当代科学哲学逐渐形成了科学合理性不完全依赖算法的共识。这个共识很大程度上来自对如下看法的抛弃，即理论选择过程中存在着普遍性适用的合理性规则。科学哲学的历史主义转向巩固了科学合理性不完全依赖算法的共识，因为理论选择在很大程度上依赖于社会性的价值与承诺。而对历史主义不加审慎的运用也会引发科学哲学停止对知识论规范的追求。本文采用另一个策略来推出的科学合理性不完全是算法的结论，即论证一些科学理论并不是通过算法推出它的检验或预测结果的，而是应该依赖于建立在技术系统上的带有系统性偏差的助勘式结构(heuristic structure)。尽管这种合理性理论不是普遍适用的，却仍然可以通过虽可错却可靠的局部知识论规范来获取客观知识。我们将说明什么是助勘式结构，为什么科学合理性规范可以看成是助勘式结构。由于不同研究领域里对助勘式结构的基础即助勘式推理概念有不同的理解，第一节首先从中梳理出一个我们需要的助勘式推理概念。第二、三节分别导论一些数学和物理学领域中所使用的助勘式认知工具，并从中引出助勘式结构的概念。第四节讨论用助勘式结构来理解科学合理性时需要排除的一些误解。
一、助勘式推理与算法
在心理学领域，助勘式推理是一种大多数情况下正确但有时也会出错的推理。按照一般的推理规范，助勘式推理的错误的产生是由于某种偏差(bias)，即它出错的方向在很大程度上是可以预见。推理者一般可以知晓一个助勘式推理在哪些与境中比较可靠，在哪些与境中比较容易出错。让我们看个例子。
在对助勘式推理的早期研究中，心理学家卡尼曼(Daniel Kahneman)、特斯基(Amos Tversky)及其合作者们对一种被称为“代表性助勘式”(the representativeness heuristic)进行了研究([1]，p.4)。这种推理被运用在使用对象A与对象B的相似性来进行概率性判断。比如，他们向被试出示一些人物照片，或提供一些有关这些人物的信息，并让被试判断这些人中哪些是哲学老师或哪些是银行职员。多数被试会通过对比所接受的信息与自己常用的范型(stereotype)之间的相似性来做出判断，甚至会忽视一些为概率赋值时需要遵守的规则。而且，研究者们还能够很好地预测被试因使用范型而出错的倾向，也就是说，能够预测代表性助勘式的偏差。卡尼曼等人认为助勘式推理的偏差是人类认知局限性的表现。这些偏差的结构与特性自然是心理学的研究对象，但并没有任何规范性和知识论层面上的意义，因为人类的知识是通过可以避免偏差的推理规则来获得的。本文的一个目的就是要展示，即使人类使用一些没有偏差的推理规则，大多数的知识仍然是通过具有偏差的认知工具获得的，因而，理解助勘式推理及其偏差有助于我们更好地理解人类的合理性。在这个意义上，偏差有其非常重要的规范性意义。
认为偏差没有知识论层面上的规范性意义的看法来自于一种传统观点，即认为我们不应该使用心理学或其他科学资源来说明知识论规范的观点。从这个观点出发，偏差自然无关紧要，因为任何知识论规范都只能用逻辑和数学的结构分析来说明，而偏差的任何功能也都必须还原到逻辑和数学的形式结构中。人们常常把这种形式结构分析称作算法(algorithm)。回答什么是算法与回答什么是助勘式推理一样并不十分容易。在某种意义上算法有个清晰和精确的定义。算法是一种为完成特定任务而产生的一组意义明晰的指令。算法要保证自己在被正确使用时一定会得到正确结果。一般来说，只要正确使用，算法会带来决定论的结果，即其结果具有完全的确定性和可预测性。从形式化的立场出发来刻画作为数学对象的算法，这本身并没有任何问题。但对于科学合理性以及建立在科学合理性之上的科学知识来说，从形式化立场来刻画的算法并不够用。如果我们反思在科学研究领域中算法概念以及与其相关的助勘式推理的不同使用，就会产生对这些算法如何作为形式化对象而具有知识论规范的疑问。在讨论这个问题之前，我们还需要对算法与助勘式推理的区别做出一点观察。
