【人机智能难于融合的主要原因就在于时空和认知的不一致性，人处理的信息与知识能够变异，其表征的一个事物、事实既是本身同时又是其他事物、事实，一直具有相对性，机器处理的数据标识缺乏这种相对变筽化性。更重要的是人意向中的时间、空间与机形式中的时间、空间不在同一尺度上（一个偏心理一个侧物理）；在认知方面，人的学习、推理和判断随机应变，时变法亦变，事变法亦变，机的学习、推理和判断机制是特定的设计者为特定的时空任务拟定或选取的，和当前时空任务里的使用者意图常常不完全一致，可变性较差。】

一、引言

    人机融合智能是一种新型智能形式，它不同于人的智能、也不同于人工智能，是一种跨物种越属性结合的下一代智能科学体系。如果说真就是Being，善就是Should，美就是Being+Should的融合；假设机就是Being，人就是Should，那么人机就是Being+Should的融合。同时，人机融合智能也是东西方文明的共同结晶体现。

    一般而言，东方文明对于智能的追求永远是“反求诸己”，企图打破人自身思维的界限而达到超越性的智慧；西方则是追求借助外力计算实现超越，计算即要求有穷，或者至少极限存在being，函数收敛。而针对无穷发散式的问题，也就是should的问题，人工智能很难跨出聚合这一步，而人机融合智能则能跨出这一步：人的意向性可以灵活自如地帮助人机协调各种智能问题中的矛盾和悖论。

    表面上，人机融合智能问题是一个现代科学技术问题，同时也是一个古老的伦理问题。伦，有四种解释：1辈，类。2人与人之间的关系。3条理，次序。4姓；伦理，就是指的就是人与人以及人与自然的关系和处理这些关系的规则。人们往往把伦理看作是对道德标准的寻求。道德是后天养成的合乎行为规范和准则的东西。它是社会生活环境中的意识形态之一，它是做人做事和成人成事的底线。它要求我们且帮助我们，并在生活中自觉自我地约束着我们。假如没有道德或失去道德，人类就很难是美好的，甚至就是一个动物世界，人们也就无理性无智慧可言。伦理道德的最现实作用就是使人对事物产生价值观，而这价值观恰恰是产生意向（should）和存在（being）的主要源泉，意向性是意识的基础、存在是规律的反映，人类智能的根本就在于此：“德化情，情生意，意恒动。”“意恒动，识中择念，动机出矣。”。

道德中的道是道路，德是得到，道德就是通往得到的道路；仁是人，义是应该。仁义道德就是人应该走向获得的路！实际上是感知觉的一种深度概念抽象加工，是一种直觉化了的认知框架结构，是一种无意识化了的深度态势感知，即符合内在道德要求的为刺激—反应快模式，而不是理性的刺激—选择—反应慢模式。

    传统逻辑学规范的对象是一种可自控的推理活动。作为对于逻辑学奠基于伦理学之上的一个基本论证，皮尔士强调：“就其一般特征来看，推理现象类似于那些道德活动的现象。因为，推理本质上乃处于自控状态下的思想，正如道德活动乃处于自控状态下的活动一样。实际上，推理是受控活动的一种，因此必然带有受控活动的本质特征。虽然由于教士专门负责让你们记住，推理现象并非像道德现象那样为你们所熟知，但是，如果你们关注推理现象，你们可以很容易看到，一个得出理性结论的人不仅认为它是真的，而且认为每一类似情况下的推理同样正确。如果他没有这样认为，他的推断就不能称为推理。它不过是他心中出现的一个想法，他无法抗拒地认为它是真的。而由于没有经受任何检查或控制，它并不是被有意认可的，并不能称为推理。”这里核心的论证结构是：任何可判定好坏的行为都必须是可自控的，逻辑学以区分推理好坏为主要任务，所以作为逻辑规范对象的推理必须是可自控的活动。作为人造的机器、机制而言，其本质必然是可自控的活动结果，而人的则未必完全是逻辑自控的，人机融合智能更不是逻辑的自控推理活动。

二、认知不是计算

目前的人工智能仍然是以计算机为中心，并没有实现人们所希望的“以人为中心”之认知。如何把人类认知模型引入到人工智能中，让它能够在推理、决策、记忆等方面达到类人智能水平，是目前科学界讨论的热点、难点和焦点。

