智能是人機環境系統交互的產物
發布時間：2021-08-24 10:07:10
對待場景中的變化，機器智能可以處理重復性相同的“變”，人類智能能夠理解雜亂相似性（甚至不相似）的“變”，更重要的是還能夠適時的進行“化”，其中“隨動”效應是人類計算計的一個突出特點，另外，人類計算計還有一個更更厲害的武器——“主動”。
智能不是人腦（或類腦）的產物，也不是人自身的產物，而是人、物、環境系統相互作用的產物，正如馬克思所言：“人的本質不是單個人所固有的抽象物，在其現實性上，它是一切社會關系的總和”，比如狼孩盡管具有人腦的所有結構和組成成分，但沒有與人類社會環境系統的交流或交互，也不可能有人的智能和智慧。事實上，真實的智能同樣也蘊含著這人、物、環境這三種成分，隨著科技的快速發展，其中的“物“卻也逐漸被人造物——”機“所取代，簡稱為人機環境系統（為簡化起見，后面均以“人機環境系統”一詞代替“人物環境系統”一詞），平心而論，人工智能要超越人類智能，在現有數學體系和軟硬件的設計模式基礎之上，基本上不大可能，但在人機一體化或人機環境系統中卻是有著可能。人工智能是邏輯的，智能則不一定是邏輯的。智能是一個非常遼闊的空間，它可以隨時打開異質的集合，把客觀的邏輯與主觀的超邏輯結合起來。
研究復雜性問題是困難的，但把它分解成人機環境系統問題就相對簡單一些，至少可以從人、機、環境角度去思考理解；研究智能——這個復雜問題也是困難的，但同樣也可把它分解成人機環境系統問題研究分析處理，人所要解決的是“做正確的事（雜）”，機所要解決的是“正確地做事（復）”，環境所要解決的是“提供做事平臺（復雜）”。正如郭雷院士所言：“復雜性和智能化是系統科學發展的兩個永恒的主題。復雜性主要體現的是系統科學認識世界的一面，而智能化主要體現的是系統科學改造世界的一面。”
2020、2021年注定是兩個人類難忘的年份，這兩年除了席卷全球的新冠疫情外，還出現了一個奇特的現象，即人件、軟件、硬件、環件等智能化條件均屬世界第一的美國新冠感染者世界排名第一，并且死亡人數也是世界排名第一的現象。不難看出，對于人+機+環境系統而言，美國不但不是第一，而且是規模性失調，所以，中美角力的焦點不僅僅是人、機、環境每一或所有單項人工智能的領先優勢，更重要的是人、機、環境系統融合智能的整合。下面將針對人機環境系統與智能問題展開分析和探討。
一.智能的回溯
要想預測一個人的未來，需要了解其過去。同樣，要想展望智能的未來，需要先了解它的起源與歷史。
在人類的文明的歷史中，有過四大文明古國，在這四大文明古國里邊最著名的，即古巴比倫和古埃及，這兩個文明，幾乎同時出現，它們是距今一6000多年前，就已經有了國家、工具、文字出現，這兩個文明直接導致了歐洲文明的起源。這兩個文明主要是研究人和物之間的關系，例如水利、工具、一些制度、法律。這種人和物之間的關系，后來影響到了歐洲的一些地中海（希臘）文明，后來輻射到整個歐洲大陸，誕生了科學和技術，科學和技術的宗旨研究，就是人和物之間的關系。
除了這兩個最早的文明以外，第三大文明就是古印度文明。古印度文明里面很重要的特質，就是研究人和神之間的關系。人神之間的關系，主要是人和抽象事物，不可掌控的一些事物之間的關系，在中東一帶，誕生了世界所有最主要的宗教，像伊斯蘭教、像基督教、印度教，佛教等等，都源于此，都是關于人和神之間關系的。
第四大文明是研究人和人之間關系，人和環境之間關系的一個重要的文明，即中華文明。目前世界上保存的較完整、較好的文明，就是中華文明。中華文明體現的不是人和物，人和神之間的關系，是人和人之間如何融洽，人和環境之間如何和諧，天、地、人之間如何共生的問題。
在距今2500年以前，西方的最主要的科學之祖，也是哲學之祖，是泰勒斯，他和中國的老子、孔子差不多出現在同一時代，其思想體現在他的一句箴言里面即“Water is best（水是最好的）”。水是一種物質，地球生物是海洋里誕生出來的，然后水又滋育的和哺育了人類，所以西方的科學和哲學一開始就和物質密切相關，而我們的老子對水也有闡述“上善若水”，孔子的“逝者如斯夫”，也是對水的一種感嘆，但他們大多都拘泥于感性和倫理方面，故東西方文明的差異從這幾個代表性人物語言里邊大家可見一斑。
從上文可見在歲月的發展的歷史長河當中，人類四大文明分別聚焦于人物、人神、人人、人與環境，相互之間的關系，而科學和技術的發展，和人和物之間密切相關，所以，現代科學技術起源于歐洲，是順理成章的，也是可以理解的。但目前來看，隨著社會和人類不斷的進步，人和人、人和環境之間的關系被日益提到日程上來。所以，現在整個世界的焦點，逐漸從西方轉移到了以人與人、人與環境為主的東方視角來。
人和物之間的關系，是西方一個重要的研究方向，機器是人造物，所以人機交互，也是起源于這個西方。人機交互的本質是共在，即“being together”。人把自己的優點，和機器的長處結合在一起，形成了一個交互的，實質性的問題，而未來人工智能的發展方向，很可能是人機混合智能或人機混合智能，即把人的智慧和機器的智能結合在一起，形成一個更有力的，支撐性的發展趨勢，這樣不但研究人機交互的脖子以下的，即生理的問題，而且還會研究脖子以上的，即心理的或者大腦的問題。其實，人機交互或人機混合智能，都是不準確的詞，最準確的詞是人機環境交互系統，因為人和機器及物質，其交互是不完整的，是通過環境這個大系統，來進行溝通的，所以人機環境系統工程，可能是未來的，一個主要的研究方向。
那么，人工智能或智能的本質是什么？可以從人的成長經歷或發展上看出一些端倪。一般來說胎兒在母親腹中，就已經開始有了各種感覺，如聽覺、嗅覺、味覺、觸覺，已經開始和外部的環境及母親腹中的內部環境進行交互，已經產生了一個，很簡單的“我”的概念。然后，出生以后，因為視覺、聽覺等感覺發育得不是很完善，更多的是用觸覺來接觸世界，了解他周圍的一些事物，隨著自主能力的產生，會試圖擺脫大人的束縛，更愿意自己爬，自己走，不希望別人去扶。可以看到，這時候已經開始否定了，否定別人的幫助。據國內外最新的研究結果，小孩形成語言的時候，無論東方還是西方，除了被不斷重復灌輸的爸爸、媽媽這種詞以外，自己先說出的，都是從第一個單詞——動詞“不”開始的，然后會發展到，說“沒有”還有“別”這些詞。“不”、“沒有”、“別”這些詞，就是孩子們成長的一個過程，在這個過程當中，就體現出人的智能，是從否定開始的，否定外部，否定自己，否定很多事物，來產生了某種智慧性的東西。需要注意，在人工智能里邊，其否定機制，還遠遠沒有產生，所以人工智能和人的智能，有很大的差異。
為什么會有許多人不斷提出有關未來智能的各種問題？主要是因為現在的人工智能還遠遠未達到大家的期望，現在大家看到的AI某種意義上都是自動化或者是高級自動化，那智能化和自動化有什么區別呢？自動化是這樣的，固定的輸入及可期望的輸出，如很多生產線都是自動化生產線，而智能化不是這樣，輸入可以固定也可以不固定，但是輸出一定是非預期性的，絕大部分是非預期的“智者，是非之心也”，是非之心就是“智”，你可以有意識，但不一定有智慧，意識是無關乎是非的，而智慧是要知道是非的，明白倫理的。那什么是倫理呢？從古希臘角度來看，倫是分類，分類的道理就是倫理；大家注意智能的本質也是分類——是非之心，古希臘人就把倫理當做分類的道理。什么叫道德呢？道就是走路的大道，德是什么？獲得。按照正確的道路走，得到你想要的東西就叫做道德，如果不按照正確的路走就沒有道德。
我們在研究過程中發現，人工智能的起點，第一個詞是“是”，“being”，即存在，客觀的物質，這是西方的哲學的一個很重要的詞，世界是物質的還是意識的，其中物質就是“being”。然后，關于人的智能和智慧，還存在著“should”，“應該”。《三國演義》里面的“義”，就是“should”，“應該”的意思，“仗義”的“義”也是“應該”的意思，“應該”這個詞，在西方里邊非常重要，在東方里邊也很重視，這是東西方交流的一個交匯點。Should，翻譯成哲學語言，就是意識，即awareness、consciousness。另外還有want，人有want，即想干什么，而機器不會want，機器只會按照程序、指令進行操作，而人還有一個“能（can）”的問題，即能做還是不能做。機器沒有這個問題，只是操作。
休謨之問是指英國哲學家大衛.休謨（David Hume）1711年在《人性論》的第一卷和《人類理智研究》里面提出來的：從“是”（Being）中能否推出“應該”（Should）來，即從客觀事實里能否推出主觀價值。中國古代著名的一句話“天行健，君子必自強不息”是不成立的。“天行健”是一個事實，“君子必自強不息”則是一種價值觀，二者不能劃等號，這里面涉及到一個很重要的詞“change”，“變”，人會不斷的“change”，而機器則不能，只會按部就班、因循守舊、刻舟求劍。我們認為這五個詞（being、should、want、can、change）是人工智能和人類智能很重要的差異。另外，人還有一個很重要的特質，即感知的恒常性，人在變化的外界環境當中通常能夠保留對這個事物的本來面目的感知，例如某種顏色。在不同的背景下，會改變這種顏色的影響，但是人卻會能夠在這種變化當中，找到不變的那種感覺，而機器不然，機器它對外部變化的顏色，會有一個實時的反應，很難找到那種不變的東西。
