人机环境智能生态系统的建构，其特征即为机器计算发生在（精确的）时空之中，人的算计涌现于（模糊的）类时空之间。
计算的算法是可计算性的事实粒度，算计的算法是可判定性的价值尺度。二者“应该”的范围常常不一致，故而不可兼得，真正的人机融合智能往往很难实现。其难点在于：
1、表征的一多动态感知；
2、推理的一多弥聚组合；
3、决策的一多迭代规划。
应该就是势，存在就是态，感的是事实，知的是价值。深度态势感知的不确定程度不妨可以看做由若干个确定性态、势、感、知微积分而成。故人机融合智能就是人的情境意识SA+机的态势感知SA+环境的上下文觉知SA所形成的三SA。或许，未来新的人机融合智能逻辑，即为人的辩证逻辑（if 价值）+机的形式逻辑（then 事实）。
关键词：人工智能；人机融合；事值性；功能力；计算计；深度态势感知
前言
有人说：“二战以后再无创新”，也有人说：“进入21世纪后，人类就再无创新”，仔细想想，恐怕不无道理。相比2500年前不约而同的东西方澎湃思潮、14-18世纪的文艺复兴、思想启蒙、20世纪的科学盛典而言，最近几十年的人类确实消停了不少！不过，虽然思想不多，魔术却也不少，掰开揉碎来看，人工智能或许算作其一吧？！
魔术是以不断变化让人捉摸不透并带给观众惊奇体验为核心的一种表演艺术，是制造奇妙的艺术。更简单地说，它是一种违反客观规律的表演。魔术是依据科学的原理，运用特制的道具，巧妙综合视觉传达、心理学、化学、数学、物理学、刑侦学、表演学等不同科学领域的高智慧的表演艺术。抓住人们好奇、求知心理的特点，制造出种种让人不可思议、变幻莫测的现象，从而达到以假乱真的艺术效果。
为什么说人工智能是一种魔术呢？简单地说，就是人工智能除去自动化、计算机、统计概率等传统学科的边际效应外，给人更多的是一种排列组合甚至是组装技术，没有公认的一般规则，没有基于公理体系的逻辑，更没有严谨的实验验证，所以人工智能距离新科学还很远，最多是一种综合了自动化、计算机、统计概率等传统”旧科学”组合技术的别称！鉴于此，也许有人会问：” 图像识别、语音识别、无人驾驶、类脑计算、智慧城市/教育/医疗/军事/交通/…等人工智能技术难道不是新科技吗？”，若想要听真话的话，答案就是：“对，这些都不含有新科学原理，都是建立在旧科学原理之上的新的技术组合，只不过让各种牵引、期待、宣传、用心等等包装成了高新科技。“。尽管如此，这并不是说人工智能等高新技术没有用，而是说，它还没有发生质变，如同中世纪的”神学“孕育出了”科学“一样，现在的各种组合”科学“产物—人工智能也可能衍生出新的”复杂“领域学问来。
若要加速这个进程，最佳的途径是先好好理顺一下“什么是智能“，然后再去”人工“，现在的研究往往相反：总是一群自以为很智能的人（比如许多理工科生）常常先”人工“后”智能“，为了防止大众说三道四，有的干脆再加上”人性化“以彰显强化其确实是”智能“，犹如掩耳盗铃一般。
虽然众说纷纭，各持己见，其实，智能并不是无迹可寻，智能就是以变应变，随机应变，智能不是不犯错误/失误，而是可以预防减少错误/失误，犯了错误/失误以后还可以改正错误、弥补失误，更重要的是“智能“的这种学习不仅面向别人学习，还会面向自己学习，不但会学习理工农医、还会学习文学历史哲学宗教艺术，其实智能本身就不仅仅是科学，还包括科学之外的方方面面，是真正的复杂系统，所以站在21世纪的第三个十年之端，反思”什么是智能“这个话题会非常必要，因为很多情况下，失之毫厘谬以千里，同时也顺便科普了一下”人工智能是什么“这个有趣的”魔术“！
今年是中国共产党建党100周年，若总结起各种经验教训来会很多很多，也许其中涉及人机关系的一条会很有启发，那就是她对土地的态度变化是从一个胜利走向另一个胜利的保障之一：土地革命时期，打土豪分田地；人民公社时期，土地公有化；联产承包时期，土地包产到户；集中耕种时期，土地效益最大化……，地，还是那块地，但是随着社会环境发展阶段的不同，管理机制却发生着很大甚至相反的变化，一会儿弥散一会儿聚合，犹如人的呼吸机理一样。这种人、机、环境相互作用的系统工程也是人机关系的重要组成部分，这种“时变法亦变”的方法不仅是工程问题，而且还暗含隐藏着许许多多科学、非科学问题，可以说是人机智能战略决心与顶层设计的典型代表。
其实，在科研工作上，也有类似的人机关系存在，所有的科研工作都是人做出来的，如何把人的主动性、积极性、创造性、协调性发挥出来是实现科研工作的重中之重，钱学森先生曾经不无感慨地说过，他一生中最感幸福的“科研工作”有两段时光，一段是在美国同导师冯·卡门等人从事空气动力学、固体力学和火箭、导弹等领域的研究阶段，另一段就是回国后与诸多专家学者从事东风、长征等系列火箭、导弹等领域的研究时期，原因是大家民主活泼、自由翱翔、无拘无束……
表面上是人与机器装备之间的人机关系，实际上是人与人之间的人机（机制）关系。人还是那些人，物还是那些物，如何高效、可靠、舒适地把大家的力量形成方向一致的合力已然摆在了我国下一阶段科技快速发展的面前，这也是新型人机关系急需解决的新问题、新考验。
当前，我国的新基建7个领域分别是：5G、特高压、城际高铁和城市轨道交通、新能源汽车充电桩、大数据中心、人工智能、工业互联网，具体包括三大方向：
1、信息基础设施：通信基础设施、算力基础设施。
2、融合基础设施：智慧交通基础设施、智慧能源基础设施。
3、创新基础设施：科技创新基础设施、科教创新基础设施、产业技术创新基础设施。
其实，除了这些人与具体硬件设施的研究外，这些人与人之间、装备与装备之间、人与环境之间、装备与环境之间的管理机制、控制机理也许更为重要吧！这次疫情之演变也充分说明了：中美之间的角力不会单纯是AI等科技的单打独斗，而应是人机环境系统综合工程。
新年伊始，人、机、环境系统中新型人机（机器、机制、机理）关系将越来越值得关注与期待！
什么是智能人机交互
这是一个非常有趣的问题，既涉及智能又牵扯人机交互，更重要的是两者之间的联系。
如果把人机交互看成脖子以下，即生理与物理之间的相互作用（如视域、听域、可达域、舒适域）的话，那么智能就应该是脖子以上的问题（如人的自然智能、机器的人工智能），这样一来，智能人机交互就可以说是脖子上下一体化的问题：一个活生生人-机-环境系统问题吧！
单纯从理性思维的角度分析，西方创立的科学技术体系已被证明是非常有力的，如现代意义上的衣食住行、船坚炮利、自由民主；同样，单纯从感性思维的尺度衡量，东方起源的儒释道思想体系也业已被世人所推崇，如传统意义上的仁义礼智信、缘起性空、天人合一。智能人机交互不但要求有情有理，更希望通情达理、情理交融，比如可以穿越一下，用老子的《道德经》（非常道、名）回答休谟之问（从客观事实being中能否推出主观价值should？），即用“等价”的相对思想取代“相等”的绝对意识（这也许会是新数学体系诞生的征兆）。相等与蕴含是现有数学（包括数、图、集合）的基石，也是计算的前提，更是人工智能的条件；而等价和类比则是复杂领域（包括跨域、交叉、融合）的关键，也是算计的本质，更是人类智能的精华。实现人机交互中的“交”，可以有效地使用计算方法尝试，而要完成人机交互中的“互”，则还需要更进一步的算计手段运用其中。如何实现从交互到互交、从相等到等价、从计算到算计的有机融合，是智能人机交互的重要瓶颈表征。
深入下去，我们不难发现，智能人机交互系统中的“互”或许是问题的核心、题眼之所在，能否“互”、怎样“互”、何时“互”、何处“互”、“互”什么、“互”程度、“互”范围……这些都将随着人、机、环境系统的动态演化而发生相应变化，若要快速、准确、及时、恰好地实现这些变化就需要更进一步的梳理出人机之间的各种新型关系来。比如人机融合智能中深度态势感知中的计算计就是要解决这个核心问题：事实、价值、责任能否、如何等价问题？有限的态与无限的势之间的矛盾，有限的感与无限的知之间的矛盾，这两个矛盾也是人机之间的主要矛盾之二。实际上，人机中的态、势、感、知各有其各自的时、空、情坐标但又相互关联，严格地说，“态势感知”应该叫做“感知态势”，人们常常是使用自己与机器的感、知算计算或计算计把不同的态、势配准拼接形成决策行动的方案，这里面既与理解、信任、透明机制有关，也与记忆、注意、意图机理有关，人机总是在互补与被互补、主动与被动、正常与异常过程中进行有目的或有任务的经验编程、知识验证、自愈泛化，通过区别对象的属性及关系的属性，衍生出对应的弹性概念和理论，并进行个性化的表征、推理和判断。正如丹麦著名的诗人、哲学家、心理学家克尔凯郭尔所说：“人是有个性的自由存在，人们可以利用自己的特点去创造自己特有的本质，这样才能够体现出人们的价值。”。
未来的某一天，机器可以运用人设定的程序发展出各种可能性，开始真正意义上的自我认识和自我否定，能够有目的的自我修正，并且不断意识到自已的无知而突破自我，一如阿尔法狗在围棋领域所展现出的无限可能性一样，此时，这种个性化的精神形成也许就是革命性智能人机交互的伊始吧！有人认为，“人工智能的圣杯应该是这样一台机器：它可以开始建立这个世界的坚实模型，这个模型可以随着时间的推移被打造得越来越强大，并通过与人类的交互得到完善与纠正。这才是我们需要的。”。苏格拉底曾说过一句名言：“一无所需最像神”。一个人对物质的需求越少，就越接近于神。因为神是自足的，完完全全是精神性的存在，不需要物质。一台个性化的机器除了能量以外，还需要什么呢？
若要回答我们能知道什么这个问题，就要首先看看认识者和被认识者之间的关系如何。古典哲学中的真理被看成是语言与事物的一致相应，康德问道：这种一致如何才成为可能？事物是具体的和物化的，而语言是抽象的，这两种东西怎么会一致？实际上人的感知提供的只是物体的某些特性，如质量、体积、形状、数量、重量、运动速度等，没有这些特性，我们就无法对物体展开想象。这是物体的主要特性。物体还有其它从属特性，如颜色、声音、味道和温度感觉等，这些从属特性虽然是物体的一部分，但是人们可以进行不同的想象。例如我们可以把一辆蓝色的桌子想象成绿色的桌子。这种主要特性和从属特性的区别让人进一步问：外部世界真实状况究竟是什么？因为如果我对物体的某些特性可以进行不同的想象，也就是说这些特性似乎只在我的态势感知中存在，我怎样才能肯定世界只不过是存在于我的头脑当中？因此，语言与事物的一致(真理)似乎只有在人的头脑中才成为可能。
这当然是令人绝望的极端怀疑主义。如果人们不甘于接受这一观点该怎么办？也许一种我们无法认知的外部世界确实存在，那我们又该怎么办？康德以前，哲学家对这一问题的回答就是把这一问题推给上帝：我们的思想与外部世界一致，因为这是上帝愿意这样安排的。但问题是：我们怎么知道上帝让我们看到的事物就是事物的本来面目？康德把这个问题彻底给颠倒了。知性为自然立法。他的这一论断与现代量子力学有着惊人相似之处：事物的特性与观察者有关。在“纯粹理性批判”中，康德研究了人类感知的形式，即空间和时间。存在于时间和空间里的物质被人类的理解力加工为经验，而康德把人类理解力的形式称为“(绝对)范畴”，这些人类理性的形式中包括人们对灵魂、世界和上帝的设想，康德把它们理解为某种制约原则，人们的经验世界就是通过这些原则得以构造。
智能的人机交互也许也需要这些原则才能得以构造吧！？只不过需要把康德的“上帝”设想改为“复杂系统”的研究。
三、事实与价值（事值性）
西方哲学难题“休谟之问”是说：从客观事实being里面是否能够推导出主观价值should来？人智的“是”离不开非（不是），机智的“是”离开了非（不是）。真正的自主不是自己去决定什么，而是在随机中应变，在变化的人机环境系统中动态而又恰当地决定什么。自主不是自己去决定，而是在随机中应变，在动态的人机环境系统中恰当地决定，事物的价值意义正是由许许多多零碎的片段融合涌现出来的。人类的表征和知识除了纵向和横向关联关系之外，还有Z轴关系，以及三者之中的时间跳跃关系，人的认知除了自上而下、自下而上两种方法之外，还有上下震荡法及其混合等方法，推理除了归纳、演绎等方法之外，也还有归纳演绎融合方法。杨振宁先生认为理论物理的工作是“猜”，而数学讲究的是“证”，而智能领域里面却同时包含两者，前者是价值“should”，后者是事实“being”。对于智慧而言，仁、义不能分离，道、德也不能分离，同样对于（真正的）智能而言，事实“being”、价值“should”也不能分离。