认知的核心是智能，是洞察事物，而智能和洞察的核心是心理，人工智能的核心是数理，心数不正（一致），何谈相似？！单纯的机器，无论是学习还是智能都是没有感情的，而人的理性表面上类似机器，其实这种理性是建立在情感意志等底层之上的，是一种知、情、意融合的心智体，例如人许多记忆一涉及到“我”就会变得又快又好，这种邻近性智能产生的机理就包含情感化。鉴于人机融合的是心理+数理的同理共情，因而能够实现认知与计算的可能结合。正如一位朋友所言：除非有人以确凿的证据向我们证明如何按照非定域原理把精神意识引入了某个人工系统，不管该系统的可观察行为与人类行为多么相似，我们都不能认为该系统真的具有了精神意识，没有了精神意识，再厉害的计算也产生不了认知和洞察。爱是人类一种独特的界面，可以无限地由内而外扩展自己与外部世界交互的界面，这也是机器还不能产生的一种界面。

世界上的事物本身是不能定义解释说明自己的，只能用其他事物去定义解释说明它，但是这些事物本身有不一致，既有相似之处，又有不同的地方，所以比喻、类比都不是精确的，而是近似的，正是由于这些近似性，构成了各种可用的概念、观念、习俗、常识、表征、交流和通讯，而当前计算的源泉----数学本身也是近似的，具体可参见那些公理、假设、条件、约束、边界、规定等，然而，现在的不少数学家或者人工智能学者们竟然忽略了这些数学的近似，人为视为精确、客观、绝对，用一个个有着先天局限性的公式、方程、范式、推理、计算去完成不可能完成的技术工作，进而造成自动化、智能化程度越高，人们的认知/心理负荷越重的悖论，究其因，是把不完美的有限错觉成了完美的无限之故吧！

    人是在与人、物的交互中逐步形成自我的，包括亲人、声音、事物、纸笔、……交互、融合是智能的源泉，也是帮助我们思考的工具，从语言到手机，也许都是认知本身的一部分。一方面，我们的认知总是在与这个世界发生着融合；另一方面，被误用的计算有可能会影响我们的认知。1968年图灵奖获得者理查德·哈明说过：“计算的目的不在于数据，而在于洞察事物。“人们认知中的觉知／意识被延展到了外部世界，并时常与很多设备计算交织在了一起。冥冥中，也许真是各种生活体验塑造了我们对真实世界的期待和希望。

表面上，人工智能在搜索、计算、存储和优化领域比人类有更高效的优势，其实不然。例如，当一个或多个目标出现时，你会很难立刻形成正确或有效的态势感知的，只有态势演化进入到适当的时空、程度时，人才能形成良好的态势认知状态。据此，我们不妨把态势感知这一认知机制分为预启动期、发展期、实现期、深度期、衰退期、结束期……期间可视注意力集中程度为调节态势感知不同时期的主要手段。态势感知这种认知行为一般由两部分构成，一是无机部分，即对诸符号的形式化处理；二是有机部分，涉及理解、解释、思维等心灵方面的意向性分析。无机的部分可以用计算的方式优化，而有机的部分用认知处理比较理想，如下面这些情境，用计算很难表征而用认知则相对比较容易分析：态静势动、态动势静、感动知静、感静知动、态多势少、态少势多、感多知少、感少知多、态虚势实、态实势虚、感虚知实、感实知虚。态势的态势就是深度态势，感知的感知就是深度感知，态势感知的态势感知就是深度态势感知。所有的人机交互都是为了人人交流或自我认知而为，机就是一种媒介或一种工具，使得自己与他人互相作用的更有效便利舒适。 人工智能模拟的是人的思维，而思维根本上就是各种交互中人的心理活动和过程，思维活动相对稳定了，就形成了某种思想。所以人工智能中的人之心理比起计算方法、计算能力、计算数据来更重要更本质更彻底，人工智能之源是人，而不是工，若说当前的人工智能界本末倒置，是一种工人智能、偷懒智能恐怕不为太过吧！

认知和计算之间的关系有时被抽象为事实与符号之间的描述刻画（描画）关系或映射关系，实际上是赋予命题符号以意义的过程的一个方面，即意指。一个命题符号，在我理解它之前，于我而言，它还是死的、没有生命的。理解与意指过程在某种意义上说是相反过程，意指是指从事实到思想，再到命题符号；理解则是从命题符号到思想，再到事实。

