一、目前人工智能技術的核心問題

近年來，人工智能技術不斷滲入大眾的日常生活中，技術發(fā)展變化日新月異。日常生活中，我們隨處可見人工智能的身影：高效的信息分發(fā)（如Google、Tiktok）、各大樓宇中的人臉識別，甚至是我們常用的翻譯工具……世界智能領域的專家學者們不斷嘗試更多的優(yōu)化算法，各類算法指標不斷被刷新，與此同時，人工智能在特定領域的應用能力逐漸逼近極限值。鑒于此，不少有志之專家學者自覺不自覺地停下來開始冷靜思考，人工智能究竟該走向何處？

當前的人工智能及未來的智能科學研究存在兩個致命的缺點：（1）把數(shù)學等同于邏輯；弗雷格、羅素等邏輯主義者一般是把數(shù)學歸于邏輯學(logic)之下（“+logy”也成為許多學科(非所有學科)的字尾，譬如生物學Biology=bio(生)+logy(學科)）。邏輯是探索、闡述和確立有效推理原則的學料。數(shù)學不等同于邏輯，數(shù)學研究空間形式和數(shù)量關系結構，是一種基于公理的邏輯體系；邏輯研究思維的形式結構。二者一致之處為“研究對象都是高度抽象的結構”。一方面，數(shù)學和邏輯的研究對象不同，數(shù)學的研究對象是客觀事物的空間形式與數(shù)量關系，而邏輯學的研究對象是思維的形式及規(guī)律；另一方面，數(shù)學和邏輯的任務和目標不相同，數(shù)學的主要目標和任務是揭示客觀事物的空間形式與數(shù)量關系的特征，探索其規(guī)律性，而邏輯的主要目標和任務卻是為了解決思維推理形式的有效性或真實性問題。（2）把符號與對象的指涉混淆。符號重點在于表征，而對象重點在于意向性，一般來說，一種意向可以對應一種或多種符號，而一種符號代表的意向性也可以有多個指向（如能指、所指、意指）。

二、智能的本質

人的學習是初期的灌輸及更重要的后期環(huán)境觸發(fā)的自主交互學習構成，而機器學習只有統(tǒng)計概率+規(guī)則算法的事實性累加功能，缺乏后期自主價值性學習能力（功能不會產生“如果”，只會有“那么”……，產生“如果”是能力才能干的事），與機器不同，人的學習不但是事實與價值的混合性學習，而且是權重調整性動態(tài)學習。人工智能就是由人教會機器學習，幫助人類更好的解決問題，AI沒有能力，只有功能。此外，人的記憶也是自適應性的，且隨人機環(huán)境系統(tǒng)的變化而變化，這也是機器存儲望塵莫及之處。

人的智能在于知道自己的不智能，機器則不然。人類可以跳出概念理解并使用概念，機器自己并不具有擬合出合理概念的能力和方法。目前，智能認知相關理論發(fā)展主要經(jīng)歷三個階段：第一階段以博弈運籌學、控制論、信息論、系統(tǒng)論等相關理論為基礎，主要目標是實現(xiàn)輔助計算；第二階段是以專家系統(tǒng)、智能優(yōu)化等相關理論為基礎，主要目標是實現(xiàn)輔助決策，降低人的生理、心理負荷；第三階段是以機器學習（包括深度學習、強化學習、遷移學習等）、數(shù)據(jù)挖掘、知識圖譜、類腦計算等人工智能領域的理論成果為基礎，主要目標是實現(xiàn)決策的自主化和智能化。由于博弈對抗的特殊性，傳統(tǒng)意義上的智能認知將逐漸轉移到人機融合的智能認知階段，以達到隱真示假、去偽存真等洞察目的，具體體現(xiàn)在兩大類七維度的人機深度態(tài)勢感知上，即事實類（包括空間3維+時間1維）+價值類（意識1維+情感1維+責任1維），在“快”和“準”的基礎上，實現(xiàn)“好”（英語稱之為right）。

