人機混合智能的可行架構：計算—算計模型

【摘要】人工智能成果斐然，然而現階段的人工智能體還遠未達到接近人類心智的水平。復雜環境下，僅靠計算體系的人工智能有很大限制，無法達到人工智能所追求的與人類智能相似的結果，故而我們需要人在人機交互融合中發揮重要作用，使機的能力價值（計算）與人的能力價值（算計）協同以達到更好的智能。計算—算計模型為人機混合智能提供了一種可行架構。它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，互相融合促進，這才是人機交互的前景和趨勢。

【關鍵詞】計算計? 深度態勢感知? 人機交互? 人機混合智能

【中圖分類號】TP18? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻標識碼】A

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

引言

現如今，人類對人工智能還未下確切的定義，一個符合大多數人觀點的定義是：讓計算機完成人類心智能做的各種事情。從20世紀40年代圖靈的人工智能預言，到20世紀80年代專家系統的開發，再到如今三大主義分支的人工智能應用滲透到人類生活的各個方面（M. A. Boden， 2016）。其中，聯結主義強調模仿大腦皮質神經網絡以及神經網絡間的聯結機制，即用多隱層的處理結構，處理各種大數據；行為主義以模仿人或生物個體、群體控制行為功能為主，主要表現為具有獎懲控制機制的強化學習方法；符號主義強調以物理符號系統來產生智能行為，主要應用為知識圖譜的應用體系。人工智能的應用取得了一定成果，同時也存在不可忽視的缺陷。聯結主義下的深度學習算法不可微分，計算收斂性較弱，在開放的動態環境下效果較差，其模型本身是一個“黑盒”（R. Collobert et al.， 2011）。行為主義的強化學習將人的行為過程看的過于簡單，實驗中只是測量簡單的獎懲反饋過程。其次行為主義研究可觀察行為，往往忽視內部的心理活動，否定意識的重要性，將意識與行為對立。符號主義及其知識圖譜遇到了如何定義“常識”的問題以及不確知事物的知識表示與問題求解的問題。

要讓人工智能接近人類的心智，還需要探索何為智能。大部分對智能的定義有一個共同特點：認為智能是解決問題的能力，解決更復雜的問題需要更高水平的智能。相比于加減法，微分方程需要更高的智能水平；相比于井字游戲，圍棋需要更高的智能水平。然而，機器能夠求解某種特定問題，并不意味著機器具有較高的智能水平，哪怕這種問題非常復雜（D. Lee， 2020）。以人類的神經網絡為例，神經網絡常常簡化為感知器、中樞、效應器組成的系統單元，且三個系統每一個都由許多神經元組成，互相之間都有反饋。以目前的神經科學分析手段，該模型是正確的，然而人們忽略了外界信息與體內信息的比例。具體來說，人們常常將該系統簡化為輸入輸出系統，而實際上，神經系統接收內部信息的感受器是接受外部信息感受器的10萬倍（L. Segal， 2001）。也就是說，神經系統在整體上更像一個自我封閉系統。而且，正是神經網絡的封閉性，使得建構主義可以推出客觀存在不能離開建構者的哲學理論（金觀濤，2019）。機器作為客觀存在，解決問題離不開人類。所以說，實現完全脫離人類的通用人工智能系統是不現實的。本文先對算計進行定義，接著介紹其研究意義及發展，討論算計與計算的區別聯系并提出計算—算計模型，最后介紹了算計在人機交互、人機融合智能中的應用并進行總結。

算計的定義和性質

算計是一種用感性與理性的混合手段處理各種事實價值混合關系的方法，即使沒有數據也可以一目了然地深度態勢感知。算計可以在多方面、多過程體現：算計是運用計算之前的行為，是非自發的秩序，是人事先設計而產生的，由人類設計而非人類行為產生的秩序。算計是多算勝，少算不勝，是知己知彼的“知”。算計是沒有數和圖的計算，即沒有數學的計算，是人類帶有動因的理性與感性混合盤算，是已有邏輯形式與未知邏輯形式的融合籌劃。