从哲学高度来看，认知是啥？感性的素质；计算是啥？理性的修养。一般而言，艺术是培养训练感性素质重要的手段，科学技术是发展延伸理性修养的主要途径。大多数现实世界的感性理性互动都涉及隐藏信息，而大多数的人工智能研发恰恰都忽视了这一点。”蒙特利尔大学的Yoshua Bengio是深度学习的先驱者之一，他在一封电子邮件中写道：“学习使用的估计模型与现实之间依然存在着巨大差异，尤其是现实情况很复杂的时候。”因此，以数理计算为核心的人工智能的进步之途依然漫长……就像有句话说的：只有计算才分对错，而认知则没有标准答案。本能就是在没有预见的情况下能够产生某种结果，并且也不需提前训练就能完成的行动能力。美国第一任心理学会会长威廉.詹姆斯似乎认为本能的结构方面是模块化的。各个本能之间都独立负责某种简单行为，但同时它们之间也协同工作。机器的计算到目前为止还远远没有本能，所以人与机在决策方面最大的差异在于有无压力及风险大小的认知。从长远看，人工智能们应该学会如何合作辅助人类，形成人机融合的新智能体。

有人认为：“目前人和机器之间的信息传递效率仍然非常低，远未能实现真正意义上的人机协同、互相促进。要实现人机协同的混合智能，需要解决的第一个难题就是人和机器之间的交互问题。”仔细想来，这并不能算是人机融合的主要矛盾和核心问题。人机融合的瓶颈不是简单的交互问题，而是认知与计算的结合问题，1972年图灵奖获得者埃德斯加·狄克斯特拉说过：“程序测试智能用来证明有错，决不能证明无措“。波兰尼也曾断言：“知识的取得，甚至于‘科学的知识’的取得，一步步都需要个人的意会的估计和评价。” 物理学领域，量子论的创立，使人们对主客体关系的认识发生了根本性的变化。在量子世界中，科学主体与客体之间已经不像在宏观世界那样有着绝对分明的界限，而是像玻尔所说的那样：“我们既是演员，又是观众”。与此相关，海森堡也明确指出：几率函数运动方程中包括了量子运动与测量仪器（归根到底是人）相互作用的影响，这种影响也成了不确定性的重要因素。玻尔所说的演员和观众的关系，其含义是科学认识主体和客体之间，存在一个主体客体化，客体主体化的过程。主客体相互转化、相互包含的结果，也就具有了波兰尼所谓的“双向内居”的关系。在人机融合的智能时代到来前的黎明，计算也悄悄主动靠向了认知，正如1966图灵奖获得者艾伦·佩利所言：“任何名词都可以变为动词“。对此，1971图灵奖获得者约翰·麦卡锡也表现了积极的认同：“与所有专门化的理论一样，所有科学也都体现于常识中。当你试图证明这些理论时，你就回到了常识推理，因为常识指导着你的实验。“从中，我们不难看出：认知里的常识恰恰是被计算所过滤掉的精华。

人类在常规拓扑方面的直觉相对有限，高维情形很难建立起来具体的想像力，唯一能够把握的只有严格的数学推导计算加上活泼的心理抽象认知。只有这样逻辑和非逻辑空间才能相融共生，形成合力去破解大自然提出了一个比一个难以回答的诸多问题，才能处理那些“令我们深陷困境的不是那些我们不懂的事情，而是那些我们自以为理解的事情。”

简而言之，认知不是计算，计算却是一种认知。

三、机器学习不是人工智能，也不是人的智能

我们知道的远比我们说出来的要多得多，我们不知道的远比我们知道的要多得多，我们不知道我们不知道的远比我们不知道的要多得多……

    对人而言，大道无形的道是碎片的、流性的……所以正是零碎的规则、概率、知识、数据、行为构成了人的智能，即在千奇百怪的日常异构活动情境中生成演化出来的。人智，从一开始就不是形式化、逻辑化的，而且人的逻辑是为非逻辑服务定制的，机器则相反，从一开始就是条理化了、程序化的，也是为人的非逻辑服务的。

本质上，数据的标记与信息的表征不同之处在于有无意义的出现，意义即是否理解了可能性。机涉及的表征体系虽然是人制定赋予的，但一诞生就已失去了本应的活性，即意向性参与下的各种属性、关系灵活连接和缝合，而人的诸多表征方式则常常让上帝都不知所措：一花一世界，一树一菩提。知识图谱的欠缺就在知识的分类，它僵化了原本灵活着的知识表征，使之失去了内涵与外延弥聚的弹性，就像职称评定一样……，用有限表现无限是美，把无限用有限诠释出来是智（真），连接两者的是善（应该、义）。

