人机混合智能的可行架构：计算—算计模型

【摘要】人工智能成果斐然，然而现阶段的人工智能体还远未达到接近人类心智的水平。复杂环境下，仅靠计算体系的人工智能有很大限制，无法达到人工智能所追求的与人类智能相似的结果，故而我们需要人在人机交互融合中发挥重要作用，使机的能力价值（计算）与人的能力價值（算计）协同以达到更好的智能。计算—算计模型为人机混合智能提供了一种可行架构。它不仅需要考虑机器技术的飞速发展，还要考虑交互主体即人的思维和认知方式让机器与人各司其职，互相融合促进，这才是人机交互的前景和趋势。

【关键词】计算计  深度态势感知  人机交互  人机混合智能

【中图分类号】TP18                              【文献标识码】A

【DOI】10.16619/j.cnki.rmltxsqy.2022.24.009

引言

现如今，人类对人工智能还未下确切的定义，一个符合大多数人观点的定义是：让计算机完成人类心智能做的各种事情。从20世纪40年代图灵的人工智能预言，到20世纪80年代专家系统的开发，再到如今三大主义分支的人工智能应用渗透到人类生活的各个方面（M. A. Boden， 2016）。其中，联结主义强调模仿大脑皮质神经网络以及神经网络间的联结机制，即用多隐层的处理结构，处理各种大数据；行为主义以模仿人或生物个体、群体控制行为功能为主，主要表现为具有奖惩控制机制的强化学习方法；符号主义强调以物理符号系统来产生智能行为，主要应用为知识图谱的应用体系。人工智能的应用取得了一定成果，同时也存在不可忽视的缺陷。联结主义下的深度学习算法不可微分，计算收敛性较弱，在开放的动态环境下效果较差，其模型本身是一个“黑盒”（R. Collobert et al.， 2011）。行为主义的强化学习将人的行为过程看的过于简单，实验中只是测量简单的奖惩反馈过程。其次行为主义研究可观察行为，往往忽视内部的心理活动，否定意识的重要性，将意识与行为对立。符号主义及其知识图谱遇到了如何定义“常识”的问题以及不确知事物的知识表示与问题求解的问题。

要让人工智能接近人类的心智，还需要探索何为智能。大部分对智能的定义有一个共同特点：认为智能是解决问题的能力，解决更复杂的问题需要更高水平的智能。相比于加减法，微分方程需要更高的智能水平；相比于井字游戏，围棋需要更高的智能水平。然而，机器能够求解某种特定问题，并不意味着机器具有较高的智能水平，哪怕这种问题非常复杂（D. Lee， 2020）。以人类的神经网络为例，神经网络常常简化为感知器、中枢、效应器组成的系统单元，且三个系统每一个都由许多神经元组成，互相之间都有反馈。以目前的神经科学分析手段，该模型是正确的，然而人们忽略了外界信息与体内信息的比例。具体来说，人们常常将该系统简化为输入输出系统，而实际上，神经系统接收内部信息的感受器是接受外部信息感受器的10万倍（L. Segal， 2001）。也就是说，神经系统在整体上更像一个自我封闭系统。而且，正是神经网络的封闭性，使得建构主义可以推出客观存在不能离开建构者的哲学理论（金观涛，2019）。机器作为客观存在，解决问题离不开人类。所以说，实现完全脱离人类的通用人工智能系统是不现实的。本文先对算计进行定义，接着介绍其研究意义及发展，讨论算计与计算的区别联系并提出计算—算计模型，最后介绍了算计在人机交互、人机融合智能中的应用并进行总结。

算计的定义和性质

算计是一种用感性与理性的混合手段处理各种事实价值混合关系的方法，即使没有数据也可以一目了然地深度态势感知。算计可以在多方面、多过程体现：算计是运用计算之前的行为，是非自发的秩序，是人事先设计而产生的，由人类设计而非人类行为产生的秩序。算计是多算胜，少算不胜，是知己知彼的“知”。算计是没有数和图的计算，即没有数学的计算，是人类带有动因的理性与感性混合盘算，是已有逻辑形式与未知逻辑形式的融合筹划。

