再思人机智能融合
【我們通常在部分信息的基礎上做出決策，當我們得到更完整的信息時，我們會猶豫不前】
一、引言
??? 人機融合智能是一種新型智能形式，它不同于人的智能、也不同于人工智能，是一種跨物種越屬性結合的下一代智能科學體系。如果說真就是Being，善就是Should，美就是Being+Should的融合；假設機就是Being，人就是Should，那么人機就是Being+Should的融合。同時，人機融合智能也是東西方文明的共同結晶體現。
??? 一般而言，東方文明對于智能的追求永遠是“反求諸己”，企圖打破人自身思維的界限而達到超越性的智慧；西方則是追求借助外力計算實現超越，計算即要求有窮，或者至少極限存在being，函數收斂。而針對無窮發散式的問題，也就是should的問題，人工智能很難跨出聚合這一步，而人機融合智能則能跨出這一步：人的意向性可以靈活自如地幫助人機協調各種智能問題中的矛盾和悖論。
??? 表面上，人機融合智能問題是一個現代科學技術問題，同時也是一個古老的倫理問題。倫，有四種解釋：1輩，類。2人與人之間的關系。3條理，次序。4姓；倫理，就是指的就是人與人以及人與自然的關系和處理這些關系的規則。人們往往把倫理看作是對道德標準的尋求。道德是后天養成的合乎行為規范和準則的東西。它是社會生活環境中的意識形態之一，它是做人做事和成人成事的底線。它要求我們且幫助我們，并在生活中自覺自我地約束著我們。假如沒有道德或失去道德，人類就很難是美好的，甚至就是一個動物世界，人們也就無理性無智慧可言。倫理道德的最現實作用就是使人對事物產生價值觀，而這價值觀恰恰是產生意向（should）和存在（being）的主要源泉，意向性是意識的基礎、存在是規律的反映，人類智能的根本就在于此：“德化情，情生意，意恒動。”“意恒動，識中擇念，動機出矣。”
??? 傳統邏輯學規范的對象是一種可自控的推理活動。作為對于邏輯學奠基于倫理學之上的一個基本論證，皮爾士強調：“就其一般特征來看，推理現象類似于那些道德活動的現象。因為，推理本質上乃處于自控狀態下的思想，正如道德活動乃處于自控狀態下的活動一樣。實際上，推理是受控活動的一種，因此必然帶有受控活動的本質特征。雖然由于教士專門負責讓你們記住，推理現象并非像道德現象那樣為你們所熟知，但是，如果你們關注推理現象，你們可以很容易看到，一個得出理性結論的人不僅認為它是真的，而且認為每一類似情況下的推理同樣正確。如果他沒有這樣認為，他的推斷就不能稱為推理。它不過是他心中出現的一個想法，他無法抗拒地認為它是真的。而由于沒有經受任何檢查或控制，它并不是被有意認可的，并不能稱為推理。”這里核心的論證結構是：任何可判定好壞的行為都必須是可自控的，邏輯學以區分推理好壞為主要任務，所以作為邏輯規范對象的推理必須是可自控的活動。作為人造的機器、機制而言，其本質必然是可自控的活動結果，而人的則未必完全是邏輯自控的，人機融合智能更不是邏輯的自控推理活動。
二、認知不是計算
目前的人工智能仍然是以計算機為中心，并沒有實現人們所希望的“以人為中心”之認知。如何把人類認知模型引入到人工智能中，讓它能夠在推理、決策、記憶等方面達到類人智能水平，是目前科學界討論的熱點、難點和焦點。
認知的核心是智能，是洞察事物，而智能和洞察的核心是心理，人工智能的核心是數理，心數不正（一致），何談相似？！單純的機器，無論是學習還是智能都是沒有感情的，而人的理性表面上類似機器，其實這種理性是建立在情感意志等底層之上的，是一種知、情、意融合的心智體，例如人許多記憶一涉及到“我”就會變得又快又好，這種鄰近性智能產生的機理就包含情感化。鑒于人機融合的是心理+數理的同理共情，因而能夠實現認知與計算的可能結合。正如一位朋友所言：除非有人以確鑿的證據向我們證明如何按照非定域原理把精神意識引入了某個人工系統，不管該系統的可觀察行為與人類行為多么相似，我們都不能認為該系統真的具有了精神意識，沒有了精神意識，再厲害的計算也產生不了認知和洞察。愛是人類一種獨特的界面，可以無限地由內而外擴展自己與外部世界交互的界面，這也是機器還不能產生的一種界面。
世界上的事物本身是不能定義解釋說明自己的，只能用其他事物去定義解釋說明它，但是這些事物本身有不一致，既有相似之處，又有不同的地方，所以比喻、類比都不是精確的，而是近似的，正是由于這些近似性，構成了各種可用的概念、觀念、習俗、常識、表征、交流和通訊，而當前計算的源泉----數學本身也是近似的，具體可參見那些公理、假設、條件、約束、邊界、規定等，然而，現在的不少數學家或者人工智能學者們竟然忽略了這些數學的近似，人為視為精確、客觀、絕對，用一個個有著先天局限性的公式、方程、范式、推理、計算去完成不可能完成的技術工作，進而造成自動化、智能化程度越高，人們的認知/心理負荷越重的悖論，究其因，是把不完美的有限錯覺成了完美的無限之故吧！
????人是在與人、物的交互中逐步形成自我的，包括親人、聲音、事物、紙筆、……交互、融合是智能的源泉，也是幫助我們思考的工具，從語言到手機，也許都是認知本身的一部分。一方面，我們的認知總是在與這個世界發生著融合；另一方面，被誤用的計算有可能會影響我們的認知。1968年圖靈獎獲得者理查德·哈明說過：“計算的目的不在于數據，而在于洞察事物。”人們認知中的覺知／意識被延展到了外部世界，并時常與很多設備計算交織在了一起。冥冥中，也許真是各種生活體驗塑造了我們對真實世界的期待和希望。