在現代的人工智能的發展，劍橋大學起到了非常重要的作用，其中有三個代表性的人物，第一個就是阿蘭·圖靈，他提出了圖靈測試和圖靈機的思想，然后影響了整個世界人工智能發展的軌跡。第二個人就是著名的深度學習之父Geoffrey Hinton，他是劍橋大學心理系的本科生，后來到了加拿大，繼續做關于人工神經網絡的研究，并提出了深度學習的概念和方法，人工智能因此而得到了復興和現在的繁榮。第三個是AlphaGo之父哈薩比斯，他是劍橋大學計算機系的本科畢業生，對推動人工智能的發展，也起到了非常重要的作用。
霍金曾說過，在過去的數十年里，人工智能一直專注于圍繞建設智能體所產生的問題，即在特定的情境下，可以感知并行動的各種系統。在這種情況下，智能是一個與統計學，和經濟學相關的理性概念。通俗地講，這是一種做出好的決定計劃和推論的能力。
人工智能來自于智能，而智能，究其最深之處就變成一個哲學問題。早期有一批偉大的哲學家一直在討論什么是智能，什么是知識。邁克·波蘭尼（Michael Polanyi），他曾在20世紀60年代寫過一部著名的著作《The Tacit Dimension（默會的維度）》，提出“我們知道的越多，那么我們知道的越少”。同時他還認為我們知道的遠比我們說出來的要很多（We can know more than we cantell）。波蘭尼這句話里面，體現出了默會的知識、隱形的知識，在支配著我們不斷的向顯性的知識進行遞進、進行演化。
另一個是弗里德里希·哈耶克（Friedrich Hayek）。哈耶克在經濟方面對世界的影響很大，曾拿過諾貝爾經濟學獎。他一生當中，涉列了政治、社會、經濟、文化、藝術、哲學和心理學，在認知科學方面，他有一本著作《The Sensory Order（感覺的秩序）》。在這本書中，他明確地提出了一個觀點“Actionmore than design”即行為遠比設計更重要，其大意即人的各種感覺，是通過行為來表征出來的，而不是故意設計出來的，后來的演化造成了設計出現。維基百科的創立人之一吉米·威爾士（Jimmy Wales）很推崇《The Sensory Order》一書，認為是這本書，點醒了他創立了維基百科。
第三個是卡爾·波普爾（Karl Popper），他是一個偉大的哲學家，提出了三個世界的觀點，物理的、精神的和人工的。他有一本非常經典的著作《科學發現的邏輯》，他提出科學不是證實而是證偽，他認為科學是提出問題進行猜想，然后進行反駁，不斷的試錯，有科學的出現，而不是常規意義上的觀察歸納，然后證實的實證機制。在歸納里面有很多的漏洞，因為歸納是不完全的歸納，波普爾就有針對性的對歸納進行了梳理。
通常認為人工智能的學科起源，是從1956年美國達特茅斯會議開始。但它的科學起源，可以最早追溯到19世紀曾任劍橋大學盧卡斯教授的查爾斯·巴貝奇（CharlesBabbage），他是世界上做機械計算機的鼻祖，做了一臺機械的計算機，計算正弦和余弦數值的大小，從此人類拉開了計算的帷幕。另一個是劍橋大學的伯特蘭·羅素（Bertrand Russell），羅素利用其哲學思想和他的數學基礎，創立了一個很重要的哲學分支——分析哲學。分析哲學的至高點是維特根斯坦（Ludwig Wittgenstein），維特根斯坦的前半期寫了一部重要的著作——《邏輯哲學論》，這部書里提出，語言是哲學的重要的工具，也是哲學的切入點。在此之前，哲學的發展有兩個里程碑，第一個是關于世界本源的問題，即是物質的還是意識的，這個討論了一千多年，后來笛卡爾開始研究用什么樣的方法來認識世界是物質的還是意識的，提出二元論。在此之后，人們找了很多方法來研究哲學，但收效甚微，直到維特根斯坦，他改變了哲學的軌跡。他前半生研究關于語言的人工性，所謂人工性的語言就是標準化的語言，格式化的語言，是流程性的程序化的語言，而他的后半期主要否定了自己前半期的工作，開始研究生活化的語言，自然性的語言。認為真正的哲學是通過生活化的語言，來體現出哲學的深奧和哲學的意義。
針對智能的概念，權威辭書《韋氏大辭典》的解釋是“理解和各種適應性行為的能力”；《牛津詞典》的說法是“觀察、學習、理解和認知的能力”；《新華字典》的解釋是“智慧和能力”；美國著名人工智能研究專家阿爾布斯（James Albu）在答復另一人工智能專家埃克斯穆爾（Henry Hexmoor）時說“智能包括：知識如何獲取、表達和存儲；智能行為如何產生和學習；動機、情感和優先權如何發展和運用；傳感器信號如何轉換成各種符號；怎樣利用各種符號執行邏輯運算，對過去進行推理及對未來進行規劃；智能機制如何產生幻覺、信念、希望、畏懼、夢幻甚至善良和愛情等現象”。作為一門前沿科學和交叉學科，人工智能至今尚無統一的定義。不同科學背景的學者對人工智能做了不同的解釋：符號主義學派認為人工智能基于數理邏輯，通過計算機的符號操作模擬人類的認知過程，從而建立起基于知識的人工智能系統；聯結主義學派認為人工智能基于仿生學，特別是人腦模型的研究，通過神經網絡及網絡間的鏈接機制和學習算法，建立起基于人腦的人工智能系統；行為主義學派認為智能取決于感知和行動，通過智能體與外界環境的交互和適應，建立基于“感知-行為”的人工智能系統。其實這三個學派從思維、腦、身體三個方面對人工智能做了闡述，目標都是創造出一個可以像人類一樣具有智慧，能夠自適應環境的智能體。
發展至今，總體而言，人工智能的進展可以分為四個階段：醞釀階段、初步發展階段、積累階段與蓬勃發展階段。
1、醞釀階段
任何事物的形成與發展都有一定的基礎，人工智能領域也不例外。首先，在哲學領域，學者對于意識問題情有獨鐘。自從笛卡爾17世紀提出我思故我在的論述之后，有關意識的組成爭論就從未停止過。托馬斯·霍布斯、梅洛·龐蒂等人曾經明確反對身心二元論，前者認為是人是純粹理性的，而后者認為身體和心理并不是獨立分開的個體。可以說，這些哲學爭論為早期的人工智能起到了很好的促進與推動作用。
其次，在1943年，麥克卡洛與匹茨提出了著名的MP神經模型（McCulloch-Pitts neuralmodel），他們將神經元視為二值開關，通過不同的組合方式可以實現不同的邏輯運算。該模型的意義在于其開創了人工神經網絡的研究。1949年，唐納德·赫布（Donald Hebb）提出學習模型，大體觀點為，如果在突觸前后的兩個神經元被同步激活，那么這個突觸連接增強。MP模型與Hebb學習規則的確立為后期的聯結主義奠定了基礎。
在其他領域，現代計算機之父馮·諾依曼（VonNeumann）于1945年提出了后來被稱為馮·諾依曼結構的計算機體系結構，并被沿用至今。1948年，維納（Norbert Wiener）指出了神經系統與計算機工作的相似性，找到了他們內在聯系，將自動控制的研究提到了一個新的高度，對后期人工智能學科的創立產生了巨大的影響。【4】1936與1950年，圖靈（Alan Turing）先后提出圖靈機與圖靈測試的概念，旨在弄清楚計算機能做什么，如何定義智能等關鍵問題。維特根斯坦也對這個問題有所思考，他在著作《哲學研究》明確指出：機器肯定不能思維。
2、起步發展階段
人工智能早期發展主要領域在于公理證明。首先，紐厄爾（Allen Newell）和西蒙（Herbert Simo）編寫了一種名為邏輯理論機器（LTM）的智能程序，用來證明數學命題。與常見的數學推理過程不同，這種程序由結論出發，一步步從后向前分析，直到找出合適的證明問題為止。1963年，LTM程序證明了懷特海與羅素《數學原理》第一章中的全部定理。兩年后，邏輯學家王浩和數理邏輯家魯濱遜（Abraham Robinson）使用消解方法，使用機器證明了《數學原理》中的全部命題演算定理。
另外，在其它研究領域也有了初步的進展。1957年，羅森勃拉特（Frank Rosenblatt）首次引入了感知機的概念，推廣了聯結主義的研究，同時感知機的出現，使神經網絡也露出了其廬山面目。幾年后，模仿自然生物進化機制的演化計算開始出現，代表人物為霍蘭德（John Holland）與福格爾（David Fogel）。1965年，MIT人工智能實驗室的羅伯茲編織了多面體識別程序，開創了機器視覺的領域。
3、反思發展階段
在起步發展階段，各個領域都有了一定的進展。但是，這離當初設想的人工智能程度還所去甚遠。1969年，被稱為“人工智能之父”的馬文·明斯基（MarvinMinsky）與派普特（Seymour Papert）發表著作《Perceptrons》，指出單層感知器不能實現XOR（異或問題）邏輯。這極大的打擊了研究者的信心。20世紀70年代初，對AI提供資助的機構（如DARPA、NRC）對無方向的AI研究逐漸停止了資助。人工智能的第一次寒冬到來。
