2、机器学习的社会学探索：意义分类与代理追求

机器学习的社会学探索：意义分类与代理追求

1. 社会科学与机器学习的交汇

社会科学有必要从自身认识论的角度与机器学习展开互动。当前关于机器学习的讨论，让人联想到大数据兴起时“理论终结”的观点。不过，与大数据面临的经验主义危机不同，机器学习面临的是认识论和本体论的危机。如今，机器学习文化靠所谓的“认识论胶带”维系，呈现出明显的不稳定性。

2. 意义的分类

2.1 机器学习的文化热潮

过去十年，机器学习和人工智能备受瞩目，有人将其最新发展形容为“海啸”“革命”，也有人认为这是一种神话或神奇传说。这表明机器学习已形成了自己的文化。众多科技界人士强调机器学习在理解意义方面的作用，如马克·扎克伯格指出Facebook的AI研究聚焦于理解人们分享内容的意义，约书亚·本吉奥认为计算机可通过观察理解周围世界。

2.2 意义理解的困境

并非所有人都相信机器学习能解决意义问题。米切尔指出，当代AI常遭遇“意义障碍”，原因在于其关联主义训练方法缺乏对世界的常识性知识，且无法概括形成更抽象的概念以适应新情况。我们可以区分去情境化意义和实用指称，机器学习在去情境化意义方面表现出色，例如分类模型的“分类整理”和词嵌入所捕捉的语义关系。但在处理实用指称时，模型只能尽量去情境化输入，这反映出机器学习从业者对“情境”的理解有限。

2.3 机器学习的分类任务

去情境化和文本化过程为现代机器学习擅长的分类任务提供了素材。麦肯齐认为，机器学习是一种“绘图机器”，涵盖向量、优化、概率、模式识别、正则化和传播等过程。与传统计算中的符号系统不同，它通过相似性和物理连续性产生意义。例如，深度学习的向量操作是权力/