表面上，人工智能在搜索、計算、存儲和優化領域比人類有更高效的優勢，其實不然。例如，當一個或多個目標出現時，你會很難立刻形成正確或有效的態勢感知的，只有態勢演化進入到適當的時空、程度時，人才能形成良好的態勢認知狀態。據此，我們不妨把態勢感知這一認知機制分為預啟動期、發展期、實現期、深度期、衰退期、結束期……期間可視注意力集中程度為調節態勢感知不同時期的主要手段。態勢感知這種認知行為一般由兩部分構成，一是無機部分，即對諸符號的形式化處理；二是有機部分，涉及理解、解釋、思維等心靈方面的意向性分析。無機的部分可以用計算的方式優化，而有機的部分用認知處理比較理想，如下面這些情境，用計算很難表征而用認知則相對比較容易分析：態靜勢動、態動勢靜、感動知靜、感靜知動、態多勢少、態少勢多、感多知少、感少知多、態虛勢實、態實勢虛、感虛知實、感實知虛。態勢的態勢就是深度態勢，感知的感知就是深度感知，態勢感知的態勢感知就是深度態勢感知。所有的人機交互都是為了人人交流或自我認知而為，機就是一種媒介或一種工具，使得自己與他人互相作用的更有效便利舒適。人工智能模擬的是人的思維，而思維根本上就是各種交互中人的心理活動和過程，思維活動相對穩定了，就形成了某種思想。所以人工智能中的人之心理比起計算方法、計算能力、計算數據來更重要更本質更徹底，人工智能之源是人，而不是工，若說當前的人工智能界本末倒置，是一種工人智能、偷懶智能恐怕不為太過吧！
認知和計算之間的關系有時被抽象為事實與符號之間的描述刻畫（描畫）關系或映射關系，實際上是賦予命題符號以意義的過程的一個方面，即意指。一個命題符號，在我理解它之前，于我而言，它還是死的、沒有生命的。理解與意指過程在某種意義上說是相反過程，意指是指從事實到思想，再到命題符號；理解則是從命題符號到思想，再到事實。計算機本質上是一種通過形式化手段來實現非形式化意向性的工具，即通過數理反映物理、心理規律。玻爾說過：“完備的物理解釋應當絕對地高于數學形式體系。”
從哲學高度來看，認知是啥？感性的素質；計算是啥？理性的修養。一般而言，藝術是培養訓練感性素質重要的手段，科學技術是發展延伸理性修養的主要途徑。大多數現實世界的感性理性互動都涉及隱藏信息，而大多數的人工智能研發恰恰都忽視了這一點。”蒙特利爾大學的Yoshua Bengio是深度學習的先驅者之一，他在一封電子郵件中寫道：“學習使用的估計模型與現實之間依然存在著巨大差異，尤其是現實情況很復雜的時候。”因此，以數理計算為核心的人工智能的進步之途依然漫長……就像有句話說的：只有計算才分對錯，而認知則沒有標準答案。本能就是在沒有預見的情況下能夠產生某種結果，并且也不需提前訓練就能完成的行動能力。美國第一任心理學會會長威廉.詹姆斯似乎認為本能的結構方面是模塊化的。各個本能之間都獨立負責某種簡單行為，但同時它們之間也協同工作。機器的計算到目前為止還遠遠沒有本能，所以人與機在決策方面最大的差異在于有無壓力及風險大小的認知。從長遠看，人工智能們應該學會如何合作輔助人類，形成人機融合的新智能體。
有人認為：“目前人和機器之間的信息傳遞效率仍然非常低，遠未能實現真正意義上的人機協同、互相促進。要實現人機協同的混合智能，需要解決的第一個難題就是人和機器之間的交互問題。”仔細想來，這并不能算是人機融合的主要矛盾和核心問題。人機融合的瓶頸不是簡單的交互問題，而是認知與計算的結合問題，1972年圖靈獎獲得者埃德斯加·狄克斯特拉說過：“程序測試智能用來證明有錯，決不能證明無措“。波蘭尼也曾斷言：“知識的取得，甚至于‘科學的知識’的取得，一步步都需要個人的意會的估計和評價。”物理學領域，量子論的創立，使人們對主客體關系的認識發生了根本性的變化。在量子世界中，科學主體與客體之間已經不像在宏觀世界那樣有著絕對分明的界限，而是像玻爾所說的那樣：“我們既是演員，又是觀眾”。與此相關，海森堡也明確指出：幾率函數運動方程中包括了量子運動與測量儀器（歸根到底是人）相互作用的影響，這種影響也成了不確定性的重要因素。玻爾所說的演員和觀眾的關系，其含義是科學認識主體和客體之間，存在一個主體客體化，客體主體化的過程。主客體相互轉化、相互包含的結果，也就具有了波蘭尼所謂的“雙向內居”的關系。在人機融合的智能時代到來前的黎明，計算也悄悄主動靠向了認知，正如1966圖靈獎獲得者艾倫·佩利所言：“任何名詞都可以變為動詞“。對此，1971圖靈獎獲得者約翰·麥卡錫也表現了積極的認同：“與所有專門化的理論一樣，所有科學也都體現于常識中。當你試圖證明這些理論時，你就回到了常識推理，因為常識指導著你的實驗。“從中，我們不難看出：認知里的常識恰恰是被計算所過濾掉的精華。常識就是非結構化的多模態信息／知識的復合體，它遠遠超過了機器的理解。
人類在常規拓撲方面的直覺相對有限，高維情形很難建立起來具體的想像力，唯一能夠把握的只有嚴格的數學推導計算加上活潑的心理抽象認知。只有這樣邏輯和非邏輯空間才能相融共生，形成合力去破解大自然提出了一個比一個難以回答的諸多問題，才能處理那些“令我們深陷困境的不是那些我們不懂的事情，而是那些我們自以為理解的事情。”
