Аркадий Блинов - Аналитическая философия

Традиционная трактовка объяснения является, в своей наиболее сущностной характеристике, редукционистской: объяснить нечто, с такой точки зрения, – это свести неизвестное к известному. Основные возражения здесь (Гемпель 624, М.Фридман 625, ван Фраассен 626) таковы: объяснение известного феномена может быть произведено с помощью совершенно новых и необычных теорий. Сам термин «объяснение» представляет, с такой позиции, прагматическое понятие и, следовательно, является релятивистским: согласно Гемпелю, мы можем построить некоторое значимое объяснение только в той или иной познавательной ситуации, только для того или иного конкретного индивидуума – реципиента информации; невозможно дать некоторое универсальное объяснение, «объяснение вообще», валидное всегда и для всех. (Так совершился переход Гемпеля от дедуктивной модели объяснения к индуктивной, или статистической.) Объяснение признается контекстно-зависимым. Традиционный редукционизм, таким образом, отождествляется с универсализмом: трактовка объяснения как сведения неизвестного к известному оказывается продиктованной стремлением обнаружить некоторые общие и общезначимые критерии интеллигибельной теории (например каузальность, возможность моделирования, визуализация и т.д.).

В этой связи принятие множества предложений, полагаемых тривиально истинными языковым сообществом в данный момент времени, в качестве множества семантических примитивов, или исходных дескрипций, относительно которого определяется истинность языковых значений, позволяет избежать такого противопоставления универсализма и релятивизма. В самом деле, установление наибольшего числа семантических связей исходной дескрипции с наибольшим числом семантических примитивов системы никак не означает редукцию. Напротив, речь здесь идет о построении нового знания, о приращении знания за счет увеличения числа его структурных элементов. Объяснительная сила теории будет в таком случае зависеть от строгости логического следования и от количества семантических примитивов, с которыми объяснение устанавливает связи.

Рассмотрим, например, «вывод к лучшему объяснению» – идею, восходящую к Ч.С. Пирсу («абдукция») и эксплицированную Г. Харманом 627. Согласно этому представлению, тот факт, что теория объясняет некоторые явления – часть очевидности, побуждающей нас принять эту теорию. И это означает, что отношение объяснения видно прежде, чем мы полагаем, что теория истинна.

Предположим, что мы имеем очевидность E и рассматриваем несколько гипотез, скажем H и H' . Тогда, согласно этой теории, мы должны вывести H скорее, чем H ', если H – лучшее объяснение E , чем H' . Критерии, применимые здесь, могут относиться к статистической теории:

H – лучшее объяснение E , чем H' ( ceteris paribus ), если:

P(H) > P(H') – H имеет более высокую вероятность, чем H'

P(E/H) > P(E/H') – H дает более высокую вероятность E, чем H' .

Эта версия теории объяснения непосредственно привлекала бы когерентность в ее вероятностной интерпретации (Бонжур) – P будет истинно для S ттт P логически непротиворечиво с остальными предложениями, полагаемыми S истинными, и имеются целесообразные вероятностные связи между другими предложениями, полагаемыми S истинными, и P .

Мы можем суммировать вышесказанное, сформулировав два аргумента относительно объяснения:

ничто не является объяснением, если оно не истинно;

ни у кого нет оснований утверждать «я имею объяснение», если у него нет оснований утверждать «я имею теорию, которая является приемлемой и дает объяснение».

Ясно, что эти аргументы различаются только с точки зрения корреспондентной истинности. Для когерентиста они идентичны.

Такая интерпретация позволяет сохранить базовые интуиции, согласно которым объяснение должно связывать неизвестное с известным, и в то же время снимает возражение этому подходу, заключающееся в том, что объяснение известного феномена может быть произведено с помощью совершенно новых и необычных теорий: в любом случае это новое и необычное знание должно будет быть когерентно с множеством предложений, полагаемых языковым сообществом тривиально истинными, т.к. в противном случае это новое знание, не располагая определенными значениями, попросту не сможет функционировать, т.е. не будет существовать как знание.

Итак, анализ семантического аспекта перехода от описания к объяснению оказывается связанным с проведением нескольких дихотомий:

данные наблюдения/теория;

репрезентационизм/конструктивизм;

корреспондентная/когерентная истинность;

дескрипция/объяснение.

В основании компьютерных аналогий ментального, широко используемых в когнитивистских моделях, лежит понятие машины Тьюринга . В работе 1950 года «Умеет ли машина мыслить?» Алан Матисон Тьюринг поставил задачу формулировки условий, при которых машина может быть описана как мыслящая. А поскольку понятие «мышления» весьма темное, то он полагает, что, прояснив, что значит мыслить для машины, мы сможем понять, что значит мыслить вообще. Тьюринг исходит из предпосылки, что если поведение машины неотличимо от поведения человека, то это – достаточный критерий считать такую машину мыслящей. Он предложил абстрактную модель машины, успешно имитирующей всю совокупность человеческого поведения, которая впоследствии получила название машины Тьюринга. В основе этой идеи лежат результаты, полученные в 30-х годах 20-го века и легшие в основу так называемой теории автоматов и обобщенные в теории алгоритмов. Тьюринг исходит из представления о разумном поведении как деятельности, направленной на решение задач. Задача полагается решаемой, если может быть обнаружен алгоритм – набор специфицируемых вычислительных процедур – ее решения. Понятие алгоритма было интуитивно ясным, но не существовало общей формулы алгоритма вообще. Тьюринг сформулировал следующий тезис: для всякого алгоритма можно смоделировать машину, отвечающую определенным характеристикам, которая будет реализацией этого алгоритма 628. Тогда для всякой задачи (в широком, а не в узком, математическом, смысле), решаемой людьми, может найтись такая вычислительная машина, которая будет решать эту задачу так же хорошо. Машина Тьюринга – абстрактная универсальная вычислительная машина. Если такая машина может имитировать поведение любой другой машины, то она, в таком случае, сможет быть универсальным имитатором человеческого поведения. И, по мнению Тьюринга, нет никаких логических препятствий к допущению такой модели.