智能是人、物、環境系統（為簡化起見，后面均以“人機環境系統”代替“人、物、環境系統”，并略去人、機，人、機、環境之間的頓號）相互作用的產物。正如馬克思所言：“人的本質不是單個人所固有的抽象物，在其現實性上，它是一切社會關系的總和。”[1]如狼孩盡管具有人腦的所有結構和組成成分，但因沒有與人類社會環境系統的交流或交互，所以不可能有人的智能和智慧。事實上，真實的智能同樣也蘊含著人、物、環境這三種成分。隨著科技的快速發展，其中的“物”逐漸被人造物——“機”所取代，本文簡稱為人機環境系統。平心而論，人工智能要超越人類智能，在現有數學體系和軟硬件設計模式基礎之上，基本上不大可能，但在人機一體化或人機環境系統中卻是有可能的。人工智能是邏輯的，智能則不一定是邏輯的。智能是一個非常遼闊的空間，它可以隨時打開異質的集合，把客觀的邏輯與主觀的超邏輯結合起來。 研究復雜性問題是困難的，但把它分解成人機環境系統問題就相對簡單一些，至少可以從人機環境角度去思考理解。研究智能這個復雜問題也是困難的，但同樣也可把它分解成人機環境系統問題分析處理，人所要解決的是“做正確的事（雜）”，機所要解決的是“正確地做事（復）”，環境所要解決的是“提供做事平臺（復雜）”。 智能是一個復雜的系統，既包括計算也包括算計，一般而言，人工智能（機器）擅長客觀事實（真理性）計算，人類智能優于主觀價值（情理性）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，最好使用人機混合智能。 一般而言，數學解決的是等價與相容（包含）問題，然而這個世界的等價與相容（包含）又是非常復雜的，客觀事實上的等價與主觀價值上的等價常常不是一回事，客觀事實上的相容（包含）與主觀價值上的相容（包含）往往也不是一回事，于是世界應該是由事實與價值共同組成的，即除了數學部分之外，還有非數之學部分構成，科學技術是建立在數學邏輯（公理邏輯）與實驗驗證基礎上的相對理性部分，人文藝術、哲學宗教則是基于非數之學邏輯與想象揣測之上的相對感性部分，二者的結合使人類在自然界中得以不息地存在著。 機器智能的核心是符號指向的對象，人類智能的核心是意向指向的對象，人機混合智能的核心是意向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。人機混合智能也許就是解決休謨之問的一個秘密通道，即通過人的算計結合機器的計算實現了從“事實”向“價值”的“質的飛躍”。 一、什么是人機混合智能 人工智能的優勢在于龐大的信息存儲量和高速的處理速度，但是無法處理如休謨之問，即從“是”（being）能否推出“應該”（should），也即“事實”命題能否推出“價值”命題；也無法處理情感的表征問題。人工智能嘗試通過大數據與逐步升級的算法實現人的情感與意識，但依舊沒有辦法實現跨越。 人工智能是一種返回修改模式，一組代碼解決一個問題，問題沒處理好，代碼自動返回，修改數據，代碼再執行。反復修改，也就是反復學習，這就是人工智能。當然，好的人工智能技術，在一定范圍內可以自己修改不足的模型，進而可以在一定程度上模擬人的具體能力，如人類的部分計算、邏輯推理能力，但它對人類“非家族相似性”的類比、決策能力還無能為力。所以人工智能中的“智能”并不是真的人的智能。 人工智能有限的理性邏輯和困難的跨域能力是其致命的缺陷。其無法理解相等關系，尤其是不同事實中的價值相等關系。人工智能也無法理解包含關系，尤其是不同事實中的價值包含關系（小可以大于大，有可以生出無）。人可以用不正規、不正確的方法和手段實現正規、正確的目的，還可以用正規、正確的方法和手段實現不正規、正確的意圖。人可以用普通的方法處理復雜的問題，還可以（故意）用復雜的方法解答簡單的問題。 從人工智能的特點及缺點中，我們不難看出：人的思維很難在人工智能現有的理論框架中得到解釋。那該如何做才有可能尋找到一條通往智能科學研究光明前程之路呢？下面我們將針對這個問題展開最底層的思考和討論。 人工智能之父圖靈的朋友和老師維特根斯坦在他著名的《邏輯哲學論》第一句就寫道：“世界是事實的總和而非事物的總和。”