在低谷階段，人工智能界開始了反思。一派是以德雷福斯（Hubert Dreyfus）為代表，無情的對人工智能進行批判。他曾說道人工智能研究終究會陷入困局。而另一派則對人工智能抱有希望，代表人物為費根鮑姆（Edward Feigenbaum），他認為要擺脫困境，需要大量使用知識。于是，知識工程與專家系統在各個領域嶄露頭角，比如早期的反向鏈接專家系統MYCIN可以診斷一些特定類型的傳染病。這個階段（1976-1980）也稱為復興期。
進入20世紀80年代后，人工智能界重新肯定了早期人工智能研究中神經聯結方法與遺傳算法。1982年，霍普菲爾德（John Hopfield）提出了Hopfield神經網絡，引入了“計算能量”概念，給出了網絡穩定性判斷。1984年，他又提出了連續時間Hopfield神經網絡模型，為神經網絡的研究做了開拓性的工作。1986年辛頓（Geoffrey Hinton）、盧默哈特（David Rumelhart）和麥克勒藍（James McClelland）重新提出了反向傳播算法，即BP算法。值得一提的是，聯結主義不同于符號主義，其研究方法巧妙的避開了知識表示所帶來的困難。
與此同時，布魯克斯（Rodney Brooks）教授在1991年發表論文，批評聯結主義與符號主義不切實際，將簡單事情復雜化。他強調感知與行為直接聯系，這也極大程度的促進了人工智能界另一學派－行為主義的發展。
由此可見，在這一階段，人工智能的研究空前繁榮，可是好景不長，1987年現代計算機的出現，讓人工智能的寒冬再次降臨。人們普遍發現人工智能領域方面沒有實質性的突破，而所謂的專家系統使用范圍依然有限。于是，人工智能研究再一次陷入停滯。
4、蓬勃發展階段
1997年深藍的勝利，使得人們重燃對于人工智能的興趣。2006年，杰弗里·辛頓(GeoffreyHinton)提出深度置信網絡，使深層神經網絡的訓練成為可能，這也使得深度學習迎來了春天。2011年，IBM的Watson參加“危險邊緣”問答節目，并打敗了兩位人類冠軍，轟動一時。2012年，辛頓的學生Alex Krizhevsky使用AlexNet已大幅度的優勢取得了當年ImageNet圖像分類比賽的冠軍，深度神經網絡逐漸開始大放異彩。同年，運用了深度學習的技術的谷歌大腦（Google Brain）通過觀看數千段的視頻后，自發的找出了視頻中的貓。2016年，Google DeepMind的AlphaGo戰勝了世界頂級圍棋高手李世石，由此推動了人工智能的再一次發展，此后“阿爾法Zero”、“ MuZero”、“AlphaFold”等一系列算法陸續出現，從而引發了人工智能將如何改變人類社會生活形態的話題。目前正處于人工智能發展的第三次高潮期。
二、智能的第一原理
1、計算與算計
休謨認為：“一切科學都與人性有關，對人性的研究應是一切科學的基礎。”，任何科學都或多或少與人性有些關系，無論學科看似與人性相隔多遠，它們最終都會以某種途徑再次回歸到人性中。科學尚且如此，包含科學的復雜也不例外，其中真實的智能有著雙重含義：一個是事實形式上的含義，即通常說的理性行動和決策的邏輯，在資源稀缺的情況下，如何理性選擇，使效用最大化；另一個是價值實質性含義，既不以理性的決策為前提，也不以稀缺條件為前提，僅指人類如何從其社會和自然環境中謀劃，這個過程并不一定與效用最大化相關，更大程度上屬于感性范疇。理性的力量之所以有限，是因為真實世界中，人的行為不僅受理性的影響，也有“非理性”的一面。人工智能“合乎倫理設的計”很可能是黃粱一夢，原因很簡單，倫理對人而言還是一個很難遵守的復雜體系。簡單的倫理規則往往是最難以實現的，比如應該幫助處在困難中的人，這就是一條很難（遵守者極容易上當被騙）操作的倫理準則。對于AI這個工具而言，合乎倫理設計應該科幻成分多于科學成分、想象成分多于真實成分。
當前的人工智能及未來的智能科學研究具有兩個致命的缺點：（1）把數學等同于邏輯；（2）把符號與對象的指涉混淆。所以，人機混合深度態勢感知的難點和瓶頸在于：（1）（符號）表征的非符號性（可變性）；（2）（邏輯）推理的非邏輯性（非真實性）（3）（客觀）決策的非客觀性（主觀性）。
智能是一個復雜的系統，既包括計算也包括算計，一般而言，人工（機器）智能擅長客觀事實（真理性）計算，人類智能優于主觀價值（道理性）算計。當計算大于算計時，可以側重人工智能；當算計大于計算時，應該偏向人類智能；當計算等于算計時，最好使用人機智能。費曼說：“物理學家們只是力圖解釋那些不依賴于偶然的事件，但在現實世界中，我們試圖去理解的事情大都取決于偶然。”。但是人、機兩者智能的核心都在于：變，因時而變、因境而變、因法而變、因勢而變……
如何實現人的算計（經驗）與機的計算（模型）融合后的計算計系統呢？太極八卦圖就是一個典型的計算計（計算+算計）系統，有算有計，有性有量，有顯有隱，計算交融，情理相依。其中的“與或非”邏輯既有人經驗的、也有物（機）數據的，即人價值性的“與或非”+機事實性的“與或非”，人機混合智能及深度態勢感知的任務之一就是要打開與、或、非門的狹隘，比如大與、小與，大或、小或，大非、小非……大是（being）、大應（should）、小是（being）、小應（should）。人的經驗性概率與機器的事實性概率不同，它是一種價值性概率，可以穿透非家族相似性的壁壘，用其它領域的成敗得失結果影響當前領域的態勢感知【7】，比如同情、共感、同理心、信任等。
人類智能的核心是意向指向的對象，機器智能的核心是符號指向的對象，人機智能的核心是意向指向對象與符號指向對象的結合問題。它們都是對存在的關涉，存在分為事實性的存在和價值性的存在、還有責任性的存在。比如同樣的疫情存在，鐘南山院士說的就是事實性存在，特朗普總統說的就是價值性存在，同時他們說的都包含責任性存在，只不過一個是科學性責任，一個是政治性責任。
一般而言，數學解決的是等價與相容（包涵）問題，然而這個世界的等價與相容（包涵）又是非常復雜，客觀事實上的等價與主觀價值上的等價常常不是一回事，客觀事實上的相容（包涵）與主觀價值上的相容（包涵）往往也不是一回事，于是世界應該是由事實與價值共同組成的，也即除了數學部分之外，還有非數之學部分構成，科學技術是建立在數學邏輯（公理邏輯）與實驗驗證基礎上的相對理性部分，人文藝術、哲學宗教則是基于非數之學邏輯與想象揣測之上的相對感性部分，二者的結合使人類在自然界中得以不息的存在著。
某種意義上，數學就是解決哲學上“being”（是、存在）的學問（如1/2，2/4，4/8……等價、包涵問題），但她遠遠沒有、甚至也不可能解決“should”（應、義）的問題。例如，當自然哲學家們企圖在變動不居的自然中尋求永恒不變的本原時，巴門尼德卻發現、沒有哪種自然事物是永恒不變的，真正不變的只能是“存在"。在一個判斷中（“S是P”），主詞與賓詞都是變動不居的，不變的惟有這個“是”（being）。換言之，一切事物都“是”、都"存在”，不過其中的事物總有一天將“不是”、“不存在”，然而“是”或“存在”卻不會因為事物的生滅變化而發生變化，它是永恒不變的，這個“是”或“存在”就是使事物“是”或“存在”的根據，因而與探尋時間上在先的本原的宇宙論不同，巴門尼德所追問的主要是邏輯上在先的存在，它雖然還不就是但卻相當于我們所說的“本質”。這個“是”的一部分也許就是數學。
人機環境之間的關系既有有向閉環也有無向開環，或者有向開環也有無向閉環，自主系統大多是一種有向閉環行為。人機環境系統融合的計算計系統也許就是解決休謨之問的一個秘密通道，即通過人的算計結合機器的計算實現了從“事實”向“價值”的“質的飛躍”。
有人認為：“全場景智慧是一個技術的大融合。”，實際上，這是指工程應用的一個方面，如果深究起來，還是一個科學技術、人文藝術、哲學思想、倫理道德、習俗信仰等方面的人物環境系統大融合，如同這次抗疫。較好的人機交互關系如同陰陽圖一樣，你中有我，我中有你，相互依存，相互平衡，就像當前的中美關系一樣，美國想去掉華為的芯片，英特爾等就受損。簡單地說，目前人機關系就是兩條魚，頭尾相連，黑白相間。
每個事物、每個人、每個字、每個字母……都可以看成一個事實+價值+責任的彌聚子，心理性反饋與生理性反饋、物理性反饋不同。感覺的邏輯與知覺的邏輯不同，易位思考，對知而言，概念就是圖型，對感而言，概念就是符號。從智能領域上看，沒有所謂的元，只有變化的元，元可以是一個很大的事物，比如太陽系、銀河系都可以看成一個元單位。我們稱之為智能彌聚子。
