導語：近年來，隨著科學技術的發展，人工智能取得了顯著成果，但依然沒有突破性進展。人機融合智能是未來人工智能的發展方向。本文闡述了對人機融合智能的幾點思考，首先簡要介紹人工智能的起源，提出未來人工智能的發展方向是人機融合智能，并對人機融合智能的相關概念進行了闡述；接著分析了現今人機融合智能面臨的困難；最后提出了人機融合智能的探索方法，即深度態勢感知，并嘗試著建立了人機融合智能理論框架。
一、人工智能的起源與未來發展方向
人工智能（AI）真正起源于歐洲，最初形態是以哲學、數學的形式表現出來的，如古希臘哲學中的“我是誰？”、萊布尼茲數學里的“普遍文字 理性演算”等。1956年的達特茅斯學院暑期論壇根據英國一位數學家的想法提出了人工智能（AI）的概念。此后六十年來人工智能隨著機器學習、數據挖掘、深度學習等技術的發展取得了顯著的進步。在這期間人工智能產生了三大主流理論思想，分別是以神經網絡為代表的聯結主義、以增強學習為代表的行為主義和以知識圖譜(專家系統)為代表的符號主義。最近，美國國防部先進技術局DARPA基于技術特征對AI技術發展階段的分析判斷，認為AI已經歷第一波和第二波浪潮，將迎來第三波浪潮：第一波AI技術浪潮開始于上世紀60年代初，以“手工知識”為特征，通過建立一套邏輯規則來表示特定領域中的知識，針對嚴密定義的問題進行推理，沒有學習能力，處理不確定性的能力很弱。第二波AI技術浪潮開始于上世紀60年代末，以“統計學習”為特征，針對特定的問題域建立統計模型，利用大數據對它們其進行訓練，具有很低程度的推理能力，但不具有上下文能力。第三波AI技術浪潮以“適應環境”（上下文自適應）為特征，可持續學習并且可解釋，針對真實世界現象建立能夠生成解釋性模型的系統，機器與人之間可以進行自然的交流，系統在遇到新的任務和情況時能夠學習及推理。AI的持續自主學習能力將是第三波AI技術浪潮的核心動力[9]。在此基礎上，我們經過思考和分析，認為第四波AI技術浪潮會以“主動適應環境”（更大范圍的上下文自適應）為特征，具有可持續學習 不可持續學習并且可解釋 不可解釋，針對真實 虛擬世界現象能夠生成主動適度解釋性的模型系統，機器與人之間可以進行自然的深度交流，系統在遇到新的任務和情況時能夠實現人機互學習及互推理。人機融合中的主動性互學習互理解互輔助……互助融合能力將是第四波AI技術浪潮的核心動力。客觀地說，人工智能只是人類智能可描述化、可程序化的一部分，而人類的智能是人、機（物）、環境系統相互作用的產物。智能生成的機理，簡而言之，就是人物（機屬人造物）環境系統相互作用的疊加結果，由人、機器、各種環境的變化狀態所疊加衍生出的形勢、局勢和趨勢（簡稱勢）共同構成，三者變化的狀態有好有壞、有高有低、有順有逆，體現智能的生成則是由人、機、環境系統態、勢的和諧共振大小程度所決定的，三者之間具有建設性和破壞性干涉效應， 或增強或消除，三位一體則智能強，三位多體則智能弱。如何調諧共頻則是人機融合智能的關鍵。當代人工智能由最初的完全人工編譯的機器自動化發展到了人工預編譯的機器學習，接下來的發展可能是通過人機融合智能的方法來實現機器認知，最終實現機器覺醒。二、人機融合智能面臨的困難