对于如何准确地理解算法有着不少争论。如果我们想用算法的概念来定义助勘式推理，这些争论无疑是至关重要的。在计算机科学中，算法概念常与程序的概念相区别。存在着不同的对算法和程序的区分方式，而这些不同也会引起对助勘式推理的不同理解。在心理学中算法概念直接与助勘式推理相区别，后者被认为是快速解决问题的思维捷径，尽管有时会出错。所谓思维捷径也是相对算法而言。尽管数学和计算机科学对算法有着清晰的定义，但在心理学和社会科学中却没有对算法和助勘式推理的统一而清晰的刻画。以下的讨论所要展示的是，从知识论的角度出发，助勘式推理以及它所携带的偏差是一组甚至比算法还要基础的认知资源，因为它们刻画的是人们的认知能力及其应用同“与境”(contenxt)之间的关系。在人类有目的的或出于某种价值指引之下的行动中，使用助勘式推理的频率要远高于使用算法。这对正确理解科学合理性至关重要。我们首先看一些助勘式推理在不同的科学研究领域中的应用，从中得出一些助勘式推理的一般性特征，并以此来讨论合理性的助勘式推理结构。
二、数学中的助勘式推理
上面曾提到，在数学以及大量使用数学方法的科学研究中，算法是一系列可以被计算机编程的指令，这些指令使得我们可以用机械的方式解题。也就是说只要我们亦步亦趋地严格按照指令操作，算法就可以保证我们得到正确答案，而无需做出其他种类的决策。从小学我们就开始学习各种算法，如加减乘除、开平方、开立方等。解如下一元三次方程“x[3]+2x[2]-7x-14=0”，存在着被称为“卡尔丹公式”的算法。只要按照该算法推导下去，并保证推导的每步不会因为心理疏忽而推错的话，就会得出正确的结果。当然，使用这个算法通过手算来求解常常是较为繁琐的。对于大于一元四次的方程，则不存在类似的算法。然而，学校里的老师和绝大多数的数学教材都会教我们使用一些助勘式方法来求解其中一部分方程。上过中学的人都知道找公因式的方法，使用这个方法求解上述一元三次方程则无需使用“卡尔丹公式”。只需把它换成“x[2](x+2)-7(x+2)”，然后再换成“(x[2]-7)(x+2)=0”就可以很容易解出。然而，并不是所有的方程都能够找到公因式。找公因式的这种方法有的时候好用，有的时候就不好用了。面对一个一元多次方程，经过一番考究，我们也常常能够判断出找公因式的方式是否能用。
一个问题如果存在着解决它的算法，在原则上就可以用机械的方式解决它。然而，有时候计算过程过于漫长，甚至花费一个人整个生命的时间也未能算完。有时候使用算法解决一个并不太难的问题(即可判定性问题)，也可能会使目前速度最快的计算机要花费整个宇宙生命的时间来解决它([2]，p.79)。因此很多时候，即使我们拥有解决一个问题的算法，但出于实践的考虑，使用助勘式方法是比使用算法更为合理。
一个算法对问题的解决依赖于该问题的逻辑结构。用“卡尔丹公式”解决一元三次方程的每一个步骤都是数学或逻辑等式，其中没有任何含混的地方。从一个华氏温度转化为相应的摄氏温度就是这样的过程。而助勘式方法则与此十分不同，它只在某些情况下给出正确或接近正确的答案。答案能否正确则取决于要去解决的问题的性质，取决于处理问题的方式，也取决于我们所想要的答案的类型，而所有这些都很难用某些固定的规则来确定。另外，算法的一个基本特性就是它的正误标准独立于应用时的物质条件。演算一个数的平方根无论是在纸上用钢笔或铅笔，还是在沙地上用小木棍，其结果都应该是一样的。与算法的这个特性不同，有些助勘式认知工具很大程度上依赖于应用时的物质条件。我们来看一个例子。
计算平方根、指数、对数和三角函数一种方式是使用计算尺。在二十世纪七十年代电子计算器流行之前，计算尺是理工科学者和工作人员常用的工具。仔细考察它的工作原理就会发现，它是个典型的助勘式工具，其计算结果也可以看成是一种助勘式推理的结果。计算尺是由固定的定尺、可滑动的滑尺以及帮助读数和对齐数字滑标组成，其中定尺和滑尺上分别按“y = lgx”(即C，D尺)和其中的“y”(即L尺)刻度。由于两数积或商的常用对数等于这两个数的常用对数的和或差，即“lga.b = lga + lgb”及“lga/b = lga - lgb”，这就使得定尺和滑尺刻度的可加减性可以用来近似地计算两个数字的乘和除。之所以说是“近似地”，是因为计算的结果是使用者在滑标的帮助下所看到并估摸的刻度值，其中必然含有误差。计算尺以对数的刻度为基础与平方，立方，正弦函数和正切函数相对应，可以用来做倒数、平方、乘方和三角函数的近似计算。我们来看一个相对简单的操作：计算“3.35[3.38]”
(1)移发线到D尺3.35，读L尺得0.525。因为3.35的位数是1，所以首数是零，即
