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）。
二、计算与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，有性有量，有显有隐，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。
三、事实与价值一般而言，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。
四、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（complex system）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。
五、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。
六、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？
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！
其实休谟之问（从事实中能否推出价值？）的答案可能已在老聃《道德经》的道和德里：一个being、一个should。不少西方的难题需要东方思想来帮助解答，反之亦然。彼此之间：让有变成了无，也让无变成了有。