“智能”這個概念就暗含著個體、有限對整體、對無限的關系。針對智能時代 的到來，有人提出，“需要從完全不同的角度來考慮和認識自古以來就存在的行為時空原則”，如傳統的人、物、環境關系等。當人們進行一段智能活動時，一般都會根據外部環境的變化進行關鍵點或關鍵處修正或調整，通過局部與全局的短、中、長期優化預期，實時分配權重于各種數據信息知識處理，更多的是程序化 非程序化混合流程。而機器智能則很難實現這種隨機的混合應變能力，確定性的程序化印記比較突出，像“阿爾法狗”（AlphaGo）/ 元 /star 這樣比較優秀的智能系統，主要贏在邊界明確的計算速度和精度上，對于相對開 放環境下的博弈或對抗則沒有在封閉環境下表現得那么好，甚至會很不好。真正的智能不僅僅是適應性，更重要的是不適應性，進而創造出一種新的可能性，智能很可能不是簡單的地順應、適應，更重要的是不順應、不適應，進而創造出一系列新的可能性：自由、同化、豐 富、改變、獨立。圖靈機的缺點是只有刺激-反應而沒有選擇，只有順應而沒有同化機制。世界是由聯系構成的還是由屬性構成的？這是一個值得思考的問題。應該是由兩者共同構成的吧！《道德經》第四十章中說“反者道之動；弱者道之用。天下萬物生于有，有生于無”，這一句話正是這種思想的集中體現，這里說到“反者”相對于“正者”，也有“往返” 的意思；而“弱者”是相對于“強者”，有了反者才有正者，這叫作陰陽。反者道之動，在這里用一句非常講究的話來說明“道”，就是 “一陰一陽之謂道”。弱者，強者都是陰陽。有了陰陽道才能動，才有相互作用。信息化本質是計算事實，智能化則是認知價值。從數據到信息到 知識（結構）是認知計算，從知識到信息到數據（解構）是計算認知。若把智能看成語言，那么人工智能像是語法，人類智能更像是語義、語用。語法基于規則、統計和概率，而語義語用則是基于一種人們之間使用有意義元素組成的約定，潛意識里的約定俗成比語法更為跨界、靈活，而且人們目前對它的規律還未形成有效的規則認知，于是它便成了復雜性事物。符號化是規范性語法的表征，情境化是自然性語義的依據。個境與群境有還原成分，也有新異元素，理解智能的難點之一就是內外一多共存的交織干擾和影響。把任何時間、地點、信息送給任何人轉變為在恰當的時間、地點、方式信息送到恰當的人手里就是智能的表現形式之一。在全局，人是機的升維，機是人的降維；在局部，則反之。因為全局涉及的是異構事物、非家族相似性；而則局部相反。對人類的智能系統而言，圍棋的作用還僅僅是局部的局部。人工智能的最底層技術是二極管的0、1 二元邏輯，人類智能的最底層技術是人的多元意向（非邏輯）。人類智能則是藝術，人工智 能主要是技術。人工智能就是一個工具，很多人卻把它當成了萬能的鑰匙，更有人把它想象成了無所不能的孫悟空和圣誕老人，而忽略了人的智慧的作用。人類智能是一種涉及感性（尤其是勇敢）更多的智 能，在緊急態勢迅速變化時，一個人由情感而非思維支配，因而理智需要喚起勇氣素質，繼而在行動中支撐和維持必要的理智，在人類智能中，我們往往可以看到有序/無序之間的創造性張力，如在很多情境下，你所看到的同一事物（如蘋果或1 小時）往往不同，主動看、被動看、半主動看都不一樣。人工智能常常容易形成的偏見，從規則的知識圖譜中提取出先驗和常識，并將之作為約束條件引入生成模型，可能會讓智能程序的運行大打折扣，所以，如何把人的模糊感知、識別與機器的精確感知、識別結合將是一個非常值得思考的問題。1、人機認知不一致性問題