簡而言之，認知不是計算，計算卻是一種認知。
三、機器學習不是人工智能，也不是人的智能
我們知道的遠比我們說出來的要多得多，我們不知道的遠比我們知道的要多得多，我們不知道我們不知道的遠比我們不知道的要多得多……
? ? 人類的感覺刺激、信息是動態分類，聚類，不是一次完成的，而是多次彌聚變化的（這種輪回機制目前尚未搞清楚）。大道無形的道是碎片的、流性的……所以正是零碎的規則、概率、知識、數據、行為構成了人的智能，即在千奇百怪的日常異構活動情境中生成演化出來的。人智，從一開始就不是形式化、邏輯化的，而且人的邏輯是為非邏輯服務定制的，機器則相反，從一開始就是條理化了、程序化的，也是為人的非邏輯服務的。
本質上，數據的標記與信息的表征不同之處在于有無意義的出現，意義即是否理解了可能性。機涉及的表征體系雖然是人制定賦予的，但一誕生就已失去了本應的活性，即意向性參與下的各種屬性、關系靈活連接和縫合，而人的諸多表征方式則常常讓上帝都不知所措：一花一世界，一樹一菩提。知識圖譜的欠缺就在知識的分類，它僵化了原本靈活著的知識表征，使之失去了內涵與外延彌聚的彈性，就像職稱評定一樣……，用有限表現無限是美，把無限用有限詮釋出來是智（真），連接兩者的是善（應該、義）。
??? 如果說機器的存儲是實構化，那么人的記憶就是虛+實構化，并且隨著時間的推移，虛越來越多，實越來越少，不僅能有中生無，甚至還可以無中生有，就像各種歷史書中的傳奇或各樣的流言蜚語一樣。更有意思的是人之記憶可以衍生出情感—--這種對機器而言匪夷所思的東東。
????人的學習過程大多數不僅是為了獲取一個明確的答案，更多的是尋找各種理解世界發現世界的可能方式。而機器的“學習”（如果有的話）“目的”不是為了發現聯系，而就是為了尋求一個結果。
??? 智能的根本不是算，是法，是理解之法、之道！理解是關鍵。NLP不先解決理解問題，只追求識別率，是不會有突破的。其實人對聲音的識別率是很低的，經常要問別人說了啥。能問別人說了什么是最關鍵的能力，因為知道沒有理解才能問出問題。很多系統的理解最終靠人，如果沒有人參與，不管處理了多少文字，都沒有任何理解出現。目前的人工智能缺失的是：對人感性層面的仿生不夠完善，因此無法完全了解人做決策的生理與心理機制。言下之意，只有人工智能做到像人一樣去感受外部的世界，并用處理器做人一樣的理性思考，從內至外地模擬和學習人類，這樣的人工智能才是完善的。
??? 博弈理論家魯賓斯坦發表了文集《語言與經濟學》，其中一篇論文里，魯賓斯坦用一個博弈模型說明“辯論”對不參與博弈的旁聽者有非常大的好處，因為辯論使得雙方不得不將“私有”的信息披露給旁聽的人。他的數學推導在我看來大致上沒有超出我的哲學論證的范圍。他在最近給我的回信中說他使用數學不過是為要獲得更清晰的論證而已，并同意我在信中表示的看法：“數學方法可能遮蔽了深刻洞察”，而人的直覺性統覺，其載體是有機體的感覺器官，已經包含著有機體對各種關系的理解。只是為了要把這種理解固定下來，形成“記憶”，人類才需要另一種能力的幫助，那就是“理性”能力。在理性能力的最初階段，便是“概念”的形成。概念就是一種界限、約束、條件，在不同的情境下，這些界限、約束、條件會發生許多變化，甚至會走向它的對立面……這也是為什么智能難以定義，有人參與的活動里會出現各種意外的原因吧！曾幾何時，叔本華曾指出：“在計算開始的地方，理解便終結了。”因為，計算者關注的僅僅是固定為概念的符號之間的關系，而不再是現實世界里發生著的不斷變化著的因果過程。 與“概念”思維的蒼白相對立，關于“直覺性理解”的洞察力，叔本華也有如下精彩的論述： “每個簡單的人都有理性，只要告訴他推理的前提是什么就行了。但是理解卻不同，它提供的是原初性的東西，從而也是直覺性的知識，在這里出現了人與人之間天生的差別。事實上，每一個重大的發現，每一種具有歷史意義的世界方案，都是這樣的光輝時刻的產物，當思考者處于外界和內在的有利環境里時，各種復雜的和隱藏著的因果序列被審視了千百次，或者，前所未有的思路被阻斷過千百次，突然，它們顯現出來，顯現給理解。”在這一意義上，目前的全部計算機智能，只要還不是基于“感官”的智能，在可看到的未來，就永遠無法獲得我們人類這樣的創造力。這里，“感官”是指對“世界”做直接感知的器官，有能力直接呈現表征世界圖景的器官，而不是像今天的計算機這樣，需要我們人類的幫助才可以面對這個世界“再現”什么。錢學森說：“人體作為一個系統。首先，它是一個開放的系統，也就是說，這個系統與外界是有交往的。比如，通過呼吸、飲食、排泄等，進行物質交往；通過視覺、聽覺、味覺、嗅覺、觸覺等進行信息交往。此外，人體是由億萬個分子組成的，所以它不是一個小系統，也不是一個大系統，而是比大系統還大的巨系統。這個巨系統的組成部分又是各不相同的，它們之間的相互作用也是異常復雜的。所以是復雜的巨系統。”實際上，當前的人工智能只使用了人類理性中可程序化的一小部分，距離人類的理性差距還很大，更不要說初步接近人類更神奇的部分--感性了!