如果說“計算”的未來在于利用宇宙復雜的物理行為，那么“算計”的未來則在于利用宇宙復雜的物理與非物理行為。與機器計算不同的是，人的算計是復合型的，既有體現事實的理性部分，又有體現價值的感性部分，而且感性部分可以不自洽、可以矛盾（如愛恨交加），甚至可以辯證（相互轉化），所以，感性價值是人機之間智能的最重要區別之一。當然，人機之間的理性事實和理性價值部分也不是完全等價的。具體而言，人類的一多關系與機器的一多結構常常不是一回事。

算計的研究意義與發展

認知。認知也可以稱為認識，是指人認識外界事物的過程，或者說是對作用于人的感覺器官的外界事物進行信息加工的過程。它包括感覺、知覺、記憶、思維、想象、言語，是指人們認識活動的過程，即個體對感覺信號接收、檢測、轉換、簡約、合成、編碼、儲存、提取、重建、概念形成、判斷和問題解決的信息加工處理過程。在心理學中是指通過形成概念、知覺、判斷或想象等心理活動來獲取知識的過程，即個體思維進行信息處理的心理功能。

認知模型是在理解人類認知能力的基礎上構建的模擬人的認知過程的計算模型（S. B. Wintermute， 2010）。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。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，通過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，進而可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（P. Langley et al.， 2009）。杜奇（Wlodzislaw Duch）根據記憶和學習的不同將現有的認知模型分為三類：符號化認知模型、浮現式認知模型和混合型認知模型（D. Wlodzislaw et al.， 2008）。

深度態勢感知。人們對“態”常用感覺，對“勢”常用知覺，而世界的態、勢常常是混雜的，所以人們對世界的認識往往是“感﹢知”的，于是“態勢感知”便成了固定搭配。后來，人們發現知對應的“勢”一般是“短勢”，為了處理“中長勢”，形成某種更深邃的洞察力，即超越事實本身的理解、判斷、預測能力，“態勢認知”便呼之欲出了。也可以說：認知是對感知的感知。再后來，人們發現人的認知是有偏好、習慣、先驗、模糊、記憶等局限的，而機器和協同的機制機理可以與之相得益彰、取長補短，這樣自然就衍生出了“人機融合的深度態勢認知”概念。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），既能夠理解事物原本之意，也能夠明白弦外之音。它是在以艾德雷斯（Mica R. Endsley）為主體的態勢感知（包括信息輸入、處理、輸出環節）基礎上，加上人、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。

從某種意義上講，深度態勢感知是為完成主題任務在特定環境下組織系統充分運用各種人的認知活動（如目的、感覺、注意、動因、預測、自動性、運動技能、計劃、模式識別、決策、動機、經驗及知識的提取、存儲、執行、反饋等）的綜合體現。既能夠在信息、資源不足情境下運轉，也能夠在信息、資源超載情境下作用。通過實驗模擬和現場調查分析，我們認為深度態勢感知系統中存在著“跳蛙”現象（自動反應），即從信息輸入階段直接進入輸出控制階段（跳過了信息處理整合階段），這主要是由于任務主題的明確、組織／個體注意力的集中和長期針對性訓練的條件習慣反射引起的，可以無意識地協調各種自然活動的秩序。該系統進行的是近乎完美的自動控制，而不是有意識的規則條件反應。深度態勢感知本質上就是變與不變、一與多、自主與被動等諸多悖論產生并解決的過程。所以該系統不應是簡單的人機交互而應是貫穿整個人機環境系統的自主（包含期望、選擇、控制，甚至涉及情感領域）認知過程。鑒于研究深度態勢感知系統涉及面較廣，極易產生非線性、隨機性、不確定性等系統特征，系統建模研究時常面臨著較大困難。

算計。人類的符號、聯結、行為、機制主義是多層次多角度，甚至是變層次變角度的。相比之下，機器的符號、聯結、行為、機制主義是單層次單角度，甚至是固層次固角度的。人類思維的本質是隨機應變的程序，也是可實時創造的程序，能夠解釋符號主義、聯結主義、行為主義、機制主義之間的聯系并能夠打通這些聯系，實現綜合處理。達文波特（Thomas H. Davenport）認為：人類的某種智能行為一旦被拆解成明確的步驟、規則和算法，它就不再專屬于人類了。人機混合智能難題在于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。