[2]其中的事實指的是事物之間的關涉聯系——關系，而事物是指包含的各種屬性，從目前人工智能技術的發展態勢而言，絕大多數都是在做識別事物屬性方面的工作，如語音、圖像、位置、速度等，而涉及事物間各種關系層面的工作還很少，但是已經開始做了，如大數據挖掘等。在這些眼花繚亂的人工智能技術中，人們常常思考著這樣一個問題：什么是智能？智能的定義究竟是什么呢？ 關于智能的定義，有人說是非存在的有，有人說是得意忘形，有人說是隨機應變，有人說是魯棒適應，一百個專家，就有一百種說法。實際上現在要形成一個大家都能接受的定義是不太可能的。但是，這并不影響大家對智能研究中的一些難點、熱點達成一致看法或共識，如信息表征、邏輯推理和自主決策等方面。 有了數據和信息之后，智能的信息處理架構就格外重要，到目前為止，有不少人提出了一些經典的理論或模型，如在視覺領域，視覺計算的創始人戴維·瑪爾（David Marr）的三層結構至今仍為許多智能科技工作者所追捧。瑪爾認為，神經系統執行類似于機器的信息處理。視覺是一項復雜的信息處理任務，旨在掌握和表達對我們有用的外部世界的各種情況。必須從三個不同的層面理解這項任務：a. 計算理論；b. 算法；c. 機制（表1）。 表1 瑪爾計算視覺的三層結構

計算理論	算法	機制
信息處理問題的定義，其解是計算的目標。這種計算的抽象性質的特點，在可見世界中找到這些屬性構成了問題的約束	研究用于執行所需計算的算法	完成算法的物理實體，由給定的硬件系統構建

當前，在解釋人類認知過程工作機理的理論中，由卡耐基梅隆大學教授約翰·羅伯特·安德森（John Robert Anderson）提出的ACT-R（Adaptive Control of Thought–Rational ，ACT-R）模型被認為是一個非常有前途的理論。該理論模型認為人類的認知過程需要四個不同的模塊參與，即目標模塊、視覺模塊、動作模塊和描述性知識模塊。每個模塊獨立工作，并由中央生產系統協調。描述性知識模塊和中央生產系統是ACT-R的核心。描述性知識模塊存儲個人隨時間積累的不變知識，包括基本事實（如“西雅圖是美國的城市”）、專業知識（如“設計高鐵交通信號控制系統的方法”）等。由于個人程序性知識存儲的中央系統，這些條件—動作(產生式)以規則的形式呈現，當滿足一定條件時，執行相應的觸發規則動作對應的模塊，永久保證認知過程模擬的各個個體模塊之間的接口。ACT-R是一種模擬和理解人類認知理論的認知架構。ACT-R旨在了解人類如何組織知識并產生智能行為。ACT-R的目的是使系統能夠執行各種人類認知任務，如捕捉人類的感知、思想和行為。 無論是馬爾的三層結構計算視覺理論，還是安德森提出的ACT-R理論模型，以及許多解釋和模擬人類認知過程的模型，都存在一個共同的缺點和不足，即不能把人的主觀參數和機器/環境中的客觀參數有機地統一起來，模型的彈性不足，很難主動地產生魯棒性的適應性，更不要說產生情感、意識等更高層次的表征和演化。當前的人工智能與人相比除了在輸入表征和混合處理方面的局限外，在更基本的哲學層面存在先天不足，即回答不了休謨問題。 從認識論的角度看，“should”是指在描述一個事物的狀態和特性的參數（或變量）的眾多數值中取其最大值或極大值，“being”是指從描述事物狀態和特性的參數（或變量）的眾多數值中取其任意值。從價值論的角度來看，“should”是指在描述一個事物的價值狀態和價值特征的眾多參數（或變量）中取其最大值或最大值，“being”是指在描述一個事物的價值狀態和價值特征的眾多參數（或變量）中取其任意值。“being”描述事物狀態和價值特征的許多參數（或變量）。 由于受偏好、習慣、風俗等因素的影響，即使是人類的認識論和價值論也經常出現非因果歸納和演繹，如嚴格意義上而言，從“天行健”這個事實（being）命題是不能推出“君子必自強不息”這個價值觀（should）命題的，但是隨著時間的延續，這個類比習慣漸漸變成了有些因果的意味。