伽利略說過:數學是描述宇宙的語言。事實上，準確地說應該是:數學是描述宇宙的語言之一，除此之外，還要許許多多的描述方式存在著，這也是智能科學面臨的問題:該如何有效地融合這些不同語言的語法語義語用呢？!對于多元認知體系來說，共性認知成分稀缺而重要，數學是這方面的一種嘗試，用以描繪對象間的關系（但非僅有）。如果換了一種文明，它們的描繪方式不同，形式自然不同。數學不是究竟，只是對實相某個方面的陳述，類似盲人撫摸象腿的感受。數學和詩歌都是想像的產物。對一位純粹數學家來說，他面臨的材料好像是花邊，好像是一棵樹的葉子，好像是一片青草地或一個人臉上的明暗變化。也就是說，被柏拉圖斥為“詩人的狂熱”的“靈感”對數學家一樣的重要。舉例來說，當歌德聽到耶路撒冷自殺的消息時，仿佛突然間見到一道光在眼前閃過，立刻他就把《少年維特之煩惱》一書的綱要想好，他回憶說：“這部小冊子好像是在無意識中寫成的。”而當“數學王子”高斯解決了一個困擾他多年的問題 (高斯和符號) 之后寫信給友人說:“最后只是幾天以前，成功了（我想說，不是由于我苦苦的探索，而是由于上帝的恩惠），就像是閃電轟擊的一剎那，這個謎解開了；我以前的知識，我最后一次嘗試的方法以及成功的原因，這三者究竟是如何聯系起來的，我自己也未能理出頭緒來。”再如獎懲是機器增強學習的核心機制，而人的學習在獎懲之間還有其他一些機制（適應，是主動要獎勵／懲罰還是被動給獎勵／懲罰），如同刺激——反應之間還有選擇等過渡過程。另外，人類的獎懲機制遠比機器簡化版的獎懲機制復雜的多，不但有獎獎、懲懲機制，甚至可以有懲獎機制，給予某種懲罰來表達真實的獎勵（如明降暗升），當然，明升暗降的更多。人類的那點小心思，除了二進制，機器們目前繼承的還不太多。
在川流不息的車流中穿行而全身而退，就是人機態勢協同的經典情境。仔細想想，態勢與陰陽還有著相似關系:（狀）態為陽——顯性的being，（趨）勢為陰——隱性的should；感（屬性）為陽，知（關系）為陰，陰中有陽，陽中有陰。
人的學習與機器學習最大的不同在于是否是常識性的學習，人在教育或被教育時，是復合式認知，而不僅僅是規則化概率性輸入。人的常識很復雜，扎堆的物理、心理、生理、倫理、文理…… 既包括時間空間的拓撲，也包括邏輯非邏輯的拓撲。人既是動物，也是靜物。機也如此，但其動、靜與人的還是有差異。 人機融合學習、人機融合理解、人機融合決策、人機融合推理、人機融合感知、人機融合意圖、人機融合智能才是未來發展的趨勢和方向。
人有一種能把變量變成常量，把理性變成感性，把邏輯變成直覺，把非公理變成公理，把個性一變成共性多，把對抗生成妥協的能力。例如人不但可以把how用程序化知識表征，還可以把why用描述性知識表示，至于what、where、when這些問題讓機器輔助檢索即可。無論人的自然智能還是人工智能最后都涉及價值取向問題，可惜機器在未來可見的未來內遠遠不會有之。如果說價格是標量，價值是矢量，那么也可以說數據是標量，信息是矢量，機器是標量，人是矢量。若數據是標量，信息是矢量，知識就是矢量的矢量，究其因，數據終究是物理性的，本身沒有價值性，信息是心理性的，具有豐富的價值取向。
目前主流人工智能理論喪失優勢的原因在于，它所基于的理性選擇假定暗示著決策個體或群體具有行為的同質性。這種假定由于忽略了真實世界普遍存在事物之間的差異特征和不同條件下人對世界認識的差異性，導致了主流理論的適用性大打折扣，這也是它不能將“異象”納入解釋范圍的根本原因。為了解決該根本問題，歷經多年發展，許多思想者已逐漸明晰了對主流智能科學進行解構和重組的基本方向，那就是把個體行為的異質性納入智能科學的分析框架，并在理性假定下個體行為的同質性作為異質性行為的一種特例情形，從而在不失主流智能科學基本分析范式的前提下，增強其對新問題和新現象的解釋和預測能力。即把行為的異質性濃縮為兩個基本假定:一、個體是有限理性的，二、個體不完全是利己主義的，還具有一定的利他主義。心理學、經濟學、神經科學、社會生態學、哲學等為智能科學實現其異質性行為分析提供了理論跳板和基礎。簡單可稱之為人異機同現象，未來的智能應該在融合了諸多學科新一代數（信）息學基礎上成長起來，而不是僅僅基礎在當前有著諸多不完備性的數學基礎之上。
新手對抽象枯燥的信息無感，而高手則能從中提煉出生動、鮮活、與眾不同的信息異常敏感，即通理達情，看到別人看不到（從同質性提煉出異質性），覺察出別人覺察不了的信息，形成直覺（快）決策，這也就導致了不同尋常的非理性行為和信念不斷地發生。“認知吝嗇鬼”是指人類大腦為了節省認知資源，在做決定時，喜好尋找顯而易見的表面信息進行處理，以求快速得出結論，而結果很可能是錯的，所以以膚淺著稱。與”認知吝嗇鬼”不同，心理學中還有一個概念叫”完全析取推理”（fully disjunctive reasoning），指當面對多個選項需要做決策，或是要根據假設推理得出一個最佳解決方案時，會對所有的選項或者可能性的結果進行分析、評估，從而得出正確地答案。因為進行系統地分析，速度相對比較慢。
知識的默會已造成很多不確定性，規則的內隱更使得交互復雜加倍。其根源在于交互對象具有“自己能在不確定和非靜態的環境中不斷自我修正”。這就要求不但有知識更新的要求，而且更有組織機制挖潛強調。 人機交互實質上是人的感性結構化與人的部分理性程序化之間的融合。“同情”很容易被理解為：我們在這種感受中以某種方式分有他人的情感。實際上，同情共感是一種情感秩序一致性的共現期望。我們在意識領域中至少可以發現以下六種互不相同的“共現”方式：映射的共現、同感的共現、流動的共現、圖像化的共現、符號化的共現、觀念化的共現。因此，“共現”雖然首先被胡塞爾用于他人經驗，但它實際上是貫穿在所有意識體驗結構中的基本要素。對于此，機器仍遠遠不能學習實現之。
