不可分的,理论上应该的统一的,只不过在学理上还没有完全做到而已。

我也考虑把noema译成“显现实相”,更符合EIDOS的本义,noesis译成“显现活动”,把Intentionalitaet换成nous。胡塞尔在《观念1》中说到了努斯(NUS),nus(nous)比“意向性”更本源,努斯才是“显现活动”和“显现实相”的“主体”,这个“主体”是生动的、直观着的、构造着的、自证自见着的。nous是作为“显现者”的“主体”、noesis是“显现活动”、noema是“显现实相”,那么,“主体”的“自证自见”就是noein,就是“知见”、“颖悟”、“思维”、“哲学的思维”、“legein”、“理性”。

nous、noesis、noema、noein乃“四方整体”世界,密不可分的,就是巴门尼德所说的坚如磐石的、不动的“心脏”,把变动不居的“赫拉克里特之流”把握为一个统一的整体,即“一”,而“一”即是“多”。


胡塞尔追求的是“本质”,即EIDOS,相对于EIDOS来说,无论是real还是reell,都是超越之物。所不同的是,real指意识体验之外的自然世界的实在事物,而reell却是指意识体验中实有的内容,乃是真实无疑的,但它毕竟和外部世界的real的事物有本质区别,所以不能把它也当作实在(real)的事物,而一般的心理学正是把它当作实在的事物,胡塞尔纠正了这个错误,用reell代替real,来表示意识体验中“实有(reell)的内容”,它们和自然世界里的实在(real)的事物完全不同。尽管实有(reell)的内容与实在(real)的事物密切相关,但开始要做严格的区分,所以就有了reell和real之分。当然,在英语和法语中,找不到和德语相对应的词语,德语根据现象的“两义性”创造了两个密切相关的词语,表示出“两义性”的奥妙。别的语言很少有这样的词语体系,所以德语往往更有利于哲学的思维。

胡塞尔的目的在于告诉我们,在意识体验的“实有的(reell)内容”之中“隐藏”着一个本质之物,即EIDOS,它和“实有的(reell)内容”有本质性的区别,它是由意向性意向地“构造”出来的,是“意向的”内容,而不是“实有的”内容。二者都是“内在的”,只不过前者才是真正明证的绝对自身被给予性,是绝对的内在,是现象学关注的对象。


所以说,相对于EIDOS来说,real和reell都是“超越之物”,但是,实有的(reell)内容虽是“超越之物”,但它是内在于意识体验的,所以又是“实有的内在”,而EIDOS却是“绝对的内在”。所以有了双重的“内在”与“超越”。

不过,胡塞尔还没有真正说清楚“实有的内在”与“绝对的内在”之间的本质关系,只是做出区分而已。在胡赛尔看来,他宁愿把作为EIDOS的“绝对的内在”看成是真正的“实在(real)之物”,可惜real另有被广泛接受的“含义”,只好作罢,免得造成更多的混乱。
内容概要:本文详细介绍了深度学习的基本概念技术要点,涵盖了从基础知识到高级模型的多个方面。首先,文中强调了激活函数与权重初始化的最佳实践,如ReLU搭配He初始化,Sigmoid或Tanh搭配Xavier初始化。接着,文章系统地讲解了深度学习所需的数学基础(线性代数、微积分、概率统计)、编程技能(Python、PyTorch/TensorFlow)以及机器学习基础(监督学习、无监督学习、常见算法)。此外,还深入探讨了神经网络的核心组件,包括前向传播、反向传播、激活函数、优化算法、正则化方法等,并特别介绍了卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆网络(LSTM)、注意力机制(Attention)、Transformer架构及其衍生模型(BERT、GPT)。最后,文章讨论了大模型训练、分布式训练、模型压缩、Prompt Engineering、文本生成、多模态学习等前沿话题,并提供了学习资源推荐。 适合人群:对深度学习有一定兴趣并希望深入了解其原理的研究人员、工程师或学生,尤其是那些具备一定编程基础数学知识的人群。 使用场景及目标:①帮助读者理解深度学习中的关键概念技术细节;②指导读者如何选择合适的激活函数权重初始化方法;③为读者提供构建优化神经网络模型的实际操作指南;④介绍最新的研究进展发展趋势,拓宽读者视野。 其他说明:建议读者在学习过程中结合实际案例进行练习,积极尝试文中提到的各种技术工具,同时关注领域内的最新研究成果,以便更好地掌握深度学习的应用技巧。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值