算計是人類不借助機器的跨域多源異構系統的復雜“計算”過程。某種意義或程度上，算計就是“觀演一體化”“存算一體化”這兩個“神經形態”過程的交互平衡，觀（存）就是拉大尺度或顆粒的非實時top-down過程，演（算）就是小尺度細顆粒實時bottom-up過程。在跳躍的思維之外，人類的心智本質上不是符號的，因而是不可計算的，人腦不是電腦，在具有物理屬性的同時還有非物理的生理和心理屬性。既能夠從無意義的事實中孵化出有意義的價值，也能夠從有意義的價值中產生出無意義的事實。這種主客觀的混合決定了心智的計算計（“計算﹢算計”）特點，即有限的理性計算與無限的感性算計共在。例如人類創新“跳躍式”思維也不是基于計算的，即那些常常不按照語言和邏輯所做的思維。所以，完全基于機器的人工智能可能也無法有“跳躍式”思維，因此就不太可能有真正非封閉開放環境下的創造性。

真實世界里的各種概念、命題具有著各種組合流動性和彈性。算計不是符號性的，而是流程性的，也是意識的顯化過程。意識或許就是許多“隱性”的“顯性”化，隱態與隱勢的顯化，隱感或隱知的顯化，隱注意及隱記憶的顯化，隱判斷與隱推理的顯化，隱分析且隱決策的顯化，隱事實和隱價值的顯化，隱人情并隱物理的顯化。東方的算計以前主要是算計人情世故管理，現在正在融入物理、數理、法理等的新算計。

現在，越來越多的人認為，各種算法必須超越表面相關性，達到真正理解的水平，從而實現更高水平的人機融合智能。態與勢是兩個藕連體，勢態與態勢反映兩個不同點的變化方向，用算計比用計算更準確。

進而在此基礎上對比東西方在算計上的差異猶如解構主義之父法國著名哲學家雅克·德里達（Jacques Derrida）所言：邏輯理性的有無。衍生于北非中亞文明的西方發現了科技的力量，并發明了一系列相關的學科領域，形成了以“算”為核心的世界觀和價值觀，不但“名可名”，而且“道可道”，以客觀事實為基礎，以邏輯理性為工具，為人類社會還原了物質世界、經濟現象、自然選擇的許多規律，作出了很大的貢獻。然而，最近一段時間，西方的許多有識之士在充分開發發掘其邏輯理性優勢的同時愈發感覺到了邏輯理性的局限和不足，自覺或不自覺地把目光投向了他們認為“神秘”的東方智慧，從物理到心理再到管理等，從早期的萊布尼茨（Gottfried Wilhelm Leibniz）到李約瑟（Joseph Needham）再到侯世達（Douglas Richard Hofstadter）等人，東方思想的“計”與西方的“算”是很好的一對搭檔，也是定性與定量、主觀與客觀、價值與事實、系統與還原的完美結合。正可謂：“沒有比人更高的山，沒有比計更好的算”。

算計與計算的區別與聯系

計算的本體是事實性概念，算計的本體是價值性偏好。計算的主體是人，算計的主體是包含人的系統。計算的主體可變，本體不變；算計的主體不變，本體常變。計算使用參數建模，算計創造參數建模。計算常常是以感—存—算—傳—用—饋—評的順序展開，而算計卻往往根據具體情況具體打破感—存—算—傳—用—饋—評的秩序組合，可以一會兒感—存—算，也可以一會兒感—算—評。對于計算來說，如果是客觀事實輸入，那么就會輸出確定性的客觀事實，可謂是真憑實據、實事求“是”，是理性being（現實性）的邏輯推理；對于算計則不然，即使是客觀事實輸入，也不一定就會輸出確定性的客觀事實，即真實的輸入可以用主觀改變選擇從而輸出價值，實事求“義”，是感性should（可能性）的非邏輯實現。如輸入“23”，可以是“喬丹”，也可以是“詹姆斯”等。