人機智能難于融合的主要原因就在于時空和認知的不一致性。人處理的信息與知識能夠變異，其表征的一個事物、事實既是本身同時又是其他事物、事實，一直具有相對性，而機器處理的數據標識缺乏這種相對變化性。更重要的是人對時間、空間的認知是具有意向性的，是具有主觀期望的（should），而機器對時間、空間的認知是偏向形式化的，是客觀存在的（being）。二者不在同一維度上，所以具有很強的不一致性。人的認知是側重于心理層面的，是主觀的，而機器的認知是偏向于物理層面的，是客觀的。在認知方面，人的學習、推理和判斷隨機應變，時變法亦變，事變法亦變，而機器的學習、推理和判斷機制是特定的設計者為特定的時空任務擬定或選取的，和當前時空任務里的使用者意圖常常不完全一致，可變性較差。這種不一致性既包括人的主觀預期與機器的客觀數據反饋的不一致性，也包括人的主觀預期與客觀事實的不一致性。許多事物表面上看是非邏輯的問題，如以弱勝強的許多案例，其實從實質上看是邏輯問題，這些以弱勝強里的弱是相對的，在局部卻經常以強勝弱，所以非邏輯里包含著許多邏輯關系。同樣，不少邏輯問題里也存在著非邏輯問題，如順理不成章的一些案例，表面上順理，實際上這些理是變理，是不完備的道理，是有前提邊界條件約束的，當這些諸多前提邊界條件約束發生一些微小改變時，自然就成不了章了。由此可見，邏輯與非邏輯共存于事物之中，也是有序與無序的根源，其中的交互與組織就是人機融合智能研究重點，也是人機融合智能的難點。人機融合的另一個關鍵問題是公理與非公理混合推理的融合，直覺與理性結合的決策。公理是數學發展史中的理論基礎，而在科學研究過程中邏輯推導是最為核心的方法。同樣，計算機的運行過程依舊是按照嚴密的算法語言運行的。但是人類的決策不同于這個過程，人類的聯想能力還依賴于類比推理。類比推理為非公理推理的一部分，非公理推理決定了在弱態勢情況下的強感知問題。這種學習方法依賴于先驗知識，通過利用大數據與概率的方法實現，而實現機器的非公理推理是人與機器的區別之一，更是人的情感在機器上實現的重要途徑。通過先驗知識人類產生直覺，而理性的分析是直覺的對立面。機器總是在理性地處理數據，而如何讓機器產生直覺能力是人機融合的平滑性的關鍵。公理與非公理推理，直覺與理性的結合決策將是解決人機融合智能輸出的重要研究方向[1]。2、意向性與形式化問題
英國的計算機科學家、人工智能哲學家瑪格麗特博登，她很早就提出了人工智能的核心和瓶頸在于意向性與形式化的有機結合，時至今日仍未有突破，實際上這也是人機融合智能的困難之處。在目前投入應用的人機融合產品中，人與機器分工明確，但并未有機地結合。人類能夠在環境信息、資源不完備的情況下對態勢的發展作出更好的預測，這是因為人類在后天的學習中可以不斷地增強自身的認知能力。機器不具有聯想能力，而人類恰恰可以通過聯想產生跨領域結合的能力。所以怎樣使機器產生聯想能力是實現真正智能的關鍵所在。意向性是對內在的感知的描述（心理過程、目的、期望），形式化是對外在的感知的描述（物理機理、反饋）。人機融合智能及深度態勢感知就是意向性與形式化的綜合。形式化更多的是傾向于讓人們對事物有一個直觀的空間上的認知，而把這種空間上的認知延伸到時間上描述，就是意向性。形式化是態，那么意向性就是勢。人機融合就是要形成一個對內在外在、主觀客觀、認知與行為上的感知的整體描述，形成一個可以描述人的心理過程、目的、期望以及機器的物理機理、反饋的模型。當前智能領域面臨的困難是人的意向性與行為的差異程度，行為可以客觀形式化，而意向性是主觀隱性化的，一個智能系統想要形成和存在，其內部的構件在本性或運行規律上就必須擁有既相互吸引又相互排斥、既靠攏又閃避、既結合又分離、既統合又脫節的能力。人機融合智能中意向性是聯結事實與價值的橋梁，形式化可以某種程度地實現這種意向性。3、休謨之問的倫理問題