有人认为：“自由”即成为“自己”，而“自己”只能通过“永恒”不变者才可达成。追求永恒的“确定性”知识于是成为一项自由的事情。有时恰恰相反，“自由”即不成为“自己”，而“自己”只能通过“永恒”变者才可达成。追求永恒合理的“不确定性”知识于是成为一项自由的事情。
休谟认为：“一切科学都与人性有关，对人性的研究应是一切科学的基础。”，任何科学都或多或少与人性有些关系，无论学科看似与人性相隔多远，它们最终都会以某种途径再次回归到人性中。科学尚且如此，包含科学的复杂也不例外，其中真实的智能有着双重含义：一个是事实形式上的含义，即通常说的理性行动和决策的逻辑，在资源稀缺的情况下，如何理性选择，使效用最大化；另一个是价值实质性含义，既不以理性的决策为前提，也不以稀缺条件为前提，仅指人类如何从其社会和自然环境中谋划，这个过程并不一定与效用最大化相关，更大程度上属于感性范畴。理性的力量之所以有限，是因为真实世界中，人的行为不仅受理性的影响，也有“非理性”的一面。人工智能“合乎伦理设的计”很可能是黄粱一梦，原因很简单，伦理对人而言还是一个很难遵守的复杂体系。简单的伦理规则往往是最难以实现的，比如应该帮助处在困难中的人，这就是一条很难（遵守者极容易上当被骗）操作的伦理准则。对于AI这个工具而言，合乎伦理设计应该科幻成分多于科学成分、想象成分多于真实成分。
当前的人工智能及未来的智能科学研究具有两个致命的缺点：（1）把数学等同于逻辑；（2）把符号与对象的指涉混淆。所以，人机融合深度态势感知的难点和瓶颈在于：（1）（符号）表征的非符号性（可变性）；（2）（逻辑）推理的非逻辑性（非真实性）（3）（客观）决策的非客观性（主观性）。
四、功能与能力（功能力）
机器的功能表现在赋能的多少，人类的能力体现在使能的好坏，机器没有真正的能力，人类却既有能力也有功能，人机融合智能的“脖子”就在于人机功能力（功能+能力）分配，即动态界定自己“功能圈与能力圈”边界的能力。这些功能力分配实现的好很难，分配的不好较容易（比如用一些不疼不痒的算法较容易实现一些不疼不痒的功能赋能，却很难发现主动使能的能力）！
事实上，所有的人和机器都存在功能力的盲点。人机对自己的专业领域、旁的人机或是某一件事情或许能够做到客观，但是对于万事万物都秉持客观的态度却是很难的，甚至可以说是有违人、机之本性的。
但是人机环境系统融合却可以做到凡事主客观结合的，事实证明通过后天的训练是可以培养出高效人机协同思维的，而这种思维方式的养成将使你看到别人看不到的东西，预测到别人预测不到的未来，从而达到更安全、高效和舒适的目的。即使这样，一组人机在各种任务中可以真正实现的真见卓识仍然非常有限，所以正确的决策必须局限在自己的“能力圈”以内。一种不能够界定其边界的能力，当然不能称为真正的能力。
一般而言，好的政治家需要找到共识，有限区间的共识才能积极行事，人机之间也需要如此。人机动态功能分配的核心问题在于：对现有数学方法不完备性的挑战——人，讲究等价类比，机，倚重相等蕴含。
严格地说，人机功能分配是人的能力与机器的功能分配，人具有主动性的能力使然（使能），机体现被动试的功能赋予（赋能），是人的动态算计与机器的准动态计算之间的分配。算计里面有过去/现在/未来的估计、规划和“阴”谋，计算里面有过去的规则、统计和阳谋，而没有当前和未来的规则、统计和阳谋，计算是基于已知条件的运算功能，是一种不基于价值导向的封闭性运算，算计则是基于部分已知和部分未知条件的开放性筹划能力，是一种价值导向的筹划。如何破解事实功能导向与价值能力导向的过程划分，如何区别已知/未知条件的“计算计（计算+算计）”，已成为人机能力/功能分配的关键问题之一。
另外，人机能力/功能分配是一个不准确的概念，因为人具有的是一种超出功能作用的能力，所以准确的说，人机关系应该是人的能力与机器的功能如何有效协调的问题，再深入一下，人机关系更是一种人机环境系统交互的关系，人的能力与机器的功能再加上系统提供的使能条件，已然成为构成军事智能体系的三要素，人的能力是会随着人机环境系统的变化而变化的（人的情境意识与态势感知会因时因法因环境而发生变化的），而机器的功能则不会恰如其分地随人随环境而应变。如此看来，人机环境之间经常失配、失互是正常的，人机环境之间的有效配合反而是不正常的。个性化使能推荐系统+富弹性知识库的研发已成为解决此问题的两种可能的办法，反人工智能就是要加速、加强我方人机环境系统的协同能力，同时破坏对手的人机环境系统的协调融合能力，自主是有价值的主动使能形式，而不是被动赋能形式。
仔细想想，Pearl《为什么》的因果只是多种因果关系中的一种事实性因果！人常常是先经过价值算计，再进行事实计算的，属于价值性因果。机器不然，它没有价值，只有事实性计算。人可以“举一反三”，机器有时可以“举一反三”，但更多时候是“举三反一”。亚当.斯密很有意思，第一部书《道德情操论》首先提出了“利他”和“同情”问题，第二部书《国富论》就反其道而行之，提出了“利己”和“分工”问题。更有意思的是，他只提出这两个问题，并没有解决两者如何平衡的问题，美其名曰：自有后人评说！而人机能力/功能分配恰恰包含“利他”、“利己”、“同情”、“分工”等问题。
五、计算与算计（计算计）
智能是一个复杂的系统，既包括计算也包括算计，一般而言，人工（机器）智能擅长客观事实（真理性）计算，人类智能优于主观价值（道理性）算计。当计算大于算计时，可以侧重人工智能；当算计大于计算时，应该偏向人类智能；当计算等于算计时，最好使用人机智能。费曼说：“物理学家们只是力图解释那些不依赖于偶然的事件，但在现实世界中，我们试图去理解的事情大都取决于偶然。”。但是人、机两者智能的核心都在于：变，因时而变、因境而变、因法而变、因势而变。
如何实现人的算计（经验）与机的计算（模型）融合后的计算计系统呢？太极八卦图就是一个典型的计算计（计算+算计）系统，有算有计，有定性有定量，有显有隐，有阴有阳，计算交融，情理相依。其中的“与或非”逻辑既有人经验的、也有物（机）数据的，即人价值性的“与或非”+机事实性的“与或非”，人机融合智能及深度态势感知的任务之一就是要打开与、或、非门的狭隘，比如大与、小与，大或、小或，大非、小非……大是（being）、大应（should）、小是（being）、小应（should）。人的经验性概率与机器的事实性概率不同，它是一种价值性概率，可以穿透非家族相似性的壁垒，用其它领域的成败得失结果影响当前领域的态势感知SA，比如同情、共感、同理心、信任等。
人类智能的核心是意向指向的对象，机器智能的核心是符号指向的对象，人机智能的核心是意向指向对象与符号指向对象的结合问题。它们都是对存在的关涉，存在分为事实性的存在和价值性的存在、还有责任性的存在。比如同样的疫情存在，钟南山院士说的就是事实性存在，特朗普总统说的就是价值性存在，同时他们说的都包含责任性存在，只不过一个是科学性责任，一个是政治性责任。
一般而言，数学解决的是等价与相容（包涵）问题，然而这个世界的等价与相容（包涵）又是非常复杂，客观事实上的等价与主观价值上的等价常常不是一回事，客观事实上的相容（包涵）与主观价值上的相容（包涵）往往也不是一回事，于是世界应该是由事实与价值共同组成的，也即除了数学部分之外，还有非数之学部分构成，科学技术是建立在数学逻辑（公理逻辑）与实验验证基础上的相对理性部分，人文艺术、哲学宗教则是基于非数之学逻辑与想象揣测之上的相对感性部分，二者的结合使人类在自然界中得以不息的存在着。
某种意义上，数学就是解决哲学上“being”（是、存在）的学问（如1/2，2/4，4/8……等价、包涵问题），但她远远没有、甚至也不可能解决“should”（应、义）的问题。例如，当自然哲学家们企图在变动不居的自然中寻求永恒不变的本原时，巴门尼德却发现、没有哪种自然事物是永恒不变的，真正不变的只能是“存在"。在一个判断中（“S是P”），主词与宾词都是变动不居的，不变的惟有这个“是”（being）。换言之，一切事物都“是”、都"存在”，不过其中的事物总有一天将“不是”、“不存在”，然而“是”或“存在”却不会因为事物的生灭变化而发生变化，它是永恒不变的，这个“是”或“存在”就是使事物“是”或“存在”的根据，因而与探寻时间上在先的本原的宇宙论不同，巴门尼德所追问的主要是逻辑上在先的存在，它虽然还不就是但却相当于我们所说的“本质”。这个“是”的一部分也许就是数学。
人机环境之间的关系既有有向闭环也有无向开环，或者有向开环也有无向闭环，自主系统大多是一种有向闭环行为。人机环境系统融合的计算计系统也许就是解决休谟之问的一个秘密通道，即通过人的算计结合机器的计算实现了从“事实”向“价值”的“质的飞跃”。
有人认为：“全场景智慧是一个技术的大融合。”，实际上，这是指工程应用的一个方面，如果深究起来，还是一个科学技术、人文艺术、哲学思想、伦理道德、习俗信仰等方面的人物环境系统大融合，如同这次抗疫。较好的人机交互关系如同阴阳图一样，你中有我，我中有你，相互依存，相互平衡，就像当前的中美关系一样，美国想去掉华为的芯片，英特尔等就受损。简单地说，目前人机关系就是两条鱼，头尾相连，黑白相间。
每个事物、每个人、每个字、每个字母……都可以看成一个事实+价值+责任的弥聚子，心理性反馈与生理性反馈、物理性反馈不同。感觉的逻辑与知觉的逻辑不同，易位思考，对知而言，概念就是图型，对感而言，概念就是符号。从智能领域上看，没有所谓的元，只有变化的元，元可以是一个很大的事物，比如太阳系、银河系都可以看成一个元单位。我们称之为智能弥聚子。
六、界面就是异质的“互”
2019年1月美国国防高级研究项目局（Defense Advanced Research Projects Agency，DARPA）的一份“知识指导的人工智能推理图式（Knowledge-directed ArtificialIntelligence Reasoning Over Schemas，KAIROS）”项目公告指出，该机构期望能发展一个可在“看起来没有关联的各类事件”中发现并画出关联关系、进而更好地描述全球事件的半自动化人工智能系统。
实际上，“看起来有关联的各类事件”中发现并洞察出无关联关系也很重要！粟裕常常从第三者（上帝）的视角度看待宏观、微观局面态势的切换、迁移、弥聚、缩放，还往往不依靠无线通讯设备的辅助，其“可在“看起来没有关联的各类事件”中发现并画出关联关系、“看起来有关联的各类事件”中发现并洞察出无关联关系、进而更好地描述全球事件的半自动化人工智能系统”能力非同寻常。
若把人工智能看成是一个理性行为的话，那么智能就是一个理性与感性混合的行为，而智慧就是非理性的行为，是一种超越事物本身的事实性联系。任何一个事物的值都会随着事实的变化而发生价的随动，所以其价值往往不是固定的，就像水在不同环境情景中的意义一样。如何准确理解并表征这种微妙的变化是智能的最重要阶段。
如何从情境定位事件再定位对象及其属性、意向，结合反之，即如何从对象及其属性、意向定位事件再定位情境，这也是一个值得思考的智能核心问题!单纯的二维地图容易干扰指挥员的态势感知，三维地图（含加上时间维度的四维电子裸眼3D地图）虽然可以增强其态势感知能力，仍难以产生超越事物本身属性的反映其真实显隐关系的深度态势感知能力，这种“去伪存真、去粗存精、由此及彼、由表及里”的洞察能力形成就是我们需要研究的人机融合智能问题之关键所在!
