【人工智能和智能的關(guān)鍵在“人”及自主性，如何思考這兩個要素已成為黑暗里兩處搖曳著的光和希望！】

人類文明的演化粗略可劃分為西方文明和東方文明，人類對智能領域的理解也可大致劃分為東西方這兩大體系。人工智能領域的發(fā)展主要是延續(xù)了西方文明的科技脈絡：邏輯+實驗，而作為更為抽象的人性智能領域的反映，東方文明也起到了舉足輕重的作用：洞察+平衡，也可以認為西方偏邏輯、算法，東方側(cè)非邏輯、算理。

未來的人機融合智能形式需要解決的就是把東西方的合理部分有機地整合在一起，形成一套嶄新的智能適配機理，這種適配性包括兩部分，一部分是相互適應，一部分是互相配合。若把機器看成是建立在確定性數(shù)據(jù)、算法、算力基礎上的物體，那么人則應是建立在隨機性知識、算理、算計基礎上的物體，其中的知識具有主觀性、強彌聚、富彈跳、不確定的特性。

某種意義上說，智能就是尋找最好替代的過程，這里的替代包括替代物、替代方案、替代系統(tǒng)等，尋找就是計算加上算計的混合處理過程，算計常常涉及宏觀方向和內(nèi)在道理，算法往往關(guān)聯(lián)具體過程和方法手段。算計不是簡單的計算逆過程。人的算計涉及顯性、隱性知識，側(cè)重價值化與事實性的融合，人和機器的計算包括可描述中可程序化的顯性知識，聚焦事實性。機器計算中很難既對立又統(tǒng)一，而算計中卻常?？梢院蜑橘F。

無論人工智能還是人類智能，都有著一個共同的缺點：容易自我傷害，即聰明反被聰明誤。因此在人機融合智能的數(shù)據(jù)、信息、知識處理中，必須建立具有預見性的責任分配機制，及明確是否、何時以及在何種程度上使用何種算法系統(tǒng)。因而未來的人機融合智能中既應有技術(shù)也應有藝術(shù)，即凡是涉及到人機融合的智能，無論概念、定義、推理、決策都不是固定不變的，在態(tài)、勢之間還有一個中間區(qū)域——態(tài)勢區(qū)：其中既有態(tài)也有勢，既有事實也有價值，既有數(shù)據(jù)也有信息知識，既有公理也有非公理，既有直覺（非邏輯）也有邏輯，既有反思也有反饋（反思是動態(tài)的虛實復合反饋）。

目前，人機交互缺乏動態(tài)性，之間的定性分析還尚未完成，定量更為困難，例如，如何讓機器“明白”人不同階段的意圖變化？如何讓人理解機器的各種計算結(jié)果，有時候，大而全的數(shù)據(jù)庫、知識庫也可能是大的障礙，因為很多變化因素是很難（或還不能）用參數(shù)表示的，比如一個嬰兒的哭可以是因為餓了，或是痛了，或是病了，或是困了。。.。。.也可能是應為上述綜合因素造成的，但是這種復合情況就很難用固定的數(shù)據(jù)庫、知識庫（甚至常規(guī)的知識圖譜）進行表征。機器強化學習中的獎懲機制與人類的獎懲機制相差甚大，人類的獎懲除了“利”（事實）之外還有“義”（價值）；同樣，機器的態(tài)、勢、感、知機理與人類的態(tài)、勢、感、知機理都大相徑庭，機器基本上還是“以理服人”，而人類則是“情理交融”，機器與人的交互是兩者單向的，而人與機器的交流則是人機環(huán)境系統(tǒng)之間多向的人機、機機、人環(huán)、機環(huán)、人機環(huán)，其中不但存在著大量的“交”更有更多的“互”。人是環(huán)境的主動部分，機器只是人造的被動工具，例如現(xiàn)在許多機器的界面（如手機各種提醒方式）是不會隨環(huán)境、任務、人的變化而隨機應變的。