人機融合智能的最后一個關鍵問題是倫理問題。人類價值觀的起源是倫理學。人類本身擁有很多倫理道德困境，人工智能的出現也帶給了人類對待人工智能倫理問題的思考。與此同時，人機融合只能倫理問題的關鍵之一是人機融合智能的范疇歸屬。人機融合智能的倫理問題包括人工智能的倫理以及人機融合后的責任歸屬，這也是人機融合智能在接下來發展的問題之重。“休謨問題”說的是從事實推不出價值來，可是，這個世界卻是一個事實與價值混合的世界，不知從價值能推出事實嗎？漢字就是智能的集中體現，有形有意，如日月人，一目了然；西方的文字常常無形無意，邏輯類推。智能的本質就是把意向性與形式化統一起來， 所以漢字從象形到會意的過程就是人類自然智能的發展簡史……漢字的偏旁部首就是一種類的封裝，把強相關的字聚在一起。如果說人類造字是語言表征的封裝積累，那么，人類造智則是思想意識的拓撲延展。 智能不是百科全書，而是包含不少的虛構和想象，不僅是分類，還要合類，不僅合并同類項，而且要合并異類項，因而，智能產品系統的頂層設計非常重要。 人工智能一般是邏輯（家族相似性）關系，人類智慧常常是非邏輯（非家族相似性）的。未來的智能是在特定環境下人的智能與機器智能的融合，即人機融合智能。人機融合智能不是人工智能，更不是機器學習算法。同樣，人工智能、機器學習算法也不是人機融合智能，人機融合智能是人機環境的相互融合，是《易經》中的知幾（看到苗頭）、趣時（抓住時機）、變通（隨機應）。人機融合智能是隨動，不是既定，其中的“知己知彼”中的“知”不是簡單的態勢“感知”，更是態勢“認知”。認知是從勢到態的過程，感知是從態到勢的過程。認知側重認，信息輸入處理輸出流動過程；感知側重感，數據信息的 輸入過濾過程，認知涉及先驗和經驗等過去的感知，所以態勢認知包 括了以前的態勢感知。人工智能是一把雙刃劍，計算越精細準確，危險越大，因為壞人可以隱真示假，進行欺騙，所以人機有機融合的智能更重要。客觀而言，當前的人工智能基本上就是自動化 統計概率，簡單地說，歸納演繹的缺點就是用不完備性解釋完備性。畢加索曾透露：“繪畫不是一個美學過程，而是……一種魔法， 一種獲取權力的方式，它凌駕于我們的恐懼與欲望之上。”看懂了畢 加索的作品，就能理解畢加索想要表達的“魔法”，并且把它化用到 生活中的其他領域，尤其是智能領域和人機融合智能領域。需要注意的是，休謨問題至今尚未真正得到解決。正因為“價值”是相對的，因人而異的，所以這一問題也永遠不可能真正得到解決，這一點已經在上一節中作出了論述。唯物主義者雖然想把唯物主義貫徹到精神領域，但這是永遠也不可能做到的。因為精神和物質，在本質上是完全不同的東西，一個是主觀，一個是客觀。就如同懷疑論者經常使用的“桶中腦實驗”（英國哲學家普南提出，有的版本也翻譯為“缸中腦”）描述的那樣，我們對于這個世界的認識，其實完全只是一種主觀的判斷，這種判斷和真實的“客觀世界”是否一致，我們永遠也不可能知道。雖然某些唯物主義者總喜歡用“無數次的實踐”來證明主觀與客觀理論上最終能達到這種一致性，但實際上，“無數次的實踐”是不可能做到的。所以說這只是一種空想罷了。三、人機融合智能的難點：深度態勢感知研究
態勢感知的定義不在此做贅述。態勢感知（situation awareness）一詞最早于第一次世界大戰中提出，之后在心理學領域中作為“情境意識“被廣泛應用，直到1988年Endsley對態勢感知的重新定義，以及其在1995年提出的著名的態勢感知三級模型[3]，標志著將態勢感知遷移到了工程學領域中，再到2003年Wickens提出的基于注意力的態勢感知模型（A-SA模型，Attention-SituationAwareness Model）[4]以及Hooey于2010年將態勢元素（Situation Element）[5]引入態勢感知研究中，標志著態勢感知研究由主觀數據驅動到客觀數據驅動，由定性分析到定量分析的過渡。