人的优缺点的研究和补偿是人机融合智能的瓶颈和关键；软硬件排第三；其次是环境系统的影响，没有情景、上下文、态势、语境等，人机系统中的设计与使用就会严重脱节。所以人的研究很重要，而人机环境系统的综合平衡、共生共长更重要！其实，人机混合的结果很可能也会造成人类智慧的某种退化。例如，丰田的技术官也提出了类似的理念，没有人工生产线，人理解不了自动生产线，也无法持续改进。丰田保留了人工生产线，培养员工和持续改进。
人机的背后是人性（智能），人性（智能）背后是对未知的选择和判断，而不是对已知的判断。从融合智能的角度看，开放的有限空间要好于封闭的无限空间。斯图尔特·罗素有三个原则：1、利他主义（Altruism）——机器的唯一目标是最大限度地实现人类的偏好；2、谦逊原则（humility）——机器最初并不确定人类的偏好是什么，这是创建有益机器的关键；3、学习预测人类偏好，人类偏好的最终信息来源是人类行为。这三个原则对确定人机融合智能的方式具有参考作用。
人机之间是多事实多价值多责任性交互，对于机器学习而言就没有完全封闭的环境，因而就不存在自洽，一定是适应性成长系统。如何保证机器智能的“上限不能过，底线不能破，红线不能踩。”呢？自和互似乎比较关键，自，“我”性；互，“人”性。
开放环境下的动态表征能力不仅是智能的入口，也应是人机交互的前提，自表征、自定义、自拟合、自适应、自协同、自封闭、自推理、自判断、自决策与互表征、互定义、互拟合、互适应、互协同、互封闭、互推理、互判断、互决策如何产生/结合问题也许是智能问题的两大关键。
七、深度态势感知的实现
科学家们常常只是力图解释那些不依赖于偶然的事件，但在现实世界中，人机环境系统工程往往试图去理解的事情大都取决于一些偶然因素，如同人类的命运。维特根斯坦（Ludwig Wittgenstein）就此曾有过著名的评论：“在整个现代世界观的根基之下存在一种幻觉，即：所谓的自然法则就是对自然现象的解释。”，基切尔也一直试图复活用原因解释单个事件的观点，可是，无穷多的事物都可能影响一个事件，究竟哪个才应该被视作它的原因呢？。更进一步讲，科学永远都不可能解释任何道德原则。在“是”与“应该”的问题之间似乎存在一道不可逾越的鸿沟。或许我们能够解释为什么人们认为有些事情应该做，或者说解释为什么人类进化到认定某些事情应该做，而其他事情却不能做，但是对于我们而言，超越这些基于生物学的道德法则依然是一个开放的问题。牛津大学的彭罗斯教授也认为：“在宇宙中根本听不到同一个节奏的“滴答滴答”声响。一些你认为将在未来发生的事情也许早在我的过去就已经发生了。两位观察者眼中的两个无关事件的发生顺序并不是固定不变的；也就是说，亚当可能会说事件P发生在事件Q之前，而夏娃也许会反驳说事件P发生在事件Q之后。在这种情形下，我们熟悉的那种清晰明朗的先后关系——过去引发现在，而现在又引发未来——彻底瓦解了。没错，事实上所谓的因果关系（Causality）在此也彻底瓦解了。” ，也许有一种东西，并且只有这种东西恒久不变，它先于这个世界而存在，而且也将存在于这个世界自身的组织结构之中：它就是——“变”。
某种意义上讲，智能是文化的产物，人类的每个概念和知识都是动态的，而且只有在实践的活动中才可能产生多个与其它概念和知识的关联虫洞，进而实现其“活”的状态及“生”的趋势。同时，这些概念和知识又会保持一定的稳定性和继承性，以便在不断演化中保持类基因的不变性。时间和空间是一切作为知识概念的可能条件，同时也是许多原理的限制：即它们不能与存在的自然本身完全一致。可能性的关键在于前提和条件，一般人们常常关注可能性，而忽略关注其约束和范围。我们把自己局限在那些只与范畴相关的原理之上，与范畴相关，很多与范畴无关的原理得不到注意和关涉。实际上，人机环境系统中的中态、势、感、知都有弹性，而关于心灵的纯粹物理概念的一个问题是，它似乎没有给自由意志留多少空间:如果心灵完全由物理法则支配，那么它的自由意志就像一块“决定”落向地心的石头一样。所有的智能都与人机环境系统有关，人工智能的优点在于缝合，人工智能的缺点在于割裂，不考虑人、环境的单纯的人工智能软件、硬件就是刻舟求剑、盲人摸象、曹冲称象……简单地说，就是自动化。
人的学习是初期的灌输及更重要的后期环境触发的交互学、习构成，机器缺乏后期的能力。人的学习是事实与价值的混合性学习，而且是权重调整性动态学习。人的记忆也是自适应性，随人机环境系统而变化，不时会找到以前没注意到的特征。通过学习，人可以把态转为势，把感化成知，机器好像也可以，只不过大都是脱离环境变化的“死”势“僵”知。聪明反被聪明误有时是人的因素，有时是环境变化的因素。我们生活在一个复杂系统（complexsystem）中，在这种系统中有许多互相作用的变主体（agent）和变客体。人机融合中有多个环节，有些适合人做，有些适合机做，有些适合人机共做，有些适合等待任务发生波动后再做，如何确定这些分工及匹配很重要，如何在态势中感知？或在一串感知中生成态势？从时间维度上如何态、势、感、知？从空间维度上如何态、势、感、知？从价值维度上如何态、势、感、知？这些方面都很重要。
那么，如何实现有向的人机融合与深度的态势感知呢？一是“泛事实”的有向性。如国际象棋、围棋中的规则规定、统计概率、约束条件等用到的量的有向性，人类学习、机器学习中用到的运算法则、理性推导的有向性等，这些都是有向性的例子。尽管这里的问题很不相同，但是它们都只有正、负两个方向，而且之间的夹角并不大，因此称为“泛事实性”的有向性。这种在数学与物理中广泛使用的有向性便于计算。二是“泛价值”的有向性，亦即我们在主观意向性分析、判断中常用到的但不便测量的有向性。我们知道，这里的向量有无穷多个方向，而且两个方向不同的向量相加通常得到一个方向不同的向量。因此，我们称为“泛价值”的有向量。这种“泛向”的有向数学模型，对于我们来说方向太多，不便应用。
然而，正是由于“泛价值”有向量的可加性与“泛物”有向性的二值性，启示我们研究一种既有二值有向性、又有可加性的认知量。一维空间的有向距离，二维空间的有向面积，三维空间、乃至一般的N维空间的有向体积等都是这种几何量的例子。一般地，我们把带有方向的度量称为有向度量。态势感知中态一般是“泛事实”的有向性，势是“泛价值”的有向性，感一般是“泛事实”的有向性，知是“泛价值”的有向性。人机关系有点像量子纠缠，常常不是“有或无”的问题，而是“有与无”的问题。有无相生，“有”的可以计算，“无”的可以算计，“有与无”的可以计算计，所以未来的军事人机融合指控系统中，一定要有人类参谋和机器参谋，一个负责“有”的计算，一个处理“无”的算计，形成指控“计算计”系统。既能从直观上把握事物，还能从间接中理解规律。
西方发展起来的科学侧重于对真理的探求，常常被分为两大类：理论的科学和实践的科学。前者的目的是知识及真理，后者则寻求通过人的行动控制对象。这两者具体表现在这样一个对真理的证明体系的探求上：形式意义上的真理（工具论——逻辑），实证意义上的真理（物理——经验世界），批判意义上的真理（后物理学——形而上学）。俞吾金先生认为：“迄今为止的西方形而上学发展史是由以下三次翻转构成的：首先是以笛卡尔、康德、黑格尔为代表的“主体性形而上学”对柏拉图主义的“在场形而上学”的翻转；其次是在主体性形而上学的内部，以叔本华、尼采为代表的“意志形而上学”对以笛卡尔、康德、黑格尔为代表的“理性形而上学”的翻转；再次是后期海德格尔的“世界之四重整体（天地神人）的形而上学”对其前期的“此在形而上学”的翻转。”通过这三次翻转，我们可以引申出这样的结论：智能是一种人机环境系统交互，不但涉及理性及逻辑的研究，还包括感性和非逻辑的浸入，当前的人工智能仅仅是统计概率性混合了人类认知机理的自动化体系，还远远没有进入真正智能领域的探索。若要达到真正的智能研究，必须超越现有的人工智能框架，老老实实地把西方的“真”理同东方的“道”理结合起来，形成事实与价值、人智与机智、叙述与证明、计算与算计混合的计算计系统。
正如李朝东老师（原载《西北师大学报》2000年第5期）所言：“西方哲学就是一种真理的证明体系，而不是道德价值的话语系统，不是道理的语言。它是一种自以为然、以他为然的、为落入思想经验中的世界“立法”的真理语言，是一种事实判断的体系，而不是一种价值评判体系。中国人所追求的真理是与对错、好坏、是非的价值评判体系相关的东西，换言之，国人从来没有在整个证明体系上进入真理或哲学。
西方人讲真理，中国人讲道理。道理乃自然之理，自然乃然其所然，既不能自以为然，也不能他然。所谓道法自然，就意味着道本身然其所然。然其所然的“所然”指的是阴阳、天地、男女之道，所以一阴一阳谓之道。道通于天地，男女之道谓之曰大道。国人的思想经验便是这种相反相成的二极经验，负阴抱阳自明。若不懂阴阳、天地、男女之道，无论你赋道以怎样的哲学意义都是无济于事的。道是一种相当深奥的生命经验、人生经验和美感经验，但它与真理的证明体系没有任何关系。”。
可解释性的关键在于合适透明性所产生出的信任性，信任性的关键在于理解后的赞同，理解是对意义的把握，即把各种（事实、价值、责任等）可能相关事物有机整合在一起的能力。这个世界是由智能和非智能共同构成的，未来，能够制约智能系统的也许就包含非智能因素吧！如读康德的作品只靠理解力是不够的，还需要超强的想象力。再如机器强化学习中只有得失没有是非，极易形成“局部最优”而丧失“大势所趋”。
自此，真正的智能将不仅能在叙述的框架中讲道理，而且还应能在证明的体系中讲真理；不仅能在对世界的感性体验中言说散文性的诗性智慧以满足情感的需要，而且能在对世界的理智把握中表达逻辑性的分析智慧以满足科学精神的要求，那时，智能才能真正克服危机——人性的危机。
为什么AI总是很难落地？为什么人工智能常常被人诟病？有人说这是由于科幻电影、科幻小说、电子游戏、新闻媒体等造成的，这个观点有一定的合理成分，但还有一个更重要的事实为大家所忽略，那就是本应为“人机环境系统融合智能”常常被误认为是“人工智能（甚至是一些算法）”所致。当前，在众多AI辅助决策系统中更多的是妨碍，由于人、机处在不同惯性坐标系的态、势、感、知之中，机很难跟上人思维的跳跃、穿越和变速。那么，在不同惯性系里的态、势、感、知是怎样变化的呢？比如在一个元帅和士兵、机器视野中的事实与价值……计算机有限的理性逻辑和尴尬的跨域能力是人机融合智能的短板，机器无法理解相等关系，尤其是不同事实中的价值相等关系，而人却可以用不正规不正确的方法和手段（或打着名正言顺的旗帜）实现正规正确的目的，人还可以用普通的方法处理复杂的问题，还可以用复杂的方法解答简单的问题。
人智与AI的失调匹配是导致目前人工智能应用领域弱智的主要原因。人可以身在曹营心在汉，是非、01同在：既是又不是，叠加态。危机管理呢？常常是叠加势：危险与机会共生，危中有机，机中有危，两者纠缠在一起，如何因势利导、顺势而为，则是人机融合智能中深度态势感知的关键。无论是军用领域还是民用领域，无论是自动化产品还是智能系统，大凡接地气，并为众人所接受的喜闻乐见，仔细想想，无不是在安全、高效、舒适方面做的比较好些。而要具备这些优点，其人、机、环境系统大都比较和谐一致，至少不是简单的AI+某某领域或者是某某领域+智能算法。
现有的人工智能教育体系培养出的“人才”可能还是没有“魂魄”的“机器人”，究其因，还是干巴巴的“算法”所致，有算无法，有术无道，有感无知，有理无情，有态无势，有芝无瓜，有（类）脑无心，有形无意，有眼无珠……只能在可能性的圈圈里打转转，而不能尝试探索不可能的世界，即使有些探索，也还只是在家族相似性的河床上蹦蹦跳跳，而对真实的非家族相似性还远远无能为力。