Lg3.35= 0.525；
(2)用C尺、D尺计算，得
3.38x 0.525= 1.775；
(3)移发线到L 尺0.775，读D尺得5.95，因首数是1，所以真数的位数是2，即
3.35[3.38]=59.5([3]，p.85)
即使我们忽略这一段文字中一些技术概念，也不难看出求解过程中的一些特征。这个具体的求幂过程被分成了三个子问题，每个子问题都相应的标尺的操作和计算，也就是说，每个子问题都遵循自己的计算和操作标准，尽管一些标准在三个子问题中是共有的。每个子问题的解决都带有自己的偏差，因而，子问题越多或操作步骤越多，则出错的可能性就越大。而且，偏差部分地决定于计算尺的物质材料、制作的精美度以及使用者的操作能力。比如，热胀冷缩有可能增大阅读刻度时的误差，误差值也会随着子问题和操作步骤的增加而增加。
计算尺的例子带给我们两个重要的观察。第一，助勘式推理不仅是一种心理认知层面上的推理和推理规则，在一个更广泛的层面上，它同时也是一种认知方法、认知策略和认知工具。因此，在后面的讨论中，我们会根据具体问题，使用“助勘式方法”、“助勘式工具”、“助勘式原则”等表达，以照应这更广泛的层面。第二，并不是所有的助勘式推理的成功运作都像计算尺那样依赖于使用时的物质条件。比如，解决上面提到的一元三次方程的助勘式方法的成功运作就无需依赖物质条件。然而，要点并不在于物质条件是否必要，而是在于助勘式推理与算法的一个重大区别是前者要成为一个合适的认知规范需要某种人为性支持(artificial implementation)，而算法仅依赖于有效的逻辑和数学规范。
三、物理学中的助勘式工具：还原论及其问题
我们再看看助勘式认知工具在物理学中的应用。一些学者认为物理学中的助勘式认知工具都可以还原为算法。我们要指出这个观点站不住脚。然而，物理学中的确有一些助勘式推理可以还原为算法。我们先看一个例子。
物理学从古希腊开始就在使用一种可被称为“最小作用原则”(the principle of least action)的助勘式说明方式，即在说明一个物理现象或性质时，应该在说明项中预设最少的运动。欧几里得和亚历山大的海伦(Hero of Alexandria)都认为在说明光的性质时，需要预设光线在两点中以最短的距离进行传播([4]，p.275)。到了十七世纪，费尔玛(Pierre de Fermat)指出如果假设两点之间光线传播的路径是所遇到的阻力或所需要的时间最小的路径的话，将会很好地说明一系列光的现象，包括斯涅耳定律。他深信最小作用原则是表征自然现象和规律的普遍原理。后来莱布尼茨和莫泊丢(Pierre-Louis Moreau de Maupertuis)也运用这个原则，即假定光的行进会使某个量取最小值，来说明各种光学各种定律([5]，p.253)。莫泊丢认为最小作用原则揭示了自然的终极因以及上帝的存在。不久，欧拉(Leonhard Euler)和拉格朗日(Joseph-Louis Lagrange)则提出最小作用原则及其解释无需与终极因挂钩，而是可以从公式中推出来([5]，pp.66-69)。这种消去物理学及其它科学中目的论说明的策略收获了相当丰富的成果，时至今日仍然有它的市场。使用公式来重新解释目的论过程，使得该过程可以通过机械的步骤分析出来。也就是说，被最小作用原则说明的自然现象可以被还原到某种算法对该现象的描述中。这种还原论的一个重要后果是拉普拉斯的决定论。大致来说，拉普拉斯的决定论坚持认为，未来的任何状态都可以通过算法决定，该算法一旦获知起始状态中的所有粒子及粒子间的物理状态，那么就可以机械地推出未来某一时间点上所有粒子及粒子间的物理状态。拉普拉斯的决定论是莫泊丢理论的一种变形，并放弃关于上帝的那一部分。它把莫泊丢理论中以最小作用原则来说明的部分还原到微分方程的描述。在这种描述下，所有的物理过程都被还原为机械过程，而无需任何目的论预设。
在这个例子中，最小作用原则是一个标准的助勘式工具，被科学家们用来描述和说明目的论系统中的物理行为(即可以从终极因中推出的行为)；同时，最小作用原则也可以被微分方程表达的算法说明，而这些算法又可以从某些自然定律中推出。在物理学和其他学科中的确存在着这种可以还原为算法的助勘式认知工具。这使得一些学者认为，尽管助勘式工具可以帮助科学家们找到问题的近似解决，或在某些情况下精确地解决问题，但要彻底地解决问题，仍需要找到可以还原助勘式工具的算法。这种还原论的看法把物理学看作最为基本的知识领域，因为物理学是寻找算法最为基础的领域。然而，这种看法值得怀疑。