如果说“计算”的未来在于利用宇宙复杂的物理行为，那么“算计”的未来则在于利用宇宙复杂的物理与非物理行为。与机器计算不同的是，人的算计是复合型的，既有体现事实的理性部分，又有体现价值的感性部分，而且感性部分可以不自洽、可以矛盾（如爱恨交加），甚至可以辩证（相互转化），所以，感性价值是人机之间智能的最重要区别之一。当然，人机之间的理性事实和理性价值部分也不是完全等价的。具体而言，人类的一多关系与机器的一多结构常常不是一回事。

算计的研究意义与发展

认知。认知也可以称为认识，是指人认识外界事物的过程，或者说是对作用于人的感觉器官的外界事物进行信息加工的过程。它包括感觉、知觉、记忆、思维、想象、言语，是指人们认识活动的过程，即个体对感觉信号接收、检测、转换、简约、合成、编码、储存、提取、重建、概念形成、判断和问题解决的信息加工处理过程。在心理学中是指通过形成概念、知觉、判断或想象等心理活动来获取知识的过程，即个体思维进行信息处理的心理功能。

认知模型是在理解人类认知能力的基础上构建的模拟人的认知过程的计算模型（S. B. Wintermute， 2010）。这里认知模型中的认知能力通常包括感知、表示、记忆与学习、语言、问题求解和推理等方面。为了能够构建出更加智能的机器，我们便希望从人的身上寻找灵感，通过探索和研究人的思维机制，特别是人对周围信息的感知处理机制，进而可为打造出真正的人工智能系统提供新的体系结构和技术方法（P. Langley et al.， 2009）。杜奇（Wlodzislaw Duch）根据记忆和学习的不同将现有的认知模型分为三类：符号化认知模型、浮现式认知模型和混合型认知模型（D. Wlodzislaw et al.， 2008）。

深度态势感知。人们对“态”常用感觉，对“势”常用知觉，而世界的态、势常常是混杂的，所以人们对世界的认识往往是“感﹢知”的，于是“态势感知”便成了固定搭配。后来，人们发现知对应的“势”一般是“短势”，为了处理“中长势”，形成某种更深邃的洞察力，即超越事实本身的理解、判断、预测能力，“态势认知”便呼之欲出了。也可以说：认知是对感知的感知。再后来，人们发现人的认知是有偏好、习惯、先验、模糊、记忆等局限的，而机器和协同的机制机理可以与之相得益彰、取长补短，这样自然就衍生出了“人机融合的深度态势认知”概念。深度态势感知的含义是“对态势感知的感知，是一种人机智慧，既包括了人的智慧，也融合了机器的智能（人工智能）”， 是“能指﹢所指”，既涉及事物的属性（能指、感觉），又关联它们之间的关系（所指、知觉），既能够理解事物原本之意，也能够明白弦外之音。它是在以艾德雷斯（Mica R. Endsley）为主体的态势感知（包括信息输入、处理、输出环节）基础上，加上人、机（物）、环境（自然、社会）及其相互关系的整体系统趋势分析，具有“软／硬”两种调节反馈机制；既包括自组织、自适应，也包括他组织、互适应；既包括局部的定量计算预测，也包括全局的定性算计评估，是一种具有自主、自动弥聚效应的信息修正、补偿的期望—选择—预测—控制体系。

从某种意义上讲，深度态势感知是为完成主题任务在特定环境下组织系统充分运用各种人的认知活动（如目的、感觉、注意、动因、预测、自动性、运动技能、计划、模式识别、决策、动机、经验及知识的提取、存储、执行、反馈等）的综合体现。既能够在信息、资源不足情境下运转，也能够在信息、资源超载情境下作用。通过实验模拟和现场调查分析，我们认为深度态势感知系统中存在着“跳蛙”现象（自动反应），即从信息输入阶段直接进入输出控制阶段（跳过了信息处理整合阶段），这主要是由于任务主题的明确、组织／个体注意力的集中和长期针对性训练的条件习惯反射引起的，可以无意识地协调各种自然活动的秩序。该系统进行的是近乎完美的自动控制，而不是有意识的规则条件反应。深度态势感知本质上就是变与不变、一与多、自主与被动等诸多悖论产生并解决的过程。所以该系统不应是简单的人机交互而应是贯穿整个人机环境系统的自主（包含期望、选择、控制，甚至涉及情感领域）认知过程。鉴于研究深度态势感知系统涉及面较广，极易产生非线性、随机性、不确定性等系统特征，系统建模研究时常面临着较大困难。