?霍金和穆洛迪諾都曾把光說成是“行為既像粒子又像波動”，智能也是如此彌聚，彌散如波動，聚合如粒子（注意機制的加入）。對象是靜態的，分配匹配是動態的，是不斷被刷新的，可謂此一時彼一時，如何把握不同時期的人機功能分析變化，這或許是一個非常有意思的問題。 現在的許多無人系統或體系不是說真無人，而是沒有了直接人，同時對間接人的要求會更高了。人機融合不同情境的自主機制不太一樣，如個體的自主與系統、體系的自主不同。此外人機融合的一個重要問題如何平衡，能力的、時機的、方式的、研判的平衡等等，融合的不好，往往都是這些方面的失衡所造成的。例如人機交互分為自我內交互和與他外交互，許多表達或表征對其他對象僅出現邏輯上的意義，與真實發出者的心理意義往往是不一致的，這種情況體現在人機深層次溝通的不流暢和晦澀、難以為繼上。比較而言，機器是擅長處理家族相似性事物的，人則是優于處理非家族相似性的，即人類可以從不相識／相似的事物中抽取相識／相似性，而人機融合是兼顧兩者的。跨界交叉就是要找到非家族相似性進行有向關聯。波粒二象性就是連續與離散的態勢，態勢與感知都有二象性，認知也有，離散時可以跨界交叉融合非家族相似性，連續時常常體現平行慣性保持家族相似性。人的非理性認知（離散）與機的理性認知（連續）結合是否符合正義（正確的應該）是衡量有效融合的主要指標之一。
人機融合智能有兩大難點: 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融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，人機融合是語法與語義、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融合智能好壞的重要指標。人機融合就是機機融合，器機理+腦機制;人機融合也是人人融合，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，所以人機融合智能是未來，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害死智能，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。
最近，澳大利亞悉尼大學克里斯·雷德通過研究認為：“它們正在重新定義智能的性質。”一種被稱為“海綿寶寶”的黃色多頭絨泡菌（Physarum polycephalum），它們也能記憶、決策、預測變化，能解決迷宮問題、模擬人造運輸網絡設計、挑選最好的食物。它們能做到所有這些事，但它們卻沒有大腦，或者說神經系統。這一現象不得不讓科學家重新思考，智能的本質究竟是什么？通過研究我們發現，智能就是人物環境系統之間的交互現象，就是智，就是慧，就是情，就是意，就是義，就是易，就是心……心理的心就是人機環境系統的交互，很難像物理還原一樣進行心理還原，生／心理與物理最大的不同是:一個是生一個是物，一個是活的一個不是活的，一個不易還原，一個較易還原。人文藝術之所以比科學技術容易產生顛覆原創思想，不外乎在于跨域性的反身性——移情同感，超越自我，風馬牛也相及，而人一般都不愿意因循守舊一生，所以人文藝術給人提供了更廣闊的想象空間，正可謂人們看見什么并不重要，重要的是人們如何詮釋看見的事物。
德里達有句名言“放棄一切深度，外表就是一切”，他隱藏的意思是：生活本身并不遵守邏輯，它是非邏輯的，無標準的，就像文字學，以一種陌生的邏輯在舞蹈。
愿上帝保佑機器學習，阿門！
四、人機融合智能
??? 人類價值觀的起源是倫理學，機器的起源是人類（它們的上帝）。現實中，人類的倫理道德困境就不少，而人類給機器人“裝”進去價值，恐怕會有更多的倫理范式之間的對沖矛盾產生吧？！無論如何，從中不難看出，人機融合的未來必將會荊棘密布、困難重重。
??? 倫理可以規范出道理，道理可以演化出物理，物理可以抽象出數理，數理可以泛化于管理、生理、心理……。正如生活中所常見的那樣，一個自然數據一接觸到一種自然數據或社會數據性質就會發生較大變化，尤其是那些在臨界值／區的數據/數值變化，直接導致了價值的出現和信息的產生。（自然、社會、真實、虛擬）隱顯混合信息／知識構成的概念“能指、所指”往往呈現出生態多樣性，在理論中變得越發生動活潑跳躍。人機之間的理論、概念、知識、信息、數據之間是彌散膨脹關系，反之是聚合壓縮關系，但為了不失真，它們相互之間的轉換效率都需要某種方法來衡量，這些表征就是我們要尋找的關鍵和突破口。