美国物理学家杰洛赫和哈特勒曾指出，作为算法的理论可以机械地从理论中推出检验或预测结果，但一些物理理论无法满足这个要求([6]，p.534)。比如，如果理论预测的误差界限为5％，那么在做实验前就要建构相应的数据模型，确立相应的统计显著性差异，以便判断最终的实验结果是否支持理论或使理论成功的预测。如果误差界限改为1％而理论可以作为算法的话，那么只需对之前的数据模型中的参数和统计显著性差异略作修正即可。然而，许多物理学理论并不是算法，当改变误差界限后，甚至整个问题都需要重新定位，因而需要构造新的模型，采用新的近似和评价方法。在这种情况下，难以找到从理论机械地推出检验或预测结果的方式。这就意味着在这些不是算法的理论中，助勘式方法将作为概念的和技术的工具来推出理论的检验或预测结果。杰洛赫和哈特勒指出量子力学就是这种非算法的理论。
由物理学家兰姆(Willis Lamb)提出并由科学哲学家卡特莱特(Nancy Cartwright)予以发展的观点认为，描述量子态的演化和互动的量子理论有时可以用概率的方式预测一个物理系统的经典态。然而，并不存在一个普遍性原则来连接一个物理系统的经典态和量子态。有时，两个状态可以有关联，有时则不能。也就是说，有的物理系统只有经典态，有的只有量子态，有的可以具有两种状态，但并没有一种系统的方式来刻画这些状态之间的关系。玻恩试图提供量子态和经典态之间关联的简单模式。但卡特莱特指出，这个尝试难以成功，因为它预设了一种无需考虑具体测量工具的理想化的测量；而在实际的量子测量中，科学家们总是通过特定的测量仪器和工具作出某种预测。忽略具体的测量仪器和工具进而忽略测量的具体语境来理解的测量，“根本不是现实的测量，而是更像一个妖怪骑在粒子的背上不需要任何仪器就能知道的东西”([7]，p.218)。
在兰姆和卡特莱特看来，从量子态到经典态之间缺乏普遍性的推理，正是量子世界中的偶然性的表现。允许科学家们成功预测的技术系统在量子层次和宏观层次之间探索两者之间的因果关系，并“偶然地”建立起这种关系，而这种关系正是世界的因果结构的“历史性”产物。之所以使用“偶然地”和“历史性”这两个词，是因为通过特定技术系统获取的量子态和经典态之间的关系，在另一个技术系统中并不必然会出现。技术系统帮助科学家们获取不同层次的物理状态之间的信息，但却难以保证所获取的信息具有不受任何限制的普遍性。在这个意义上，量子态和经典态之间的关系是偶然的。这种对量子态和经典态之间关系的看法意味着助勘式认知工具在物理学最基础的层面上起到不可还原的作用。物理学常常被看成是一个仅由物理概念和物理定律组成的封闭和自足的系统，也就是说，物理学仅通过物理概念和定律就可以做出所有的说明和预测。而兰姆和卡特莱特的解释则挑战了这个封闭和自足的物理观。他们展示了技术系统在形成其他情况均同(ceteris paribus)定律的过程中是不可或缺的，就像存活的有机体是形成生物学定律时绝对必要的(sine qua non)那样。而且，解决量子力学测量问题的一种建设性方式正是把一些物理学定律当作实质蕴涵(material implication)，即其中的推理过程依赖于相应的物理系统状态中的技术内容。
兰姆和卡特莱特对量子力学的解释是众多解释中的一种，并非不具有争议性。然而，他们的解释提供了在物理学中助勘式认知工具不可还原为算法的可能性，而在其他学科中，这种不可还原性是相当清晰的。认识到技术因素在理解科学知识的增长中所起到的作用，意味着认识到，技术系统和各种实践资源所组成的助勘式认知工具如何在特定的科学实践中，以不同的方式界定着科学定律的偶然性边界。这个边界之所以是偶然的，部分是由于寻找技术系统和实践资源的偶然性，部分是由于作为助勘式认知工具的技术系统本身所带有的偏差。我们把具体实践中的技术系统和相应的实践资源所组成的助勘式认知工具称为“助勘式结构”。上面所看到的在数学和物理中例子展示了助勘式结构是科学合理性一个重要部分。
四、助勘式结构与合理性