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(huán)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。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(guī)則往往是最難以實現(xiàn)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。

智能不但要求有情有理，更希望通情達理、情理交融，比如，用老子的《道德經(jīng)》（非常道、非常名）回答休謨之問（從客觀事實being中能否推出主觀價值should？），即用“等價”的相對思想取代“相等”的絕對意識（這也許會是新數(shù)學體系誕生的征兆）。相等與蘊含是現(xiàn)有數(shù)學（包括數(shù)、圖、集合）的基石，也是計算的前提，更是人工智能的條件；而等價和類比則是復雜領域（包括跨域、交叉、融合）的關鍵，也是算計的本質，更是人類智能的精華。

等價是指價值性的近似相等能力，是一種開放性跨域穿透、自由馳騁、柔性彌散、相關無關，而相等是指事實性的一模一樣功能，是一種封閉性約束規(guī)范、嚴格條件、一致邊界、同根同源。相等就是在本質上一樣，比如可以說2和2相等或相同，等價是指在意義一樣，不能說1+1和2相等或相同，只能說等價，這是因為1+1在本質上是算式，而2是數(shù)字。細想起來，石頭、剪子、布與雞、蟲、棒、虎是等價的而不是相等的。

在號稱數(shù)學中的數(shù)學——范疇論里沒有相等，只有等價，在真實的智能中相等也沒有多少意義，這也是（以相等蘊含靜態(tài)關系）數(shù)學為基礎的人工智能手段為什么解決不了真實復雜博弈環(huán)境下（以等價類比動態(tài)關系）指揮控制問題之關鍵，態(tài)常常相等計算，勢往往等價算計，計算是絕對相等，算計也許就是相對等價了，想要獲得一些東西，在人的定義里，可以犧牲一些東西，而機做不到這樣的算計。微積分、數(shù)字電路中的高低實質就是近似等價逼近計算關系。

從邏輯模型論的角度上來說，等價與相等關系嚴格來說并不是一個對象或者符號上的關系，而是一個指稱上的關系。相等邏輯符號的解釋是固定的，但是等價非邏輯符號的解釋是不固定的，給一個模型的時候我們需要解釋這些等價非邏輯符號。

真實對象的相等，不是什么公理下的相等，更不是什么同構下的相等。把函數(shù)相等看做定義域、值域、對應法則一樣就已經(jīng)被洗腦了。范疇論或者用別的語言完全可以硬是把兩個定義域、值域、對應法則都一樣的函數(shù)看做兩個不同對象，只是這在大部分情況下既沒有必要又不符合直覺。

人機融合智能之所以可以顛覆，原因是它不但可以植入人工智能所不具備的反思能力和自主創(chuàng)造能力，而且還可以解決人工智能所不能解決的知識相悖性和無窮性。

三、AI發(fā)展必經(jīng)之路：人機環(huán)高效協(xié)同

表面上，人工智能工程應用的目的是把AI嵌入到人的生活場景中，而實際上，真正的智能系統(tǒng)關鍵之處在于如何實現(xiàn)把人、機、環(huán)境嵌入智能系統(tǒng)中。這里最難的是將糾纏在一起的客觀事實與主觀價值進行有效疊加處理，或通過反向強化學習（通過觀察已經(jīng)學習了有效策略的智能主體行為，我們可以推斷導致這些策略發(fā)展的獎勵）或通過價值對齊（使自動化智能系統(tǒng)與人的價值對齊，共同完成最大利益化）或通過有界高速最優(yōu)性理性行為（有界最優(yōu)主體并不總是關注選擇正確的行動，它們更關注的是找到正確的算法，在犯錯誤和思考太多之間找到完美的平衡）等諸多方式來實現(xiàn)。