算计。人类的符号、联结、行为、机制主义是多层次多角度，甚至是变层次变角度的。相比之下，机器的符号、联结、行为、机制主义是单层次单角度，甚至是固层次固角度的。人类思维的本质是随机应变的程序，也是可实时创造的程序，能够解释符号主义、联结主义、行为主义、机制主义之间的联系并能够打通这些联系，实现综合处理。达文波特（Thomas H. Davenport）认为：人类的某种智能行为一旦被拆解成明确的步骤、规则和算法，它就不再专属于人类了。人机混合智能难题在于机器的自主程度越高，人类对态势的感知程度越低，人机之间接管任务顺畅的难度也越大，不妨称之为“生理负荷下降、心理认知负荷增加”现象。

算计是人类不借助机器的跨域多源异构系统的复杂“计算”过程。某种意义或程度上，算计就是“观演一体化”“存算一体化”这两个“神经形态”过程的交互平衡，观（存）就是拉大尺度或颗粒的非实时top-down过程，演（算）就是小尺度细颗粒实时bottom-up过程。在跳跃的思维之外，人类的心智本质上不是符号的，因而是不可计算的，人脑不是电脑，在具有物理属性的同时还有非物理的生理和心理属性。既能够从无意义的事实中孵化出有意义的价值，也能够从有意义的价值中产生出无意义的事实。这种主客观的混合决定了心智的计算计（“计算﹢算计”）特点，即有限的理性计算与无限的感性算计共在。例如人类创新“跳跃式”思维也不是基于计算的，即那些常常不按照语言和逻辑所做的思维。所以，完全基于机器的人工智能可能也无法有“跳跃式”思维，因此就不太可能有真正非封闭开放环境下的创造性。

真实世界里的各种概念、命题具有着各种组合流动性和弹性。算计不是符号性的，而是流程性的，也是意识的显化过程。意识或许就是许多“隐性”的“显性”化，隐态与隐势的显化，隐感或隐知的显化，隐注意及隐记忆的显化，隐判断与隐推理的显化，隐分析且隐决策的显化，隐事实和隐价值的显化，隐人情并隐物理的显化。东方的算计以前主要是算计人情世故管理，现在正在融入物理、数理、法理等的新算计。

现在，越来越多的人认为，各种算法必须超越表面相关性，达到真正理解的水平，从而实现更高水平的人机融合智能。态与势是兩个藕连体，势态与态势反映两个不同点的变化方向，用算计比用计算更准确。

进而在此基础上对比东西方在算计上的差异犹如解构主义之父法国著名哲学家雅克·德里达（Jacques Derrida）所言：逻辑理性的有无。衍生于北非中亚文明的西方发现了科技的力量，并发明了一系列相关的学科领域，形成了以“算”为核心的世界观和价值观，不但“名可名”，而且“道可道”，以客观事实为基础，以逻辑理性为工具，为人类社会还原了物质世界、经济现象、自然选择的许多规律，作出了很大的贡献。然而，最近一段时间，西方的许多有识之士在充分开发发掘其逻辑理性优势的同时愈发感觉到了逻辑理性的局限和不足，自觉或不自觉地把目光投向了他们认为“神秘”的东方智慧，从物理到心理再到管理等，从早期的莱布尼茨（Gottfried Wilhelm Leibniz）到李约瑟（Joseph Needham）再到侯世达（Douglas Richard Hofstadter）等人，东方思想的“计”与西方的“算”是很好的一对搭档，也是定性与定量、主观与客观、价值与事实、系统与还原的完美结合。正可谓：“没有比人更高的山，没有比计更好的算”。

算计与计算的区别与联系

计算的本体是事实性概念，算计的本体是价值性偏好。计算的主体是人，算计的主体是包含人的系统。计算的主体可变，本体不变；算计的主体不变，本体常变。计算使用参数建模，算计创造参数建模。计算常常是以感—存—算—传—用—馈—评的顺序展开，而算计却往往根据具体情况具体打破感—存—算—传—用—馈—评的秩序组合，可以一会儿感—存—算，也可以一会儿感—算—评。对于计算来说，如果是客观事实输入，那么就会输出确定性的客观事实，可谓是真凭实据、实事求“是”，是理性being（现实性）的逻辑推理；对于算计则不然，即使是客观事实输入，也不一定就会输出确定性的客观事实，即真实的输入可以用主观改变选择从而输出价值，实事求“义”，是感性should（可能性）的非逻辑实现。如输入“23”，可以是“乔丹”，也可以是“詹姆斯”等。