人機融合后，整個系統的輸入、處理、輸出會發生不少變化：首先通情達理（這里的“理”包括倫理和道理）就是should到being的信數（人的信息與機的數據可以通過信數這個新中介形式進行融合，這個中介信數是由一個矢量+一個標量或一組矢量+多組標量構成的矢標量（還是矢量）值，通過信數這個矢標量值進行人機融合關系程度優良好壞的初步判定，即輸入階段的評價指標。），即通過人的價值取向有選擇地獲取數據的過程，在這個輸入過程中不但是客觀數據與主觀信息的融合，還應包括人的先驗知識和條件；其次，在人機信息／數據融合處理過程中，人的非結構化信息架構（如自然語言）會漸變為結構化一些，而機的結構化數據據語法就會非結構化一些，在這種半結構化的情境中，不但要使用基于公理的推理，還要兼顧結合非公理性推理，使得整個推理過程更加縝密合理；最后，在決策輸出階段，人常常是由腦中若干記憶碎片，與五感接收到的信息，綜合在一起，跳過邏輯層次，直接將這些信息中和的結果，反射到思維之中，形成所謂的“直覺”，其結果的準確程度，在很大方面取決于一個人的綜合判斷能力，而機器則是通過計算獲得的結果--“間覺”進行間接評價，這種把直覺與“間覺”相結合的獨特決策過程就是人機融合智能輸出的一大特點。概而擴之，人機融合的關鍵應包括:一多與靈活彌聚的表征、公理與非公理混合推理、直覺與“間覺”交融的決策。
??? 人的感覺常常是嵌套混合貫通聯合的，視覺里包含著聽覺觸覺嗅覺和味覺，機器的信號采集／數據輸入則是單純唯一獨立分離的，各種通道模態之間沒有融合交叉。人與機的感覺秩序大相徑庭，刺激與數據、信息與信號差異太大。對人而言，未感覺到的刺激往往被隱藏在感覺到時刺激里，進而形成無意識感覺或下意識感覺。不難相信，這種聯覺或遷移覺在文字、詞語中也有著相似的機理。機器的這種能力至今尚未被開發出來，這或許是人機融合智能方面中的一個瓶頸吧!如何打破“人擅計機長算”的基本架構，數據一多分有全息表征的輸入至關重要，這里面不僅有顯性的個別數值體現，還有默會的眾多關系作用。人的看里包含了大量的其他感覺到的東西，如聽覺、觸覺、嗅覺、味覺，這些聯覺都潛在在視覺里，機器的看沒有聯覺、統覺，機器聽覺等莫不如此……另外，情境中每個東西都有眾多屬性和關系，當前的打標就是九牛一毛，往往打標后掛一漏十白白損失了大量的信息，所以現有的“人工”智能中數據標注工作值得商榷。深入下去，人對這類復合信息的加工也應該是復合并行的處理:既有邏輯清晰地推理過程，可謂之達理，更有感性豐富地動情發展，可謂之通情；既有基于公理地顯性信息的分析，也有基于非公理地隱含信息的綜合，慢慢形成顯、隱理解的共存，進而演化為顯、隱意向性，為下一步的規劃決策做好準備。在完成情境任務目標的價值驅動下，顯性的意向性可以變成理性決策，隱性的意向性可以演化成直覺決策。
??? 在傳統的人工智能研究中，聯接主義的代表形式是人工神經網絡，主要處理數據；行為主義的代表形式是強化學習方法，主要處理信息（獎懲后有價值的數據）；符號主義的代表形式是知識圖譜和專家系統，主要處理知識和推理（有限的知識及推理）；三者有遞進的味道，但距離人擅長的概念產生和理論建立相距甚遠，尤其是在情感化表征、非公理性推理和直覺決策等方面機器更是望塵莫及!另外，機器學習中的反饋、迭代的生硬艱澀滯后與人的相比也是比較低級，這是因為人的態勢感知能力不但來自科學技術還源于社會學、史學、哲學、文學、藝術等多方面的素養與思維技能，進而產生價值取向（態勢感知的基本預設是:人可以發現未來的動向并影響它的進程）。機器的態勢感知做不到，所以機器暫時還是單一領域的擅長者（如圍棋、國際象棋等）。一般而言，機器在定義域（人為規則）里比人存儲量大且準確、數據處理快，人在非定義域（自然情境）里比機智靈活且深刻、信息融合好。人的優勢是劃圈（劃分領域/定義域），機的優勢是畫圓（精確執行），人機融合的優勢則是既能劃好圈又能畫團圓（可跨域實現目標），正可謂：人心所想，機器所為。當前的人機融合產品還是共性的（誰都可以用，如手機、電腦），個性化服務的人機智能融合還未真正出現，但已有原始級別的系統悄悄暫露頭角（如個人輔助決策系統等）。
??? 學習，對人而言最重要的是忽略那些非關鍵的數據、忘記那些不重要的信息，從而在諸多事物及其之間發生的各種關系-事實中游刃有余地特征相關、關聯存在、變化應該、統計概念、概率規則、把握因果，可惜的是，目前的機器學習不會忽略不懂忘記，人這種過濾的機理與價值取向判斷有關，弱類似于決策機理，機器沒有價值體系。從透視主義的角度來看，人的認知存在兩類選擇性透視，一是生理功能上的，如對可見光的感受；二是觀念上的，如情境、理論和價值預設。生理功能上的意思就是說我們選擇認識什么不認識什么取決于生理感受與反映乃至內在機制；觀念上是指各種預設使人在認識中會放大、虛構和過濾。人的價值取向相應可分為生理性和社會性，兩者都包含個性化與共性成分，并在不同的情境組合中轉換、釋放出來，形成風格各異的認知特點和規律。迄今為止，這些價值體系尚未賦予沒有個性的機器們。人類意向性的背后就是價值取向，即價值觀倫理性（倫就是類和次序），如何讓形式化（數據化）的機器產生價值取向就是讓它產生意向性，即形式化的意向性，可以有道德有倫理的機器或許可以由此實現，產生不了有價值取向的機器，這一切都難以起始。事實上如何產生有價值傾向的機器，就是人的倫理道德像理性邏輯一樣可描述化程序化問題，即倫理如何變成道理再變成公理原理的進程。此外，人的深度學習也不同于機器的深度學習，人的深度學習是學校教育與社會教育的一致，在于理論與實踐的統一，在于矛盾和悖論的協同……是一種內外共鳴同情的學與習；而機器的深度學習源于人工神經網絡的研究，含多隱層的多層感知器就是一種深度學習結構，深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。兩種學習的機制根本不同：一個經過思考和實踐，一個就是仿真和模擬。