科學家們常常只是力圖解釋那些不依賴于偶然的事件，但在現實世界中，人機環境系統工程往往試圖去理解的事情大都取決于一些偶然因素，如同人類的命運。維特根斯坦（Ludwig Wittgenstein）就此曾有過著名的評論：“在整個現代世界觀的根基之下存在一種幻覺，即：所謂的自然法則就是對自然現象的解釋。”，基切爾也一直試圖復活用原因解釋單個事件的觀點，可是，無窮多的事物都可能影響一個事件，究竟哪個才應該被視作它的原因呢？。更進一步講，科學永遠都不可能解釋任何道德原則。在“是”與“應該”的問題之間似乎存在一道不可逾越的鴻溝。或許我們能夠解釋為什么人們認為有些事情應該做，或者說解釋為什么人類進化到認定某些事情應該做，而其他事情卻不能做，但是對于我們而言，超越這些基于生物學的道德法則依然是一個開放的問題。牛津大學的彭羅斯教授也認為：“在宇宙中根本聽不到同一個節奏的“滴答滴答”聲響。一些你認為將在未來發生的事情也許早在我的過去就已經發生了。兩位觀察者眼中的兩個無關事件的發生順序并不是固定不變的；也就是說，亞當可能會說事件P發生在事件Q之前，而夏娃也許會反駁說事件P發生在事件Q之后。在這種情形下，我們熟悉的那種清晰明朗的先后關系——過去引發現在，而現在又引發未來——徹底瓦解了。沒錯，事實上所謂的因果關系（Causality）在此也徹底瓦解了。” ，也許有一種東西，并且只有這種東西恒久不變，它先于這個世界而存在，而且也將存在于這個世界自身的組織結構之中：它就是——“變”。
某種意義上講，智能是文化的產物，人類的每個概念和知識都是動態的，而且只有在實踐的活動中才可能產生多個與其它概念和知識的關聯蟲洞，進而實現其“活”的狀態及“生”的趨勢。同時，這些概念和知識又會保持一定的穩定性和繼承性，以便在不斷演化中保持類基因的不變性。時間和空間是一切作為知識概念的可能條件，同時也是許多原理的限制：即它們不能與存在的自然本身完全一致。可能性的關鍵在于前提和條件，一般人們常常關注可能性，而忽略關注其約束和范圍。我們把自己局限在那些只與范疇相關的原理之上，與范疇相關，很多與范疇無關的原理得不到注意和關涉。實際上，人機環境系統中的中態、勢、感、知都有彈性，而關于心靈的純粹物理概念的一個問題是，它似乎沒有給自由意志留多少空間:如果心靈完全由物理法則支配，那么它的自由意志就像一塊“決定”落向地心的石頭一樣。所有的智能都與人機環境系統有關，人工智能的優點在于縫合，人工智能的缺點在于割裂，不考慮人、環境的單純的人工智能軟件、硬件就是刻舟求劍、盲人摸象、曹沖稱象……簡單地說，就是自動化。
人的學習是初期的灌輸及更重要的后期環境觸發的交互學、習構成，機器缺乏后期的能力。人的學習是事實與價值的混合性學習，而且是權重調整性動態學習。人的記憶也是自適應性，隨人機環境系統而變化，不時會找到以前沒注意到的特征。通過學習，人可以把態轉為勢，把感化成知，機器好像也可以，只不過大都是脫離環境變化的“死”勢“僵”知。聰明反被聰明誤有時是人的因素，有時是環境變化的因素。我們生活在一個復雜系統（complex system）中，在這種系統中有許多互相作用的變主體（agent）和變客體。人機混合中有多個環節，有些適合人做，有些適合機做，有些適合人機共做，有些適合等待任務發生波動后再做，如何確定這些分工及匹配很重要，如何在態勢中感知？或在一串感知中生成態勢？從時間維度上如何態、勢、感、知？從空間維度上如何態、勢、感、知？從價值維度上如何態、勢、感、知？這些方面都很重要。
那么，如何實現有向的人機混合與深度的態勢感知呢？一是“泛事實”的有向性。如國際象棋、圍棋中的規則規定、統計概率、約束條件等用到的量的有向性，人類學習、機器學習中用到的運算法則、理性推導的有向性等，這些都是有向性的例子。盡管這里的問題很不相同，但是它們都只有正、負兩個方向，而且之間的夾角并不大，因此稱為“泛事實性”的有向性。這種在數學與物理中廣泛使用的有向性便于計算。二是“泛價值”的有向性，亦即我們在主觀意向性分析、判斷中常用到的但不便測量的有向性。我們知道，這里的向量有無窮多個方向，而且兩個方向不同的向量相加通常得到一個方向不同的向量。因此，我們稱為“泛價值”的有向量。這種“泛向”的有向數學模型，對于我們來說方向太多，不便應用。
然而，正是由于“泛價值”有向量的可加性與“泛物”有向性的二值性，啟示我們研究一種既有二值有向性、又有可加性的認知量。一維空間的有向距離，二維空間的有向面積，三維空間、乃至一般的N維空間的有向體積等都是這種幾何量的例子。一般地，我們把帶有方向的度量稱為有向度量。態勢感知中態一般是“泛事實”的有向性，勢是“泛價值”的有向性，感一般是“泛事實”的有向性，知是“泛價值”的有向性。人機關系有點像量子糾纏，常常不是“有或無”的問題，而是“有與無”的問題。有無相生，“有”的可以計算，“無”的可以算計，“有與無”的可以計算計，所以未來的軍事人機混合指控系統中，一定要有人類參謀和機器參謀，一個負責“有”的計算，一個處理“無”的算計，形成指控“計算計”系統。既能從直觀上把握事物，還能從間接中理解規律。
西方發展起來的科學側重于對真理的探求，常常被分為兩大類：理論的科學和實踐的科學。前者的目的是知識及真理，后者則尋求通過人的行動控制對象。這兩者具體表現在這樣一個對真理的證明體系的探求上：形式意義上的真理（工具論——邏輯），實證意義上的真理（物理——經驗世界），批判意義上的真理（后物理學——形而上學）。俞吾金先生認為：“迄今為止的西方形而上學發展史是由以下三次翻轉構成的：首先是以笛卡爾、康德、黑格爾為代表的“主體性形而上學”對柏拉圖主義的“在場形而上學”的翻轉；其次是在主體性形而上學的內部，以叔本華、尼采為代表的“意志形而上學”對以笛卡爾、康德、黑格爾為代表的“理性形而上學”的翻轉；再次是后期海德格爾的“世界之四重整體（天地神人）的形而上學”對其前期的“此在形而上學”的翻轉。”通過這三次翻轉，我們可以引申出這樣的結論：智能是一種人機環境系統交互，不但涉及理性及邏輯的研究，還包括感性和非邏輯的浸入，當前的人工智能僅僅是統計概率性混合了人類認知機理的自動化體系，還遠遠沒有進入真正智能領域的探索。若要達到真正的智能研究，必須超越現有的人工智能框架，老老實實地把西方的“真”理同東方的“道”理結合起來，形成事實與價值、人智與機智、敘述與證明、計算與算計混合的計算計系統。
自此，真正的智能將不僅能在敘述的框架中講道理，而且還應能在證明的體系中講真理；不僅能在對世界的感性體驗中言說散文性的詩性智慧以滿足情感的需要，而且能在對世界的理智把握中表達邏輯性的分析智慧以滿足科學精神的要求，那時，智能才能真正克服危機——人性的危機。
當前制約機器人科技發展的瓶頸是人工智能，人工智能研究的難點是對認知的解釋與建構，而認知研究的關鍵問題則是自主和情感等意識現象的破解。生命認知中沒有任何問題比弄清楚意識的本質更具挑戰性，或者說更引人入勝。這個領域是科學、哲學、人文藝術、神學等領域的交集。意識的變化莫測與主觀隨意等特點有時嚴重偏離了追問人工智能：科學技術的邏輯實證與感覺經驗驗證判斷，既然與科學技術體系相距較遠，自然就不會得到相應的認同與支持了，順理成章，理應如此吧！然而，最近科技界一系列的前沿研究正悄悄地改變著這個局面：研究飄忽不定的意識固然不符合科技的尺度，那么在“意識”前面加上“情境”（或“場景”、“上下文”、“態勢”）二字呢？人在大時空環境下的意識是不確定的，但“格物致知”一下，在小尺度時空情境下的意識應該有跡可循吧！自古以來，人們就知道“天時地利人和”的小尺度時空情境對態勢感知及意識的影響，只是直至1988年，才出現了明確用現代的科學手段實現情境（或情景）意識的研究，即米卡·安德斯雷（Mica Endsley）提出的態勢感知概念框架。但這只是個定性分析概念模型，其機理分析與定量計算還遠遠沒有完善。
在真實的人—機—環境系統交互領域中，人的情景意識、機器的物理情景意識、環境的地理情景意識等往往同構于統一時空中（人的五種感知也應是并行的），人注意的切換使之對于人而言發生著不同的主題與背景感受/ 體驗。在人的行為環境與機的物理環境、地理環境相互作用過程中，人的情景意識被視為一個開放的系統，是一個整體，其行為特征并非由人的元素單獨決定，而是取決于人—機—環境系統整體的內在特征，人的情景意識及其行為只不過是這個整體過程中的一部分罷了。另外，人機環境中許多個閉環系統常常是并行或嵌套的，并且在特定情境下這些閉環系統的不同反饋環節信息又往往交叉融合在一起，起著或興奮或抑制的作用，不但有類似宗教情感類的柔性反饋，不妨稱之為軟調節反饋，人常常會延遲控制不同情感的釋放；也存在著類似法律強制類的剛性反饋，不妨稱之為硬調節反饋，常規意義上的自動控制反饋大都屬于這類反饋。如何快速化繁為簡、化虛為實是衡量一個人機系統穩定性、有效性、可靠性大小的主要標志，是用數學方法的快速搜索比對還是運籌學的優化修剪計算，這是一個值得人工智能領域深究的問題。