人工智能如果有一定的智能，恐怕更多的應是數字邏輯語言智能，在特定場景既定規則和統計又既定輸出的任務下可以極大提升工作效率，但在有情感、有意向性的復雜情境下仍難以無中生有、隨機應變。未來智能科學的發展趨勢必將會是人機智能的不斷混合促進。 人機混合智能理論側重于描述人機環境系統相互作用產生的一種新的智能形式。它不同于人類智能和人工智能，它是結合物理性和生物性的新一代智能科學系統。人機交互技術主要關注人脖子以下的人體工程學生理和心理工效學問題，而人機混合智能主要關注與人脖子以上的大腦相關的智能問題，以及大腦的算計與機器的計算相結合的智能問題。人機混合智能不同于人工智能：首先，在智能輸入端，人機混合智能傳感器不僅僅依靠硬件來收集客觀數據或對主觀特征的感知，而是將兩個接觸點有效結合，先驗知識一種新的輸入模式；其次，在對智能產生也很重要的信息處理階段，將人類的認知模式與計算機的優勢計算能力相結合，構建了一種新的理解方式；最后，在智能的輸出端，將人類在決策制定中的價值效應添加到計算機的漸進迭代算法中，形成協調組織和概率的優化判斷。在人機混合的不斷適應中，人類會自覺地反思慣性常識行為，機器會從人類在不同條件下做出的決策中發現價值權重的差異。人與機器的理解將從單向轉變為雙向，人的主動性與機器的被動性交織在一起。人在處理自己擅長的“應該”等價值導向的主觀信息的同時，機器不僅可以處理自己擅長的“是”（being）等具有規律概率的客觀數據，而且還會優化自己的算法。 人機混合智能使用分層架構。人類通過后天獲得的完善認知能力來分析對外界環境的感知，其認知過程可分為記憶層、意向層、決策層、感知與行為、意向性思維的形成；機器使用傳感數據對外部環境進行感知分析，其認知過程分為知識庫目標層、任務計劃層、感知層和執行層，形成形式化思維。相同的架構表明人類和機器可以在相同的級別之間混合，并且可以在不同的級別之間創建因果關系。圖1為人機混合智能的示意圖。 圖1 人機混合智能 人機混合智能，簡單地說就是充分利用人和機器的長處形成一種新的智能形式。人機混合智能中非常重要的一點是，人能夠理解機器如何看待世界，理解機器做出的決策，并且在機器的限制內有效決策。相反，機器需要與合作的人更加“熟悉”。就像一些體育運動中的雙打隊友一樣，如果沒有默契，很難創造出適當的組合效果和精確的協同作用。這也意味著，人會開始有意識地思考他通常無意識地執行的任務；機器會開始處理合作者的個性化習慣和喜好；兩者也必須隨環境隨時隨地進化……計算機和心靈相互感應，充分利用兩者的優勢，如人類可以打破邏輯，用直覺思維做出決定，而機器擁有檢測人類感官無法檢測到的信號的能力等。任何分工都會受規模和范圍限制，人機混合智能中的功能分配是分工的一部分，另外一部分是能力分配。功能分配是被動的，外部需求所致；能力分配是主動的，內部驅動所生。在復雜、異質、非結構、非線性數據/信息/知識中，人的或者是類人的方向性預處理很重要，當問題域被初步縮小范圍后，機器的有界、快速、準確優勢便可以發揮出來了。當獲得大量數據/信息/知識后，機器也可以先把他們初步映射到幾個領域，然后人再進一步處理分析。這兩個過程的同化順應、交叉平衡大致就是人機混合的過程。未來的關鍵就在于人機混合的那個“恰好”，就是陰陽魚中間的那條S形分隔線。 二、計算計 1、計算 理解知識是理解智能的源頭。古代中外哲學家注意到術語、名詞、概念的內容是因人而異的。如老子曾說“道可道，非常道；名可名，非常名”。柏拉圖也曾認識到，語言和概念的模糊性和易變性難以描述永恒不變的實體。但是哲學家們在知識的不確定中也在嘗試解釋宇宙萬物的統一性，認為存在一種永恒的、普適的、客觀的自然規律，道家把它稱為“道”或“太一”。而柏拉圖發明了“理念”“形式”，并且正式提出同一性問題。這也標志著哲學的誕生。柏拉圖在此基礎上提出的諸多問題主宰著兩千年的哲學潮流，誕生了諸多學說，但是意見的意見仍然是意見。導致這種意見眾多卻無法解釋的現象，原因在于沒有解決問題的工具。 建造測量理性和思維的工具，從亞里士多德的三段論系統開始。通過給定的初始前提，三段論系統可以推導出結論。但由于亞里士多德提出的該邏輯較為粗糙，無法表述有價值的邏輯推理。