真实的博弈过程中，表面上是数学计算的理性过程，实际上还有算计的感性过程，更准确地说是计算计的过程，即双方不仅仅是在理性中刀光剑影，还存在着大量感性因素的波谲云诡，是事实与价值混合铰链在一起的“华山文理之战”。

计算的基础是有限的封闭性，算计的特点是有条件的开放性，计算计即从有限的客观事实being（现实性）推理出无限的主观价值should（可能性）。计算是确定性的推理，算计是不确定性的推理，计算计是确定性与不确定性的弥聚混合。机器只有局部性事实逻辑，没有人类的整体性价值逻辑，因此人机结合起来可实现功能与能力的互补，用人类的算计这把利刃穿透机器计算不时遇到的各种各样的“墙”。人机融合中有价值的东西通过动态环境使得事实过程变成对智能逻辑而言有意义的事情，事实不因事实本身是什么而是什么，而是在与价值的融合之中是其所是，这就需要建立一套新的逻辑体系加以支撑，即人机融合的计算—算计逻辑体系。

那么，什么是计算？什么是算计？计算是从已知条件开始的逻辑，解决“复”，算计是从未知前提出发的直觉，处理“杂”。算计的核心有两个字：“异”和“易”。

算计里面对于不同领域的东西进行变化平衡的处理，这是算计的核心。而计算恰恰是讲究相同的结构、相同的数据、相同的性质，才能进行，算出的结果往往是不变的、是确定的。

相比之下，人重价值逻辑，机偏事实逻辑，人侧辩证逻辑，机向形式逻辑。那么人机融合则是辩证的形式逻辑或形式的辩证逻辑，这就涉及到一个逻辑转化的难题，即事实形式化逻辑如何转化为价值辩证逻辑，或价值辩证逻辑如何转化为事实形式化逻辑问题。表面上，人类的辩证逻辑是用来思考问题而不是解决问题的，解决问题要靠形式逻辑。实际上，这是对形式化计算逻辑与辩证性算计逻辑的认识不清所致，与计算思维不同，算计思维方式在很多方面都与计算逻辑相悖。

计算与算计的关系也是密不可分的。计算的过程中需要算计来指引方向，算计的过程中也需要用计算来完成基础性的工作。二者缺一不可，只有二者结合才能实现更好的智能。

计算—算计模型

人工智能成果斐然，然而现阶段的人工智能体还远未达到接近人类心智的水平。复杂环境下，计算体系中的人工智能水平有限，无法发挥其优势。智能是一个复杂系统，在追求算力与算法实现人工智能应用的时代，人在与智能体的合作中的作用不可忽视。机的能力价值（计算）与人的能力价值（算计）协同系统还需进一步研究。根据现有的计算及认知领域成果，笔者提出计算—算计模型，包括态势感知层、认知决策层和目标行为层。

态势感知层内包含环境信息。环境包括自然时空与社会时空内的环境，一切问题的源头来自于自然与社会，可以说人类知识的来源也是如此，此环境包含了确定以及不确定的成分。除此之外，态势感知层还负责态势信息的收集与感知处理。数学领域的微积分类似于这一过程，通过将已知数据进行处理，从而接近问题答案。指挥与控制领域的情报收集与分析领域同样是对信息的感知处理，相对于数字与微积分符号，情报的量化更加复杂，更多是交由经验丰富的指挥员处理。传统的自动化方法及机器学习算法可能会导致“回路外”错误，因为人类对任务的态势感知度较低。即，人类对任务以及环境的感知很大程度上基于经验，易产生自满情绪或缺乏警惕性。环境的不确定反馈也会对回路外的问题产生影响，这凸显了在紧密结合与松散结合的人机环交互之间实现平衡的重要性。现如今，算法处理后的数据可解释性下降，使得人类困于“回路外”，同时也产生人类对智能代理（agent）的信任度下降问题。