真實的博弈過程中，表面上是數學計算的理性過程，實際上還有算計的感性過程，更準確地說是計算計的過程，即雙方不僅僅是在理性中刀光劍影，還存在著大量感性因素的波譎云詭，是事實與價值混合鉸鏈在一起的“華山文理之戰”。

計算的基礎是有限的封閉性，算計的特點是有條件的開放性，計算計即從有限的客觀事實being（現實性）推理出無限的主觀價值should（可能性）。計算是確定性的推理，算計是不確定性的推理，計算計是確定性與不確定性的彌聚混合。機器只有局部性事實邏輯，沒有人類的整體性價值邏輯，因此人機結合起來可實現功能與能力的互補，用人類的算計這把利刃穿透機器計算不時遇到的各種各樣的“墻”。人機融合中有價值的東西通過動態環境使得事實過程變成對智能邏輯而言有意義的事情，事實不因事實本身是什么而是什么，而是在與價值的融合之中是其所是，這就需要建立一套新的邏輯體系加以支撐，即人機融合的計算—算計邏輯體系。

那么，什么是計算？什么是算計？計算是從已知條件開始的邏輯，解決“復”，算計是從未知前提出發的直覺，處理“雜”。算計的核心有兩個字：“異”和“易”。

算計里面對于不同領域的東西進行變化平衡的處理，這是算計的核心。而計算恰恰是講究相同的結構、相同的數據、相同的性質，才能進行，算出的結果往往是不變的、是確定的。

相比之下，人重價值邏輯，機偏事實邏輯，人側辯證邏輯，機向形式邏輯。那么人機融合則是辯證的形式邏輯或形式的辯證邏輯，這就涉及到一個邏輯轉化的難題，即事實形式化邏輯如何轉化為價值辯證邏輯，或價值辯證邏輯如何轉化為事實形式化邏輯問題。表面上，人類的辯證邏輯是用來思考問題而不是解決問題的，解決問題要靠形式邏輯。實際上，這是對形式化計算邏輯與辯證性算計邏輯的認識不清所致，與計算思維不同，算計思維方式在很多方面都與計算邏輯相悖。

計算與算計的關系也是密不可分的。計算的過程中需要算計來指引方向，算計的過程中也需要用計算來完成基礎性的工作。二者缺一不可，只有二者結合才能實現更好的智能。

計算—算計模型

人工智能成果斐然，然而現階段的人工智能體還遠未達到接近人類心智的水平。復雜環境下，計算體系中的人工智能水平有限，無法發揮其優勢。智能是一個復雜系統，在追求算力與算法實現人工智能應用的時代，人在與智能體的合作中的作用不可忽視。機的能力價值（計算）與人的能力價值（算計）協同系統還需進一步研究。根據現有的計算及認知領域成果，筆者提出計算—算計模型，包括態勢感知層、認知決策層和目標行為層。

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于自然與社會，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。即，人類對任務以及環境的感知很大程度上基于經驗，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交互之間實現平衡的重要性?，F如今，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代理（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，算計的思想即包含于其中。20世紀80年代專家系統盛行，基于人工智能的專家系統風靡一時，機器可以進行簡單的問答，但問答內容局限性較強。主要原因除計算能力外，還有機器被授予的推理能力是基于一對一、一對多、多對一的知識映射關系。如何實現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。同時，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融合中邁出的一大步。

目標行為層主要體現在人機混合決策方面。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，很多研究表明了人類努力建構這個世界中的對象、事件和態勢的意義。人類較為擅長跡象解讀，對人類而言，建構是一種心理活動。為了使機器有效地與人類合作，機器與人類的反應和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刻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。

算計的應用

人機交互。當前人機交互最前沿的問題之一就是人與人工智能的交互，然而，我們仍未看到黎明前的曙光，究其因，人機之間只有“計算”，尚無“算計”浸入，再簡化一點說，即只有“算”沒有“計”。