理解建立在助勘式结构之上的科学合理性模型仍需要澄清一些问题。在上面讨论具体例子时，根据不同的讨论对象，我们曾用过“助勘式推理”、“助勘式认知工具”、“助勘式结构”的概念。在这里我们需要对“助勘式结构”和“技术系统”给出一个更具一般性的刻画。
一个助勘式结构是为了解决特定问题而形成的一组功能性地、人为地和有层次地组织在一起的具有系统性偏差的认知过程。所谓“功能性”是指助勘式结构的组成是为了解决某些问题。在讨论计算尺时，我们曾提到过“人为性支持”，它意味着助勘式结构是人们为了解决某些问题而创造出的认知资源和工具。而“有层次地”(hierarchical)是说为了解决某一问题，各类助勘式资源以某种秩序或等级组合而形成结构。助勘式结构是科学实践的重要组成部分。譬如，计算尺就是一个助勘式结构；实验室中的一组实验设备也是一个助勘式结构，它由不同的次级技术和仪器组成，分别具有特定的功能以解决不同类型的问题，制造不同的现象和探测不同的对象，并被科学家们有层次地组合起来去解决新的问题。兰姆和卡特莱特所提到的“技术系统”可以被看作是由实验仪器、工具和技能组成的助勘式结构。这些技能包括收集信念，处理数据，操作仪器的能力。“助勘式结构”与“技术系统”的区别只是程度上的。作为助勘式结构的计算尺在本质上来说也是一个技术系统，因为建造计算尺需要许多技术支持，只不过这些技术并不直接影响计算尺的使用，使用者只需知道相应的使用和操作规则即可。与此形成对照的是电子显微镜，使用者对仪器的工作原理了解越多越深入，就越能够熟练地进行操作，看到自己想看的东西。有时，电子显微镜观察的现象要与光学显微镜观察的现象相对照，才能区别出所看到的东西是仪器产生的还是观察对象本身所带有的。所以，使用者还需要了解光学显微镜和电子显微镜在技术上的差别([8]，pp.200-201)。一般来说，一个助勘式结构在使用时，其技术成分并不直接影响使用，即在使用时我们可以把其中的技术成分当作一个可靠的“黑箱”过程而无需予以考虑，就是仅把它看成是一个助勘式结构。然而，如果对技术成分的了解是成功地使用助勘式结构所必需的环节，我们就倾向于把它看成是一个技术系统。
这种对助勘式结构的理解有可能引起两个疑问。首先，在心理学领域，助勘式推理的运用并不需要将复杂问题分解为子问题来处理，而是直接运用简单的助勘式推理来解决因缺乏信息而无法使用算法来解决的问题。比如，当判断城市A和城市B哪个人口更多，而又一时找不到相应的统计数据时，一般人都会使用代表性助勘式，认为平时更多被人提到的城市更有可能拥有更多居民。因此，我们并不要求把所有的助勘式认知资源都看成助勘式结构，而只想展示助勘式认知资源中很重要的一部分，它们可以被理解为助勘式结构。在科学研究中，助勘式结构被大量使用。使用者需要通过理解其功能性、人为性和层次性的结构特征来掌握助勘式结构。与简单的助勘式推理不同，助勘式结构的系统偏差在很大程度上反映了该结构中各种助勘式资源相互组合的关系。
第二个疑问所针对的是助勘式结构的人为性特征。有人也许会说，计算尺只是支持助勘式推理的人造物(artefact)，不应该被看作助勘式推理的一部分。然而，计算尺的使用者并不把作为物质的计算尺与计算尺的工作原理分开，他们所关注的是这个人造物以图示表征的方式来解决问题的能力。许多应用于科学实践中的助勘式结构和技术系统都具有类似的性质。也就是说，不应该把助勘式结构仅理解为一组助勘式推理规则的组合，而与该组合以何种方式产生、组合成员之间以何种方式连接等问题无关。一般来说，无论是日常生活还是科学研究中的助勘式资源都是某种人造物。人造物并不一定是木头或金属做的，数学模型也是人造物。学会使用计算尺需要学会一系列操作和使用技能，记住并使用一些公式和算法。熟练并成功操作计算尺，还需要学会运用估算的助勘式推理，以便能够探测并避免计算尺使用时一些常见的误差。实际上，即使有人坚持认为所有助勘式推理都是认知人造物，这也是个可以被辩护的观点。在较为复杂的助勘式结构中，认知人造物是连接其中各类助勘式资源的重要手段。