    如果说机器的存储是实构化，那么人的记忆就是虚+实构化，并且随着时间的推移，虚越来越多，实越来越少，不仅能有中生无，甚至还可以无中生有，就像各种历史书中的传奇或各样的流言蜚语一样。更有意思的是人之记忆可以衍生出情感—--这种对机器而言匪夷所思的东东。

    人的学习过程大多数不仅是为了获取一个明确的答案，更多的是寻找各种理解世界发现世界的可能方式。而机器的“学习”（如果有的话）“目的”不是为了发现联系，而就是为了寻求一个结果。

    智能的根本不是算，是法，是理解之法、之道！理解是关键。NLP不先解决理解问题，只追求识别率，是不会有突破的。其实人对声音的识别率是很低的，经常要问别人说了啥。能问别人说了什么是最关键的能力，因为知道没有理解才能问出问题。很多系统的理解最终靠人，如果没有人参与，不管处理了多少文字，都没有任何理解出现。目前的人工智能缺失的是：对人感性层面的仿生不够完善，因此无法完全了解人做决策的生理与心理机制。言下之意，只有人工智能做到像人一样去感受外部的世界，并用处理器做人一样的理性思考，从内至外地模拟和学习人类，这样的人工智能才是完善的。

    博弈理论家鲁宾斯坦发表了文集《语言与经济学》，其中一篇论文里，鲁宾斯坦用一个博弈模型说明“辩论”对不参与博弈的旁听者有非常大的好处，因为辩论使得双方不得不将“私有”的信息披露给旁听的人。他的数学推导在我看来大致上没有超出我的哲学论证的范围。他的看法是：“数学方法可能遮蔽了深刻洞察。” 而人的直觉性统觉，其载体是有机体的感觉器官，已经包含着有机体对各种关系的理解。只是为了要把这种理解固定下来，形成“记忆”，人类才需要另一种能力的帮助，那就是“理性”能力。在理性能力的最初阶段，便是“概念”的形成。概念就是一种界限、约束、条件，在不同的情境下，这些界限、约束、条件会发生许多变化，甚至会走向它的对立面……这也是为什么智能难以定义，有人参与的活动里会出现各种意外的原因吧！曾几何时，叔本华曾指出：“在计算开始的地方，理解便终结了。”因为，计算者关注的仅仅是固定为概念的符号之间的关系，而不再是现实世界里发生着的不断变化着的因果过程。与“概念”思维的苍白相对立，关于“直觉性理解”的洞察力，叔本华也有如下精彩的论述：“每个简单的人都有理性，只要告诉他推理的前提是什么就行了。但是理解却不同，它提供的是原初性的东西，从而也是直觉性的知识，在这里出现了人与人之间天生的差别。事实上，每一个重大的发现，每一种具有历史意义的世界方案，都是这样的光辉时刻的产物，当思考者处于外界和内在的有利环境里时，各种复杂的和隐藏着的因果序列被审视了千百次，或者，前所未有的思路被阻断过千百次，突然，它们显现出来，显现给理解。”在这一意义上，目前的全部计算机智能，只要还不是基于“感官”的智能，在可看到的未来，就永远无法获得我们人类这样的创造力。这里，“感官”是指对“世界”做直接感知的器官，有能力直接呈现表征世界图景的器官，而不是像今天的计算机这样，需要我们人类的帮助才可以面对这个世界“再现”什么。钱学森说：“人体作为一个系统。首先，它是一个开放的系统，也就是说，这个系统与外界是有交往的。比如，通过呼吸、饮食、排泄等，进行物质交往；通过视觉、听觉、味觉、嗅觉、触觉等进行信息交往。此外，人体是由亿万个分子组成的，所以它不是一个小系统，也不是一个大系统，而是比大系统还大的巨系统。这个巨系统的组成部分又是各不相同的，它们之间的相互作用也是异常复杂的。所以是复杂的巨系统。” 实际上，当前的人工智能只使用了人类理性中可程序化的一小部分，距离人类的理性差距还很大，更不要说初步接近人类更神奇的部分--感性了!