人機交互中的“互”可以分為：基于態的交互、基于勢的交互、基于感的交互、基于知的交互。另外一種分法是：基于事實性（數據）的交互和基于（主觀）價值性的交互，以及基于事實—價值混合性的交互。人機系統中的算計就是人類沒有數學模型的計算，科技計算中的“與或非”邏輯，大家比較熟悉了，此處不再贅述；科幻算計中的邏輯不妨稱之為“是非應”，其中“是”偏同化、“非”側順應、“應”為平衡，當遇到未來科幻問題時，先用“是”、再用“非”、后用“應”。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?！皯本褪遣粩鄧L試、調整、平衡。以上就是科技計算與人機算計結合的新邏輯體系，人機算計邏輯把握價值情感方向，科技計算邏輯細化事實理性過程。

機器是物理學與數學的結晶，環境是地理與歷史的產物，人機環境系統交互代表的人機系統則是復雜形式與簡單規律的表征?？苹玫氖姑谟谖磥?，所以更要肩負起“道非道，名非名”的重任與擔當?，F有的科技邏輯體系隨著各學科的深入發展正漸露疲態，如數學的哥德爾不完備定理、物理的海森堡測不準原理、經濟學的阿羅不可能定理等。時代在呼喚新的科學原理、新的技術手段，而這都需要出現新的邏輯體系，一種有別于傳統思維方式且更符合客觀事實與主觀價值的（當前）非存在的有。

哲學上講，客觀世界是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。如當硬件能力到達一定程度，大家就會關注軟件能力的提高，當軟件能力到達一定程度，人們就會關注人件能力的提高。衡量一個科技產品的水平可以嘗試從它“跨”“協”不同領域能力的速度和準確性來初步判斷，同理可知，衡量一部人機系統的情理水平可以嘗試從她“跨” “協”不同領域能力的速度和準確性來初步判斷。簡單地說，科技處理問題的方式一般是產生式的“if-then”因果關系，人機系統則更應是啟發式的不求最優但求滿意情理混合新邏輯，而啟發式往往可以處理非線性問題。當人機在異常復雜的環境里無能為力之時，也許就是邏輯坍塌之際?；蛟S，人機領域啟發式的計算計恰恰就是新邏輯壓縮成功與否的關鍵。

人機領域的瓶頸和難點之一是人機環境系統多域失調問題，具體體現在不同學科領域中的“跨”與“協”如何有效實現上。這不但關系到解決各種人機建構系統中“有態無勢”，甚至是“無態無勢”的不足，而且還將涉及到許多人機環系統“低效失能”的溯源。嘗試把人文域、藝術域、社會域構成的基礎理論域與物理域、信息域、認知域構成的科學技術域有機地結合起來，為實現人機跨域協同中的真實“跨”與有效“協”打下基礎。

目前，針對客觀現實及實際應用而言，我們要清醒地認識到：當前的人機環境系統大潮，并非基于科技發展機理認識上的重大突破，而只是找到了一種較能利用當前不完善科技和計算機特長的強大方法——“舊邏輯﹢舊科技”，它未必能撬開創造真幻之門。人們心目中的“人機”大都離不開理解、意向性、意志、情感、自我意識以及精神等方面的經歷體驗。這些方面的研究迄今并無突破，也無近期內會有重大突破的先兆。而且，依賴科技的可解釋性、常識性、學習性和可視化都較差，對加深理解、提高認識、改善人機的結構和表達幫助有限。因此傳統的基于預定策略和經驗判斷的邏輯方式不再可行。如何確保人群在高復雜度、高負荷的人機環境下，面對關鍵信息不充足的情況下，還要準確地從大量態勢信息中獲取有用信息、形成正確認知、迅速主動沉浸，成為未來人機領域亟需解決的問題。也許，能夠控制人類思想的真正機制與迄今為止創建的任何傳統邏輯都根本不同，正如愛因斯坦所言：“當數學談及現實時，它不確定，當數學確定時，它無關現實?！倍说囊磺薪涷灪托畔⒍继N藏在未來人機環境系統交互關系和新邏輯實踐之中。