未来交互所产生出的智能系统，将不仅可以改变各种参数，而且还应会改变各种规则......无论怎样，一个只反映事实的智能只能是AI，既能反映事实也能反映价值的才是真正的智能。
除了人机环境系统交互之外，第二个方面就是对深度态势感知的理解和消化，比如很多情境下只知道时空之间的配准、校正，不明白态、势、感、知之间的配准与校正；只知道非协同距离的失真解算，却忘了协同距离的模糊展开；只知道变频、变量，不思考变态、变势、变感、变知、变通；只知道数据链、信息链，不琢磨事实链和价值链，甚至是态链、势链、感链、知链的纠缠叠加所形成的人机环境系统链；只知道同质、均匀、顺序的态势感知单一调制，而忽略了更重要的异质、非均匀、随机态势感知多级阵列，以及先感后知的快速机动性和先知后感的准确灵活性，还有态、势、感、知之间的自相关、互相关的转化概率；只知道人模机样，不晓得机模人样；只知道仿真验证结构，不重视实战得到功能。
一些事情发生了，我们不时会自觉或不自觉地与身边的刚刚发生或印象比较深的事物关联在一起，建立自己个性化的“因果关系”态势谱（不仅是图谱），的确有关的被称为客观事实性关联，似是而非的称之为可能性关联，风马牛不相及的被称为主观意向性关联……这些生活中的常常发生的关联都是智能认知的组成部分，能够程序化的客观事实性关联部分也往往被称为AI，可能性关联和主观意向性关联却被过滤掉了，而这两者却是个性化智能之所以弹性的重要组成成分。
总之，本是人机环境复杂系统的问题人们却想用AI算法简化处理；只知道态势感知，不明白深度态势感知；忽略风马牛之间的虫洞联系；这三个问题便是造成AI总是很难落地的诱因。
在人工智能的发展过程中，不少研究者们是遵循两种方式来实现人工智能的，即功能路线与结构路线的区别。智能的“结构”和“功能”都包括事实性和价值性的两个部分。一般仿真出来的都是相对客观的事实性“结构”和“功能”，对于主观价值性的“结构”和“功能”依然无能为力。类脑应该是事实性功能仿真，相距价值性的“结构”和“功能”还比较遥远。正如尽管事实性的布尔代数已经被广泛应用，但对价值性布尔代数的探索则还远未开始一样。
多数学者把客观对象分为“结构”“功能”两个层次来讨论，认为“结构是功能的基础，没有架构便无法实现功能，但功能也是结构的表现，每一种功能都是特定的结构起到了效果。”，这种分法固然有便于分析的好处，但也割裂了“结构”“功能”之间的有机联结（例如类脑是既有结构又有功能的类比仿真隐喻，分开而言犹如割裂阴阳鱼而谈《易》一样，再如分别谈“交”、“互”一般），尤其是对异构、异能的关联而言，好的算计要比好的计算更靠谱一些，能够及时有效地处理多种意外才是关键。进而言之，表面上，没有泛化、抽象、辩证的能力是当前智能的痛点，实际上，如何有效地处理各种矛盾才是研究智能的主要问题。
智能的结构与功能最大的特点就是一多分有的弹性，个性（个体智能）是一，共性（群体智能）是多，有时相反。在数据不全、信息缺乏、知识不足情境下，人仍然能够进行稀疏状态的补偿、不明趋势的预测分析、残缺完形（填空）的感觉、相关杂乱无关的知觉，进行着人机环境系统中一多分有的深度态势感知。智能不是由一系列孤立的学科构成的，传统的智能分类实际上不符合这门学科的深刻性质（就像数学学科分类中，算术是研究数的科学，几何是研究空间对象的，代数是研究方程的，分析是研究函数的等那样）。真正要紧的不是所研究对象的性质，而是它们相互的关系以及关系之间的关系。群体智能是最常见但不同于个体智能的智能形式，其中囊括了符号、联结、行为主义等智能分类的方方面面，不过其蕴含的事实性符号/联结/行为比重会相对下降，价值性符号/联结/行为比重会相对上升。所有的智能都可分为事实性于价值性智能形式，人工智能只是事实性智能的一部分，而价值性智能则就是智慧！
生理的交互实现了生命，心理的交互成就了自己，人物（机）环境系统的交互衍生出了社会中的“我”。交互产生了真实与虚拟。交互形成了“我”，“我”就是交互，没有交互就没有数据、信息、知识、推理、判断、决策、态势、感知。首先，交互过程具有双向性，A给予B，同时，B也给予A；其次，交互过程具有主动性，A、B之间存在着同等发起关系；再次，交互过程具有同理性，A要考虑B的承受度，同时，B也要考虑A的承受度；最后，交互过程具有目的性，A、B之间存在着一致性协调关系；所以，严格意义上讲，目前的机器本身是没有交互性的，也即机器没有“我”的概念抽象。
也可以说，智能就是源于交互——“我”而产生的存在。智能与数据、信息、知识、算法、算力的关系不大，而是与形成数据、信息、知识机制以及怎样处理、理解的交互机理关系颇大。数据、算法、算力、知识只是智能的部分表现而已，使用它们想实现智能有点像搬梯子登月一样，真实的智能与非存在的有之表征、信仰与理解之融合、事实与价值之决策密切相关，智能是一种可去主体性的可变交互，它能够把不同的存在、情境和任务同构起来，实现从刻舟求剑到见机行事、从盲人摸象到融会贯通、从曹冲称象到塞翁失马的随机切换，进而达到由可信任、可解释的初级智能形式（如人工智能）逐步向可预期、可应变的人机环境系统融合智能领域转变。
交互之所以是智能的源泉，关键在于两处：一是“交”，二是“互”。所谓“交”更多是指事实性的回合，既有生理、心理、伦理的，也有数理、物理、管理的；所谓“互”更多偏向价值性的回合，既有主动、意向、目的性的，也有双向、同理、同情性的。非存在的有是一种或缺性问题，智能对此的作用就是在交互中实现查漏补缺、窥斑知豹；信仰与理解是一种认识性问题，智能对此的作用就是在交互中平衡先入为主与循序渐进的矛盾；事实与价值是一种实践性问题，智能对此的作用就是在交互中进行客观存在与主观意识的及时辩证、准确实施。最终通过人机环境系统之间的“交”和“互”，达到经验与实验、先验与后验、体验与检验、有验与无验的一致。若“交”对应着实数，“互”对应着虚数，“交互”则就对应着复数；若“交”对应着事实，“互”对应着价值，“交互”则就对应着智能（智慧），它不但包括事实逻辑性的计算，还涉及价值直觉（非逻辑）性的算计，就像冯诺依曼把希尔伯特定义的证明论步骤概括那样，“有意义的公式”并不表示为真，1+1=1同1+1=2一样有意义，因为一个公式有意义与否与其中一个为真另一个为假无关。如此一来，“交互”所产生的智能就不仅仅是一套形式化的数学多重符号系统而已，而且还包含一套意向性的人性异质非符号系统，这两套系统将建立起以否定、相等、蕴含为基础的知几、趣时、变通智能复杂体系。
简单而言，机器（智能）就是人类特定（理性）智能的加速。再好的机器也与什么样的人使用有关，不同的人与机器结合，所产生的效果是不同的，人机融合可以让机的效能倍增，也可能让机的作用减小，反之也成立。人机融合的主要作用可以解决各种的变化一致性问题（人形而上、机形而下）。机器不应只是成为人身体的一部分，而应是人的好“伙伴”。人机融合不仅仅是拓展了人类的视觉、听觉、触觉、嗅觉、味觉等感觉，还增强了理解、学习、判断、决策、顺应、同化等知觉行为，更重要的是产生出了新的智能形式——一种新的看待世界的方式：认知+计算。
智能认知相关理论发展主要经历三个阶段：第一阶段以博弈运筹学、控制论、信息论、系统论等相关理论为基础，主要目标是实现辅助计算；第二阶段是以专家系统、智能优化等相关理论为基础，主要目标是实现辅助决策，降低人的生理、心理负荷；第三阶段是以机器学习（包括深度学习、强化学习、迁移学习等）、数据挖掘、知识图谱、类脑计算等人工智能领域的理论成果为基础，主要目标是实现决策的自主化和智能化。由于博弈对抗的特殊性，传统意义上的智能认知将逐渐转移到人机融合的智能认知阶段，以达到隐真示假、去伪存真等洞察目的，具体体现在两大类七维度的人机深度态势感知上，即事实类（包括空间3维+时间1维）+价值类（意识1维+情感1维+责任1维），在“快”和“准”的基础上，实现“好”（英语称之为right）。
认知的最高境界是超越感觉，不只是它给你，而是你给它，就像听好的音乐、欣赏好的摄影作品或指控一场酣畅淋漓的博弈对抗一样，相互之间的变化、赋予、激发、唤醒是实时的，而绝不是像程序员依据规则、条例、条件、前提预估、制定、编程、绘制出来的那样，虽然整个过程中肯定有固定程序化的部分，但那也是变化中的不变，如何处理这些变与不变，是人机融合智能认知研究的主要内容和任务。其中递归关系很重要，它就是实体自己和自己建立关系，也就是在运行的过程中调用自己。机器的递归是制式的，人的递归是非制式的，弹性较大，可以正话反说、指桑骂槐、半真半假。
认知的维度可用态、势、感、知四维度表征，态包括时空数，势涉及变化率，感关于主动性（期望、努力）、知特指价值量。在数理上同一性质既属于又不属于同一个东西，这是不可能的……这是一切原理中最确定无疑的……因此，那些做论证的人把这当成一条最终的意见。因为它依其本性就是其他一切公理的来源”，实际上，人看待事物可以既可以是也可以非，机不然，所以人机融合才有必要。世界上存在无事物属性的联系，也存在无联系的事物属性，存在有事实的价值，也存在无事实的价值……所以深度态势感知DSA要研究状态的变形、趋势的变异、感觉的变化、知觉的变易。
智能也许就是解决认知/算计供给矛盾、计算由悖到恰的过程。认知中的计算就是人类的理性，这一点是机器与人相通的。如何在计算中实现一点儿认知是关键，目前这也是机器和人难以相通的地方。计算中的认知，可以简化成如何让机器产生计算直觉。人是依据直觉产生灵活的理解，再进一步凝练就是计算中的认知了。如果沿着这个路径，就是如何提高机器的多视角理解力，多视界交叉的机器理解力，或许可以作为切入点。过程哲学家怀特海有从创造力角度对理解的论述，认知科学家侯世达也有关于流动概念的研究。概念的可能性本身就是类型—类推—类比的抽象过程，一个概念的意义是多角度多域的，试图一以贯之，固定的表征是不现实的，横看成岭侧成峰，远近高低各不同，具体问题具体分析抽象是人类智能认知的基本特点。人工智能复杂算法的不可解释性首先就在于知识、概念的动态多变使然。人工智能可以不按照人的方式产生机器智能，但人机融合领域确是人工智能向高级阶段迈进的试金石。DNA是双螺旋交互结构，智能则是人物（机是人造物）环境系统的多螺旋交互结构。人机融合智能技术既改造人，也改造物和环境，属于主客观并行技术。