以助勘式结构为基础的合理性建模可以有不同的方式。其中一些方式也存在着争议。早期十分著名的方式是认知科学家司马贺(Herbert， A.Simon)的有限合理性(Bounded Rationality)理论([9]，p.125)。在司马贺看来，单纯地使用推理规则难以充分地刻画合理性。在一个更具现实性的合理性模型中，决策者需要在有关目的和手段的信息都不完整的情况下做出决策。这个决策过程满足最低限度的充足性，却并不一定需要找到所有达成目的的手段，并比较每个手段所带来的最大利益。在这种有限合理性的框架中，理性的决策者无需总是计算利益的最大化，而是大量使用助勘式认知资源。这些助勘式认知资源会向决策者暗示，一旦某种选择满足最低限度的充足性，那么就做出这种选择([10]，p.496)。建立在利益最大化原则之上的合理性模型无需顾及决策者的心理和与境状况，却常常要求决策者具有无限的认知和计算能力。而有限合理性模型中的最低限度的充足性标准则由决策者认知能力的限度、所在社会群体的其他成员的决策等与境因素确定。
尽管司马贺的有限合理性理论把助勘式结构放在中心位置上，但仍然保留了一些值得商榷的来自传统合理性理论的特征。首先，司马贺从人工智能的角度出发，坚持把助勘式结构的合理性过程看成是处理不同问题的助勘式推理的组合，一旦我们识别出这些助勘式推理，就可以把它们形式化并编程于计算机中。这个人工智能视角仍然把算法看成是知识论层面上更为基本的资源，而助勘式认知资源最终隶属于算法。其次，仍然是出于人工智能的考虑，有限合理性理论将助勘式结构所给出的智能过程与智能主体的知觉和行动过程分开，前者需用动态的和结构性的符号表征编程于计算机，后者则是该表征的背景基础。有限合理性理论的这两个特征——即算法在知识论上优先于助勘式结构，助勘式结构的符号表征与知觉和行动理论的截然两分——有当时人工智能理论发展限制的因素，当今认知科学的许多研究成果从不同角度质疑了这两个特征。
比如，人类学家哈钦斯(Edwin Hutchins)通过细致的田野研究，批判了对认知的传统理解。这种理解总是把认知看成是从与境和文化中抽象出来的某种符号系统。从传统立场出发，认知过程中使用的工具和仪器都是与境的一部分，理解真正的认知过程必然要抽离这些与境因素。而文化不过是认知过程运作于其上的观念化内容([11]，pp.12-14)。这种理解预设了助勘式结构所携带的技术和与境结构都不是认知规范的最终来源，而是外加在认知规范的最终来源之上的某些辅助工具。不难看出，司马贺的有限合理性理的上述两个特征也做出了同样的预设。当前认知科学的具身认知进路挑战了这个预设。比如，布鲁克斯(Rodney Brooks)发现独立于知觉和行动的以符号表征为主体的机器人难以执行许多十分简单的任务。因此，他发展出一种基于行为的机器人。这种机器人的行动是从机器人的身体与世界的即时互动之中涌现出来的([12]，p.1227)。在这个过程中，机器人并不是首先对周围环境进行内部表征，然后以内部表征为基础计算出下一步行动，而是直接使用周围的世界作为自己的模型([13]，p.81；pp.166-167)。这种具身性(embodiment)和情境性(situatedness)进路的成功意味着一些认知过程的模型难以独立于认知主体的知觉和行动。
认知心理学家吉仁泽(Gerd Gigerenzer)提出，建立在简单、经济和快速的助勘式推理的合理性理论能够避免司马贺的有限合理性理论的两个特征。首先，吉仁泽指出许多问题使用算法来解决会要求投入巨大的认知资源而难以获得理想的结果，而使用助勘式推理可以简单、经济和快速地解决这些问题。这使得认知资源有限的人类可以有效地适应环境。这也意味着助勘式推理并不隶属于算法，或者与算法相比是一种更为劣等的合理性规范。相反，在解决许多问题的过程中，助勘式推理都优越于算法([14]，pp.6-9)。其次，吉仁泽强调有限合理性理论不能把注意力仅放在有限的认知能力对合理性的影响，还需要重视与境因素——如技术、情感和社会因素等——对合理性的限制。合理性规范不是外在于或独立于这些限制的，而是由这些限制构成的。我们不妨看一个具体例子。吉仁泽指出，科学发现的合理性很大程度上依赖于一种被称为“从工具到理论的助勘式”(the tools to theories heuristic)。这个助勘式大致分为两个部分：首先，新的科学工具一旦扎根于科学家的日常实践，就会暗示新的理论隐喻和概念；其次，如果科学团体中有成员使用该工具，该工具所暗示的新隐喻和概念就很可能被该科学团体所接受([15]，p.5)。