人機融合智能。人工智能雖然在各特定領域的應用越來越廣泛，但人們對通用人工智能的呼聲愈發明顯，不再滿足于弱人工智能有限的能力。計算機發展到今天，算力已經大幅提升，量子計算機又會將算力提升幾個數量級。由此，我們轉而思考人類智能的本質、來源，試圖從認知神經科學等方面找靈感來理解意識，希望賦予人工智能自主意識，然而收效甚微。更為實際可行的方案是人機交互融合，充分讓人的意識思考，即算計與機的邏輯計算有機地結合起來，讓機在融合中去學習理解人的算計能力。人機融合智能將開啟新的智能時代。

什么是人機融合智能？簡單地說，就是著重描述一種由人、機、環境系統相互作用、充分利用人和機器的長處產生的新型智能形式（劉偉，2018）。它既不是人的智能，也不是人工智能。人機融合智能不是簡單的人機結合，而是要讓機器逐漸理解人的決策，讓機器從人的不同條件下的決策來漸漸地理解價值權重的區別。人通過對周圍環境的感知，加上自己的欲望沖動形成認知，而機器只能對周圍環境獲取數據、信息，通過特定的數據觸發特定的執行過程，將人的認知能力與機的計算能力融合起來，建立新的理解途徑，進而作出合目的性合規律性的決策，產生人機融合大于“人﹢機”的效果（劉偉，2019a）。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。人機功能能力的匹配分級可按全部人工、人主機器數據性輔助、人主機器規則化計算性推理輔助、人主機器概率化計算性推理輔助、人主機器弱判定性輔助決策、人主機器強判定性輔助決策劃分，但無論如何，在人機系統中，人始終處于主導地位，即全過程人主機輔，以免造成系統失控的局勢。

如何實現人機有機融合？目前的人機融合智能還處于初級階段，仍有一些關鍵問題需要解決，其中最關鍵的是如何使機器的認知能力與機器的計算能力有機地融合（劉偉，2019b）。當下處于實際應用階段的人機系統人和機器的分工明確，主要是機器將數據顯示給人，人通過界面操作機器，并沒有產生有效的融合。人的思維決策過程是在不斷接收外界信息的基礎上，通過感知理解、聯想想象將外界信息內化為自己的知識或者經驗常識，這也是學習過程，進而在遇到問題時可以調用自己的經驗常識，并借助靈感直覺等對問題進行分析理解。而機器則不具備這種對外界信息的抽象和非理性思考的能力。所以，融合的關鍵是要在認知水平上提升機器的知識理解和學習能力，這樣人和機器就能在認知水平進行溝通交流融合。人的聯系、想象表現為對一個問題或者知識的抽象和遷移，這樣才能跨域解決不同領域的問題。越是抽象的思維表征越能夠適應不同的情境。同時，高抽象能力也會帶來更普適的遷移能力，從而突破思維的局限性。人類通過先驗知識的內化可完成非公理的直覺意識，機器則只是在理性邏輯下處理客觀數據。讓機器提升認知能力則是人機融合能夠平滑的關鍵。

人機融合智能另一個需要考慮的關鍵問題是介入，即人機融合的時機與方式。當人的突然介入，或者人和機在對周圍環境信息的感知處理出現不對稱的情況進而導致的人和機所作出的決策有沖突時，系統該如何決斷。在人機各自的決策沖突時，還會有可解釋的問題，即一方該如何對自己的決策作出解釋進而說服另一方。另外，人機融合中，機因為外界信息不足或者自身一些原因導致的歷史決策正確率不高，這時便會出現人對機的信任問題，在一些特殊場景如軍事應用中，決策失誤的可容忍度是非常低的。如果在一般場景中，機的決策正確率很高，長此以往，又會導致人的依賴性過高，容易造成人性中的自信、果敢、勇氣等優良特性喪失。人機混合智能機制機理的難點包括：算計的機理，智算（計算計）的機制，人機混合中信任、理解、意圖、適應等基本概念的定義，人機混合智能中功能與能力的劃界、適配，智算關鍵在于如何實現計和算的辯證統一，而對于反計算計方面，反計可以悖論矛盾，反算可以無窮循環，態勢如何互生感知如何共融，如何學會像敵人一樣思考并作出客觀的判斷和推論。

