本文转载自微信公众号“人机与认知实验室”(ID: 9h_9c3c1f805cb8)，作者 庄广大

 人工智能在各特定领域的应用越来越广泛，但随之而来的问题也逐渐凸显。人们对“智能“的期望越来越高，便不再满足于弱人工智能有限的能力。计算机发展到今天，算力已经大幅提升，量子计算机又会将算力提升几个数量级。于是我们转而思考人类智能的本质、来源，试图从认知神经科学等方面找灵感来理解意识，希望赋予人工智能自主意识。更为实际可行的方案是人机交互融合，充分让人的意识思考即算计与机的逻辑计算有机地结合起来，让机在融合中去学习理解人的算计能力。

人机融合智能仍处于起步阶段，便需要对其有更多的思考，包括现今发展的瓶颈、未来的发展方向和应用领域。人机又该如何有机融合？回看智能本身，东西方的智能发展方式差别很大。东方的文化哲学中隐喻更多，表达更委婉、内涵；而西方则推理归纳演绎更多，重视逻辑，遵守严格的因果律。东西方智能交界处也就是事实与价值的融合点，合确定性即事实与合目的性即价值的融合才是人的智能，也将是未来人机融合智能的关键。现代的人工智能等都是以西方的逻辑框架构建起来的，没有东方的这些非逻辑形式。东方的非逻辑与西方的逻辑结合才是人机融合智能的根本。就像在医学中，西医（现代医学）就以精准的逻辑式的思考为手段，直接找准病因、解决病源。当然这很有效果。中医理论便秉持将人体当成一个整体来整体调节的思想，所谓牵一发而动全身，更有大局观。中西医的区别是东西方文化、哲学以及智能差别的具体表现。西方的逻辑推演正是机器所擅长的，即计算；东方的中庸、辩证，以及价值取向正像是人的算计。人的算计与机的计算结合起来，即人机有机融合，才可以达到强人工智能的目标。

如何实现人机有机融合？早期出现在人机协同中的态势感知定义为人在一定空间和时间内对环境中各要素的感知、理解和预测能力。这是一个方向。我们接着在这个方向上深入，便有了深度态势感知，即融合人机智慧的对态势感知的感知。深度态势感知要求对人机环境作为整体进行系统性分析，既包括局部定量计算，也包括全局定性算计。全局算计即能更好地体现价值性。局部最优却不一定是全局最优，局部计算是要为整体算计服务。深度态势感知系统一如自控中前馈-反馈控制系统。依据外界环境的变化做出反馈是较为成熟的应用技术，计算机的逻辑计算已经可以做到反应迅速且准确；但是对环境尚未发生变化时的直觉洞察、经验利用、灵感想象等仍然需要人来做出决定，即一种对尚未发生的干扰的信息前馈。只有让人加入到系统中，才能将人的智慧即算计能力与机的计算相结合形成人机融合智能。人工智能即计算机的底层技术仍然是二极管的0-1二元逻辑，三极管、场效应管构成的放大、整流、运算、滤波等电路将电子设备更新换代，门电路到组合、时序逻辑电路再到大规模数字集成电路使得计算机的计算能力有大幅度跃升。即使是家喻户晓的AlphaGo ，下围棋已经碾压所有人类，但仍然只是会逻辑计算，离不开底层的0-1逻辑。在深度态势感知系统中，一样有着认知数据或认知信息的产生、传输、处理等过程。在对数据进行采样之后，滤波电路充当信号的筛选过滤器，使得指定的信号能顺利通过，而对其他信号进行衰减抑制，即可滤除噪声，提高信噪比。这一过程在系统中就是先利用经验进行初次筛选，直接滤除不合理信息，再对比正则化的信息进行信息权重分配，进而得到优化后的信息特征。以上也即系统的同化过程，通过对输入数据信息的采样、过滤等获取更有价值的信息。当外部环境变化超出系统的理解范围或者反应程度，系统将对本次的信息进行内化吸收为经验，添加到正则化内容，改变自身的认知结构，理解此次信息内容做出改变以应对客观环境变化，即为顺应过程。而平衡则是指系统通过同化与顺应，从一个平衡过渡到另一个平衡的过程。系统对数据进行采样、滤波后，便应对数据进行目的性计算，深度态势感知技术中的计算是动态的、非线性的，是在外部环境变化、系统输出的反馈和人的价值性认知的协同作用下的计算。一如自控系统中的非线性系统的部分线性化，该计算也只是对需要的信息进行计算。当然，深度态势感知系统中各成分（如人、机）、机内的各成分以及外界环境的干扰之间的竞争、冒险关系需要厘清。人机融合智能中重要的是理解，包括人的理解，对自身、对自然、对社会的理解。理解是思考后得出的结论或者顿悟。理解后便为智能，可以跨域迁移，能够对不同领域进行思考，让AlphaGo去做饭去治病救人才是我们对智能的期望与追求。深度态势感知下人、机、环境交互边便有了计算计，计算+算计。计算为逻辑清晰的、静态的、强调表征事实的、确定性方面，而算计则是模糊化的、动态的、追求价值实践的、非确定性方面，两者结合为计算计，即可达到动静、虚实的有机结合，进而实现人机融合智能。

基于贝叶斯、正则化计算计认知概略模型

贝叶斯算法就是结论随着新证据出现而不断改变，正则化就是把人类的知识以数学的形式告诉模型。不断获取新的信息，在最开始就利用正则化直接过滤一些无用的信息，比如与常识直接相悖的错误。然后对有用的信息进行权重配置，贝叶斯只利用主观概率来决定权重，现在可以结合人的思考习惯、常识等来决定信息权重。之后就是连续计算不断逼近准确结果。在得出一定结果后，可以继续与正则化信息进行比较，就是从人类的思考方式来进行反馈，包括价值、情感等因素。反馈后的结果再去影响信息权重，重新计算结果。既有逻辑从前往后的计算，也有以结果为导向的从输出到处理的算计过程，即计算+算计模型。这是对计算计理解并基于贝叶斯、正则化的概略模型，需要进一步深入细化。