隨后，數學家們在邏輯、計算、概率論、博弈論中的研究工作，不僅提高了人類的生產水平與認知水平，而且為現階段的人工智能提供了工具。19世紀，布爾提出了布爾邏輯，即命題邏輯，隨后，弗雷格擴展了布爾邏輯，創建了一級謂詞邏輯。通過引入關系謂詞符號、變量以及量詞，就能表述演繹規則。當人類將焦點聚集在弗雷格邏輯時，發現了若干漏洞，其中一個漏洞是沒有把邏輯概念與集合論概念分解開。為此，希爾伯特在20世紀20年代去掉了羅素邏輯（羅素曾完善弗雷格邏輯的“說謊者”漏洞）中所有專門針對集合概念的部分，專門構建了“謂詞邏輯”并沿用至今。因此，如希爾伯特所說，數學無需再用數字、幾何圖形等傳統研究符號來描述，甚至可以用啤酒、凳子等毫無關聯的符號來研究數學。通過抽象符號，用邏輯證明來定義數學，由此數學變成一種普適邏輯。1908年，策梅洛專門針對集合論提出公理。1930年，哥德爾證明任何理論均可以轉化為集合論，使得集合論本身具有了本體論中立性。 隨后，希爾伯特提出了算法的判定性問題：有沒有一種算法，能夠判定在謂詞邏輯下的命題是否可以證明成立？1936年，丘奇、圖靈、克萊尼分別獨立證明，這樣的算法是不存在的。由此推理出停機問題無法用算法解決。對于希爾伯特判定性問題而言，不存在判定一個謂詞邏輯命題是否可證明的算法。這一定量被稱作丘奇定理。換而言之，其說明了計算和推理是兩碼事：某些數學問題無法用計算解決，只能通過推理解決。丘奇、圖靈定義的“λ演算”和“圖靈機”就是通用計算，這一觀點也被稱為“丘奇—圖靈論題”。1978年，英國數學家、邏輯學家甘迪提供了丘奇—圖靈論題的物理形式證明。他假設：a. 信息的密度是有限的；b. 信息的傳輸速度是有限的。在經典的三維空間中，“丘奇—圖靈論題”的物理形式是成立的。甘迪的論證說明大自然之所以被數學化，僅僅因為信息的密度和傳播速度是有限的。聯想到相對論關于光速有限的假設以及最小作用量原理，這樣的結論在令人驚奇之余又不違反物理原則。因此，我們可以用算法來進行各種學科和知識的探索，并以人工智能的方式出現在今天的科研、制造、生產、商業、服務和消費行為中。 現有的人工智能技術均依賴于現有的計算體系，達到模仿人類心智的人工智能體系還未建立。在現有的計算體系下，人工智能能夠表征一部分人類理性思維特質，而非理性甚至非邏輯性的思維特性如何表征，將是人工智能發展的一大突破口。 2、算計 算計本質上是人類沒有數學模型的計算。計算的局限性無法通過圖靈機突破，所以對人的非理性、非邏輯思維解構與在機器上的重建就有非凡的意義。從對人的認知模式的理解，嘗試解釋人的認知能力和構建出能學習、推理的認知模型，已經在一些應用領域取得不錯的效果。再后來對意識的理解構建出的意識圖靈機[3]在處理問題時能做到其思維過程的意識覺知。即便如此，我們對人類的思維過程的模仿依然顯得很拙劣，對人類的直覺、靈感、頓悟等能力的模擬還是沒有好的方案，更別說人類特有的對責任、價值的理解。 ①認知模型 認知模型是對人類認知能力的理解并在此基礎上構建的模擬人的認知過程的計算模型。這里認知模型中的認知能力通常包括感知、表示、記憶與學習、語言、問題求解和推理等方面。[4]為了能夠構建出更加智能的機器，我們便希望從人的身上尋找靈感，同時也是更好地探索和研究人的思維機制，特別是人對周圍信息的感知處理機制，進而為打造出真正的人工智能系統提供新的體系結構和技術方法。[5]杜奇（Duch）根據記憶和學習的不同將現有的認知模型分為三類：符號化(Symbolic)認知模型、浮現式(Emergent)認知模型和混合型(Hybrid)認知模型三種。[6]粗略地講，符號化認知模型側重于利用高階符號和陳述性知識，采用傳統人工智能的自上而下的分析方法來處理信息，如SOAR、EPIC、NARS等；浮現式認知模型則利用低水平的激活信號流經由無數處理單元組成的網絡，采用一種自下而上的處理，這種處理依賴于浮現式自組織屬性和連接屬性，如IBCA、NOMAD等；混合型認知模型則將這兩種方式結合起來，具備符號化認知模型和浮現式認知模型的某些特點，如ACT-R、LIDA、4CAPS等。 ②意識圖靈機 意識圖靈機 (Conscious Turing Machine, CTM)的靈感來源于圖靈簡單而強大的圖靈機。與前文提到的對大腦或者思維認知的構建提出的認知模型不同，意識圖靈機是針對意識的構建的簡單數學模型。認知神經科學家巴爾斯提出的全局工作空間理論[7]概述了對意識的理解，再有一些腦中神經相關物的研究，基于此布魯姆提出了意識圖靈機。意識圖靈機能夠在處理信息過程中對意識內容產生意識覺知，能夠體驗感覺而不僅僅是模擬感覺，提出這些感覺產生的可能方式，如痛苦和快樂。意識圖靈機適合對其所做的高級決策做出解釋，這就為人工智能的不可解釋性問題的解決提供了思路。另外，在意識圖靈機中，有意識和自由意志的感覺，以及幻覺和夢境的體驗。 ③算計 人機混合智能系統不僅需要機器的強計算能力，更重要的是人的智慧，是一種理性與非理性、機的計算與人的算計深度混合的智能系統。機的客觀數據采集輸入、邏輯推理和決策輸出已經在應用中大展拳腳，而對于人的認知決策過程還需要進一步理解建模，才能實現算計能力。 算計也即盤算、籌劃謀算；對事情的經過或結果進行仔細而從容的反復思考；考慮。近義詞為：權衡、謀略、謀劃、愿景、計劃、籌劃、策劃、意圖、預案。算計也即人們對于做什么之慎思斟酌，對應于英語中的deliberations，weigh up，weighings，plans，strategies。 認知是人獲取和應用知識的過程，知識圖譜是人對客觀世界的各要素之間的理解進而嘗試表示的一種形式，在目前的人工智能應用中已有良好的表現。在簡單問答數據集上的問答能力已經可以和人類相媲美，但是對于復雜的問題依然無能為力。這是因為復雜問題需要多跳的表征和推理。在算計中，與計算上僅僅依靠硬件傳感器采集到的數據進行輸入、表示過程不同，算計需要基于目標驅動和價值驅動對數據進行動態表征。如今的深度學習系統中并沒有恒定的知識表征，對不同的學習數據就會有不同的表征形式，并沒有基于其自身的原點對數據進行不同事實甚至責任、價值的劃分。而人類的大腦中存在“參考系”的恒定表征（參考系為位于大腦皮層的上層），人類是基于自身的觀念如欲望、義務對于不同的事實數據進行表征理解。在計算、算計的不同表征中，連續特征空間為人（算計）的認知內容，離散語義符號空間代表機（計算）的感知系統，二者之間還應存在一種連續的準語義空間。我們可以通過上升（raising）操作將連續空間中的特征表征遷移到準語義空間中，進而通過抽象操作將準語義空間中的表征遷移到離散語義符號空間中。反過來，我們可以通過嵌入、投影，將離散語義符號空間中的表征遷移到連續特征空間中。這樣一來，我們就構建了一種感知、認知相結合的通道。數學的表征常常涉及具體事實抽象化，其推理內容則嚴格按照邏輯來進行，這當然不可或缺，但總是有非理性、非邏輯的存在。簡單問題，通過一定知識圖譜表示和問題求解程序在現今的人工智能系統下就能實現求解，但復雜問題往往需要多跳的推理。這種多跳的推理不僅是計算中的映射，更重要的是一些非邏輯的漫射（如發散思維）、影射（如聯想、想象）等。人類的推理常常具有試探性，是經過多次試錯、根據結果反饋、在校準之后進行下一步，而現有的人工智能的邏輯推理缺乏這種主動的試錯性，這就在最后的決策過程上使得效果欠佳。有人提出了基于圖的可解釋認知推理框架，即以圖結構為基礎，將邏輯表達用作對復雜問題的分析過程，從而表示成顯示的推理路徑。可是圖的結構化必然會過濾掉一些非結構化的隱信息，雖可以一定程度上解釋遷移性，但更像是一種“硬解釋”，似乎整個結構就是為了推理過程服務。算計的彈性推理不僅需要知識驅動和數據驅動的聯合，更有價值和責任的引領，這樣在推理過程中才會有非理性的洞見、直覺等表達。計算的決策輸出則是根據邏輯推理的結果或者大數據、概率的優化產生，而算計卻可做出一些不合邏輯的意向性表達。計算的處理是從事實到新的事實，而算計則可以從事實通過動態表征和彈性推理實現價值體現。 3、計算計 本文根據現有的計算及認知領域成果，提出計算計模型，如圖2所示。這里有個前提，由人機環境構成的智能系統不僅包含數學、計算機科學、心理學、哲學等領域，還涉及其他諸多學科混合的復雜系統。既具有“確定性”，也具有“隨機性”。在此，本文不對人機環境系統進行更加細致的客觀描述，只是對其進行可行性的模型預測。