人—機—環境交互系統往往由有意志、有目的和有學習能力的人的活動構成，涉及變量眾多，關系復雜，貫穿著人的主觀因素和自覺目的，所以其中的主客體界限常常模糊，具有個別性、人為性、異質性、不確定性、價值與事實的統一性、主客相關性等特點，其中充滿了復雜的隨機因素的作用，不具備重復性。另外，人—機—環境交互系統有關機（裝備）、環境（自然）研究活動中的主客體則界限分明，具有較強的實證性、自在性、同質性、確定性、價值中立性、客觀性等特點。在西方國家，無論是在古代、中世紀還是在現代，哲學宗教早已不單純是意識形態，而是逐漸成為各個階級中的強大政治力量，其影響不斷滲透到社會生活的各個領域，更有甚者，把哲學、政治、法律等上層建筑都置于宗教控制之下。總之，以上諸多主客觀元素的影響導致了人—機—環境交互系統的異常復雜和不確定性。所以，對人—機—環境交互系統的研究不應僅僅包含科學的范式，如實驗、理論、模擬、大數據，還應涉及人文藝術的多種方法，如直觀、揣測、思辨、風格、圖像、情境等，在許多情況下還應與哲學宗教的多種進路相關聯，如現象、具身、分析、理解與信仰等。
在充滿變數的人—機—環境交互系統中，存在的邏輯不是主客觀的必然性和確定性，而是與各種可能性保持互動的同步性，是一種得“意”忘“形”的見招拆招和隨機應變能力。這種思維和能力可能更適合人類的各種復雜藝術過程。對此種種，恰恰是人工智能所欠缺的地方。
2021年5月28日，習近平總書記出席兩院院士大會并發表重要講話，他指出，“科技創新速度顯著加快，以信息技術、人工智能為代表的新興科技快速發展，大大拓展了時間、空間和人們認知范圍，人類正在進入一個‘人機物’三元融合的萬物智能互聯時代。人機智能是人—機—環境系統相互作用而產生的新型智能系統。其與人的智慧、人工智能的差異具體表現在三個方面：首先，在融合智能輸入端，它把設備傳感器客觀采集的數據與人主觀感知到的信息結合起來，形成一種新的輸入方式；其次，在智能的數據／信息中間處理過程，機器數據計算與人的信息認知相融合，構建起一種獨特的理解途徑；最后，在智能輸出端，它將機器運算結果與人的價值決策相匹配，形成概率化與規則化有機協調的優化判斷。人機混合智能是一種廣義上的“群體”智能形式，這里的人不僅包括個人，還包括眾人，機不但包括機器裝備，還涉及機制機理；此外，還關聯自然/社會環境、真實/虛擬環境、網絡/電磁環境等。
2、有關人機幾個問題的思考
（1）人機環中是不是要先考慮任務目標，任務的模型該考慮哪些關鍵要素？
從多維度到邊維度，從多尺度到變尺度，從多關系到變關系，從多推理到變推理，從多決策到變決策，從多邊界條件到變邊界條件。計算-算計相互作用的整合法則（線性與非線性的整合）。神經中的序可以裝任何東西，并可進行泛化成新的序。任務需求是智能的目的，一切行為都是任務和目標驅動的。任務的模型最基礎的是5W2H（who、where、when、what、why、how、how much），并結合各服務領域的關鍵要素展開，進行事實性與價值性混合觀察、判斷、分析、執行。（2）人機融合是不是要對人、機建模？若是，人和機的模型，要考慮哪些關鍵因素？
人和機的融合肯定是基于場景和任務（事件）的，要考慮輸入、處理、輸出、反饋、系統及其影響因素等，具體如下：a、客觀數據與主觀信息、知識的彈性輸入——靈活的表征；b、公理與非公理推理的有機融合——有效的處理；c、責任性判斷與無風險性決策的無縫銜接——虛實互補的輸出；d、人類反思與機器反饋之間的相互協同調整；e、深度態勢感知與其逆向資源管理過程的雙向平衡；f、人機之間的透明信任機制生成；g、機器常識與人類常識的差異；h、人機之間可解釋性的閾值；i、機器終身學習的范圍/內容與人類學習的不同。
（3）人機融合（人機高效協作）的衡量的關鍵指標？
粗略地說，可分別從人、機和任務三個方面研討：人機環境系統高效協同的關鍵指標在于三者運行績效中的反應時、準確率，具體體現在計劃協同，動作協同，特別是跨組織實現步調上的協同，當然還有資源、成本的協同等等方面。比如人的主動、辯證、平衡能力，機的精確、邏輯、快速功能，任務的彈性、變化、整體要求。如何有機地把人、機、任務的這些特點融入到系統協同的反應時、準確率兩大指標之中呢？又是一個關鍵問題。
（4）從認知工程的智能系統框架、以及中西方的基礎理論來看，哪些是未來認知功能具備可工程化的能力框架？哪些是尚不具備工程化的認知功能？
簡單的說就是：計算部分與算計部分之分。未來認知功能具備可工程化的能力框架在于軟硬件計算功能的快速、精確、大存儲量的進一步提高，尚不具備工程化的認知功能在于反映規劃、組織、協同算計謀劃能力的知幾趣時變通得到明顯改善。智，常常在可判定性領域里存在；能，往往存在于可計算性領域。認知工程的瓶頸和矛盾在于：總想用邏輯的手段解決非邏輯問題，例如試圖用形式化的手段解決意向性的問題。不同的人機其任務上下文中的上下程度彈性也是不同的。計算是算計的產物，計算常是算計的簡化版，不能體現出算計中主動、辯證、矛盾的價值。計算可以處理關鍵場景的特征函數，但較難解決基本場景的對應規則，更難對付任意場景的統計概率，可惜這些還僅僅只是場景，尚遠未涉及情境和意識……計算常常是針對狀態參數和屬性的（客觀數據和事實），算計則是一種趨勢和關系之間的謀劃（根據主觀價值的出謀劃策），所以態勢感知中，態與感側重計算推理，勢和知偏向算計謀劃。計算計最大的特點就是異、易的事實價值并行不悖。人類的符號、聯結、行為、機制主義是多層次多角度甚至是變層次變角度的，相比之下，機器的符號、聯結、行為、機制主義是單層次單角度以及是固層次固角度的。人類思維的本質是隨機應變的程序，也是可實時創造的程序，能夠解釋符號主義、聯結主義、行為主義、機制主義之間的聯系并能夠打通這些聯系，實現綜合處理。達文波特認為：人類的某種智能行為一旦被拆解成明確的步驟、規則和算法，它就不再專屬于人類了。這在根本上就涉及到一個基本問題,即科學發現如何成為一個可以被研究的問題。
三、什么是人機混合智能
人工智能的優勢在于龐大的信息存儲量和高速的處理速度，但是無法處理如休謨之問，即從“是”（being）能否推出“應該”（should），也即“事實”命題能否推出“價值”命題；也無法處理情感的表征問題。人工智能嘗試通過大數據與逐步升級的算法實現人的情感與意指依舊沒有辦法實現跨越。
人工智能是一種返回修改模式。也就是說，一組代碼解決一個問題，以前是代碼執行，問題沒處理好就拉倒，程序結束。人工智能是代碼執行，問題沒處理好，代碼自動返回修改數據代碼再執行。反復修改，也就是反復學習，這就是人工智能。當然，好的人工智能技術，在一定范圍內可以自己修改不足的模型，進而可以在一定程度上模擬人的具體功能，比如人類的部分計算、邏輯推理能力，但它對人類“非家族相似性”的類比、決策能力還無能為力。所以人工智能中的“人”并不是真的“人”。
人工智能有限的理性邏輯和困難的跨域能力是其致命的缺陷。人工智能無法理解相等關系，尤其是不同事實中的價值相等關系；人工智能也無法理解包含關系，尤其是不同事實中的價值包含關系（小可以大于大，有可以生出無）。人可以用不正規不正確的方法和手段實現正規正確的目的，還可以用正規正確的方法和手段實現不正規正確的意圖。還有，人可以用普通的方法處理復雜的問題，還可以（故意）用復雜的方法解答簡單的問題。
從人工智能的特點及缺點中，我們不難看出：人的思維很難在人工智能現有的理論框架中得到解釋。那該如何做才有可能尋找到一條通往智能科學研究光明前程之道呢？下面我們將針對這個問題展開最底層的思考和討論。
人工智能之父圖靈的朋友和老師維特根斯坦在他著名的《邏輯哲學論》第一句就寫道：“世界是事實的總和而非事物的總和”，其中的事實指的是事物之間的關涉聯系---關系，而事物是指包含的各種屬性，從目前人工智能技術的發展態勢而言，絕大多數都是在做識別事物屬性方面的工作，如語音、圖像、位置、速度等等，而涉及到事物之間的各種關系層面的工作還很少，但是已經開始做了，如大數據挖掘等。在這眼花繚亂的人工智能技術中，人們常常思考著這樣一個問題：什么是智能？智能的定義究竟是什么呢？
關于智能的定義，有人說是非存在的有，有人說是得意忘形，有人說是隨機應變，有人說是魯棒適應，有人說，可能有一百個專家，就有一百種說法。實際上現在要形成一個大家都能接受的定義是不太可能的。但是這并不影響大家對智能研究中的一些難點、熱點達成一致看法或共識。比如信息表征、邏輯推理和自主決策等方面。
有了數據和信息之后，智能的信息處理架構就格外的重要，到目前為止，有不少大家提出了一些經典的理論或模型，例如在視覺領域，David Marr的三層結構至今仍未許多智能科技工作者所追捧。作為視覺計算理論的創始人Marr認為：神經系統所作的信息處理與機器相似。視覺是一種復雜的信息處理任務，目的是要把握對我們有用的外部世界的各種情況，并把它們表達出來。這種任務必須在三個不同的水平上來理解，這就是：a. 計算理論 b. 算法 c. 機制
信息處理問題的定義，它的解就是計算的目標。這種計算的抽象性質的特征。在可見世界內找出這些性質，構成這個問題的約束條件。
為完成期望進行的計算所采用的算法的研究。
完成算法的物理實體，它由給定的硬件系統構成.機器硬件的構架。
