摘要：哲学领域近期正在发生一项重要转变，即哲学方法从概念分析到概念工程的转向。这是一个从“扶手椅哲学”到结合交叉经验科学来做哲学的转变。诸多传统的概念，如智能、知识、意识、自主性、价值等，在人机频繁交互的环境下，内涵和外延均变得难以确定。概念工程的方法即为通过厘清概念在不同实际运用领域中的合理内涵与实用外延，以“家族相似性”为整合原则，对需要拓展的概念进行“打磨加工”，从而得到思考、推理、判断、交流和传播的新表征工具的方法。在人工智能领域，概念工程将助力厘清自然智能与人工智能的本质区别，合理运用相关概念来思考和评判人机交互中出现的新现象新问题，从而帮助认清与发挥自然智能与人工智能各自的特长。

作者：刘闯，复旦大学哲学学院教授；刘思嘉，复旦大学哲学学院博士生

摘自：《学术月刊》2026年第1期

本文载《社会科学文摘》2026年第7期

近年来，概念工程（conceptual engineering）成为哲学领域备受瞩目的重要议题。它突破了传统哲学单纯依赖概念分析（conceptual analysis）的局限，为哲学研究开辟了新的路径。在当下，人工智能技术呈迅猛发展之势，深刻影响着社会的各个层面，也使得许多传统哲学概念的意涵在潜移默化中发生改变。传统的概念分析由于其依赖直觉的特性、与经验科学的脱节，已难以适应这一变化的节奏，在新技术的冲击下，难以精准地描述和解释新的现象与问题，因而亟须借助概念工程的手段加以澄清和重构。

概念分析

概念是思想和思维的基石，它们使分类、识别、推理、记忆、学习以及决策成为可能。

现代哲学中关于概念的理论主要来自弗雷格（Gottlob Frege）的理论。弗雷格通过对诸如“晨星”和“昏星”等例子的探讨，指出概念（或表达式）的意义（sense）与其指称（reference）有所不同。尽管“晨星”和“昏星”都指称金星这一对象，但它们的意义却不一样。意义是人们理解概念的方式，人们通过对意义的理解来决定概念所指称之物。

卡尔纳普（Rudolf Carnap）进一步发展了弗雷格的这一思想，将其拓展为关于概念的内涵与外延的理论。卡尔纳普认为，概念的内涵是概念所包含的属性或特征的总和，是一种能够确定概念外延的语义规则，而外延则是概念所适用的对象的集合。概念的内涵在卡尔纳普那里被理解为应用概念的充要条件，这在概念的日常运用中起着关键作用。比如，判断一个事物是否属于“水果”，是否具备水果的充要条件，如可食用、含水分、具有特定的甜味或酸味等特征，乃是判断的准则。

概念分析是传统哲学的主要方法，其渊源可追溯到苏格拉底方法（Socratic method），其特点包括：在先验推理中诉诸对某概念所指事物的直观了解，分析、寻找其内涵的边界，以求得到该概念应用的充要条件。因此，用反例法（counter example）来做分析成了概念分析的有效方法。除了先验分析法与反例法之外，还原（reduction）或奠基（grounding）也是概念分析的重要方法，试图将复杂的概念还原为更基本、更简单的元素，或者为概念寻找更坚实的理论基础。

不过，概念分析也存在明显的局限性。首先，就先验推理方法而言，概念分析着重概念的先验性，与逻辑推理紧密相关，但与实证经验无关，或不受其影响或限制。哲学家们常常基于先验的原则和逻辑规则来剖析概念，通过演绎、归纳、归谬等逻辑手段，将先验直觉转化为具有解释力的理论框架，并确保概念在逻辑上的自洽性与范畴清晰性。比如，亚里士多德在对“运动”概念的分析中，直观地将“静止”和“运动”区分开来，把后者定义为某物由其“潜在目的的实现”导致的行为：石头的下落运动是由其潜在趋向宇宙中心这样一种目的而导致的。作为概念分析，亚里士多德的运动概念似乎无可厚非，然而，随着科学的发展，伽利略通过对物体自由落体等运动的实验观测发现，物体的静止和运动是相对的，没有绝对的区分。

其次，依赖直觉的概念分析并不可靠。直觉具有显著的文化差异性。不同文化对同一概念的直觉理解甚至大相径庭。以“正义”为例，西方文化传统中，正义常与个人权利、程序公平紧密关联，而在一些东方文化语境中，正义可能更强调集体和谐与结果平等。

最后，前文提到，概念分析是以概念的充要条件来确定内涵，但维特根斯坦（Ludwig Wittgenstein）的“家族相似性”（family resemblance）思想则不遵循这一规则。维特根斯坦以“游戏”为例指出，不存在所有游戏共同拥有的本质特征。概念的边界是开放的，不同的概念实例通过“相似性链条”关联，而非被严格的逻辑条件框定。