圖2 計算計模型 態勢感知層內包含環境信息。環境包括自然時空與社會時空內的環境，一切問題的源頭來自自然與社會，也可以說人類知識的來源也是如此，此環境包含了確定以及不確定的成分。除此之外，態勢感知層還負責態勢信息的收集與感知處理。數學領域的微積分類似于這一過程，通過將已知數據進行處理，從而接近問題的答案。指揮與控制領域的情報收集與分析領域同樣是對信息的感知處理，相對于數字與微積分符號，情報的量化更加復雜，更多的是交由經驗豐富的指揮員處理。傳統的自動化方法及機器學習算法可能會導致“回路外”錯誤，因為人類對任務的態勢感知度較低，因為人類對任務以及環境的感知有很大程度基于經驗，容易產生自滿情緒或缺乏警惕性。環境的不確定反饋也會對回路外的問題產生影響，這凸顯了在緊密結合與松散結合的人機環境交互間實現平衡的重要性。當前，算法處理后的數據可解釋性下降，使得人類困于“回路外”，同時也產生人類對智能體（agent）的信任度下降問題。 認知決策層類似于對態勢感知信息的深加工，其不僅取決于人的傳統意義上的認知，同時也需要機器推理的能力。人類的推理基于直覺、邏輯、關聯等認知能力，算計的思想包含于其中。20世紀80年代專家系統盛行，機器可以進行簡單的問答，但是問答內容局限性較強。主要原因除了計算能力外，還有機器被授予的推理能力基于一對一、一對多、多對一的知識映射關系。如何實現在動態表征下的彈性推理，在具備足夠硬件算力條件下是值得被考慮的問題。并且將動態表征下的知識進行散射、漫射、影射，實現多跳推理，是實現該問題的關鍵。模糊邏輯提供一個或多個連續狀態變量映射至相應類別進行推理和決策的框架；神經網絡利用程序，在大型典型案例數據庫的訓練過程中學習到的可變互聯權重來進行的知識表達的算術框架；遺傳與進化算法在進化遺傳學的啟發下，采用重復仿真的方法，縮小潛在的選項范圍，選擇最優解決方案。人類通過人機交互界面與機器交互，機器給予人類輔助決策。實現機件人化是人機混合中邁出的一大步。 目標行為層主要體現在人機混合決策中。當出現更高水平的智能體時，人類永遠處于決策的最高層，這是在許多領域達成的共識（在目標追求低人力成本條件下例外）。意義建構對真實世界中的生存至關重要，很多研究表明，人類努力建構這個世界中的對象、事件和態勢具有重要意義。人類較為擅長跡象解讀，對人類而言，建構是一種心理活動。為了使機器與人類有效合作，機器與人類的反應與決策應當將相同對象、事件或態勢解讀為相同的跡象，或者獲得相同的意義。機器的輔助決策在必要時同樣需要提供更完整的意義建構，達到人機混合決策的目標。 4、邏輯壓縮與坍塌 邏輯的線性可以疊加處理，但邏輯的非線性卻變化多端，具體可表現為：發散收斂（彌聚）、跳躍協同（跳協）、顯性隱性（顯隱）。
公理不是真理，而是某種協議，是一種非存在的有，如東方的孫悟空和西方的圣誕老人一般：雖不存在，但人們心中都“有”其形象。數學是由多個公理（非存在的有）建筑起來的邏輯體系，如點、線、面的概念、無窮等。智能中的邏輯壓縮也許是多種事實性邏輯被壓縮成價值性邏輯的過程。這在一定程度上也超越了當前數學計算驗證體系的邊界，而這恰恰也是人類算計的特長：能夠自主調和、融洽各種事實性邏輯矛盾于某種價值性邏輯之中。 哲學上講，客觀世界完全獨立于主觀世界的存在，但這是個偽命題，并不是真正存在的。真正能觀察到的，是客觀和主觀之間的結合。由于觀察者和被觀察的世界相互作用，我們不可能無窮精準地把客觀世界了解清楚。或許當硬件能力達到一定程度，大家就會關注軟件能力的提高，當軟件能力達到一定程度，人們就會關注硬件能力的提高。 衡量一個人的智能水平可以嘗試從他“跨”“協”不同領域能力的速度和準確性來初步判斷，同理可得，衡量一臺機器的智能水平也可以嘗試從它“跨”“協”不同領域能力的速度和準確性來初步判斷，衡量一群人機的混合智能水平也可以嘗試從它們“跨”“協”不同領域能力的速度和準確性來初步判斷。