??? 為什么人類傾向于用概念、關系和屬性做解釋？這是因為任何解釋都是在認知基本框架（常識）下進行的。人類認識世界理解事物的過程，其實就是在用概念、屬性和關系去認知世界的過程。概念、屬性、關系是理解和認知的基石，機器不能把不同性質的東西聯系起來，人卻可以相關表面上無關的事物。為什么“整體不同于其部件的總和”？因為構成整體的部件（屬性）們產生了關系，有內在的也有外在的，語義的進化也許就是新關系的形成，知識的產生也是各種各樣的新關系被發現的過程，關系有單向性（不是雙向的）和依附性，如何建立起人機之間的雙向關系至關重要，這也是一個突破口和切入點。其中，構造與功能的關系、特征屬性與語義向量關系是當下科研的熱點和難點。
??? 為什么知識圖譜和專家系統在實際應用中漏洞百出、問題層出不窮？其中最重要的原因是關系的梳理沒有到位。其中對于主觀參數和客觀參數的不匹配不協同就是一個重要問題。正如維納對智能控制的定義：“設有兩個狀態變量，其中一個是能由我們進行調節的，而另一個則不能控制。這時我們面臨的問題是如何根據那個不可控制變量從過去到現在的信息來適當地確定可以調節的變量的最優值，以實現對于我們最為合適、最有利的狀態。”如一個認知模型如何處理突出值、價值觀、頻率性、可信度等主客觀融合特性，也許是評判其好壞的主要依據吧。早年Fechner在創立心理物理學時，提出過外部的心理物理學和內部的心理物理學等概念。外部物理世界各種物理刺激作用于人的感官，引起人的內部物理世界的活動，即腦的活動，從而產生內部心理世界的感覺體驗。Fechner認為人的感覺過程既涉及外部物理世界的物理刺激，又涉及內部物理世界的腦活動過程，還有內部心理世界的感覺體驗。他認為外部的心理物理學研究外部物理刺激強度和內部心理世界感覺體驗強度之間的關系，而內部的心理物理學則研究內部物理世界即腦活動強度和內部心理世界感覺體驗強度之間的關系。高級意識是什么呢，有人認為高級意識就是大量的基礎意識的集成，把大量不同種類的基礎意識有機地集成到一起，這種集成應該具有穿越性，能夠把“無關”事物／事實有指向地相關起來，穿越比集成更迅捷。目前看來，單純人的智慧在單個領域落后于人工智能已成為現實，對跨領域超級智能的期待仍無依無據，但是人機融合智能則可以更快更好更靈活地同化外來信息和順應外部變化，是有機與無機的跨界混搭，是記憶與存儲、算計與計算、直覺與間覺、自主與它主、慧與智的彌聚，也許這中融合智能正是未來的方向。
??? 人機融合智能的一個核心問題是介入問題，這也是一個體驗問題，即人與機相互之間何時何處以何種方式（或平滑或迅速）介入的問題，尤其是在歧義點或關鍵閾期間介入的反應時、準確率。例如，交互中機器出現的變形了的非自主“主觀”對人機融合很重要，尤其是在特定定義域（如圍棋）中，可以改變人的習慣和偏好，甚至是世界觀。再如，在融合時彼此之間的接受、容忍、信任、匹配、調度、切換、說服、熟練程度，以及如何訓練出個性化的伙伴關系等都是具體亟待解決的問題。例如未來的人機說服技術，就需要人機之間的通情達理，因勢利導。由于人機融合在細節層面和人人之間的合作幾乎同樣復雜，或者說是有一些另類的復雜問題。因而可以認為，從技術角度講，人機融合智能絕不僅是一個數學仿真建模問題，還應是一個實驗統計體驗擬合的問題。
??? 一般來講，對于一項技術的理解要從抽象的角度著手，抽象的角度越高，適應范圍越廣，用一層一層的抽象的方法去理解事物的本質，就能從思想上突破技術的局限性。比如一個簡單的問題：計算機是什么？計算機的本質就是一個可編程的、用于計算的機器。任何問題只要能轉換成計算問題，那計算機就能解決，如果不是計算問題，那計算機就解決不了。人處理的外部客觀事物屬性／關系本身就包含多重意義，再加上人本身的主觀認知也豐富多彩，因而復雜性是不可避免的。相比之下，機器的數據分析倒是相對自然簡單一些。信息的輸入、處理、輸出過程對人而言都是雙向的，如“看想看的”、“聽想聽的”就是眼耳與大腦的雙向流動，而彈奏想彈的曲子則是手腦之間的雙向作用；數據的處理過程則是機器的單向使然，人為的反饋前饋仍難以掩蓋其無機性。羅素認為，我們所說的每個事物都只由我們擁有的直觀知識和理解的事物的說法（也許是合成的）構成——知識實質上憑的是感性知覺。例如，機器不會學不會問，所以沒學問。你問人: 吃了嗎？人理解!你問機: 充（電）了嗎？機會理解嗎?那種試圖以現有形式化方法獲取類人智能的思想也許確實是行不通的，因為從本質上講，所有的仿真和模型都是錯誤的，只不過有些模型可參考性較大一點罷了。
??? 人與人之間有人道，機與機之間有機道，人與機之間有人機道。數據、信息、知識，三者之間由于主體介入程度上的不同，而性質隨之變化。例如：當你面對一堆數據時，數據與主體產生關聯，你就發現或得到信息；當信息做為對象被主體思維運算后，形成認識時，信息就變成了知識；當知識從主體傳播出來，面對其他接收主體，又轉換成了信息；當信息存儲在外，無主體對應或介入時，就變成了數據。在語法面，規則性的語法逐漸為概率性的語法所替代，語義/語用方面，則出現了可能（性）的價值是新型決策依據