近年來，隨著人工智能相關技術的迅猛發展，網絡態勢感知（CyberSituation Awareness）成為了網絡安全領域的研究熱點。態勢感知似乎成為了一種研究方法（method），而不是一個可以指導人們認識世界、改造世界的方法論（Methodology）。當前的態勢感知理論技術仍然存在很多不足，主要是未將人的心理活動過程與機器的外在表現形式以及環境中的態勢要素有機地結合。鑒于此，本文嘗試提出了深度態勢感知這個概念，具體說明如下：深度態勢感知的含義是“對態勢感知的感知，是一種人機智慧，既包括了人的智慧，也融合了機器的智能（人工智能）”，是能指 所指，既涉及事物的屬性（能指、感覺）又關聯它們之間的關系（所指、知覺），既能夠理解弦外之音，也能夠明白言外之意。它是在Endsley以主體態勢感知（包括信息輸入、處理、輸出環節）的基礎上，對包括人、機（物）、環境（自然、社會）及其相互關系的整體系統趨勢分析，具有“軟/硬”兩種調節反饋機制；既包括自組織、自適應，也包括他組織、互適應；既包括局部的定量計算預測，也包括全局的定性算計評估，是一種具有自主、自動彌聚效應的信息修正、補償的期望—選擇—預測—控制體系。關于深度態勢感知的詳細解釋請參見一文 [7] 。在維納出版的著作《控制論——關于在動物和機器中控制和通訊的科學》中，維納將控制論看作是對機器、生命以及社會的規律進行研究的科學，是研究個體(可能是生物，也可能是機器)在動態環境中怎樣保持穩態的過程的科學，控制論的思想和方法對社會科學與自然科學領域的研究產生了深遠的影響[8]。在《控制論》一書中，維納提出“控制的核心是反饋，反饋是人們的目的性行為”。然而，控制論在揭示機器的自然存在時不僅完全屏蔽了社會巨型機——它本身不過是其中的一個時段和一個成分，而且還完全屏蔽了組織生成性這個關鍵問題，而生成性則是除人造機之外一切物理、生物和社會機器所固有的稟性。事實上，把生命體特有的“目的性行為”概念用“反饋”這種概念代替，把按照反饋原理設計成的機器的工作行為看成為目的性行為，并未突破生命體（人）與非生命體（機器）之間的概念隔閡。原因很簡單，人的“目的性行為”分為簡單顯性和復雜隱性兩種，簡單顯性的“目的性行為”可以與非生命體機器的“反饋”近似等價（刺激—反應），但復雜隱性的“目的性行為”——意向性卻遠遠不能用“反饋”近似替代，因為這種意向性可以延時、增減、彌聚，用“反思”定義比較準確，但“反思”概念卻很難用非生命體的機器賦予（刺激—選擇—反應）。“反思”的目的性可用主觀的價值性表征，這將成為人機融合的又一關鍵之處。價值將由吸引子和動機共同構成。反思是一種非生產性的反饋，或者說是一種有組織性的反饋。自主是有組織的適應性，或被組織的適應性。據此我們將Endsley態勢感知三級模型和維納的“反饋”思想結合，提出了一個基于“反饋”的深度態勢感知模型深度態勢感知理論模型在不同情境下處理信息的方式會有所區別，并且以往關于態勢感知的研究都充分說明了態勢感知具有實時性，即態勢感知會隨時間而不停地更新、迭代。所以我們嘗試著對態勢感知進行細化，并提出了一個基于循環神經網絡（RNN）的深度態勢感知理論框架，如下圖所示：我們將態勢感知中的“態”定義為人機環境系統中的各類表征個體狀態的主客觀數據，即state；“勢”定義為事件的發展趨勢，即trend；“感”定義為對系統中“態”的覺察，即sense；“知”定義為對“勢”的理解。該理論框架就是為了輔助人們更好地“感態”、“知勢”。