认知决策层类似于对态势感知信息的“深加工”，其不仅仅取决于人的传统意义上的认知，同时也需要机器推理的能力。人类的推理基于直觉、逻辑、关联等认知能力，算计的思想即包含于其中。20世纪80年代专家系统盛行，基于人工智能的专家系统风靡一时，机器可以进行简单的问答，但问答内容局限性较强。主要原因除计算能力外，还有机器被授予的推理能力是基于一对一、一对多、多对一的知识映射关系。如何实现动态表征下的弹性推理，在具备足够硬件算力条件下是值得被考虑的问题。同时，将动态表征下的知识进行散射、漫射、影射，实现多跳推理，是实现该问题的关键。模糊逻辑提供一个或多个连续状态变量映射至相应类别进行推理和决策的框架；神经网络利用程序，在大型典型案例数据库的训练过程中学习到的可变互联权重来进行的知識表达的算术框架；遗传与进化算法在进化遗传学的启发下，采用重复仿真的方法，缩小潜在的选项范围，选择最优解决方案。人类通过人机交互界面与机器交互，机器给予人类辅助决策。实现机件人化是人机融合中迈出的一大步。

目标行为层主要体现在人机混合决策方面。当出现更高水平的智能体时，人类永远处于决策的最高层，这是在许多领域达成的共识（在目标追求低人力成本条件下例外）。意义建构对真实世界中的生存至关重要，很多研究表明了人类努力建构这个世界中的对象、事件和态势的意义。人类较为擅长迹象解读，对人类而言，建构是一种心理活动。为了使机器有效地与人类合作，机器与人类的反应和决策应当将相同对象、事件或态势解读为相同的迹象，或者获得相同的意义。机器的辅助决策在必要时刻同样需要提供更完整的意义建构，达到人机混合决策的目标。

算计的应用

人机交互。当前人机交互最前沿的问题之一就是人与人工智能的交互，然而，我们仍未看到黎明前的曙光，究其因，人机之间只有“计算”，尚无“算计”浸入，再简化一点说，即只有“算”没有“计”。

人机交互中的“互”可以分为：基于态的交互、基于势的交互、基于感的交互、基于知的交互。另外一种分法是：基于事实性（数据）的交互和基于（主观）价值性的交互，以及基于事实—价值混合性的交互。人机系统中的算计就是人类没有数学模型的计算，科技计算中的“与或非”逻辑，大家比较熟悉了，此处不再赘述；科幻算计中的逻辑不妨称之为“是非应”，其中“是”偏同化、“非”侧顺应、“应”为平衡，当遇到未来科幻问题时，先用“是”、再用“非”、后用“应”。大是大非时，“大是”不动，先试“小非”，再试“中非”，若不行，“大非”不动，先试“小是”，再试“中是”，这些试的过程就是“中”的平衡。“应”就是不断尝试、调整、平衡。以上就是科技计算与人机算计结合的新逻辑体系，人机算计逻辑把握价值情感方向，科技计算逻辑细化事实理性过程。

机器是物理学与数学的结晶，环境是地理与历史的产物，人机环境系统交互代表的人机系统则是复杂形式与简单规律的表征。科幻的使命在于未来，所以更要肩负起“道非道，名非名”的重任与担当。现有的科技逻辑体系随着各学科的深入发展正渐露疲态，如数学的哥德尔不完备定理、物理的海森堡测不准原理、经济学的阿罗不可能定理等。时代在呼唤新的科学原理、新的技术手段，而这都需要出现新的逻辑体系，一种有别于传统思维方式且更符合客观事实与主观价值的（当前）非存在的有。

哲学上讲，客观世界是完全独立于主观世界的存在，但这是个伪命题，并不是真正存在的。真正能观察到的，是客观和主观之间的结合，由于观察者和被观察的世界相互作用，我们不可能无穷精准地把客观世界了解清楚。如当硬件能力到达一定程度，大家就会关注软件能力的提高，当软件能力到达一定程度，人们就会关注人件能力的提高。衡量一个科技产品的水平可以尝试从它“跨”“协”不同领域能力的速度和准确性来初步判断，同理可知，衡量一部人机系统的情理水平可以尝试从她“跨” “协”不同领域能力的速度和准确性来初步判断。简单地说，科技处理问题的方式一般是产生式的“if-then”因果关系，人机系统则更应是启发式的不求最优但求满意情理混合新逻辑，而启发式往往可以处理非线性问题。当人机在异常复杂的环境里无能为力之时，也许就是逻辑坍塌之际。或许，人机领域启发式的计算计恰恰就是新逻辑压缩成功与否的关键。