从概念分析到概念工程

当今关于概念工程的讨论，常可以追溯到卡尔纳普关于“阐释”（explication）的理论。阐释不仅包含分析，更关键的是对概念进行“重构”。其核心在于用更精确的概念（阐释项）替换不精确的概念（被阐释项），并依据理论和实用价值对重构或改进后的概念加以考察。因此，概念工程是一个主动改变与构建概念的过程。概念工程通过这种类似阐释的方式，优化概念，使其在不同领域发挥更大的作用，实现从模糊到精确、从日常概念到理论概念的转变，以满足理论构建和实践应用的需要。

在当代哲学讨论中，不同学者从各异的视角提出了富有启发性的理论，卡佩伦（Herman Cappelen）的元语义学与托马森（Amie Thomasson）关于词语功能的观点为我们理解概念工程提供了多样化的思考路径。

卡佩伦的元语义学基于语义外在主义传统，认为语义部分取决于外部环境，语义的基础在于专家意见、术语使用历史、使用模式以及社会实际情况等。卡佩伦重点关注概念工程如何改变表达式的外延和内涵，以及这种改变与语义变化之间的关系。在他看来，意义变化源于元语义基础的改变，而非人们对意义、期望等上层结构的变动，说话者个人对意义的看法对实际语义的影响较小。此外，卡佩伦还认为，概念并非语言的核心要素，它只是一种“表征工具”，在某概念经分析重构后，被发现无表征功能时，人们完全可以抛弃它。

托马森的观点与卡佩伦的外在主义存在一定联系，同时又有其独特之处。托马森把词语看作人类历史中自然演化出来的人造物，认为同大多数其他人工制品一样，词语具有特定的目的或功能。这些功能既可能是被有意赋予的，也可能在时间的演进中发生变化。与卡佩伦类似，托马森也关注词语在社会和实用语境中的功能，但她更直接地将词语视为一种工具。在她看来，若词语无法满足需求，便可以进行替换，这种观点带有一定的实用主义色彩。在不同的学科领域或社会情境中，词语的功能和意义根据实际需求而改变。如“鱼”一词，在生物学研究中，其含义从“生活在水中的游泳生物”被重新界定为“冷血水生脊椎动物且具有鳃等特征”。这种重新定义让“鱼”一词在科学理论中能够更有效地发挥作用。

两位哲学家的理论都解释了概念工程的理论基础，也就是语义是灵活可变的。概念工程涵盖概念分析，却又突破了单纯概念分析的局限。这并不表明日常概念就一定要被科学概念取代，也不代表概念分析没有价值；只是强调概念分析不应再占据哲学研究的主要地位。而且，概念工程具有鲜明的跨学科属性，它积极汲取经验科学的研究成果，促使哲学概念与实际科学研究紧密相连，进而推动学术发展。不过，经验科学只是概念工程的参考资源，并非唯一标准。总之，概念工程旨在通过分析、重构、改良概念，而不是凭空建构，最终目标是提升理论解释力与实践价值。

未来心灵与智能

在人工智能广泛应用、人机频繁交互的今天，人们习惯沿用传统概念描述机器行为，极易造成语义模糊与现实问题。概念工程作为一种哲学方法，能够通过主动重构概念来解决这些问题。

以“情绪价值”为例，在日常语境中该概念涉及人类之间的情感互动和主观体验，而在AI语境中，概念工程可以将其明确界定为“基于自然语言处理的情感化语言生成功能”，清晰区分AI的“情绪回应”与人类真实情感交流的本质区别。前者是数据驱动的情感化语言模拟，后者依赖主体间的情感共鸣。这种重构既有助于划定技术应用的边界，也凸显“情感交流”这一概念可能具有的更宽泛的内涵。AI时代的许多人机交互情境，用维特根斯坦的话来说，仅同传统的人与人之间的交流共享“家族相似性”。

另一个重要例子是，在讨论“类人智能”时，“模拟”这一概念的模糊性常被忽视。在日常使用中，“模拟”可能指功能等效，仅要求结果类似人类智能；或方法和功能的双重模拟，要求机制和结果都类似。当前大语言模型的“智能”本质是功能层面的模拟，其运行机制与人类认知过程有根本差异。概念工程通过明确区分“模拟”的不同内涵，既能防止将AI在特定任务上的高效表现（如信息处理）错误地等同于对人类智能的增强，也能为技术研发提供更精准的方向。

对“智能”概念本身，随着新一代AI系统，如各类图像识别和大语言模型系统的出现，人机互动的频繁和多样化，我们的理解更是亟须改进。在传统语境中，图灵对“智能”的定义以“模仿游戏”为核心：若机器能通过文本交互让裁判无法区分其与人类，即可被判定为具有智能。这一定义聚焦行为等价性，将智能简化为可计算的功能，为早期AI研究提供了明确标准。但后期AI的发展，特别是神经网络、深度学习进路的成功证明，这样定义智能不但太过局限，而且存在误导性。