“太极”这个道家概念是西方人无法理解的，在他们的心里，一就是一，二就是二，什么叫做“一而二二而一”？大就是大，小就是小，什么叫做既大又小？一个定义里怎么可能包含两种完全相反的东西？“不二”是是佛教用语，也是一个汉语词汇，意思为无彼此之别（出自《佛学大辞典》“一实之理，如如平等，而无彼此之别，谓之不二。”）；“智乃是非之心”是儒家观念，常常与“仁、义、礼、信”结合，强调智能不仅仅是累积性学问，还是交叉性学问。《孙子兵法》：具备“权变”的思维，才能看到本质的规律。不要用表象的东西去否定本质，表象有的时候是本质的延伸，但更多的时候会“遮掩”本质。在某些情况下，表象并不代表本质，甚至是和本质相反的，如果没有灵活多变的思维习惯，那么就会被错误的角度和因素所束缚，做出错误的决定。这些东方思想与传统的西方理性主义往往相去甚远，比如数学中的非错即对之非二义性，经典物理学中绝对主义，这些理性思想基本上都不涉及相悖性和矛盾性的，这与客观实践往往有不少出入。有人认为：数学给不出通用智能，数学本身是通用智能的产物。那么一个人能否不通过交互，生成另一个人吗？一个事物能否不借助外力产生另一个事物吗？一个知识不经过实践会发生变易吗？一个数据不被采集可以出现吗？一个公式是否不经过算计而衍生另外的公式吗？数学在智能中的困窘是：一开始，数学就要求无矛盾性（无岐意二义性）。法国启蒙运动时期的著名哲学家、作家伏尔泰曾经说过：“不确定让人不舒服，而确定又是荒谬的。”例如：大嫂大姐大妈夫人根据不同的场合和任务可以变化性地指同一个人，同一个人也可以在不同的情境和环境下可以变化地被赋予各种身份，甚至是迥然不同的，如男扮女装等。在庄子看来，各种事物都存在它自身的两面性，而这相互对立的两面又是相互并存、相互依赖的。所以，“圣人不走划分正误是非的道路而是观察比照事物的本然，也就是顺应事物自身的发展”。以此说明儒家和墨家的是非之辩不仅没能看到事物发展的本质，走错了道路，而且还离本质越来越远。庄子认为彼此两个方面都没有其对立的一面，这就是大道的枢纽，抓住了达到的枢纽也就抓住了事物的要害，从而顺应事物无穷无尽的变化。其实，庄子的这一观点就是老子在《道德经》中阐述的“守中”，在事物的对立中找到关键点，然后谨慎地维护好这个关键点，那么事物自然会沿着规律顺应发展。
哲学关注问题的提出，数学更关注问题的解决。深度态势感知之所以难计算，可能与布尔代数的排中律不符，态与时空有关，势与时空关系不大，感与事实有关，而知与价值联系较密切。实际上，在生活常识中，很多东西可以同时属于又不属于某个类，比如一个人可以同时属于又不属于父母，作为孩子属于父母，作为丈夫或妻子又不属于父母，一个茶杯可以同时属于工具又不属于工具，作为喝茶可以属于工具，作为艺术品又不属于工具。联系态、势和感、知的桥梁既包含时空变化，也涉及事实价值之间的等价、蕴含与转化。
连接态、势的是变化，连接感、知的也是变化，既有简单变量，也有复合变量，还有系统变量及其三者融合的人机变量，既包括实态虚势+虚态实势的复态势又涉及实感虚知+虚态实知的复感知，更有关实/虚态势+虚/实感知形成的复态势感知。艺术的本质是个性化的，智能的本质也是个性化的，在这点上，两者是相通的。不同的是，智能除了个性化还有共性规律，这种共性为数学提供了基于约定公理的逻辑舞台。人工智能难理解性的根本原因在于数学是没有指涉对象的符号系统，而理解性是人类自然语言这种具有指涉对象符号系统所特有的性质。符号与对象及其性质之间不是一一映射关系，实现不了表征的一多实时性，符号主义就不可能进步；解决不了动态的表征和非公理逻辑问题，AI可信可解释性将很难根本解决。很多有关自动化/智能化系统就是几个关键参数综合平衡调整，而且常常是按起葫芦浮起瓢，不过许多人却睁着眼睛只谈葫芦不谈瓢。智能化的关键还是如何把不确定的不可控的因素转化为确定性的可控性的因素。
八、智能不是万能
智能仅是解决问题的一种工具手段，若不与日常生活中的风俗习惯、伦理道德中的仁义礼智信勇、法律中的边界规则统计概率等诸多方面相结合，就很容易泛滥成灾而不可控制。真实的智能不是万能，它不但涉及事实性的真假问题，还应该包括价值性的是非问题，更与责任性的大小轻重密切相关，所以，严格意义上讲，智能是许多领域的一连串组合应用。
掌握信息、数据的多寡并不意味着离智能越近，对人而言，知识是过程而不是静止的一堆观念，根据已知事实用构造性的努力去发现真实定律的可能性有时会使人感到绝望。如果思考的框架错了，那么谬误将会抢占人们的心智，因此，问题的要害在于“不可度量的人类主观感受”与“可度量的客观物质世界”之间缺乏桥梁——人机环境系统交互出来的“真实变化”，准确地说就是基于深度态势感知发展出人的认知算计与计算体系，牢牢地锚定“人”这一核心问题。而不是将人看作一个个毫无生命力的原子，试图用变幻莫测的数学模型去描述人。但是，单纯人因也是存有问题的，不懂行或愚蠢的人在回路中是巨大的隐患和潜危。
对于人机而言，虽然都是将一个问题拆成几个子问题，分别求解这些子问题，即可推断出大问题的解，但是人的动态规划与机器的动态规划却是不同的：有经验的人可以游刃有余地将一个复杂性大问题拆成事实、价值、责任等不同性质的小问题来求解，即用事实、价值、责任的不同化法进行大事化小，小事化了，还可以避免各种鼠目寸光和画地为牢，而目前的机器对此异质合取化解问题依然望尘莫及，人工智能只会对比（不是类比），也许这也是人类智能的又一个瓶颈和难点：如何有效地处理异质性的非形式化问题？！
对于人、机而言，虽然都是将一个问题拆成几个子问题，分别求解这些子问题，即可推断出大问题的解，但是人的动态规划与机器的动态规划却是不同的：有经验的人可以游刃有余地将一个复杂性大问题拆成事实、价值、责任等不同性质的小问题来求解，即用事实、价值、责任的不同化法进行大事化小，小事化了，还可以避免各种鼠目寸光和画地为牢，而目前的机器对此异质合取化解问题依然望尘莫及，人工智能只会对比（不是类比），也许这也是人类智能的又一个瓶颈和难点：如何有效地处理异质性的非形式化问题。计算是事实性推理关系，低阶的算计则是价值性推理关系，高阶的算计更是事实价值混合/融合的推理关系，计算与算计是不同的因果关系。人类的“既…又…”关系往往不是“并”的计算关系，与具体态势算计有关。是非不同于对错，也不同于真假和01，孟子曰：是非之心，智也……
AI追求数据化、确定性和理性的解释，假定任何问题都像做作业、考试一样有标准答案，把每个决策简单地变成约束条件下求解，变成数据计算。可是，人类之所以进步，在于真实世界里人的创造性。从无到有创造新东西，意味着不确定性，没有标准答案，它靠想象力和算计，不是靠计算。类似于遗传与变异，传统人工智能AI能解释一个人为什么长得像父母，但是不能解释为什么有不像的地方，人机融合智能可以较好地解释后者。
所谓的人机智能就是自主、能动、恰当地处理变主客体关系的能力与功能混合，进而认清趋势、把握方向、选择道路。离开类人自主性（随机应变）的它控系统谈不上有多少智能。
事实与价值都是相对的，只不过两者的相对程度不同。现代人工智能总是在联系各种固定的标注和定义，而这些标注/定义和它本身总是不尽相符。真实智能不然，真实的智能是面向活的对象（属性标注）和面向动态过程（关系定义），它不仅涉及真假，而且还包括是非。在人类自然智能的态势感知中，相对论也起作用，势会生成新态，知可以产生新感（机器不行），比如大势所趋后的态缩效应，知觉后的视觉里可以产生重视、轻视、藐视、仰视、俯视、怒视、蔑视、正视。
人、机中的每一个参考系都有它自己独立的时间，如果两个参考系的时间不一样，而且它们在一阶精度下存在对应态势感知中的那种关系。那么在其中一个参考系里认为是同时发生的两个事件，在另一个参考系里就有可能被认为不是同时的。故信息时空及意向的非一致性是人机融合智能的关键。
经常听到有人说“我相信宇宙规律应该是简单而美的”，但是很多人并不知道要认识这种简单和美是需要站在一定的高度来看的。一幅油画很美，但是如果你距离它非常非常近，你可能就只能看到油画里的斑斑点点，那就既不简单也不美了。同样，想要认识和发现更加简单和优美的物理定律，你就得对原来的理论认识得更加深刻，站在更高的高度去看它才行。而这种认知，对科学基本问题的深入思考，是需要哲学参与的。
君子喻于义，小人喻于利；人类喻于义（是非），机器喻于利（得失）；人类是情义交融的，机器是情义分离的，人机融合有情有义、有理有利。当然得排除不讲情理之人。韩愈给“义”字下的定义是“行而宜之之谓义”。“义”就是“宜”，而“宜”就是“合适”，也就是“应该”，但红绿灯问题仍然没有解决这个“义”。正如红绿灯的黄灯闪烁是上述人机交互的情理义的一个例证，黄灯闪烁是给什么样的人看的一样：“好人”停，“不好的人”依然在行。人类的理性是由感性演化而来的，机器的理性没有经过这个过程，从而不可能模拟出真正的人类理性或智能。实际上，真正的人类智能大都是指导性的，而不是指令性的，人工智能恰恰相反。
作为构成解释特征的因果关系观念，只有在单称事态解释的情形下才能成立。当把此观念延伸到规则解释时，它便不成立，甚至是反直觉的。虽然因果解释的反事实理论要求解释关系必须为不变性关系，但在一些复杂情形下，解释的关系却无法满足干预下的不变性。根据伍德沃德的因果解释理论，解释关系必须是不变性关系。然而，“许多生物学系统表现出复杂的动力学特征，包括分叉、放大和阶段改变的特征”。也就是说，在许多情形下，在我们对规则进行因果解释时，解释的关系不满足干预下的不变性关系。正如欧根鲍夫(J.Odenbaugh)所指出的那样，在生态学之中，“我们几乎不可能以系统和可控方式，对生态系统进行操控。多种多样的因素都在起作用，并且他们之中的一些因素只是在特定的时期才能够被识别出来。”不仅如此，在许多事例中许多因果律是共同起作用的，并不能单独地改变。因果解释可以对规则进行解释。即使现有的因果解释理论并不能够对所有的规则进行解释，但随着对因果解释模型的改进，因果解释模型也会对更多的规则进行解释。
九、人类智能的基石不是数学
定义域A，值域C以及从A到C的对应法则f，称为函数的三要素。由于值域可由定义域和对应法则唯一确定。两个函数当且仅当定义域与对应法则分别相同时，才是同一函数。态、势、感、知的定义域和对应法则不唯一，所以无法用已有的数学函数进行计算。
人的智能在于知道自己的不智能，机器则不然。人类可以跳出概念理解并使用概念，机器自己并不具有拟合出合理概念的能力和方法，只抓了有形的概念，而忘了概念的无形部分。
在莫奈看来，物体的外形不过是光的象征，所以作画时候并不在意具体外形，而是先观察和快速记录下反射的光影，随着笔触和色彩的堆叠，形状会自然浮现。这种独创的画法被称为“以光补形”。《日出•印象》也许并不是莫奈最出色的作品，但它却触碰了印象派艺术的精髓：不追求真实的情况下，用更为直接和色彩化的方式，表达对事物的种种视觉印象。记录下瞬间的感觉，那种朦胧的印象。
做学问一定要有脉有络，才能形成可持续性生态发展，可以延续继承，也可以另辟蹊径，可以皇亲国戚，也可以草根逆袭，但一定要顺势而为。势，就是以有限的现实（时空或状态）条件去获得的最大可能性，常常在谋篇布局、筹划预备阶段进行安排实施，也可以理解为力的前奏，二者结合起来即为势力。目前，强人工智能的研究脉络还不是很清晰，但基本途径还是数据、算法、算力和实验，正可谓：人工智能的基石是数学。然而，形式化的计算总是建立在理性逻辑推演基础之上的，而人类的智能却常常是拐弯抹角的多种逻辑的叠加推敲斟酌，所以也有人预测：未来强智能的颠覆性标志之一很可能就是：能否产生多种融合性逻辑关系，而且这些复合性逻辑之间也应该不时会产生各种冲突和矛盾，一如莫奈的《日出•印象》和贝多芬的《c小调第五交响曲》（又名命运交响曲）。人工智能就是人机融合的赋能结果，赋能就是赋予功能而不是赋予能力。维特根斯坦从《逻辑哲学论》到《哲学研究》的转变就是从逻辑向非逻辑的转变，就是从功能向能力的转变，这也是从弱智能向强智能的转变。当下，一般认为：人类认知的机制是从态势到形式到局势再到趋势，从视觉到感觉到察觉再到知觉，于是人们依此制造了人工智能这个可以在某些方面（如围棋等）打败自己的产品，并不时惶恐不已，甚至抑郁悲观！殊不知，人类还有一个更厉害的能力没有赋给人工智能：“从态势到形式到局势再到趋势，从视觉到感觉到察觉再到知觉”的逆过程。而且，这个特性只有人才可能具有吧！机器可以正向计算，形成若干方案，人可以从中挑选，进行逆向解读算计，最终结合经验进行取舍。