人的經(jīng)驗性概率（人們常常根據(jù)記憶中的難易程度推測事件發(fā)生的概率）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(tài)勢感知（situationawareness，SA），比如同情、共感、同理心、信任、責任等。那么，當前人工智能該如何打破瓶頸進入下一個高速發(fā)展時期呢？這里我們提出人機融合的辦法，人機融合智能是一種新型智能形式，通過引入人的意向性來幫助人機協(xié)調各種智能問題中的矛盾和悖論。機器學習甚至人工智能的不確定性和不可解釋性主要緣于人們發(fā)現(xiàn)發(fā)明的歸納、演繹、類比等推理機制確實有可能導致某種不完備性、不穩(wěn)定性和相悖矛盾性，而且隨著計算規(guī)模的不斷擴大，這些不確定性和不可解釋性越大，所謂失之毫厘，謬以千里。而人類的反事實推理、反價值推理可以從虛擬假設角度提前預防或預警這些形式化的自然缺陷。

記得有位西方學者曾說過：“所有模型都是錯誤的，只不過其中有些模型具有一定的參考作用罷了”，關鍵的問題是模型錯到什么程度就沒有用處了。數(shù)理模型的反思甚至詰難一直都存在，這主要有兩方面影響因素：其一是有些人認為經(jīng)濟學模型不能很好的模擬現(xiàn)實，因為其復雜性，特別人很復雜。比如像博弈論這樣非常具有邏輯的方法，會大量出現(xiàn)混合策略的均衡，但現(xiàn)實中這種策略并不普遍。所以經(jīng)濟學也開始引入心理學或者實驗；其二是很多人反對的不是數(shù)理化，而是過度數(shù)理化。

人工智能可以解決常規(guī)問題，或者是大多數(shù)情況下的問題，但是卻解決不了極端情況下意想不到的情況發(fā)生。一個人們在建立數(shù)學模型時常常會犯的錯誤就是為了建立簡潔美觀的數(shù)學模型忽略了這個模型成立時的條件。例如馬爾科夫鏈的建立條件為當前節(jié)點的只與前一個節(jié)點有關，這種獨立性的假設在很多時候是可以被接受的，因為距離越近的事件對當前的影響越大，但是在特殊事件發(fā)生時，模型就會失效，此時依賴于該模型的決策就會出現(xiàn)錯誤。有些錯誤是可以重來的，而有些錯誤是不可彌補的，這也就是在一些領域，不允許完全由人工智能把控全局的原因。舉一個具體的例子，在視覺slam中，位姿的估計是一個遞推的過程，也就是由上一幀位姿結算當前幀位姿，所以我們的位姿約束都是與上一幀建立的，但是每一次的估計位姿都會有誤差，隨著位姿地推的進行，誤差也在不斷的累計位姿，也就形成了我們所說的累計誤差。Slam中的做法是進行回環(huán)檢測，也就是檢測出相機經(jīng)過同一個地方，從而將疊加的誤差拉回到可接受的范圍內。在人機系統(tǒng)中，可以通過人機的溝通更好確定人機在環(huán)境中所處的位置，從而進行類似slam中回環(huán)檢測的功能，將機器數(shù)學建模中因為忽視一些微小條件而導致的疊加誤差拉回到可接受的范圍內。

人機融合中的人不僅括眾人，機不但包括機器裝備還涉及機制機理，除此之外，還關聯(lián)自然和社會環(huán)境、真實和虛擬環(huán)境等。人機的根本區(qū)別就在于不同的表征、聯(lián)結和交互。在一個系統(tǒng)中，人機的功能、職責分別在于準度和精度，準度涉及方向，精度關聯(lián)過程。人和機的認知特性不同，人傾向于對信息整體程度的感知，而機器則更傾向于對信息細節(jié)的客觀精確計算。人工（機器）智能擅長客觀事實（真理性）計算，人類智能優(yōu)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。目前的一個問題在于系統(tǒng)的可解釋性，我們認為可解釋性的關鍵在于合適透明性所產生出的信任性，信任性的關鍵在于理解后的贊同，理解是對意義的把握，即把各種（事實、價值、責任等）可能相關事物有機整合在一起的能力，系統(tǒng)的可解釋性不但包括對已有規(guī)則的解釋，還包括構建規(guī)則的新內涵和外延。