Marr早先提出的一些基本概念在計算理論這一級水平上已經成為一種幾乎是盡善盡美的理論。這一理論的特征就是它力圖使人的視覺信息處理研究變得越來越嚴密，從而使它成為一門真正的科學。
當前，在解釋人類認知過程工作機理的理論中，由卡耐基梅隆大學教授John Robert Anderson提出的ACT-R（Adaptive Control ofThought–Rational ，ACT-R）模型被認為是非常具有前途的一個理論。該理論模型認為人類的認知過程需要四種不同的模塊參與，即目標模塊、視覺模塊、動作模塊和描述性知識模塊。每一個模塊各自獨立工作，并且由一個中央產生系統協調。ACT-R的核心是描述性知識模塊和中央產生系統。描述性知識模塊存儲了個體所積累的長期不變的認識，包括基本的事實（例如“西雅圖是美國的一座城市”）、專業知識（例如“高速鐵路交通信號控制方案的設計方法”）等。中央產生式系統存儲了個體的程序性知識，這些知識以條件-動作（產生式）規則的形式呈現，當滿足一定條件時，相應的動作將被對應的模塊執行，產生式規則的不斷觸發能夠保證各個模塊相互配合，模擬個體做出的連續認知過程。ACT-R是一種認知架構，用以仿真并理解人的認知的理論。ACT-R試圖理解人類如何組織知識和產生智能行為。ACT-R的目標是使系統能夠執行人類的各種認知任務，如捕獲人的感知、思想和行為。
無論是David Marr的三層結構計算視覺理論，還是John Robert Anderson提出的ACT-R理論模型，以及許多解釋和模擬人類認知過程的模型都存在一個共同的缺點和不足，即不能把人的主觀參數和機器/環境中的客觀參數有機地統一起來，模型的彈性不足，很難主動地產生魯棒性的適應性，更不要說產生情感、意識等更高層次的表征和演化。當前的人工智能與人相比除了在輸入表征和融合處理方面的局限外，在更基本的哲學層面就存在這先天不足，即回答不了休謨問題。
休謨指出，由因果推理獲得的知識，構成了人類生活所依賴的絕大部分知識。休謨問題表面上是一個著名的哲學難題，實際上更是一個人工智能的瓶頸和難點，當把數據表征為信息時，能指就是相對客觀表示being，而所指就是主觀表達should。
從認識論角度，“應該”就是從描述事物狀態與特征的參量（或變量）的眾多數值中取其最大值或極大值，“是”就是從描述事物狀態與特征的參量（或變量）的眾多數值中取其任意值。從價值論角度，“應該”就是從描述事物的價值狀態與價值特征的眾多參量（或變量）中取其最大值或極大值，“是”就是從描述事物價值是狀態與價值特征的參量（或變量）的眾多數值中取去其任意值。
由于受偏好習慣風俗等因素的影響，即使是人類的認識論和價值論也經常出現非因果歸納和演繹（比如嚴格意義上而言，從“天行健”這個事實（being）命題是不能推出“君子必自強不息”這個價值觀（should）命題的，但是隨著時間的延續，這個類比習慣漸漸變成了有些因果的意味。人工智能的優勢不僅在于存儲量大計算速度快，更重要的是它還可以從源頭沒有偏見的頭腦和認知封閉，但是要處理類似雖是由人類提出的但仍遠遠不能完美回答的休謨問題恐怕還是強機所難吧！人工智能如果有一定的智能，恐怕更多的應是數字邏輯語言智能，在特定場景既定規則和統計又既定輸出的任務下可以極大提升工作效率，但在有情感、有意向性的復雜情境下仍難以無中生有、隨機應變。未來智能科學的發展趨勢必將會是人機智能的不斷融合促進。
人機混合智能理論著重描述一種由人、機、環境系統相互作用而產生的新型智能形式，它既不同于人的智能也不同于人工智能，它是一種物理性與生物性相結合的新一代智能科學體系。人機交互技術主要涉及人脖子以下的生理心理工效學問題，而人機混合智能主要側重人脖子以上的大腦與機器的“電腦”相結合的智能問題。人機混合智能在以下三個方面不同于人的智能與人工智能不同：在智能輸入端，人機混合智能的思想不單單依賴硬件傳感器采集的客觀數據或是人五官感知到的主觀信息，而是把兩者有效地結合起來，并且聯系人的先驗知識，形成一種新的輸入方式；其次是在信息的處理階段，也是智能產生的重要階段，將人的認知方式與計算機優勢的計算能力融合起來，構建起一種新的理解途徑；最后是在智能的輸出端，將人在決策中體現的價值效應加入計算機逐漸迭代的算法之中相互匹配，形成有機化與概率化相互協調的優化判斷。在人機混合的不斷適應中，人將會對慣性常識行為進行有意識地思考，而機器也將會從人的不同條件下的決策發現價值權重的區別。人與機器之間的理解將會從單向性轉變為雙向性，人的主動性將與機器的被動性混合起來[3]。人處理其擅長的“應該”（should）等價值取向的主觀信息，而機器不僅處理其擅長的“是”（being）等規則概率的客觀數據，同時也將從人處理“應該”（should）信息中優化自己的算法，從而產生人+機器既大于人也大于機器的效果。
人機混合采用分層的體系結構。人類通過后天完善的認知能力對外界環境進行分析感知，其認知過程可分為記憶層意圖層，決策層、感知與行為層，形成意向性的思維；機器通過探測數據對外界環境進行感知分析，其認知過程分為目標層知識庫，任務規劃層、感知與執行層，形成形式化的思維。相同的體系結構指明人類與機器可以在相同的層次之間進行融合，并且在不同的層次之間也可以產生因果關系。
人機混合智能，簡單地說就是充分利用人和機器的長處形成一種新的智能形式。任何新的事物都有其產生的源泉，人機混合智能也不例外，人機混合智能主要起源于人機交互和智能科學這兩個領域，而這兩個領域起源都與英國劍橋大學有著密切的關系：1940年夏，當德國轟炸機飛向倫敦之際，人機交互與智能科學的研究序幕就被徐徐拉開。英國人為了抵御德國人的進攻，開始了雷達、飛機、密碼破譯方面的科技應用工作，當時在劍橋大學圣約翰學院建立了第一個研究人機交互問題的飛機座艙（即著名的Cambridge Cockpit）以解決飛行員們執行飛行任務時出現的一些錯誤和失誤，另外劍橋國王學院的畢業生圖靈領導了對德軍“恩尼格瑪”密電文的破譯……事實上，早在19世紀，劍橋大學的查爾斯·巴貝奇和阿達·奧古斯塔（劍橋大學畢業的詩人拜倫的女兒，世界第一位程序員）就開始合作機械計算機軟硬件的研制，20世紀之后，數學家羅素、邏輯學家維特根斯坦（圖靈的老師和朋友）都對智能科學的起源和發展做出了重大的貢獻。當前人機智能融合領域比較火的兩位深度學習之父辛頓曾是劍橋大學心理系的學生、阿爾法狗之父哈撒比斯本科是劍橋計算機系畢業的。
在人機智能融合時，有一件事非常重要，就是這個人要能夠理解機器如何看待世界，并在機器的限制內有效地進行決策。反之，機器也應對配合的人比較“熟悉”，就像一些體育活動中的雙打隊友一樣，如果彼此間沒有默契，想產生化學變化般的合適融合、精確協同就是天方夜譚。有效地人機智能融合常常意味著將人的思想帶給機器，這也就意味著：人將開始有意識地思考他通常無意識地執行的任務；機器將開始處理合作者個性化的習慣和偏好；兩者都還必須隨時隨地地隨環境的變化而變化……高山流水，電腦與心靈相互感應，充分發揮兩者的優點和長處，如人類可以打破邏輯運用直覺思維進行決策、機器能夠檢測人類感覺無法檢測到的信號能力等等。人類所理解的每一個命題，都必定是全然是由我們所獲知的各種成分所組成的。
人機混合智能機制、機理的破解將成為未來戰爭致勝的關鍵。任何分工都會受規模和范圍限制，人機混合智能中的功能分配是分工的一部分，另外一部分是能力分配。功能分配是被動的，外部需求所致；能力分配是主動的，內部驅動所生。在復雜、異質、非結構、非線性數據/信息/知識中，人的或者是類人的方向性預處理很重要，當問題域被初步縮小范圍后，機器的有界、快速、準確優勢便可以發揮出來了；另外，當獲得大量數據/信息/知識后，機器也可以先把他們初步映射到幾個領域，然后人再進一步處理分析。這兩個過程的同化順應、交叉平衡大致就是人機有機融合的過程。
未來的關鍵就在于人機混合的那個“恰好”！陰陽魚中間的那條S形分隔線，無論怎樣機器是不可能創造出意識來的，機器再多再大，也只是源自半個世界，小半個的世界。
四、人機混合智能是軍事智能化的關鍵
隨著深度學習、強化學習等新一代人工智能技術的發展，其在計算機視覺、語音識別、自然語言處理、生物醫療領域及游戲博弈等方面取得很大的突破，人工智能在軍事領域應用也愈加廣泛，催生了軍事智能的概念。
軍事智能的不斷發展，智能化裝備的大量使用，不但將與傳統的戰爭形態從技術上產生巨大的不同，在軍事指揮與控制的理論上也將對傳統作戰制勝機理產生不同程度的顛覆。因此，當前加快軍事智能化發展，不僅要繼續智能化武器裝備的研究，還要提高對智能化戰爭條件下作戰指揮控制理論的研究。軍事智能研究是一個領域，不是一個學科，我們必須要用不同的方法論，從不同的角度來研究軍事智能，方法論、角度越多，軍事智能研究就會做得越好。概況起來以下幾個主要問題特別值得關注：
1、人機混合智能中的深度態勢感知問題