莱布尼兹有关普遍语言与理性演算的思想应该就是西方人工智能的理论基础，由此衍生出了弗雷格语言哲学中的指称与意义，布尔代数中的二进制表征与集合/逻辑运算，图灵机中的指令编码与运算程序，冯诺依曼结构等。休谟有关事实能否推导出价值的问题则非常可能是解决未来强智能的思想基础，其本质可以看成形式化与意向性之间的变换问题，事实逻辑不同于价值逻辑，前者相对稳定，不因人而异，后者相对变化，众说纷纭，当然有些情况也会反转一下。休谟之问也涉及到计算与算计的合成问题，最后，最重要的事再重复一遍：如果把计算看成是一种相对直来直去的逻辑规则顺序推演，那么算计则可能就是拐弯抹角的多种逻辑的“非规则”融合推演。未来强智能的标志之一可能就是：能否产生复合的、并行融合的逻辑关系。
许国志先生曾介绍过系统论的起源：20世纪20年代，美国贝尔电话公司成立了贝尔实验室，实验室分为部件与系统两个部。四十年代末，人们把贝尔电话公司扩建电话网时引进和创造的一些概念、思路、方法的总体命名为“系统工程”。二十世纪中叶以来，许多学者常用系统来命名他们的研究对象，例如控制理论中的计算机集成制造系统、管理科学中的管理信息系统和决策支持系统等等。随着时代的前进，科技的发展，人们发现事物之间的相互作用变大了，许多问题不得不从总体上加以考虑。于是系统科学应运而生。系统犹如数学中的基本概念之一：集合。但又不同于集合，是一种异构的类集合。人机混合智能系统不同于传统的系统科学，是一种复杂系统，既包括科学部分又涉及非科学部分。计算是定量同构解算，算计是定性异域推理。人机环境系统工程中的计算计难在隐性的间接的态、势、感、知，人、机的区别实质在于态、势的处理差异，人算计势好些，机计算态好些。态涉及客观事实性的状态，势关联主观价值性的趋势。希尔伯特在《几何基础》第一版的扉页引用康德的话：“人类的一切知识都是从直观开始，从那里进到概念，而以理念结束。”，也许这句话只说对了一半吧！毕竟，除了辩证法之外，还有“变”“证”法。不但量子之间有纠缠，态势之间也纠缠，感知之间也纠缠，还有计算之间的纠缠。
自动化：旨在执行重复性任务的计算系统。自主（自治）系统：无需人工干预即可执行任务的系统。在人机系统中，我们特别关注执行复杂推理任务的计算系统，是否也可以考虑人机混合的自主化，即人类的算计+机器的计算所衍生出的计算计自主系统呢？
自动化是以（确定性的）数据计算为核心驱动的，没有自主决策能力，而人类是以（动态性的）信息和知识算计为中心驱动的，能够处理意外情况并能进行尝试和验证。人机混合智能从某种意义上讲，应该是人类算计智能化与机器计算自动化相结合的一种生物物理系统。更重要的是，人的智能在于知道自己的不智能，机器则不然。人类可以跳出概念理解并使用概念，机器自己并不具有拟合出合理概念的能力和方法，只抓了有形的概念，而忘了概念的无形部分。机器还不时出现错把手段当目的、错把结果当成因的情形，如机器强化学习中只有得失没有是非，极易形成“局部最优”而丧失“大势所趋”，正如《菜根谭》里曾说：“行善而不见其益，犹如草里冬瓜”。（如果行善的过程中没有见到报答，好比草丛里的冬瓜，即使人眼看不到，它照样茁壮成长。）。
可解释性的关键在于合适透明性所产生出的信任性，信任性的关键在于理解后的赞同，理解是对意义的把握，即把各种（事实、价值、责任等）可能相关事物有机整合在一起的能力。这个世界是由智能和非智能共同构成的，未来，能够制约智能系统的也许就包含非智能因素吧！读康德的作品只靠理解力是不够的，还需要超强的想象力。
“一”可以产生“多”，“多”可以凝聚成“一”，合久必分，分久必合，在什么情境下“合”，又在什么情境下“分”？“分”“合”的速度、加速度有多快？除了理性之外，情感在这些切换过程中又起到什么作用呢？
十、智能的关键在于等价而不是相等
等价是指价值性的近似大概能力，是一种开放性跨域穿透、自由驰骋、柔性弥散、相关无关，而相等是指事实性的一模一样功能，是一种封闭性约束规范、严格条件、一致边界、同根同源。相等就是在本质上一样，比如可以说2和2相等或相同，等价是指在意义一样，不能说1+1和2相等或相同，只能说等价，这是因为1+1在本质上是算式，而2是数字。细想起来，石头、剪子、布与鸡、虫、棒、虎是等价的而不是相等的。
一般而言，在数学的数学——范畴论里没有相等，只有等价，在范畴论里相等没有意义，在真实的态势感知中相等也没有多少意义，这也是（以相等蕴含静态关系）数学为基础的人工智能手段为什么解决不了真实复杂博弈环境下（以等价类比动态关系）指挥控制问题之关键所在了，态常常相等计算，势往往等价算计，计算是绝对相等，算计也许就是相对等价了，想要获得一些东西，在人的定义里，可以牺牲一些东西，而机做不到这样的算计。微积分、数字电路中的高低实质就是近似等价逼近计算关系。
计算偏重同一性事实，算计注重差异性价值，计算计就是两者的叠加混合。事实与价值常常是混合叠加的，主客观也往往是混合的，纷繁复杂事物的特性既有与观察者有关的部分，也有与观察者无关的部分！所谓“万象归一”，指的是其形芜杂的现象界包含了共同的道理或旨趣。从逻辑模型论的角度上来说，等价与相等关系严格来说并不是一个对象或者符号上的关系，而是一个指称上的关系。相等逻辑符号的解释是固定的，但是等价非逻辑符号的解释是不固定的，给一个模型的时候我们需要解释这些等价非逻辑符号。
只要是喜欢，吃爆肚和登珠穆朗玛峰给予人的享受是等价的，是因为二者的目的都是为了某种满足——英雄欲和食欲的满足，这种满足使人愉快，这种愉快正是人类所共同追求的自我实现。运用什么方式达到自我满足的目的固然有审美趣味、价值观念的差别，但这种差别只有在特定的社会范畴里才具有道德的意义，而就人的意义来讲，任何选择都应该受到尊重，因为事实上它们是同等的价值。
真实对象的相等，不是什么公理下的相等，更不是什么同构下的相等。肯定把函子相等看做定义域、值域、对应法则一样就已经被洗脑了。范畴论或者用别的语言完全可以硬是把两个定义域、值域、对应法则都一样的函数看做两个不同对象，只是这在大部分情况下既没有必要又不符合直觉。这是集合论洗的脑，要治。
人机融合智能之所以可以颠覆，原因是它不但可以植入人工智能所不具备的反思能力和自主创造能力，而且还可以解决人工智能所不能解决的知识相悖性和无穷性。学科交叉、领域融合的目的就是寻找他山之石的等价工具、方法、机制、机理、原则、规律，去掉原有学科领域的狭隘、固执、寸光、静态、相等。
“不战而屈人之兵”的本质是用人机环境系统的优势置换为势态认知的优势问题进而压迫对方屈服让步，一战时期德国毛奇元帅说的“枪声一响，作战计划就变”是指博弈挤压后双方态势感知的变焦、变异、变形。
智者经常与事实保持距离，同时把责任变成价值，所以既是观察者又是体验者。博弈组织结构、态势情境、感知觉察会变得能够迅速变形，同时又能够迅速地重组，还能迅速地进行物理、数理、心理转移。由此导致整个博弈结构就像李小龙说的“be water”，具有着高度的流动性，形成了一系列局外人无法搞懂的局势性知识。
十一、智能的危险
有人认为，在中国近代，科学技术都是作为一种“先进”、“文明”角色出现，给中国人带来了“科学是好的”的观念，一直影响至今。我们潜意识里认为：科学=正确。我们理解的“科学”总是带有某种正面价值。当我们说“这不科学！”时，表达的意思是“这是不对的”。实际上，科学同样具有负面的效应，氟利昂、DDT等科学技术都带来了负面的效应。那么科学技术到底是什么呢？同样，AI、互联网、原子弹到底是什么呢？也许它们是一柄悬在人类头顶上的达摩克利特之双刃剑。
凡事有好就有弊，手机不例外，智能也不例外。在人机环境系统动态交互（产生智能）时，由于时间、空间、对象、属性、关系、条件、规则、情绪、状态、趋势、感知等的变化，智能中的方式、方法、方案、手段、工具都会做适当的调整和重新组合，正可谓：时变法亦变。智能需要解决的常常是面对的真实问题，比如安全威胁、高效处理、准确预测等等。智能包含着过去的经验和数据，但不会仅仅依赖这些过去，它包还含着未来对此时的影响，比如期望的反馈。一般而言，不能随机应变的智能应该不是真智能。
对生理疾病而言，对症下药是常识，对智能而言，也没有医治百病的万能智能。所有的智能和认知都有范围，包治百病的是假药，万能的智能就是假智能。即使是真智能，也有副作用，比如聪明反被聪明误（有时是由于环境的随机变化造成的），所以真实的智能也是有缺点的，但这些缺点与自动化的缺点不同，一活一死，智能缺点最大的特点是可以被自主适时修补、完善！而自动化的缺点却不能够如此，多少有点覆水难收的味道。
人机环境之间的不断交互变化，决定了世界上没有一样的识别任务模式，“橘生于南则为橘，橘生于北则为枳”的例子在智能领域也不少见，机器的智能可以辅助人的学习、推理、决策，同样也可以干扰人的推理和判断，“好心”办坏事，不但存在于人人之间，还会出现在人机之间，比如AI助手的主动性接管问题等，再者，由于复杂问题的千丝万缕，许多不可解释、不好解释、不应解释、不便解释的事物比比皆是，人心难测，何况机芯，用一些情境不同设计出来的算法计算结果试图实时影响、校验、纠正、改变人的直觉、思考结果，如果是小打小闹也就罢了，对那些决定人类命运的大事件宏命令，万一有个三长两短和闪失，哪个敢负这个责任？
人机交互、人机混合、人机融合智能……中人工智能AI可以帮助人，也可以阻碍人，还可以毁掉人……，做这些工作或申请项目时，望不要光看AI好的一面，还希望评审者、管理者也能客观地看到其不好的一面，在不少情境任务下，不好的概率可能更高一些！
仔细想想，任何事物都不会无中生有，凡事都有苗头和兆头，人机融合就是能够及时（恰如其分）地捕捉到这些零零碎碎的迹象和蛛丝马迹，太快太慢都不好，“率先看到、率先作出决定、率先采取行动”，不一定由此能够更快地摧毁敌人。有时，慢一点未必不是一个好的选择，太快了也许更容易上当受骗吧！人工智能起重要作用需要几个条件：首先是找到数学定量计算就能解决的部分，其次与人融合过程中使该AI部分找到适当的时机、方式和作用，最后，人做对的事，AI“把事情做对”。
古有《孙子兵法》之谋略，近有《战争论》之战术，未来的可能为《人机环境系统融合》之思想。人有道，机有器。智能讲看得见的得失（机“器”过程）、多少（事实大小），智慧讲看不见的有无（人“道”方向）、是非（价值比较）。正可谓：未来的博弈态势中除了天时、地利、人和之外，还应有“机辅”。
1、过度依赖AI易造成失去人性中的自信、果敢和勇气等，就像攀岩者对绳索的依赖。有时不借助绳索，会增强人的信心，有时相反，有了绳索可以克服恐惧感，做出没有绳索不敢做的动作。如何在开发、使用AI方面平衡两种情形情形要因人而异，因机而异，因环境而异。南安普顿大学风险管理副教授Yaniv Hanoch 领导团队的新研究表明，与没有任何影响因素的行为相比，机器人会鼓励人们在模拟赌博场景中承担更大的风险，AI呢？
2、人类群体智能时，常常会产生心理上的从众或其它现象，机器群体智能也许不会，人机融合的群体智能也涉及上面问题，如何实现“三个臭皮匠顶个诸葛亮”的问题，尤其是这三个臭皮匠里还有机器皮匠。
3、人们使用机器智能的动态程度大小会造成某种不确定性，不同的人对同一机器智能的协同辅助感受是不一样的，同时，机器智能进化、变化、演化情况也是不同的，还有，人机融合中人对机器智能的难易感受也是变化的。这些变化常常会导致人机之间失调、失配、失互程度加剧，这与日常使用手机的效果是不同的。