人機功能分配是人的能力與機器的功能分配，人具有主動性的能力使然（使能），機體現(xiàn)被動的功能賦予（賦能），是人的動態(tài)算計與機器的準動態(tài)計算之間的分配。另外，人機能力/功能分配是一個不準確的概念，因為人具有的是一種超出功能作用的能力，準確的說，人機關系應該是人的能力與機器的功能如何有效協(xié)調的問題，再深入一下，人機關系更是一種人機環(huán)境系統(tǒng)交互的關系，人的能力會隨著人機環(huán)境系統(tǒng)的變化而變化的（人的情境意識與態(tài)勢感知會因時因法因環(huán)境而發(fā)生變化的），而機器功能則不會隨人隨環(huán)境而應變。因此，當0、1與是、非攪在一起時，人機環(huán)境之間經(jīng)常失配、失互應該是正常的，人機環(huán)境之間的有機/有效配合反而顯得多少有些不正常。鑒于此，筆者建議未來的人機融合問題最好分成三個不同的問題來簡化整體設計流程以提高其匹配績效：1、什么應該人工智能化（自動化）？2、應該如何人工智能化（自動化）？3、什么時候應該人工智能化（自動化）？

人機環(huán)系統(tǒng)高效協(xié)同的兩個核心突破點：一是“泛事實”的有向性。如國際象棋、圍棋中的規(guī)則規(guī)定、統(tǒng)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(shù)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(shù)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(tài)勢感知中態(tài)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融合指控系統(tǒng)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(tǒng)。既能從直觀上把握事物，還能從間接中理解規(guī)律。

人機混合常常是人+機（側重事實性數(shù)理物理結合，價值性結合較少）；而人機融合往往是人*機（既包括事實，也涉及價值，既有數(shù)理物理交互，也有心理倫理交流）。人、物（機）、環(huán)境三者可以生成萬物，有顯性有隱性，有陰有陽，態(tài)勢感知、計算計、功能力也都有顯性、隱性/陰、陽之分，現(xiàn)在的人工智能及其相關領域大都只研究顯性的、陽的一面，故意或不故意地忽略了隱性的、陰的一面，所以我們應該對各種數(shù)據(jù)、算法、算力（包括量子計算）、知識抱有“科學”的懷疑態(tài)度，取其之長，補其之短，切實把側重西方的機（科技）與注重人、環(huán)境的東方思想有機結合起來，形成中西合璧的人、物（機）、環(huán)境系統(tǒng)優(yōu)勢。另外還有一點，人機環(huán)境系統(tǒng)的粒度大小、范圍程度和復雜性每升到一個新級別，都會有新的組織形式出現(xiàn)，其模式會以新方式編碼數(shù)據(jù)、信息和知識，其行為也會以新概念進行描述，如個性化的智能就與群體智能編碼表征、邏輯推理、交互決策就很不相同。

四、結語

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。智能僅是解決問題的一種工具手段，若不與日常生活中的風俗習慣、倫理道德中的仁義禮智信勇、法律中的邊界規(guī)則統(tǒng)計概率等諸多方面相結合，就很容易泛濫成災而不可控制。真實的智能不是萬能，它不但涉及事實性的真假問題，還應該包括價值性的是非問題，更與責任性的大小輕重密切相關，所以，嚴格意義上講，智能是許多領域的一連串組合應用。

人類智能的核心是意識指向的對象，機器智能的核心是符號指向的對象，人機智能的核心是意識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。

想象一下，未來的某一天，機器可以運用人設定的程序發(fā)展出各種可能性，開始真正意義上的自我認識和自我否定，能夠有目的的自我修正，并且不斷意識到自已的無知而突破自我，正如阿爾法狗在圍棋領域所展現(xiàn)出的無限可能性一樣，此時，這種個性化的精神形成也許就是革命性智能的伊始吧！