伽利略说过:数学是描述宇宙的语言。事实上，准确地说应该是: 数学是描述宇宙的语言之一，除此之外，还要许许多多的描述方式存在着，这也是智能科学面临的问题: 该如何有效地融合这些不同语言的语法语义语用呢？! 对于多元认知体系来说，共性认知成分稀缺而重要，数学是这方面的一种尝试，用以描绘对象间的关系（但非仅有）。如果换了一种文明，它们的描绘方式不同，形式自然不同。数学不是究竟，只是对实相某个方面的陈述，类似盲人抚摸象腿的感受。数学和诗歌都是想像的产物。对一位纯粹数学家来说，他面临的材料好像是花边，好像是一棵树的叶子，好像是一片青草地或一个人脸上的明暗变化。也就是说，被柏拉图斥为“诗人的狂热”的“灵感”对数学家一样的重要。举例来说，当歌德听到耶路撒冷自杀的消息时，仿佛突然间见到一道光在眼前闪过，立刻他就把《少年维特之烦恼》一书的纲要想好，他回忆说：“这部小册子好像是在无意识中写成的。”而当“数学王子”高斯解决了一个困扰他多年的问题 (高斯和符号) 之后写信给友人说:“最后只是几天以前，成功了（我想说，不是由于我苦苦的探索，而是由于上帝的恩惠），就像是闪电轰击的一刹那，这个谜解开了；我以前的知识，我最后一次尝试的方法以及成功的原因，这三者究竟是如何联系起来的，我自己也未能理出头绪来。”再如奖惩是机器增强学习的核心机制，而人的学习在奖惩之间还有其他一些机制（适应，是主动要奖励／惩罚还是被动给奖励／惩罚），如同刺激——反应之间还有选择等过渡过程。另外，人类的奖惩机制远比机器简化版的奖惩机制复杂的多，不但有奖奖、惩惩机制，甚至可以有惩奖机制，给予某种惩罚来表达真实的奖励（如明降暗升），当然，明升暗降的更多。人类的那点小心思，除了二进制，机器们目前继承的还不太多。

在川流不息的车流中穿行而全身而退，就是人机态势协同的经典情境。

人的学习与机器学习最大的不同在于是否是常识性的学习，人在教育或被教育时，是复合式认知，而不仅仅是规则化概率性输入。人的常识很复杂，扎堆的物理、心理、生理、伦理、文理…… 既包括时间空间的拓扑，也包括逻辑非逻辑的拓扑。人既是动物，也是静物。机也如此，但其动、静与人的还是有差异。 人机融合学习、人机融合理解、人机融合决策、人机融合推理、人机融合感知、人机融合意图、人机融合智能才是未来发展的趋势和方向。

人有一种能把变量变成常量，把理性变成感性，把逻辑变成直觉，把非公理变成公理，把个性一变成共性多，把对抗生成妥协的能力。例如人不但可以把how用程序化知识表征，还可以把why用描述性知识表示，至于what、where、when这些问题让机器辅助检索即可。无论人的自然智能还是人工智能最后都涉及价值取向问题，可惜机器在未来可见的未来内远远不会有之。如果说价格是标量，价值是矢量，那么也可以说数据是标量，信息是矢量，机器是标量，人是矢量。若数据是标量，信息是矢量，知识就是矢量的矢量，究其因，数据终究是物理性的，本身没有价值性，信息是心理性的，具有丰富的价值取向。

目前主流人工智能理论丧失优势的原因在于，它所基于的理性选择假定暗示着决策个体或群体具有行为的同质性。这种假定由于忽略了真实世界普遍存在事物之间的差异特征和不同条件下人对世界认识的差异性，导致了主流理论的适用性大打折扣，这也是它不能将“异象”纳入解释范围的根本原因。为了解决该根本问题，历经多年发展，许多思想者已逐渐明晰了对主流智能科学进行解构和重组的基本方向，那就是把个体行为的异质性纳入智能科学的分析框架，并在理性假定下个体行为的同质性作为异质性行为的一种特例情形，从而在不失主流智能科学基本分析范式的前提下，增强其对新问题和新现象的解释和预测能力。即把行为的异质性浓缩为两个基本假定:一、个体是有限理性的，二、个体不完全是利己主义的，还具有一定的利他主义。心理学、经济学、神经科学、社会生态学、哲学等为智能科学实现其异质性行为分析提供了理论跳板和基础。 简单可称之为人异机同现象，未来的智能应该在融合了诸多学科新一代数（信）息学基础上成长起来，而不是仅仅基础在当前有着诸多不完备性的数学基础之上。

新手对抽象枯燥的信息无感，