4、人的智慧可以通过直觉绕弯变向跨域超界交叉处理各种简单的复杂，而机器智能却很难通过上面的技巧方法非逻辑手段非奇异性工具解决各样复杂的简单，原因是机器智能的基础是数学相等/包含原则，而人类智慧的源泉是复杂等价/类比常识。当然，这并不意味着人的智慧不会有错误、失误存在，但人的智慧里更有反思纠正修补完善功能作用，而且还是自主性的，比如伦理、道德、契约、法律等的形成和演化。所以，尽管智能化可能、可以提高战场感知能力，但“战争迷雾”依然存在，人工智能也将增加军事系统体系的复杂性，在复杂的政治偏好和道德价值观等方面，人工智能将不会发挥重要作用，人工智能可以为人类提供事实性决策支持，让人类对价值和行为做出最终判断。
5、过去，大家强调“天时地利人和”；当前，人们更需要的是能够纠错的辅助决策系统，以及有限制的人机融合智能系统，而不是通用的、想象的、大包大揽的、无处不在的、无所不能的“上帝”—机器智能；未来，人机环境系统的“天时地利人和机辅”或许将更受青睐，以免聪明反被聪明误。
人工智能军事应用的脆弱性和不确定性主要就体现在人工智能的机制机理上。人工智能大概分三大门派，一是以模仿大脑皮层神经网络及神经网络间的连接机制与学习算法的联结主义（Connectionism），主要表现为深度学习方法，即用多隐层的处理结构处理各种大数据；二是以模仿人或生物个体、群体控制行为功能及感知-动作型控制系统的行为主义（Actionism），主要表现为具有奖惩控制机制的强化学习方法，即通过行为增强或减弱的反馈来实现输出规划的表征。三是以物理符号系统（即符号操作系统）具有产生智能行为的充分必要条件假设（Newell and Simon，1976）和有限理性原理为代表的符号主义（Symbolicism），主要表现为知识图谱应用体系，即用模拟大脑的逻辑结构来加工处理各种信息和知识。正是由于这三种人工智能派别的取长补短，再结合蒙特卡洛算法（两种随机算法中的一种，如果问题要求在有限采样内，必须给出一个解，但不要求是最优解，那就要用蒙特卡罗算法。反之，如果问题要求必须给出最优解，但对采样没有限制，那就要用拉斯维加斯算法）使得特定领域的人工智能系统超过人类的智能成为了可能，如IBM的Waston问答系统和Deepmind的AlphaGo围棋系统等。尽管这些人工智能系统取得了骄人的绩效，但仍有不少缺陷和不足之处，而且还有可能产生很大的隐患和危险。
首先分析一下让人工智能在当下火热烫手的联结主义。当前的人工智能之所以高烧不退，其主要的力量源泉是2006年Hinton提出的深度学习方法大大提高了图像识别、语音识别等方面的效率，并在无人驾驶、“智慧+”某些产业中切实体现出助力作用。然而，任何一种算法都有其不完备性，深度学习算法也不例外。该方法的局限性和不足是最好使用在具有可微分（函数连续）、强监督（样本数据标定很好、样本类别/属性/评价目标恒定）学习、封闭静态系统（干扰少、鲁棒性好、不复杂）任务下，而对于不可微分、弱监督学习（样本分布偏移大、新类别多、属性退化严重、目标多样）、开放动态环境下该方法效果较差，计算收敛性不好。另外，相对于其他机器学习方法，使用深度学习生成的模型非常难以解释。这些模型可能有许多层和上千个节点；单独解释每一个是不可能的。数据科学家通过度量它们的预测结果来评估深度学习模型，但模型架构本身是个“黑盒”。它有可能会让你在不知不觉间，失去“发现错误”的机会。再者，如今的深度学习技术还有另一个问题，它需要大量的数据作为训练基础，而训练所得的结果却难以应用到其他问题上。如何在各种现实情境任务中恰如其分地解决这些问题，就需要结合其他的方法取长补短、协调配合。
其次，对于行为主义中的增强学习，它的优点是能够根据交互作用中的得失进行学习绩效的累积，与人类真实的学习机制相似。该方法最主要的缺点是把人的行为过程看的太过简单，实验中往往只是测量简单的奖惩反馈过程，有些结论不能迁移到现实生活中，所以往往外部效度不高。还有，行为主义锐意研究可以观察的行为，但是由于它的主张过于极端，不研究心理的内部结构和过程，否定意识的重要性，进而将意识与行为对立起来，进而限制了人工智能的纵深发展。
最后是符号主义及其知识图谱，符号主义属于现代人工智能范畴，基于逻辑推理的智能模拟方法模拟人的智能行为。该方法的实质就是模拟人的大脑抽象逻辑思维，通过研究人类认知系统的功能机理，用某种符号来描述人类的认知过程，并把这种符号输入到能处理符号的计算机中，就可以模拟人类的认知过程，从而实现人工智能。可以把符号主义的思想简单的归结为“认知即计算”。从符号主义的观点来看，知识是信息的一种形式，是构成智能的基础。知识表示、知识推理、知识运用是人工智能的核心，知识可用符号表示，认知就是符号的处理过程，推理就是采用启发式知识及启发式搜索对问题求解的过程，而推理过程又可以用某种形式化的语言来描述，因而有可能建立起基于知识的人类智能和机器智能的同一理论体系。目前知识图谱领域面临的主要挑战问题包括：a.知识的自动获取；b.多源知识的自动融合；c.面向知识的表示学习；d.知识推理与应用。符号主义主张用逻辑方法来建立人工智能的统一理论体系，但却遇到了“常识”问题的障碍，以及不确知事物的知识表示和问题求解等难题，因此，受到其他学派的批评与否定。
对于人工智能军事应用而言，智能化作战要素可简单概括为“人”“武器”和“谋略”，三者之间的统筹结合是影响战争胜负的关键。历史上每一次变革都促使“人”与“武器”结合得越来越紧密。然而，人工智能的内涵与核心是使机器具有近似于人的思维和能力，即让“武器”具备“人”的“谋略”能力。因此，智能化作战的突出特征就是智能自主，其脆弱性和不确定性也就表现在这些方面：
１．自主感知战场态势还较弱。好的军事感知系统可以多维度空间的探测、侦察、扫描、感知等智能化新型技术手段为基础，自动分析获取敌方、我方和友方兵力部署、武器装备、兵力运用和战场环境等信息，自主形成战场态势分析图。但是理想很丰满，现实却很骨感，包括最先进的美军在这方面差距也很大。
２．自主交互作战规划不完备。根据作战指挥员的意图，以战场情报信息为基础，自行设计并提供多套作战方案或行动计划，供作战指挥员灵活选择，同时，进行战场态势判断，提出作战方案并验证方案的可行性。而实际上，这方面的技术应用对于指控人员而言，常常是“只有苦劳，没有功劳”的抱怨，原因是人机往往失配。
３．自主规划作战任务不可解释。理想的无人作战系统能够围绕筹划阶段的决心方案，自主研究生成作战行动总体计划和分支计划，并围绕实施阶段的动态决心，自主完善原有作战计划或进一步生成更为可行的作战计划。其具有根据全程动态，自主设计生成作战计划，并有自主循环验证作战计划的能力。但是当算法复杂到一定程度时，这些理想状态就会生成许多矛盾，变得无法说明。
４．自主实施作战行动违规。无人作战系统在联合作战体系的支撑下，自主进行目标侦测和信息识别，并根据目标的性质、位置、作用、大小、状态等信息，自主按计划实施精确攻防行动，实现作战效能精准释放。同时，自动分析、处理作战任务与目标需求、自主深度计算与精确匹配作战要素、统筹高效运用体系作战效能。实际上，不要说这些系统的技术还远远没有成熟，即使成熟了也不能使用，因为违反《特定常规武器公约》（CCW）要求。
5．自主评估作战效果还得不到保障。目前，各国在战场毁坏评估方面还存在一些问题，较难获得高精度、实时性毁伤评估信息。有人-无人作战单元完成打击任务后，自主对打击效果信息进行采集整理、分级分类，同时基于大数据分析比对，评估毁伤效果，并依据效果规划制定下一轮打击决策。这将从根本上解决目前主要靠抵近侦察进行毁伤效果评估的困难局面，但是对此还没有好的解决办法。
现在的自主为什么说是“伪自主”？原因是其底层的技术架构：机器学习和大数据处理机制局限所致。无论行为主义的强化学习、联结主义的深度学习，还是符号主义的专家系统都不能如实准确地反映人类的认知能力，比如直觉、情感、责任、价值、荣誉等。
目前国内外的军事智能化本质上都还是自动化或高级自动化（加了统计概率的自动化）的基本框架（即大数据、智能、移动、云计算的混合），没有充分挖掘实时开放、强对抗性和不确定性战场环境下人、机、环境之间相互作用的本质特征、机理及其对未来作战方式、战略战术的影响。在真实环境中往往不能充分发挥人和机器智能各自的优势，在人机混合系统的输入端割裂了数据/信息/知识整合输入，处理过程中阻断了公理/非公理混合推理、输出方式离散了直觉/逻辑联合决策。简单地说，就是没有形成一套完整的以深度态势感知（包括事实与价值）为决策中心的指控系统和人、机、环境关联耦合的人机融合智能基础科学理论体系。单纯的人工智能军事应用未来的前景具有上述的脆弱性和不确定性，所以前景不容乐观，如何克服这些弱点和缺点，目前世界各国都在抢占这个技术制高点，我们也不能束以待毙，形成良好的人在环的军事人机环境融合智能化将是一个大趋势。
十二、人机融合智能中的关键性问题
目前，尽管人工智能风头正劲，却仍存在着许多难点，诸如多模态信息融合、小样本学习、逻辑/非逻辑推理、直觉决策与逻辑决策等等。现如今的人工智能基本上都是以数学手段为主的形式化事实计算，而缺少意向性的价值算计，这意味着目前的人工智能更加偏向于自动化，只是由人的程序设计来实现自身的功能，缺乏自主性或主动性，这与我们心中的期望智能相去甚远。目前的人、机器智能之间还是存在很大的差距，对于机器而言，基于规则条件和概率统计的决策方式与基于情感驿动和顿悟冥想的判断机理之间存在着巨大的鸿沟，其中情感驿动、顿悟冥想的选择判断机理是人类特有的。比如说，从内在起源上看，人类具有动机性，但是机器并不具备，然而想要让机器产生动机性，却是很难被表征出来的。再比如说常识（众多混杂事物的大概率），人很容易拥有常识，但是机器很却难形成。还有决策，人的决策分成三大部分：理性决策、描述性决策与自然决策，机器想要“智能”的做决策，就需要将人的这几种决策模式融合，在不同的时间或者情景压力下建立不同的决策。因而，作者提出了人机融合智能才是人工智能未来的发展方向。
人机融合智能起源于人机交互和智能科学这两个领域。人类有人类的优势，也有人类的弱点，而机器有机器的优势，同样也存在机器的缺点。人类的计算能力不强，但是人类可以打破逻辑，运用直觉思维进行决策，机器虽有计算却无算计，但是却能够检测到人类感觉无法检测到的各种信号。所以人可以处理其擅长的包含价值取向的主观信息，机器则可以计算其拿手的涉及规则概率统计的客观数据，需要意向性价值的时候由人来处理，需要形式化事实的时候由机器来分担。只有这样将人类的优点和机器的优点相结合，取长补短，才能更好的实现人工智能。
因此，作者提出，人机融合智能就是由人、机、环境系统相互作用而产生的一种新型智能系统。在智能的输入端，它是把设备传感器客观采集的数据与人主观感知到的信息、知识结合起来，形成一种新的输入方式；在智能的数据/信息中间处理过程，机器数据计算与人的信息认知（算计）融合起来，构建起一种独特的理解途径：公理推理+非公理推理机制；在智能输出端，它把机器逻辑运算结果与人的价值（直觉）决策相互匹配，形成概率化与规则化、灵感化有机协调的优化判断。