随着神经网络基础理论的完善，如今我们可以从理论基础层面来澄清智能概念的内涵和拓展它的外延。根据人们今天掌握的理论资源，简言之，人机智能的区别是贝叶斯大脑（Bayesian brain）和玻尔兹曼机器（Boltzmann machine）之间的差别。依据贝叶斯大脑理论，人类大脑类似一个复杂的多层次统计推断器官，以过往经验为基础对当前和未来事件展开预测。在感知世界时，大脑会对能最佳解释感官数据的假设赋予先验概率（prior probability），并依据贝叶斯概率推断规则逐层次地持续更新这些假设。其核心目标是将预测误差最小化，仅将意外（surprise）向上传递以改变优化原假设。而玻尔兹曼机器是一种基于深度学习的神经网络模型，原理源于统计物理学中的玻尔兹曼统计，能够描述变量之间的高阶相互作用。其网络由可见层和多个隐藏层组成，节点分为可见单元和隐藏单元，通过加权值表达单元之间的相关性。运行时，它通过寻找能够达到玻尔兹曼平衡的单元间权重分布来计算，可用于识别和生成图像。

二者各有优势：贝叶斯大脑凭借生物进化获得的感知前验概率，擅长依赖少量感官输入就能处理不确定性与全新场景；玻尔兹曼机等机器智能依托海量数据，在大规模运算、特征学习等任务中表现突出。由此可见，传统“智能”概念已无法涵盖两类形态，必须借助概念工程完成重构。概念工程能从多维度解析智能，帮助我们突破仅从功能相似性看待人工智能与人类智能的局限，深入理解二者本质。在跨学科研究中，概念工程也可以避免计算机科学与哲学因概念混用导致的讨论错位。

在当代人工智能技术的背景下，对于AI系统而言，智能主要体现为强大的推理运算与数学处理能力，人类智能在这个维度上远不及机器。不过，人类智能的维度更加多元，除逻辑推演外，默会知识、身体智能都是机器难以复刻的能力，诸如球类运动、乐器演奏、手工技艺等，依赖身体精微控制与具身经验亦是如此。人工智能领域学者辛顿也曾提出，管道工这类依托身体技能的工作很难被机器取代。

总之，借助概念工程重构日常概念，可以帮助我们理解技术的本质，从而避免语言模糊导致的理解偏差和风险失控。与上文提及的“智能”概念类似，可以想象，知识、学习、意识、记忆、理解、反思、自主性、情商、动机、美德、价值、具身性等诸多概念，都需要开展概念工程。方法的核心要义在于清晰分辨生物（人类）维度与机器维度的差异，避免讨论中的概念混淆。下面以“知识”和“自主性”为例具体说明：

（一）“知识”的概念工程

在传统知识论讨论中，知识不仅意味着一种信息在大脑中的积累和记忆，还和信念、主观经验、知觉体验等有着紧密联系。根据柏拉图以来的经典定义，知识被界定为“得到辩护的真信念”，这一框架将“信念”作为核心要素：主体需主动持有命题，命题为真，且信念可通过知觉、推理、证言等方式获得辩护。

然而，将这一概念套用于机器并不合适。机器存储和处理的内容是结构化数据与模式关联，依托算法完成输入与输出映射，不存在主观信念，也无须为命题提供辩护。对机器而言，所谓“知识”是海量数据的集合，用于存储、推理与运算；人类知识则融合主观体验、亲身经历与经验智慧。

（二）“自主性”的概念工程

在人工智能背景下，机器自主性与人类自主性内涵也截然不同。机器自主性是指机器凭借感知到的环境信息，依据自身算法或内部模型，无须人类实时指令就能自主决策并行动的能力，是数据与程序驱动的自动化运作模式。

而人类的自主性有着深厚的哲学与伦理根基。从古代的“自我控制的理念”，到康德提出的“对自身行为的权威”，再到德沃金所言“个体出于对自己欲望、偏好的反思与信念，对自己选择的生活负责，不受到外在伦理价值的强加与干涉”，都体现出人类自主性围绕自我意识、欲望、价值判断展开深度反思与掌控。医疗决策、器官移植等场景，也直观体现了人类自主性的伦理内涵。

机器无法完成价值权衡与主观反思，用人类自主性标准要求机器会造成理论与伦理困境。随着机器在各类事务中参与度的加深，我们需审慎思考：当机器依据其自主性做出决策时，会对人类既有的自主性概念和伦理体系产生何种冲击？人类是否正在放弃某种关键的掌控力？如何在发展机器自主性的同时，保障人类自主性的核心价值不被削弱？

结语

人工智能的发展将深刻重塑人类的心灵与智能形态。概念工程通过对传统哲学概念进行系统性重构，区分人类与机器在认知机制、经验来源、价值承载上的本质差异，清晰划定人机协同的边界。机器在数学运算、数据处理等领域具备优势，而人类智能的独特价值，将集中体现在身体智能、具身经验、情感交互、创造性思维与哲学思辨等机器难以模拟的领域。二者形成互补，共同拓展智能的多元边界。