人類一般是通過日常常識進行關(guān)聯(lián)-判斷，有些復雜的推理還與動態(tài)的預期有關(guān)；而機器是通過不完備的數(shù)據(jù)非（人類）常識連接-分析，沒有類人的預期機制。從根本上說，機器的聰明、狹隘與人類的聰明、狹隘是不同的，人類處理問題的模型是在無限開放/非線性環(huán)境下不斷跨域融合的創(chuàng)造型認知算理模型，而機器處理問題的模型是在有限封閉/線性環(huán)境下的經(jīng)驗型計算算法模型。目前，對于所有重要的人機系統(tǒng)而言。最終的裁判權(quán)還是人，這是因為這些問題的實質(zhì)不僅是科學技術(shù)問題還涉及大量的環(huán)境噪聲、社會人文、倫理法律等非科學技術(shù)問題。人工（機器）智能是人們用邏輯編寫固定的事實算法，考慮的是規(guī)則的搭配，如用手拿筷子或刀叉吃飯，而人類是用非邏輯（混合了事實、情感的更高階邏輯）進行的動態(tài)價值算法，更多的是恰當?shù)膽?，如除了手拿筷子或刀叉之外，還可以用腳或其它工具吃飯。人工智能為“是不是”功能，人類智能是“應不應”能力，功能是工具非適應性的被動實現(xiàn)，能力是生命適應性的主動實現(xiàn)。人還不了解自己，尤其是沒有真正認識人的認知與感覺形成的真正過程和實質(zhì)。人類的神經(jīng)網(wǎng)絡并非麥卡洛克-皮茨邏輯神經(jīng)元網(wǎng)絡，而是立體交織而成的多模態(tài)生物組織，人是環(huán)境的，很少有人在夏天無意識到下雪的情形，能否對自身/自我的行為的覺察和意識常常是人機的重要區(qū)別。

真實的智能并不是一開始就絕對的正確，也可能一開始就犯方向性錯誤，但在過程中不斷地實時調(diào)整，過程中恰當?shù)卣{(diào)整程序和時機、方式或許更能表征智能的大小和好壞。如海森伯格所言：“任何理解最終必須根據(jù)自然語言，因為只有在那里我們才能確實地接觸到實在。”。實際上，小孩子的語言與成人的語言是不同的，同一個概念或語句，都帶有某種發(fā)現(xiàn)和試探性，情感性多于知識性，價值性多于事實性，虛擬大于真實，ta在玩味這個概念或語句，總是在可復制和不可復制之間找到一條最佳的道路來達成自我共識，并在未來能夠較準確地遷移到其他某個情境任務中去。這個過程不是照抄照搬，而是有機化學了之后的任務和情境融合。也許可以把維特根斯坦《邏輯哲學論》的第一二句改為“世界是一切發(fā)生的事情和未發(fā)生的事情?！焙汀笆澜缡怯墒聦嵑蛢r值構(gòu)成的，而不是由事物構(gòu)成的?！备鼮闇蚀_吧！

有位朋友（紐約老熊）認為：“其實，任何系統(tǒng)大到一定程度，都會有可解釋性的問題。深度學習是特別如此，因為沒有人知道巨大數(shù)目的參數(shù)是怎么具體作用的。其他的系統(tǒng)，舉例說，某個推理系統(tǒng)，如果大到一定程度，其表現(xiàn)的行為很難是精確可知的。不過，原則上是可知的，如果不計代價。這和（機器）深度學習形成對照?！?。語義的核心在于價值性，可解釋性最大的困難在于語義的理解和說明，學習是為了建立事實聯(lián)結(jié)，理解是為了實現(xiàn)價值聯(lián)系，兩者之間在進行相互重構(gòu)的同時也存在著從事實到價值之間的巨大鴻溝。與機器學習不同，人類的學習是復合事實與價值的聯(lián)結(jié)。當前，是否創(chuàng)造出新的可演化的機器學習模型是衡量是否是新一代人工智能的試金石，當今，機器學習不可能由一種算法統(tǒng)治，必然是由各種數(shù)學模型所構(gòu)成，根據(jù)具體應用的不同，選擇最適應的機器學習模型，當然機器學習一定有對應用的范圍的適應性，有適應多領域應用的，也有僅適應單一領域的。在現(xiàn)階段的算法領域中不可能產(chǎn)生比人機融合學習更強大的算力的任何模型，一套人機融合的計算計系統(tǒng)或算計算系統(tǒng)可能更能代表未來智能領域的發(fā)展趨勢吧。

隨著新一輪科技革命的發(fā)展，特別是網(wǎng)絡通信技術(shù)的突破和人工智能技術(shù)的加強，人機融合領域也進入了新的時代。在當前的這個時代，人機環(huán)境系統(tǒng)關(guān)系的內(nèi)容和形式與以往有很大的不同，并導致人機融合策略的選擇和交互策略的效果都與以往不一樣了。在此情況下，以傳統(tǒng)的人機交互觀念和價值觀念來理解當前的人機融合智能，很可能使這方面的研究陷入被動局面。因此，我們需要突破事實和價值分析等傳統(tǒng)思維來理解當前的人機融合智能化問題和關(guān)系。任何智能都是針對具體問題提出的新解決方案，然而原有問題解決的同時必然會產(chǎn)生新的問題，因此就需要進行新的智能來解決新問題。這就決定了人機融合智能只有進行時，沒有完成時。