人机领域的瓶颈和难点之一是人机环境系统多域失调问题，具体体现在不同学科领域中的“跨”与“协”如何有效实现上。这不但关系到解决各种人机建构系统中“有态无势”，甚至是“无态无势”的不足，而且还将涉及到许多人机环系统“低效失能”的溯源。尝试把人文域、艺术域、社会域构成的基础理论域与物理域、信息域、认知域构成的科学技术域有机地结合起来，为实现人机跨域协同中的真实“跨”与有效“协”打下基础。

目前，针对客观现实及实际应用而言，我们要清醒地认识到：当前的人机环境系统大潮，并非基于科技发展机理认识上的重大突破，而只是找到了一种较能利用当前不完善科技和计算机特长的强大方法——“旧逻辑﹢旧科技”，它未必能撬开创造真幻之门。人们心目中的“人机”大都离不开理解、意向性、意志、情感、自我意识以及精神等方面的经历体验。这些方面的研究迄今并无突破，也无近期内会有重大突破的先兆。而且，依赖科技的可解释性、常识性、学习性和可视化都较差，对加深理解、提高认识、改善人机的结构和表达帮助有限。因此传统的基于预定策略和经验判断的逻辑方式不再可行。如何确保人群在高复杂度、高负荷的人机环境下，面对关键信息不充足的情况下，还要准确地从大量态势信息中获取有用信息、形成正确认知、迅速主动沉浸，成为未来人机领域亟需解决的问题。也许，能够控制人类思想的真正机制与迄今为止创建的任何传统逻辑都根本不同，正如爱因斯坦所言：“当数学谈及现实时，它不确定，当数学确定时，它无关现实。”而人的一切经验和信息都蕴藏在未来人机环境系统交互关系和新逻辑实践之中。

人机融合智能。人工智能虽然在各特定领域的应用越来越广泛，但人们对通用人工智能的呼声愈发明显，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。由此，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，然而收效甚微。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。人机融合智能将开启新的智能时代。

什么是人机融合智能？简单地说，就是着重描述一种由人、机、环境系统相互作用、充分利用人和机器的长处产生的新型智能形式（刘伟，2018）。它既不是人的智能，也不是人工智能。人机融合智能不是简单的人机结合，而是要让机器逐渐理解人的决策，让机器从人的不同条件下的决策来渐渐地理解价值权重的区别。人通过对周围环境的感知，加上自己的欲望冲动形成认知，而机器只能对周围环境获取数据、信息，通过特定的数据触发特定的执行过程，将人的认知能力与机的计算能力融合起来，建立新的理解途径，进而作出合目的性合规律性的决策，产生人机融合大于“人﹢机”的效果（刘伟，2019a）。人工智能只是人类智能可描述化、可程序化的一部分，而人类的智能是人、机（物）、环境系统相互作用的产物。人机功能能力的匹配分级可按全部人工、人主机器数据性辅助、人主机器规则化计算性推理辅助、人主机器概率化计算性推理辅助、人主机器弱判定性辅助决策、人主机器强判定性辅助决策划分，但无论如何，在人机系统中，人始终处于主导地位，即全过程人主机辅，以免造成系统失控的局势。

