The Frame Problem（框架问题）深度解读

背景

“框架问题”（The Frame Problem）最初是人工智能（AI）领域中一个狭义的技术性难题，源于基于逻辑的 AI 研究。然而，它随后被心灵哲学家以修饰和修改的形式采纳，并赋予了更广泛的解释。

在 20 世纪 80 年代和 90 年代，AI 研究实验室中的技术起源与哲学家对其处理方式之间的张力，引发了一场有趣且有时激烈的辩论。随着狭义的技术性问题在很大程度上得到解决，近期的讨论已较少关注解释层面的争议，而更多地聚焦于广义框架问题对认知科学的启示。

核心内容

1. 逻辑中的框架问题

在狭义的技术形式下，框架问题可以简要概括为（McCarthy & Hayes 1969）：使用数学逻辑，如何编写公式来描述动作的效果，而不必编写大量描述那些平凡、显而易见的“非效果”的伴随公式？

举例说明： 假设我们编写了两个公式，一个描述给物体上色的效果，另一个描述移动物体的效果：

• Colour(x, c) 在 Paint(x, c) 之后成立
• Position(x, p) 在 Move(x, p) 之后成立

假设初始状态中 Colour(A, Red) 和 Position(A, House) 成立。根据演绎逻辑，在执行 Paint(A, Blue) 随后执行 Move(A, Garden) 后，直觉上我们期望 Colour(A, Blue) 和 Position(A, Garden) 成立。

然而，在经典谓词逻辑中，仅凭上述两个公式，我们只能推导出 Position(A, Garden) 成立。这是因为这些公式并没有排除“移动动作改变了 A 的颜色”这种可能性。

框架公理（Frame Axioms）的困境： 为了得出正确的常识结论，最直观的方法是添加显式描述每个动作“非效果”的公式，即框架公理。例如：

• 如果之前 Colour(x, c) 成立，则在 Move(x, p) 之后 Colour(x, c) 仍然成立。
• 如果之前 Position(x, p) 成立，则在 Paint(x, c) 之后 Position(x, p) 仍然成立。

这意味着：给物体上色不会影响其位置，移动物体不会影响其颜色。虽然添加这些公式可以得出所需结论，但这并非令人满意的解决方案。在一个包含 M 个动作和 N 个属性的领域中，由于大多数动作不影响大多数属性，我们通常需要编写几乎 $M \times N$ 个框架公理。无论这些公式是显式存储在计算机内存中，还是仅作为设计者的规范，这都是一项沉重的负担。

核心挑战： 我们需要一种更简洁的方式在形式逻辑中捕捉动作的非效果。这涉及到常识惯性定律（common sense law of inertia）：除非有相反的证据，否则可以假设一个动作不会改变情境的给定属性。框架问题的技术本质，就是形式化这一规律。

经典逻辑的单调性障碍： 主要障碍在于经典逻辑的单调性（monotonicity）。在经典逻辑中，随着公式集的扩大，可推导出的结论集只会增加或保持不变，不会减少。这使得无法表达具有开放式例外集的规则，而常识惯性定律正是这样的规则。例如，我们可能后来想添加一个公式，捕捉“将物体移入油漆罐”这一例外情况。但在想到这个例外之前，不应阻止我们应用常识惯性定律并得出足够广泛的（可废止的）结论以启动系统。

非单调推理的尝试： 因此，基于逻辑的 AI 研究人员致力于开发各种非单调推理形式化方法（如 McCarthy 1986 提出的 Circumscription / 最小化推理），并研究其在框架问题中的应用。然而，进展并不顺利。著名的 Yale shooting problem（Yale 射击问题，Hanks & McDermott 1987）突显了一个棘手障碍：如果天真地用非单调形式化表示一个简单的场景，会导致反直觉的结论。此外，完整的解决方案还需要处理并发动作、具有非确定性效果的動作、连续变化以及具有间接影响的动作。

尽管存在这些细微差别，如今已存在若干足以满足基于逻辑的 AI 研究的技术框架问题解决方案。虽然改进和扩展仍在继续，但可以公平地说，尘埃已定，技术形态下的框架问题已基本解决（Shanahan 1997; Lifschitz 2015）。

2. 认识论层面的框架问题

哲学家对框架问题的重新诠释始于 Dennett（1978, 125）。根据 Dennett 的观点，谜题在于：“拥有许多关于世界信念的认知生物……如何在执行动作时更新这些信念，使其保持‘大致忠实于世界’？”

在《心智的模块性》（The Modularity of Mind）中，Fodor 站在机器人学家的角度，带着框架问题提出了类似的问题：“……机器人程序如何确定，鉴于它已采取某种行动，它应当重新评估哪些信念？”（Fodor 1983, 114）。

乍一看，这个问题似乎仅与 AI 研究人员所关注的逻辑问题印象式地相关。与 AI 研究人员的不同之处在于，哲学家的提问不在形式逻辑的语境中，也不专门关注动作的非效果。在随后的文章中，Dennett 承认借用了 AI 研究人员的术语（1987），但他重申了自己的信念，即 AI 在框架问题中发现了“一个新的、深刻的认识论问题——原则上可触及，但被几代哲学家所忽视”。

关键要点

• 定义的双重性：框架问题最初是 AI 中的技术难题（如何高效表示动作的非效果），后被哲学家转化为认识论问题（认知主体如何筛选相关信息进行推理）。
• 组合爆炸困境：在经典逻辑中，若要显式描述所有动作的非效果，需要编写 $M \times N$ 个框架公理，导致计算和存储上的不可行性。
• 常识惯性定律：解决框架问题的核心直觉是“默认情况下，事物保持不变”，除非有证据表明发生了变化。
• 经典逻辑的局限：经典逻辑的单调性（结论随前提增加而只增不减）无法处理具有开放例外的常识规则（如“鸟会飞，除非它是企鹅”）。
• 非单调推理的兴起：为了解决单调性问题，AI 领域发展了非单调推理形式化方法（如 Circumscription），但早期尝试（如 Yale 射击问题）暴露了处理常识例外时的复杂性。
• 现状：技术层面的框架问题已基本解决，存在多种足以支持逻辑 AI 研究的方案；哲学层面的讨论则转向其对认知科学的启示。

意义与影响

1. 推动非单调逻辑的发展：框架问题直接催生了对非单调推理（Non-monotonic Reasoning）的深入研究。它迫使 AI 研究者超越经典逻辑，探索能够处理默认假设、例外情况和知识更新的逻辑系统，这对知识表示（Knowledge Representation）领域产生了深远影响。
2. 连接 AI 与认知科学：虽然技术难题已解，但哲学家对框架问题的重新诠释揭示了人类认知的一个核心特征——相关性筛选（Relevance Filtering）。人类能够基于当前情境的相关信息进行决策，而无需考虑所有无关因素。这一洞察促使认知科学家思考：生物大脑是如何在有限的计算资源下，实现这种高效的、基于相关性的推理的？
3. 对通用人工智能（AGI）的启示：框架问题提醒我们，智能不仅仅是逻辑推导，更在于对“什么是不重要的”这一常识的把握。任何试图构建具备常识推理能力的 AI 系统，都必须解决如何高效地忽略无关信息并专注于相关变化的问题。
4. 哲学与技术的对话：该问题展示了技术细节如何引发深刻的哲学思考，反之亦然。它证明了即使在看似纯粹的工程问题中，也蕴含着关于知识、信念更新和世界本质的根本性问题。