簡單地說，計算機處理問題的方式是產生式的（if-then），計算計則是啟發式的（不求最優但求滿意），而啟發式往往可以處理非線性問題。或許，啟發式的計算計恰恰就是邏輯壓縮成功與否的關鍵之所在。當人機在異常復雜的環境里無能為力時，也許就是邏輯坍塌之際……當然，可以人為制造復雜度造成邏輯坍塌。 三、人機混合智能的未來發展方向 人機混合智能有兩大難點：理解與反思。人是弱態強勢，機是強態弱勢，人是弱感強知，機是強感弱知。人機之間目前還未達到相聲界一逗一捧的程度，因為還沒有單向理解機制出現，能夠幽默的機器依舊遙遙無期。乒乓球比賽中運動員的算到做到、心理不影響技術（想贏不怕輸）、如何調度自己的心理（氣力）生出最佳狀態、關鍵時刻之心理的堅強、信念的堅定等，這都是機器難以產生出來的生命特征。此外，人機之間配合必須有組合預期策略，尤其是合適的第二、第三預期策略。自信心是匹配訓練出來的，人機之間信任鏈的產生過程常常是：陌生—不信任—弱信任—較信任—信任—較強信任—強信任，沒有信任就不會產生期望，沒有期望就會人機失調，而單純的一次期望匹配很難達成混合，所以第二、第三預期的符合程度很可能是人機混合一致性的關鍵問題。人機信任鏈產生的前提是人要自信（這種自信心也是匹配訓練出來的），其次才能產生他信和信他機制，他信與信他里就涉及到多階預期問題。若being是語法，should就是語義，二者中和相加就是語用，人機混合是語法與語義、離散與連續、明晰與粗略、自組織與他組織、自學習與他學習、自適應與他適應、自主化與智能化相結合的無身認知 + 具身認知共同體、算+法混合體、形式系統+非形式系統的化合物。反應時與準確率是人機混合智能好壞的重要指標。人機混合是機機混合，器機理 + 腦機制；人機混合也是人人混合，人情意+人理智。 人工智能是硬智，人的智能是軟智，人機混合智能則是軟硬智。通用的、強的、超級的智能都是軟硬智，所以人機混合智能是未來，但是混合機理、機制還遠未搞清楚。個體與群體行為的異質性，不僅體現在經濟學、心理學領域，而且還是智能領域最為重要的問題之一。現在主流的智能科學在犯一個以前經濟學犯過的錯誤，即把人看成理性人，殊不知，人是活的人，智是活的智，人有欲望、有動機、有信念、有情感、有意識，而數學性的人工智能目前對此還無能為力。如何混合這些元素，使之從冰冷的、生硬的狀態轉化為溫暖的、柔性的情形，應該是衡量人工智能的主要標準和尺度，同時這也是目前人工智能很難跳出人工的瓶頸和痛點。經濟學融入心理學后即可使理性經濟人變為感性經濟人，而當前的智能科學僅僅融入心理學是不夠的，還需要滲入社會學、哲學、人文學、藝術學等方能做到通情達理，進而實現由當前理性智能人的狀態演進成自然智能人的形勢。智能中的意向性是由事實和價值共同產生出來的，內隱時為意識，外顯時叫關系。從這個意義上說，數學的形式化也許會有損于智能。維特根斯坦認為，形式是結構的可能性。對象是穩定的東西，持續存在的東西；而配置則是變動的東西，非持久的東西。維特根斯坦還認為，我們不能從當前的事情推導出將來的事情。[8]也就是說，基本的事態或事實之間不存在因果關系。只有不具有任何結構的東西才可以永遠穩定不滅、持續存在；而任何有結構的東西都必然是不穩定的，可以毀滅的。因為當組成它們的那些成分不再依原有的方式組合在一起的時候它們就不復存在了。事實上，在每個傳統的選擇（匹配）背后都隱藏著兩個假設：程序不變性和描述不變性。這兩者也是造成期望效用描述不夠深刻的原因之一。程序不變性表明對前景和行為的偏好并不依賴于推導出這些偏好的方式（如偏好反轉），而描述不變性規定對被選事物的偏好并不依賴于對這些被選事物的描述。 人機混合智能難題，即機器的自主程度越高，人類對態勢的感知程度越低，人機之間接管任務順暢的難度也越大，不妨稱之為“生理負荷下降、心理認知負荷增加”現象。如何破解呢？有經驗的人常常抓任務中的關鍵薄弱環節，在危險情境中提高警覺性和注意力，以防意外，隨時準備接管機器自動化操作，也可以此訓練新手，進而形成真實敏銳地把握事故的兆頭、苗頭，恰當地把握處理時機、準確的隨機應變能力，并在實踐中不斷磨礪訓練增強。