如何实现人机有机融合？目前的人机融合智能还处于初级阶段，仍有一些关键问题需要解决，其中最关键的是如何使机器的认知能力与机器的计算能力有机地融合（刘伟，2019b）。当下处于实际应用阶段的人机系统人和机器的分工明确，主要是机器将数据显示给人，人通过界面操作机器，并没有产生有效的融合。人的思维决策过程是在不断接收外界信息的基础上，通过感知理解、联想想象将外界信息内化为自己的知识或者经验常识，这也是学习过程，进而在遇到问题时可以调用自己的经验常识，并借助灵感直觉等对问题进行分析理解。而机器则不具备这种对外界信息的抽象和非理性思考的能力。所以，融合的关键是要在认知水平上提升机器的知识理解和学习能力，这样人和机器就能在认知水平进行沟通交流融合。人的联系、想象表现为对一个问题或者知识的抽象和迁移，这样才能跨域解决不同领域的问题。越是抽象的思维表征越能够适应不同的情境。同时，高抽象能力也会带来更普适的迁移能力，从而突破思维的局限性。人类通过先验知识的内化可完成非公理的直觉意识，机器则只是在理性逻辑下处理客观数据。让机器提升认知能力则是人机融合能够平滑的关键。

人机融合智能另一个需要考虑的关键问题是介入，即人機融合的时机与方式。当人的突然介入，或者人和机在对周围环境信息的感知处理出现不对称的情况进而导致的人和机所作出的决策有冲突时，系统该如何决断。在人机各自的决策冲突时，还会有可解释的问题，即一方该如何对自己的决策作出解释进而说服另一方。另外，人机融合中，机因为外界信息不足或者自身一些原因导致的历史决策正确率不高，这时便会出现人对机的信任问题，在一些特殊场景如军事应用中，决策失误的可容忍度是非常低的。如果在一般场景中，机的决策正确率很高，长此以往，又会导致人的依赖性过高，容易造成人性中的自信、果敢、勇气等优良特性丧失。人机混合智能机制机理的难点包括：算计的机理，智算（计算计）的机制，人机混合中信任、理解、意图、适应等基本概念的定义，人机混合智能中功能与能力的划界、适配，智算关键在于如何实现计和算的辩证统一，而对于反计算计方面，反计可以悖论矛盾，反算可以无穷循环，态势如何互生感知如何共融，如何学会像敌人一样思考并作出客观的判断和推论。

人机融合的表现即人机沟通的方式，有人机交互界面、辅助决策和人机功能分配等。人机之间应建立高速、有效的双向信息交互关系，避免信息不对称等问题。机擅长从周围环境中态势感知出更多定量、具体的信息，处理后应以简洁直观的方式呈现给人，人作出的思考、决策也应该可解释、有逻辑的应用于机。现有的在航空、核电、空管等领域应用的人机功能分配多是根据一些自动化水平量表做出的静态分配，通过一定系统相对合理地将不同的功能按人和机能力进行分配（M. Cummings et al.， 2007）。对人机功能实行合理的分配，可充分利用、结合人机各自的优势，体现人机融合系统的智能化。

时下的人工智能系统之所以还远远不能达到人们的期望，其根本原因在于构造人工智能的基础是当代数学，而不是真正的智能逻辑。首先数学不是逻辑，从数到图再到集合，从算数到微积分到范畴论，无一不是建立在公理基础上的数理逻辑体系。而真正的智能逻辑既包括数理逻辑也包括辩证逻辑，还包括未发现的许多逻辑规律，这些还未被发现的逻辑规律既有未来数学的源泉也有真情实感逻辑的涌现。真实智能从不是单纯脑的产物，而是人、物、环境相互作用、相互激发唤醒的产物，如一个设计者规划出的智能系统还需要制造者认真理解后的加工实现，更需要使用者因地制宜、有的放矢地灵活应用等。所以，一个好的人机融合智能涉及三者甚至多者之间的有效对立统一，既有客观事实状态的计算，也有主观价值趋势的算计，是一种人、物、环境的深度态势感知系统。而当前的人工智能无论是基于规则数学模型的、还是基于统计概率的，大都是基于计算，而缺乏人类算计的结合与嵌入，进而就远离了智能的真实与灵变。

总结与展望

人机交互是人工智能发展的重要一环，其中既需要新的理论方法，也需要对人、机、环境之间的关系进行新的探索。人工智能的热度不断加大，越来越多的产品走进人们的生活之中。但是，强人工智能依然没有实现，如何将人的算计智能迁移到机器中去，这是一个必然要解决的问题。我们已经从认知角度构建认知模型，或者从意识的角度构建意识图灵机，这都是对人的认知思维的尝试性理解和模拟，期望实现人的算计能力。计算—算计模型的研究不仅需要考虑机器技术的飞速发展，还要考虑交互主体即人的思维和认知方式，让机器与人各司其职，互相融合促进，这才是人机交互的前景和趋势。