??? 人機融合智能科學要研究的是一個物理與生物混合的復雜系統。智能作為一種現象，就表現在個體與自然、社會群體的相互作用和行為過程中。系統科學的一個未曾言明的假設是，一切事物都是以系統方式存在和運行的，都可以用系統觀點來認識，一切問題都需要用系統方式來處理。關于認知的一系列問題也不例外。基于信息技術的認知延展可以為延展認知的哲學假說進行辯護，而心靈的邊界將變得更為模糊，身體、大腦、環境、技術、社會正在形成一種新的相互融合的智能體。這不僅僅會改變人的基本認知結構，也進一步改變了我們對人性以及對自身存在狀態的理解。人與不同機融合表現出來的智能是不同的，與手機交互時的智能遠遠大于與自行車交互時的智能。或許這些行為和現象類似物理學一樣必然有統一的力、相互作用、基本元素來描述。例如在圖像識別中，真實的識別不是在圖像中的位置（圖像是一個平面）。而是要識別圖像指向的空間中的位置。要建立空間概念，以及物體在空間中相互關系的概念。單純基于概率統計的方法（先天智能）解決不了看圖說話的問題，要建立一種基于當前圖像個性反饋（后天智能）。人，有一種隨時隨地都可以“標注”的能力。“打”標,不管怎么標注都是終止于符號，而不是世界上的物體，應該做個能和環境世界打交道的東西，標注就是物體本身，物體的圖像、聲音、觸覺、氣味都可以通過訓練映射到物體。不是說符號沒用，符號本身也是物體對象，需要通過訓練來認識它們。符號到其代表的物體的映射（或指向）關系也是通過訓練形成。
??? 對人類而言最最神秘的意識是如何產生的，這個問題一直受到學者們的關注。其中有兩個主要問題，一是意識產生的基本結構，二是交互積累的經驗。前者可以是生理的也可以是抽象的，是人類和機器的差異，后者對人或機器都是必須的。意識是人機環境系統交互的產物，目前的機器理論上沒有人機環境系統的（主動）交互，所以沒有你我他這些參照坐標系。有人說“當前的人工智能里面沒有智能，時下的知識系統里面沒有知識，一切都是人類跟自己玩，努力玩得似乎符合邏輯、自然、方便而且容易記憶和維護”,此話固然有些偏頗，但也反映出了一定的道理，即意識是人機環境系統交互的產物，目前的機器理論上沒有人機環境系統的（主動）交互，所以沒有你我他這些參照坐標系，從而很難反映出各種隱含著穩定和連續意義的某種秩序。還有，人處理信息的過程是變速的，有時是自動化的下意識習慣釋放，有時是半自動化的有意識與無意識平衡，有時則是純人工的慢條斯理，但是這個過程不是單純的信息表達傳輸，還包括如何在知識向量空間中建構組織起相應的語法狀態，以及重構出各種語義、語用體系。
而且自由調節的環境系統觸發了自主體系的反向運動，由此形成了人機與環境之間的多向運動或多重運動，進而導致了矛盾和沖突。這種不一致甚至相反問題的解決常常不是單純數學知識力所能及的，一個問題有邊界、有條件、有約束的求解時是數學探討，同一個問題無邊界、無條件、無約束求解時往往變成了哲學研究。例如虛構如何修正真實，真實怎樣反饋與虛構？這將是一個很有味道的問題！
五、發展與展望
人機融合智能就是由人、機、環境系統相互作用而產生的新型智能系統。之所以說它與人的智慧、人工智能不同，具體表現在三個方面:首先是在智能輸入端，它是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；其次是在智能的數據／信息中間處理過程，機器數據計算與人的信息認知融合起來，構建起一種獨特的理解途徑；最后是在智能輸出端，它把機器運算結果與人的價值決策相互匹配，形成概率化與規則化有機協調的優化判斷。人機融合智能也是一種廣義上的“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，除此之外，還關聯自然和社會環境、真實和虛擬環境等。著重解決上述人機融合過程中產生的智能問題。比如諸多形式的數據/信息表征、各種邏輯/非邏輯推理和混合性的自主優化決策等方面。
在人類的歷史長河中，古埃及的象形文字、古巴比倫的楔形文字、古印度河流域的印章文字和中國的甲骨文共同形成了世界四大古文字體系。唯有中國的甲骨文穿越時空，至今仍在使用并且充滿活力。其根本原因在于西漢時期出現了隸書—這一表意性文字，自此，中文文字完成了由表形（圖畫）到表意的驚險一跳，成為世界上唯一一個連綿不斷的文明！所謂會意字，它是把兩個或者兩個以上的不同構件放到一起，從而組成一個字，產生一個意思，這叫會意。簡單地說，態勢感知就是象形+會意，而態勢感知又是智能科學的基礎，所以不難看出，智能科學的核心和關鍵依舊是何時能夠完成“得意忘形”這一驚險的一跳，目前科技進展的種種跡象也表明：人的意向性+機的形式化是完成智能最高形式——“得意忘形”可能性最大的方式。
總之，人機融合智能研究是智能技術發展到一定程度的產物，它既包括人工智能的技術研究，也包括機器與人、機器與環境及人、機、環境之間關系的探索。與很多新興學科一致，它的歷史不長，但發展速度很快。尤其是近些年，依托著深度學習的興起，以及一些大事件（AlphaGo系列）的產生，人們對人工智能本身，以及人機融合智能研究的興趣陡然上升，對其相關研究與著作也相對增多。但是，可以預期到的是，人機融合智能技術本身離我們設想的智能程度還相去甚遠，且自發的將人的智能遷移到機器中的想法本身實現難度就極大。這是一個很難回避的問題。這些都需要目前的智能科學家們做進一步的研究。人機融合智能研究不僅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，這才是人機融合智能研究的前景與趨勢。
無論是否愿意接受，智能的確起源于哲學---這門使人聰明的學問！
總結
- 上一篇： 爬虫应对银行安全控件
- 下一篇： 解决java编译错误（ 程序包javax