而為了獲取數據必然要引入客觀數據，根據之前的研究，我們可以將態形式化為顯著性，勢形式化為價值性，感為反應時，知為準確率。感態著重于時效性，而知勢更傾向于有效性。“我思故我在”，這是笛卡爾二元認知論的起點，也是終點，即唯一確定的事，就是“我”的體驗。根據認知科學的解釋，由于在大多數情況下人的認知能力是有限的，所以最優化是無法實現的。參與人還必須了解他的目標方程，這就要求另一個龐大的認知性先決條件，如同參與人發現他們所處的環境一樣，系統地描述這一目標方程是極其復雜的。知己知彼不可分，不知彼就不能知己，任何事物本身不能解釋自己，只有從其它參照物處才能感知、理解、發現、說明、定義自己（我是誰，我從哪里來，我要去哪），進而可以認為：自我是不存在的，沒有環境和參照物，自己解釋不了自己，如同“我”的概念定義不能為“我就是我”一樣。再進一步，自我意識也可能是不存在的，它也是交互的產物，只不過可以穿越時空邏輯關系罷了。實際上，所有的自主系統都是不由自主，只不過顯隱程度不同而已。之后笛卡爾將自己的哲學觀點形式化為著名的二元直角坐標系。鑒于笛卡爾的觀點，深度態勢感知虛實參照系可分為人機不同的態（事物）參照系、勢（事實）參照系、感（顯著）參照系、知（價值）參照系，當這些虛實參照系大部分一致，亦或沒有本質的矛盾時，才有可能產生正確的覺察和決策行為。只有在把一物與它物區分開來，才會對該物有了認知。只有把一個人的知識或信仰狀態與他人的區分開來，才會對一個人有了解。哲學上最難，也是最重要的任務之一，就是明確世界的兩類特征，即那些獨立于任何觀察者而存在的內在特征和那些相對于觀察者或使用者而存在的外在特征。例如一個物體有質量（無論對誰而言）與這個物體是浴缸（也可是水缸、飾缸、糧缸）。所以對深度態勢感知系統研究的下一步工作，就是將其具體應用到某一或某些情境中，檢驗其有效性和可靠性。四、結束語
也許很多人看過《黑客帝國》這部有關人工智能的科幻電影，其英文名稱為“Martrix”，即“矩陣”。的確，現在的人工智能相關技術（大數據、機器學習、深度學習等）是以矩陣論、概率論等數學理論為基礎發展而來的，并且為人們生產生活提供了便利，甚至一定程度上帶動了社會變革。人工智能所取得的成就得益于自17世紀以來400年間人們對數學的不懈追求，但現今人工智能所忽視的，也可能是幫助人們突破當今人工智能瓶頸的，恰恰是幾千年來對人們對世界的認知以及對自我反思的研究。所以如何將自然科學與社會科學有機地結合，是下一代人工智能技術的研究重點。人造的機器有存在但沒有自我。自我誕生于對自身存在的經常性的交互、組織和產生。產生不出主動性的交互和組織，就不是自主，就沒有自我，沒有自我，就不可能出現感己與感彼、知己與知彼，感性就聯系不上理性，客觀就不能形成主觀，事實就不能衍生出價值。智能，盡管是一種復雜系統問題，涉及面極廣，本質上仍就是主觀與客觀、感性與理性、意向性與形式化的對立統一（人機環境）系統而已。其核心價值依舊離不開基礎理論的突破，而不是數據、算法、算力和實驗。人機融合，不僅僅是造出更高級的機器、設計出更好的算法、獲得多么大的數據，而是人自身知性的改造，即思維邏輯的改造、重塑與變革。在浩瀚的宇宙中，人類渺小得不過滄海一粟，就像巨大矩陣中的一個元素。人工智能未來的極限在哪里，人機融合智能是否能讓機器突破自我認知這一瓶頸，一切都無從知曉。“It’s too early to tell”，下結論為時尚早。參考文獻:略
本文發表于《人工智能》雜志 2019.8
本站僅提供存儲服務，所有內容均由用戶發布，如發現有害或侵權內容，請
點擊舉報。