人机混合智能如同智能一样，既不是人脑或类脑的产物，也不是人自身的产物，而是人、物、环境系统相互作用的产物，正如马克思所言：“人的本质不是单个人所固有的抽象物，在其现实性上，它是一切社会关系的总和。”例如，狼孩尽管具有人脑的所有结构和组成成分，但没有与人类社会环境系统的交流或交互，也不可能有人的智能和智慧。事实上，未来的人机同样也蕴含着人、物、环境这三种成分，随着科技的快速发展，其中的物也逐渐被人造物的机所取代，简称为人机环境系统。平心而论，人机要超越目前科技水平，在现有数学体系和思維模式上，基本不大可能，但在过去、现在、未来人机环境系统中却是有可能的。科技是逻辑的，人机则不一定是逻辑的，人机是一个非常辽阔的空间，它可以随时打开异质的集合，把客观的逻辑与主观的超逻辑结合起来。

参考文献

金观涛，2019，《系统的哲学》，厦门：鹭江出版社。

刘伟，2018，《智能与人机融合智能》，《指控信息系统与技术》 ，第4期。

刘伟，2019a，《追问人工智能：从剑桥到北京》，北京：科学出版社。

刘伟，2019b，《人机融合智能的现状与展望》，《国家治理》，第4期。

B. J. Baars， 1997， "In the Theater of Consciousness： Global Workspace Theory， A Rigorous Scientific Theory of Consciousness，" Journal of Consciousness Studies， 4（4）.

B. Manuel and B. Lenore， 2021， "A Theoretical Computer Science Perspective on Consciousness，" Journal of Artificial Intelligence and Consciousness， 8（1）.

D. Wlodzislaw; R. J. Oentaryo; P. Michael， 2008， "Cognitive Architectures： Where Do We Go from Here？" Frontiers in Artificial Intelligence and Applications， 171， IOS Press.

D. Lee， 2020， Birth of Intelligence： From RNA to Artificial Intelligence， Oxford University Press.

L. Segal， 2001， The Dream of Reality： Heinz von Foerster's Constructivism， Springer Science & Business Media.

M. Cummings et al.， 2007， "Automation Architecture for Single Operator， Multiple UAV Command and Control，" The International C2 Journal， 1（2）.

M. A. Boden， 2016， AI： Its Nature and Future， Oxford University Press UK.

P. Langley; J. E. Laird; Seth Rogers， 2009， "Cognitive Architectures： Research Issues and Challenges，" Cognitive Systems Research， 10（2）.

R. Collobert; J. Weston; L. Bottou; M. Karlen; K. Kavukcuoglu; P. Kuksa， 2011， "Natural Language Processing （Almost） from Scratch，" Journal of Machine Learning Research， 12.

S. B. Wintermute， 2010， "Abstraction， Imagery， and Control in Cognitive Architecture，" Michigan： University of Michigan.

责 编∕李思琪

A Viable Architecture for Man-Machine Integration Intelligence：

A Computation-Calculation Model

Liu Wei

Abstract： Artificial intelligence has achieved remarkable results. However， AI at this stage is still far from reaching a level close to human mind. In a complex environment， AI with computational system alone has great limitations and cannot achieve similar results as human intelligence. Therefore， we need human to play an important role in the cooperation with the AI， so that the value of the machine's ability （computation） and the value of the human's ability （calculation） can synergize to achieve better intelligence. The computation-calculation model provides a feasible architecture for man-machine integration intelligence. It needs to consider both the rapid development of machine technology and the way of thinking and cognition of the interacting subject， i.e.， humans， so that machines and humans can each do their own job and integrate and facilitate each other， which is the prospect and trend of human-computer interaction.

Keywords： jisuanji， deep situational awareness， human-machine interaction， man-machine integration intelligence

劉伟，北京邮电大学人工智能学院研究员，清华大学战略与安全中心人工智能组专家，剑桥大学访问学者。研究方向为人机混合智能、人机交互、认知工程、用户体验、人机环境系统工程、分析哲学、未来态势感知模式与行为分析/预测技术。主要著作有《人机融合——超越人工智能》《追问人工智能：从剑桥到北京》等。