即便如此，如何在非典型、非意外情境中解決人機交互難題仍需要進一步探討。 算計需要的是發散思維，計算需要的是縝密思維，這是兩種很不一樣的思維方式，這兩種方式同時發生在某個復雜過程中是小概率的事件，由此帶來的直接后果就是，復雜領域的突破也只能是小概率的事件。對待場景中的變化，機器智能可以處理重復性相同的“變”，人類智能能夠理解雜亂相似性（甚至不相似）的“變”，更重要的是還能夠適時的“進化”，其中“隨動”效應是人類算計的一個突出特點，另外，人類算計還有一個更厲害的武器——“主動”。有人說：“自動化的最大悖論在于，使人類免于勞動的愿望總是給人類帶來新的任務。”[9]解決三體以上的科學問題是非常困難的，概念就是一個超三體的問題：變尺度、變時空、變表征、變推理、變反饋、變規則、變概率、變決策、變態勢、變感知、變關系……猶如速度與加速度之間的關系映射一般，反映著智能的邊界。有效概念的認知是怎樣產生的，OODA還是OAOODDDAA？亦或是OA？這是值得思考的問題。多，意味著差異的存在；變，意味著非存在的有；復雜，意味著反直觀特性；自組織/自相似/自適應/自學習/自演進/自評估意味著系統的智能……，人機環境系統中重要/不重要節點的隱匿與恢復是造成全局態勢有無的關鍵，好的語言學家與好的數學家相似：少計算多算計，知道怎么做時計算，不知道怎么做時算計，算計是從戰略到策略的多邏輯組合，人機混合計算計機制猶如樹藤相繞的多螺旋結構，始于技術，成于管理。如果說計算是科學的，算計是藝術的，那么計算計就是科學與藝術的。[10] 價值不同于事實之處在于可以站在時間的另一端看待發生的各種條件維度及其變化。僅僅是機器智能永遠無法理解現實，因為它們只操縱不包含語義的語法符號。系統論的核心詞是突顯（整體大于部分），偏向價值性should關系；控制論的核心詞是反饋（結果影響原因），側重事實性being作用。耗散結構論的核心詞是開放性自組織（從非平衡到平衡），強調從being到should的過程。控制論中的反饋是極簡單的結果影響（下一個）原因的問題，距離人類的反思——這種復雜的“因果”（超時空情境）問題很遙遠。算計是關于人機環境系統功能力（功能+能力）價值性結構謀劃，而不是單事實邏輯連續的計算，計算計正是關于正在結構中事實—價值—責任—情感多邏輯組合的連續處理過程，人機混合智能難題的實質也就是計算計的平衡。 人機混合智能是人工智能發展的必經之路，其中既需要新的理論方法，也需要對人機環境間的關系進行新的探索。我們已經從認知角度構建認知模型或者從意識的角度構建計算計模型，這都是對人的認知思維的嘗試性理解和模擬，期望實現人的算計能力。計算計模型的研究不僅需要考慮機器技術的飛速發展，還要考慮交互主體即人的思維和認知方式，讓機器與人各司其職，互相混合促進，這才是人機混合智能的前景和趨勢。 未來的機器不但要服務于人，還要改造人，更重要的是與人合作。人機混合智能的關鍵在于新邏輯體系的建立。人機之間主體、客體劃分之外還有人們常常故意忽略的混體、動體或變體（主客體或客主體）。非此即彼的是非還原論是對現實系統觀的無能為力。人類常常用相似對事實進行降維，計算計的關鍵在于處理變體問題，其核心不是二元的“與或非”邏輯體系，而是加入了多顆粒度的“是非中”邏輯系統。計算對網格比較好用，算計對跳格相對較易，人類的智能不時會違反邏輯常識。計算的邏輯“與或非”，算計的邏輯“是非中”，其中，“是”偏同化、“非”側順應、“中”為平衡，當遇到問題時，先用是、再用非、后用中。大是大非時，大是不動，先試小非，再試中非，若不行，大非不動，先試小是，再試中是，這些試的過程就是“中”的平衡。“中”就是不斷嘗試、調整、平衡。以上就是計算計結合的邏輯體系，算計邏輯把握價值方向，計算邏輯細化事實過程。 馬克吐溫說過：“讓你遇到麻煩的不是未知，而是你確信的事并非如你所想。”人機混合智能走向未來，沒有新邏輯也許就會沒有靈魂，人工智能也是如此，新邏輯會產生新數學，新數學也許會產生新智能，一種人機混合的智能。