人機融合的表現即人機溝通的方式，有人機交互界面、輔助決策和人機功能分配等。人機之間應建立高速、有效的雙向信息交互關系，避免信息不對稱等問題。機擅長從周圍環境中態勢感知出更多定量、具體的信息，處理后應以簡潔直觀的方式呈現給人，人作出的思考、決策也應該可解釋、有邏輯的應用于機?，F有的在航空、核電、空管等領域應用的人機功能分配多是根據一些自動化水平量表做出的靜態分配，通過一定系統相對合理地將不同的功能按人和機能力進行分配（M. Cummings et al.， 2007）。對人機功能實行合理的分配，可充分利用、結合人機各自的優勢，體現人機融合系統的智能化。

時下的人工智能系統之所以還遠遠不能達到人們的期望，其根本原因在于構造人工智能的基礎是當代數學，而不是真正的智能邏輯。首先數學不是邏輯，從數到圖再到集合，從算數到微積分到范疇論，無一不是建立在公理基礎上的數理邏輯體系。而真正的智能邏輯既包括數理邏輯也包括辯證邏輯，還包括未發現的許多邏輯規律，這些還未被發現的邏輯規律既有未來數學的源泉也有真情實感邏輯的涌現。真實智能從不是單純腦的產物，而是人、物、環境相互作用、相互激發喚醒的產物，如一個設計者規劃出的智能系統還需要制造者認真理解后的加工實現，更需要使用者因地制宜、有的放矢地靈活應用等。所以，一個好的人機融合智能涉及三者甚至多者之間的有效對立統一，既有客觀事實狀態的計算，也有主觀價值趨勢的算計，是一種人、物、環境的深度態勢感知系統。而當前的人工智能無論是基于規則數學模型的、還是基于統計概率的，大都是基于計算，而缺乏人類算計的結合與嵌入，進而就遠離了智能的真實與靈變。

總結與展望

人機交互是人工智能發展的重要一環，其中既需要新的理論方法，也需要對人、機、環境之間的關系進行新的探索。人工智能的熱度不斷加大，越來越多的產品走進人們的生活之中。但是，強人工智能依然沒有實現，如何將人的算計智能遷移到機器中去，這是一個必然要解決的問題。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意識圖靈機，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—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，互相融合促進，這才是人機交互的前景和趨勢。

人機混合智能如同智能一樣，既不是人腦或類腦的產物，也不是人自身的產物，而是人、物、環境系統相互作用的產物，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?！崩?，狼孩盡管具有人腦的所有結構和組成成分，但沒有與人類社會環境系統的交流或交互，也不可能有人的智能和智慧。事實上，未來的人機同樣也蘊含著人、物、環境這三種成分，隨著科技的快速發展，其中的物也逐漸被人造物的機所取代，簡稱為人機環境系統。平心而論，人機要超越目前科技水平，在現有數學體系和思維模式上，基本不大可能，但在過去、現在、未來人機環境系統中卻是有可能的?？萍际沁壿嫷?，人機則不一定是邏輯的，人機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。

參考文獻

金觀濤，2019，《系統的哲學》，廈門：鷺江出版社。

劉偉，2018，《智能與人機融合智能》，《指控信息系統與技術》 ，第4期。

劉偉，2019a，《追問人工智能：從劍橋到北京》，北京：科學出版社。

劉偉，2019b，《人機融合智能的現狀與展望》，《國家治理》，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.

責 編∕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

劉偉，北京郵電大學人工智能學院研究員，清華大學戰略與安全中心人工智能組專家，劍橋大學訪問學者。研究方向為人機混合智能、人機交互、認知工程、用戶體驗、人機環境系統工程、分析哲學、未來態勢感知模式與行為分析/預測技術。主要著作有《人機融合——超越人工智能》《追問人工智能：從劍橋到北京》等。