当前的人机融合智能就是人把一部分说清楚的智能先放到机器中，然后根据外部任务环境的变化结合自己说不清楚的智能去实施完成目标的过程。未来的人机融合智能还可能加上机器自己产生的智能。人类智能及智慧的关键在于变、通以及通、变，变表征、变目标、变推理、变前提、变决策、变行动，相比之下，机器的变显得比较生硬和模式化，没有把变和通的关系处理好。can不仅仅是一个伦理问题，更是一个智慧问题，或者说是一个融合了责任和智能的问题。所以说，真正人类智能的弹性体现在“道”和“得”（德）的取舍中，是事实与价值的共同表征和体现，是being、should、can、want、change等一多共在的问题。一些智能方法只是通过深度学习神经网络对专家知识库进行集合和收敛，代表已有的先验知识。而无法对新产生的数据和信息进行处理，即无法将后验知识升级为先验，也无法发现隐含知识。所以，它的作用在于集大成，而没有创新能力。这有点像教育，学校的任务是将知识点教授给学生（有点像机器学习一样），但教育不只是教授知识点，教育应该挖掘知识背后的逻辑，或者是更深层次的东西。比如，我们在教计算的时候，其实要去想计算背后是什么。我们首先是应该培养学生们的数感，再去教他们计算的概念，什么是加、什么是减，然后教怎么应用，进而形成洞察能力。
人机融合的实质是要处理变与不变的关系，中国人常常称之为“易”中的“变易”和“不易”。人的变与不变是由价值驱动的，机器的变与不变常常是由事实驱动的，尽管机器也会带有造机者的一些观念和习惯，但机器终究还是不能实现变化情境中有意义的选择和决策。例如用户画像，即用户信息标签化，通过收集用户的社会属性、消费习惯、偏好特征等各个维度的数据，进而对用户或者产品特征属性进行刻画，并对这些特征进行分析、统计，挖掘潜在价值信息，从而抽象出用户的信息全貌。如何实现动态的用户画像更重要。
从根本上说，人机融合智能就是人类智慧与机器智能（AI）根据外部环境的变化有效联动的过程，其根本问题也是“良序”的问题，只不过这个“良序”既包括事实性交互序列，也包括价值性交互序列，既包括事实性因果序列（如Pearl的因果关系，这也是他的“狡猾”和“狭隘”之处：只论事实不论价值），也包括价值性因果序列（如宗教的因果关系）。人机共同完成一个任务甲，可以看成一个由若干子任务（a、b、c、d……）构成的序列，这些子任务的要求都是根据外部环境的变化而变化的，既有构成要素、属性的变化，也有本身、相互之间关系的变化，简单地说，既有客观事实性变化，也有主观价值性变化，如何高效地组织好这些主客观子任务序列呢？或者说，如何更快、更好、更巧地形成良序呢？
面向深度态势感知的人机协同就是把群体+个体中感性与理性、表象与概念、仁义道德有机结合形成良序的过程，是（多）人（多）机（多）环境的系统工程，计算的算法是其中可程序化的一部分，算计的算法是其中可描述的一部分，除此之外，还有直觉顿悟、半真半假、半信半疑、半推半就等主客观融合的不可描述的随动部分，如何实现这些复杂系统的良序整合，或许已超出现有数学、科学的范畴！
人机融合智能中深度态势感知终究不是数学意义上的集合问题，原因在于其中的元素是非同构非同类的，而且会有相同元素（非互异性）产生出现。所以我们可称之为泛集合/伪集合问题。现代深度态势感知的研究已从对“态”的研究转移到“势”上，已从简单的“计算”研究转移到复杂的“计算”与“算计”混合研究上，已从客观“事实”研究转移到“价值”研究上，即人机融合态势感知上。就像“鸡蛋从外向内打破是煎蛋，从里面打破飞出来的是生命。”这句话体现出的那样：从一个客观对象延伸到主观事物。一个智能系统的扩张是客观世界的需求和内在逻辑双重引导下的产物，正如事实好编码（空间时间编码），价值却很难编码。信息就是有价值的数据，是一种人物环境系统交互的产物。态势感知SA中态、势、感、知四个循环如何产生共振共鸣？将是OODA环最优化的关键。其中态与感属于外循环，势与知属于内循环，这两大循环的相互促进十分重要，外循环要“看得准、听得清”，内循环就是“拎得清，判得准”。传统的拓扑学主要研究在连续变形下关于几何形状的不变性质。而认知的拓扑则是研究在连续变化态势下关于感知的不变性质，既包括事实类（时间、空间两个维度），又包括价值类（情感、意向、责任三个维度）。
目前，智能领域的瓶颈还是人机融合智能中的深度态势感知问题，例如未来的战争不仅是智能化战争，更是智慧化战争，未来的战争不但要打破形式化的数学计算，还要打破传统思维的逻辑算计，是一种结合人机环境系统优势互补的新型计算-算计系统。智慧化战争是基于人+物+环境互联网络数据信息知识系统，人使用智能化武器装备及相应作战方法，在陆、海、空、天、电、网及信息、认知、社会领域进行的一体化战争。通俗讲，是以人机环境系统融合智能认知技术手段为支撑的战争。智能认知是指在数据、信息、知识输入不充分或充满相斥干扰条件下的感觉、分析、判断、决策综合优化过程。它涉及输入、处理、输出、反馈等过程，智能感知只是智能认知的输入阶段。狭义的智能认知是指机器的输入、处理、输出、反馈等过程，是一种没有指涉对象的形式化符号（如数学）系统，这也是机器智能之所以不可理解、不能终身学习、难以形成常识的根本原因；广义的智能认知是指人机环境系统的输入、处理、输出、反馈等过程，是一种能够把指涉对象的符号系统（如人的自然语言等）、无指涉对象的机器形式化符号（如数学）系统与任务环境改变有机结合的系统，这也是广义智能认知（人机融合智能）之所以可理解、有意识、易跨域、富弹性、擅变化、超人智的根源。
所谓结构主义可以上溯到本世纪初，在语言学中有索绪尔提出的关于语言的共识性的有机系统的概念和心理学中有完形学派开始的感知场概念。此后在社会学、数学、经济学、生物学、物理、逻辑……各学科领域中都在谈结构主义，但是结构主义的共同特点是什么？这却是一个等待回答的问题。
实际上，结构主义的共同特点有二，第一是认为一个研究领域里要找出能够不向外面寻求解释说明的规律，能够建立起自己说明自己的结构来；第二是实际找出来的结构要能够形式化，作为公式而做演绎法的应用。于是他指出结构有三个要素：整体性、具有转换规律和法则、自身调整性；所以结构就是由具有整体性的若干转换规律组成的一个有自身调整性质的图式体系。这样一个概念很抽象；结构存在的模式要在各个研究领域里才能精确说明，所谓结构，也叫做一个整体、一个系统、一个集合。一个结构的界限，要由组成这个结构的那些转换规律来确定。而所谓转换，在有的学科中，译为变换，就是表示变化的规律，通常用一个以上的数理逻辑公式来表示。公式在具体生活中的应用就是具体的运算，而这种公式原来就是从具体的运算中抽象出来的，所以运算是形成结构的基础。在各种科学认识里，计算的第一性是结构主义的关键，而在各种复杂性认识里，计算计（计算+算计）的第一性是结构主义的关键。
人机融合智能是人机并行结构，人中有机、机中有人；人机混合则是人机串行结构，人停机动，机停人动。辅助决策或辅助驾驶严格意义上而言都是人机融合，人机双方同时都在工作，即双方良好的协同在于一致性的随时备份状态，若一方跟不上对方的节奏，可能就会出现冷启动长延时的高事故风险；打字或称重基本上就是人机混合，人机串行而动。图灵认为：计算者任一时刻的行为都由彼时他观察到的符号和彼时他的“思维状态”决定。现在有人提人机交互、人机混合、人机融合的区别，深入地研究能够对计算、感知、认知、洞察机制机理会有更多更新的认识。
什么是知识？什么是概念？什么是理解？什么是共识？为什么智能要研究哲学、伦理、非逻辑等？在人工智能需求与应用如雨后春笋般涌现之后，我们还是需要静下心来，对人工智能的发展之路进行深入地思考，或许才能更深层次地了解智能，并建构出更加符合期待中的人工智能、智能、人机混合智能体系，修修补补又三年的方式很难实现新的突破，正如大家对知识图谱里的“知识”感觉一样，再如，据说与阿尔法狗/元这种人工智能系统下棋时，最好的结果常常不是要多看几步的“高瞻远瞩”而是紧盯眼前的“鼠目寸光”比较好些。
也许原创不是技术活，更多地是一种内心的主观想法。它原本不存在，你要让大家相信它，这里的难点，不在于工程实现，而在于坚定的世界观和先信仰后理解的洞察力吧！
人具有价值，AI只有事实，人机融合才有事值性；
人具有能力，AI只有功能，人机融合才有功能力；
人具有算计，AI只有计算，人机融合才有计算计；
人能够主动使能，机器只能够被赋能......
未来，有关智能的分析
第一、在研发方面，由于人工智能技术是新一轮产业变革和科技革命的核心驱动力，重构生产、分配、交换、消费等经济活动环节，催生出更新的技术、产品、产业、模式，引发社会经济结构的重大变革，深刻改变人类生产生活方式和思维方式，实现社会生产力的整体跃升，故将其作为对基础性研发投资的重点；
第二、在资源共享方面，多年以来，人们一直认为算法、芯片和数据是人工智能的三大支柱，而中国在数据方面保持较大的领先，但在算法和芯片方面却并不占优，为此建议有关部门、企业、政府的数据、算法和计算机处理资源将更多向人工智能研发人员和企业开放，以消除各行业之间“在功能上不关联互助、信息不共享互换以及信息与业务流程和应用相互脱节”的信息孤岛现象；
第三、在标准规范方面，针对人工智能涉及跨领域的多技术融合，人工智能标准之间存在着相互依存、相互制约的内在联系，人工智能标准化工作需要统筹协调，以系统科学的理论和方法为基础，运用标准化的工作原理，不断优化标准之间的关系，避免标准间不配套、不协调及组成不合理等问题，另外，再加上需要积极应对人工智能发展可能对社会伦理、就业结构、个人隐私、国家安全等方面的一些挑战，国家应该为此制定一套可靠有效的人工智能体系技术标准；
第四、在人力资源培养方面，鉴于人工智能学科覆盖面广，与其他学科交叉融合度高，需要把人工智能与心理学、社会学、经济学、计算机、自动化、数学、物理学、生物学、法学等学科教育交叉融合起来，可以通过企业培训等方式，培养具备创新能力和必须具备的知识结构从业人员，确保相关专业、产业员工学习诸多相关技能等；
第五、在国际合作方面，由于人工智能不是单一学科，而是一个横跨自然科学、社会、文化、艺术甚至宗教的复杂系统领域，所以无论从学术性的科研基础研究，还是产业开发性的技术应用，其国际化趋势非常明显，我们应在人工智能领域与全球其他国家开展合作。
结合以上所述，我们对未来人工智能发展的初步忠告是：
1、增强我国的军事实力、经济实力和国际影响力，人工智能顶层设计至关重要。
2、未来人工智能科技战略的快速发展面临的一个关键是人机环境系统的协调发展，这里的“人”不但是指人工智能领域的专业人才，还将涉及更多的复合性人才；这里的“机”不但是指人工智能机器中的软件、硬件，还将涉及更多专业/行业/领域之间协同的机制机理，其中人工智能基础机制理论的理论的突破将是各国关注的重点热点；这里的“环境”不但是指人工智能领域的研发环境，还将涉及更多领域的“政用产学研商”合作创新系统环境。
3、破除五唯，实事求是，以人为本，建立真正的复合型人才/团队的选拔、培养、发展生态；在人工智能、计算机、自动化、人文社科等相关专业设立相关智能通识课程；鼓励相关企业进行相关培训、常设岗位招聘、产品预研介入等。
4、人工智能产品或系统是人机环境系统的协同发展，而不是单一的人工智能产品或系统的生产或制造，同时还要分清自动化与智能化的区别，排除人为的智能化现象。
5、伦理及价值观在智能科技研究中的现实困难是利益与约束的矛盾（如人脸识别使用中个人隐私与公共安全的平衡）、解决方案为建立东方伦理道德与西方法律法规融合的理论体系，取长补短，相得益彰，实现伦理事前预防与法律事后惩戒相结合制度生态。
6、未来人工智能的发展将不再是某个国家的事情，而是全球命运共同体的齐心协力。
他山之石之反思与借鉴：
这次疫情伊始，对美国这个世界最强国家而言，人（专家）世界第一，机（软件、硬件、机制）世界第一，环境（各种自然、社会、医疗等）世界第一，但结局是感染人数、死亡人数世界第一，为什么会出现这种情况呢？人机环境系统工程失调割裂使然，所以人工智能是一个人机环境系统融合工程，而不仅是一个独立的产品或系统。