從表面上看，各國軍事智能化發展非常迅速：百舸爭流，百花齊放，百家爭鳴，一片熱火朝天的景象，實際上，各國的軍事智能化進程卻都存在著一個致命的缺點，就是沒能深入地處理人機混合的智能問題，尤其是深度態勢感知問題。任何顛覆性科技進步都可回溯到基礎概念的理解上，例如人的所有行為都是有目的的，這個目的性就是價值，目的性可以分為遠中近，其價值程度也相應有大中小，除了價值性因果推理之外，人比人工智能更為厲害的還有各種變特征、變表征、變理解、變判斷、變預測、變執行。嚴格地說，當前的人工智能技術應用場景很窄，屬于計算智能和感知智能的前期階段，不會主動地刻畫出準確的場景和情境，而智能科學中最難的就是刻畫出有效的場景或上下文，而過去和現代軍事智能化的思路卻是訓練一堆人工智能算法，各自綁定各自的軍事應用場景。
一般而言，這些人工智能技術就是用符號/行為/聯結主義進行客觀事實的形式化因果推理和數據計算，很少涉及價值性因果關系判斷和決策，而深度態勢感知中的深度就是指事實與價值的融合，態、勢涉及客觀事實性的數據及信息/知識中的客觀部分（如突顯性、時、空參數等），簡單稱之為事實鏈，而感、知涉及主觀價值性的參數部分（如期望、努力程度等），不妨稱之為價值鏈，深度態勢感知就是由事實鏈與價值鏈交織糾纏在一起的“雙螺旋”結構，進而能夠實現有效的判斷和準確的決策功能。另外，人側重于主觀價值把控算計，機偏向客觀事實過程計算，也是一種“雙螺旋”結構。如何實現這兩種“雙螺旋”結構之間（時空、顯著性、期望、努力、價值性等）的恰當匹配，是各國都沒有解決的難題。某種意義上說，深度態勢感知解決的不僅是人機環境系統中時間矛盾、空間矛盾的突顯性，還有事實矛盾、價值矛盾和責任矛盾的選擇性。矛盾就是競爭，決策包含冒險。好的態勢感知能力就是在混亂中看到秩序、在不可能中看到可能、在黑暗中看到光明……所以，目前智能軍事領域的瓶頸還是人機混合智能中的深度態勢感知問題。
2、不確定性問題
著名軍事理論家克勞塞維茨認為：戰爭是一團迷霧，存在著大量的不確定性，是不可知的。這里的不可知是不可預知、不可預測，從現代人工智能的發展趨勢來看，可預見未來的戰爭中存在著很多人機混合隱患仍未解決，具體有：1）在復雜博弈環境中，人類和機器是在特定的時空內吸收、消化和運用有限的信息，對人而言，人的壓力越大，誤解的信息就越多，也就越容易導致困惑、迷茫和意外；對機器而言，對跨領域非結構化數據的學習、理解、預測依然是非常困難的事情。2）戰爭中決策所需信息在時空、情感上的廣泛分布，決定了在特定情境中，一些關鍵信息仍然很難獲取，而且機器采集到的重要客觀物理性數據與人類獲取的主觀加工后的信息、知識很難協調融合。3）未來戰爭中存在的大量非線性特征和出乎意料的多變性，常常會導致作戰過程及結果的諸多不可預見性，基于公理的形式化邏輯推理已遠遠不能滿足復雜多變戰況決策的需求。
3、人的問題
“跨域協同”問題從根本上說就是一個“人的問題”。“多域戰”、“全域戰”、“馬賽克戰”以及“聯合作戰”解決“跨域協同”問題的方式方法可以用兩個術語來概括。一是聚合（convergence），即“為達成某種意圖在時間和物理空間上跨領域、環境和職能的能力集成”；二是系統集成（integration of systems），不僅聚焦于實現“跨域協同”所需的人和流程，還重視技術方案。截至目前，“跨域協同”尚沒有承認，當前的系統和列編項目是“煙囪式”的互相獨立，跨域機動和火力需要“人”方面的解決方案。隨著自動化、機器學習、人工智能等技術的成熟，美軍的對手將尋求應用這些技術能力來進一步挑戰美國。按照沃克的要求，打破現有的“煙囪式”方案，設計出背后有人機編隊做支撐的新方案，是美軍的責任。
無論是縱觀古今，還是展望未來，各種軍事作戰裝備或系統始終都是一個人-機-環境系統。無論是現在還是未來，無人機、無人車、無人艇等各種無人裝備都不可能是完全無人的，只不過是人由前置轉為后置，由體力變為智慧，由具體執行變為指揮控制，其中涉及到復雜的人機交互及其相互關系的問題，單純的人工智能與人類智能都不能使其發揮最大效能，人機智能的混合是其重要的發展方向。準確地說，軍事智能不僅包含自然科學和工程技術，還涉及許多社會科學的領域，如人文、哲學、宗教乃至藝術等等，這從世界上最早的兵書之一——《孫子兵法》的英文名字可見一斑：The Art of War，好的軍事指揮有時候不僅是技術還是藝術。軍事智能是人工智能之冠上的明珠，相對傳統的民用人工智能，其對抗性博弈性更強，其智能不僅僅是武器裝備的智能更是指揮控制系統的智能，是體系的智能化。未來軍事智能的最優存在形態應該不是個體性的（比如異常先進的單平臺武器），而是系統性的（網絡性的），更有可能是橫跨各人機環境系統體系性的（如跨不同網絡的陸海空天網體系），并且該體系還會不斷自主升級，
2020年5月12日，美國防務專家彼得·希克曼發表了一篇文章 《未來戰爭制勝的關鍵在于人》。文章認為，隨著戰爭的性質的不斷演變，人工智能將對戰爭的演變做出重大貢獻，但過高估計技術變革的速度和先進技術在未來勝利中所起的作用仍具有風險。過分強調技術將會使競爭對手發現盲點，進而加以利用。追求尖端技術并無問題，但在未來戰爭中，制勝的關鍵因素依然是人。事實上，這與毛澤東同志有關人民戰爭戰略思想是一致的：武器是戰爭的重要因素，但不是決定的因素，決定的因素是人而不是物。
4、未來戰爭制勝的關鍵在于人機環境系統的有效協同
如果說“邏輯是符號串的等同或包含關系”，那么非邏輯則是非符號的等同或包含關系。人工智能處理一些邏輯問題較好，而人處理一些非邏輯問題稍優，人機混合則能處理邏輯與非邏輯的融合問題。人工智能在對抗博弈中起重要作用需要幾個條件：首先是找到數學定量計算就能解決的部分，其次與人融合過程中使該AI部分找到適當的時機、方式和作用，最后，人做對的事，AI“把事情做對”。
最近，美陸軍未來司令部司令約翰·默里上將和陸軍其他技術領導人強調“人類”必須最終作出重要決定并掌控“指揮和控制”系統，同時還明確指出快速演化的人工智能武器系統應用可以讓陸軍指揮人員“率先看到、率先作出決定、率先采取行動”，當然由此能夠更快地摧毀敵人。（人工智能的數據處理能力會讓人類的決策速度呈現指數級的提高，即提速了OODA環。）仔細想想，任何事物都不會無中生有，凡事都有苗頭和兆頭，人機混合就是能夠及時（恰如其分）地捕捉到這些零零碎碎的跡象和蛛絲馬跡，太快太慢都不好，“率先看到、率先做出決定、率先采取行動”，但不一定由此能夠更快準確有效地摧毀敵人。有時，慢一點未必不是一個好的選擇，太快了也許更容易上當受騙吧！
目前，人智與AI的失調匹配是導致目前人工智能應用領域弱智的主要原因。人可以身在曹營心在漢，是非、01同在：既是又不是，疊加“態”。在危機管理中常常出現的是疊加“勢”：危險與機會共生，危中有機，機中有危，兩者糾纏在一起。如何因勢利導、順勢而為，則是人機混合智能中深度態勢感知的關鍵。人機是非同構的，即本質是不同的兩者事物，一個受控實驗部分不可重復，一個受控實驗普遍可重復。人的智慧也是由受控與不可受控部分、可重復與不可重復部分構成的。色盲者認為是無色的，對他是真的，對其它主體卻是假的，若色盲者比正常人多，則正常人會是色盲嗎？
科學的缺點在于否認了個性化不受控不可重復的真實。所以基于這種科學性的基礎上必然會帶來一些缺陷。人，尤其是每個人都是天然的個性化不受控不可重復的主體，你不能說他就是不存在的。從這個角度看，人機混合的實質就是幫助科學完善它的不足和局限。
大數據的優點是受控實驗普遍可重復性，如此一來可以尋找共性規律——按圖索驥；但是，這也是大數據的一個缺點，容易忽略新生事物——受控實驗不可重復部分的出現，表現出刻舟求劍效應。有些受控實驗不可重復之真實性也是存在的，但這不在科學范圍內。以前是盲人摸象，現在是人機求劍。
對軍事智能而言，無論機器學習還是自主系統，都不外乎是為了結合人、機的優點，取長補短、相得益彰，精確地感知、正確地推理和準確地預測，進而達到隱真使假、去偽存真、去粗存精、由此及彼、由表及里，所以，在未來戰爭中，對人機混合智能機制、機理的破解以及有效的協同方式將成為未來戰爭致勝的關鍵。
任何分工都會受規模和范圍限制，人機混合智能中的功能分配是分工的一部分，另外一部分是能力分配。功能分配是被動的，外部需求所致；能力分配是主動的，內部驅動所生。在復雜、異質、非結構、非線性數據/信息/知識中，人的或者是類人的方向性預處理很重要，當問題域被初步縮小范圍后，機器的有界、快速、準確優勢便可以發揮出來了；另外，當獲得大量數據/信息/知識后，機器也可以先把他們初步映射到幾個領域，然后人再進一步處理分析。這兩個過程的同化適應、交叉平衡體現的就是人機有機融合的過程。
人機混合知識表征方面主要的問題是：缺少能夠將傳感器數據與指揮員的知識融合、適應實際作戰場景的彈性知識庫。人類指揮員有完備的軍事理論知識，如《戰術學》《兵器學》及《地形學》等，對于組織準備、下定決心、火力準備以及實時作戰行動都有特定的表征習慣。因此機器如果想要理解指揮員在特定任務場景下的語義表達，需要結合任務、敵情、戰術、地形等因素自動分析，形成綜合態勢判斷。不能基于傳統的“編程思維”事先窮舉所有因素，而是要對戰場情況進行“感知、理解和學習”，使知識庫具有彈性，能夠進行更新迭代，解決人機戰術知識中的一致性問題。