在这里，“工具”一词可以是物理的也可以是概念的。物理的是指实验工具、仪器和设备等，概念的是指理论分析和评价工具。因此，我们完全可以把吉仁泽的这个助勘式当作一个助勘式结构。我们从讨论过的例子中已看到大量的物理工具。吉仁泽重点讨论的一个物理工具是计算机的使用，及其如何在认知科学中形成“心灵如同计算机”的隐喻，以及这个隐喻如何影响着认知科学的发展进程。同样地，他也通过科学史中的大量资料，讨论了统计推理这个分析性工具的不同种类在实验心理学中的使用，以及它如何形成了“人的心灵是统计性”的理论隐喻，以及这个隐喻给实验心理学研究带来的积极和消极的影响。在这里我们想要强调的是，吉仁泽的分析充分展示了助勘式结构无法独立于与境因素干预：建立助勘式结构之上的合理性模型不仅难以还原到算法中，也在本质上由一系列与境因素所构成。
参考文献：
[1]Kahneman,D.P.S.Tversky,A.Judgement under Uncertainty:Heuristics and Biases[C].Cambridge:Cambridge University Press,1982.
[2]Cherniak,C.Minimal Rationality[M].Cambridge,The MIT Press,1986.
[3]钱立豪.计算尺的使用与原理[M].上海：上海人民出版社，1976.
[4]McPeak,W."Advancements in Optics,700-1449"[A].Science and Its Times:Understanding the Social Significance of Scientific Discovery,vol.II [C],Schlager,N.(eds.)Detroit etc:Gale Group,2001,274-277.
[5]Wolf,A.A History of Science,Technology,and Philosophy in the 16th,17th and 18th Century[M].London:George Allen & Unwin Ltd.1935.
[6]Geroch,R.,Hartle,J."Computability and Physical Theoriees"[J].Foundations of Physics,1986,16(6):533-550.
[7]Cartwright,N.The Dappled World:A Study of the Boundaries of Science[M].Cambridge:Cambridge University Press,1999.
[8]Hacking,I.Representing and Intervening[M].Cambridge:Cambridge University Press,1983.
[9]Simon,H.A."Bounded Rationality and Organizational Learning"[J].Organization Science,1991,2(1):125-134.
[10]Simon,H.A."On How to Decide What to Do"[J].The Bell Journal of Economics,1978,9(2):494-507.
[11]Hutchins,E.Cognition in Wild[M].Cambridge,Mass:The MIT Press.1995.
[12]Brooks,R."New Approaches to Robotics"[J].Science,1991,253:1227-1232.
[13]Brooks,R.Cambrian Intelligence:The Early History of the New AI [M].Cambridge :The MIT Press,1999.
[14]Gigerenzer,G.,Selten,R.Bounded Rationality:The Adaptive Toolbox[C]Cambridge:The MIT Press,2001.