人機混合決策機制方面主要的問題是：缺少基于人機溝通的個性化智能決策機制。指揮員的風格千差萬別，能夠實現高效人機協作的智能系統一定是個性化的智能系統。“個性化”的智能系統不是簡單的機器對指揮員習慣的適應和遷就，而是應該建立一種人機溝通的框架和機制。系統的決策建議有可能是對指揮員思路的補充，也有可能與指揮員的指揮風格完全相反，通過不斷實踐獲得反饋，人機混合決策能力獲得迭代發展，最終實現個性化的輔助決策系統，達到人與機器的最優匹配。
人工智能只是人類智能可描述化、可程序化的一部分，而人類的智能是人、機（物）、環境系統相互作用的產物。智能生成的機理，簡而言之，就是人物（機屬人造物）環境系統相互作用的疊加結果，由人、機器、各種環境的變化狀態所疊加衍生出的形勢、局勢和趨勢（簡稱勢）共同構成，三者變化的狀態有好有壞、有高有低、有順有逆，體現智能的生成則是由人、機、環境系統態、勢的和諧共振大小程度所決定的，三者之間具有建設性和破壞性干涉效應，或增強或消除，三位一體則智能強，三位多體則智能弱。如何調諧共頻則是人機混合智能的關鍵。當代人工智能由最初的完全人工編譯的機器自動化發展到了人工預編譯的機器學習，接下來的發展可能是通過人機混合智能的方法來實現機器認知，最終實現機器覺醒。
總之，未來戰場，對抗態勢高度復雜、瞬息萬變，多種信息交匯形成海量數據，僅憑人腦難以快速、準確處理，只有人機混合的運行方式，基于數據庫、物聯網等技術群，指揮員（人+機）才能應對瞬息萬變的戰場，完成指揮控制任務。隨著無人系統自主能力的提升，人工智能集群功能的增強，自主決策逐步顯現。一旦指揮系統實現不同功能的智能化，感知、理解、預測的時間將會大大壓縮，效率明顯提高。加上用于戰場傳感器圖像處理的模式識別、用于作戰決策的最優算法，將賦予指揮系統更加高級的決策能力，逐步實現人與機的聯合作戰。
人機混合智能是軍事智能發展的必經之路，其中既包括理論方法，也包括對人、機、環境之間關系的探索。近年來，越來越多的人工智能武器融入戰場環境，越來越多的人開始關注軍事人機混合智能。但客觀地看，當前的軍事人機混合智能與我們的設想尚存一定距離，如何將人的智能遷移到機器中，仍需要智能科學家作進一步研究。軍事人機混合智能研究不僅要考慮機器技術的高速發展，更要考慮交互主體——人類的思維與認知方式，讓機器與人類各司其職、互相促進，這才是軍事智能研究的前景與趨勢。
五、人機混合智能的未來發展方向
人機混合智能有兩大難點：理解與反思。人是弱態強勢，機是強態弱勢，人是弱感強知，機是強感若知。人機之間目前還未達到相聲界一逗一捧的程度，因為還沒有單向理解機制出現，能夠幽默的機器依舊遙遙無期。乒乓球比賽中運動員的算到做到、心理不影響技術（想贏不怕輸）、如何調度自己的心理（氣力）生出最佳狀態、關鍵時刻之心理的堅強、信念的堅定等等，這都是機器難以產生出來的生命特征物。此外，人機之間配合必須有組合預期策略，尤其是合適的第二第三預期策略。自信心是匹配訓練出來的，人機之間信任鏈的產生過程常常時：從陌生-不信任-弱信任-較信任-信任-較強信任-強信任，沒有信任就不會產生期望，沒有期望就會人機失調，而單純的一次期望匹配很難達成融合，所以第二、第三預期的符合程度很可能是人機混合一致性的關鍵問題。人機信任鏈產生的前提是人要自信（這種自信心也是匹配訓練出來的），其次才能產生他信和信他機制，信他與他信里就涉及到多階預期問題。若being是語法，should就是語義，二者中和相加就是語用，人機混合是語法與語義、離散與連續、明晰與粗略、自組織與他組織、自學習與他學習、自適應與他適應、自主化與智能化相結合的無身認知 + 具身認知共同體、算+法混合體、形式系統+非形式系統的化合物。反應時與準確率是人機混合智能好壞的重要指標。人機混合就是機機融合，器機理 + 腦機制；人機混合也是人人融合，人情意+人理智。
人工智能相對是硬智，人的智能相對是軟智，人機智能的融合則是軟硬智。通用的、強的、超級的智能都是軟硬智，所以人機混合智能是未來，但是融合機理機制還遠未搞清楚，更令人恍惚的是一不留神，不但人進化了不少，機又變化的太快。個體與群體行為的異質性，不僅體現在經濟學、心理學領域，而且還是智能領域最為重要的問題之一。現在主流的智能科學在犯一個以前經濟學犯過的錯誤，即把人看成是理性人，殊不知，人是活的人，智是活的智，人有欲望有動機有信念有情感有意識，而數學性的人工智能目前對此還無能為力。如何融合這些元素，使之從冰凍的生硬的狀態轉化為溫暖的柔性的情形，應該是衡量智能是否智能的主要標準和尺度，同時這也是目前人工智能很難跳出人工的瓶頸和痛點，只有鋼筋沒有混凝土。經濟學融入心理學后即可使理性經濟人變為感性經濟人，而當前的智能科學僅僅融入心理學是不夠的，還需要滲入社會學、哲學、人文學、藝術學等方能做到通情達理，進而實現由當前理性智能人的狀態演進成自然智能人的形勢。智能中的意向性是由事實和價值共同產生出來的，內隱時為意識，外顯時叫關系。從這個意義上說，數學的形式化也許會有損于智能，維特根斯坦認為：形式是結構的可能性。對象是穩定的東西，持續存在的東西；而配置則是變動的東西，非持久的東西。維特根斯坦還認為：我們不能從當前的事情推導出將來的事情。迷信恰恰是相信因果關系。也就是說，基本的事態或事實之間不存在因果關系。只有不具有任何結構的東西才可以永遠穩定不滅、持續存在；而任何有結構的東西都必然是不穩定的，可以毀滅的。因為當組成它們的那些成分不再依原有的方式組合在一起的時候它們也就不復存在了。事實上，在每個傳統的選擇（匹配）背后都隱藏著兩個假設：程序不變性和描述不變性。這兩者也是造成期望效用描述不夠深刻的原因之一。程序不變性表明對前景和行為的偏好并不依賴于推導出這些偏好的方式（如偏好反轉），而描述不變性規定對被選事物的偏好并不依賴于對這些被選事物的描述。
人機混合智能難題，即機器的自主程度越高，人類對態勢的感知程度越低，人機之間接管任務順暢的難度也越大，不妨稱之為“生理負荷下降、心理認知負荷增加”現象。如何破解呢？有經驗的人常常抓關任務中的鍵薄弱環節，在危險情境中提高警覺性和注意力，以防意外，隨時準備接管機器自動化操作，也可以此訓練新手，進而形成真實敏銳地把握事故的兆頭苗頭、恰當地把握處理時機、準確地隨機應變能力，并在實踐中不斷磨礪訓練增強。即便如此，如何在非典型、非意外情境中解決人機交互難題仍需要進一步探討！
計算與算計，合久必分，分久必合。算計需要的是發散思維，計算需要的是縝密思維，這是兩種很不一樣的思維方式，這兩種方式同時發生在某個復雜過程中是小概率的事件，由此帶來的直接后果就是，復雜領域的突破也只能是小概率的事件。對待場景中的變化，機器智能可以處理重復性相同的“變”，人類智能能夠理解雜亂相似性（甚至不相似）的“變”，更重要的是還能夠適時的進行“化”，其中“隨動”效應是人類計算計的一個突出特點，另外，人類計算計還有一個更更厲害的武器——“主動”。
有人說：“自動化的最大悖論在于，使人類免于勞動的愿望總是給人類帶來新的任務。”解決三體以上的科學問題是非常困難的，概念就是一個超三體的問題：變尺度、變時空、變表征、變推理、變反饋、變規則、變概率、變決策、變態勢、變感知、變關系……猶如速度與加速度之間的關系映射一般，反映者智能的邊界。有效概念的認知是怎樣產生的，OODA還是OAOODDDAA？亦或是OA？這是一個值得思考的問題。多，意味著差異的存在；變，意味著非存在的有；復雜，意味著反直觀特性；自組織/自相似/自適應/自學習/自演進/自評估意味著系統的智能……，人機環境網絡中重要/不重要節點的隱匿與恢復是造成全局態勢有無的關鍵，好的語言學家與好的數學家相似：少計算多算計，知道怎么做時計算，不知道怎么做時算計，算計是從戰略到策略的多邏輯組合，人機混合計算計機制猶如樹藤相繞的多螺旋結構，始于技術，成于管理。如果說計算是科學的，算計是藝術的，那么計算計就是科學與藝術的。
價值不同于事實之處在于可以站在時間的另一端看待發生的各種條件維度及其變化。僅僅是機器智能永遠無法理解現實，因為它們只操縱不包含語義的語法符號。系統論的核心詞是突顯（整體大于部分），偏向價值性should關系；控制論的核心詞是反饋（結果影響原因），側重事實性being作用。耗散結構論的核心詞是開放性自組織（從非平衡到平衡），強調從being到should過程。控制論中的反饋是極簡單的結果影響（下一個）原因的問題，距離人類的反思-這種復雜的“因果”（超時空情境）問題很遙遠。算計是關于人機環境體系功能力（功能+能力）價值性結構謀劃，而不是單事實邏輯連續的計算，計算-算計正是關于正在結構中事實-價值-責任-情感多邏輯組合連續處理過程，人機混合智能難題的實質也就是計算-算計的平衡。
