博文
什么是智能？
||
一
智能是什么？人具有智能的一部分，而不是全部。
智能是东西方文明一直共同关注的对象，孟子曰:“是非之心，智也”（《告子上》）；是非在西方可以用“to be or not to be”来替代，两者之间的活动——应该（should）即是智能。西方人偏哲学科学是为了反对迷信（神太多），中国人好历史伦理是以人为本（人不少），其实智能里这些成分都有。智能里包含了逻辑，同时也存在着大量的非逻辑成分，如直觉、非公理、模糊等因素。智能里不仅存在着逻辑/伦理悖论的对抗，而且还隐藏着逻辑/伦理悖论的妥协，本质上是用多元（一切）的可能性通过一元（一）的现实性不失其意的表征，简言之，就是把万千的可能性用唯一的现实性表达出来，以简示繁，弥聚有度。
智能是相关无关化的应该存在，即把表面上无关（本质上存在着千丝万缕关系）的事物应该相关在一起去发现、分析、解决问题的能力。评价智能好坏的指标是处理问题的复杂程度。首要的关系不是智能和事物的关系，而是：智能就是事物的关系，智能把每一物拥入存在并保持在存在里，就此而言，智能本身即是关联，不考虑因果的关联。狭义的智能有时空性（如人工智能），要求在资源有限的情况下适应性地处理信息；广义的智能则没有时空性（如智慧），用无限的材质方法去达到目的——这种有无时空的跨界也是智能很难被定义的原因之一。
人们解释世界常常是秩序（时序）的，但理解世界往往不是如此，改造世界更不是这般! 智能提供了使现实在其可能性中显现的“逻辑空间”。智能使得“可能性优先于现实性”出现了，然后把世界转变成了一个可能的世界，同时又实现了新的现实性。从这个意义上说，智能就是现实可能性的能力。
智能是由最小的知觉所触发的适应性交互行为。这种行为的缔造者不是人脑，也不是人，而是由人物环境系统相互作用产生的。这种行为在自然和日常中得到体现。知觉是身体感觉和交互行为产生出的关系。所有关涉事物或事实的智能基准点就是“我”的存在，“我”的概念包括了身体、行为、意识、语言、秩序、关系、机制机理等方面，事实上，这个世界是由“我”构建生成的，所有的交互都是以个性化出现的，涉及到外部的事物变化也是个性化的理解，随着“我”的消失，这些变化就会变化，进而由新“我”一切态势，其中应该有旧“我”的痕迹。创造性的本质和源泉就是个性化的“我”。“我”从幼儿到儿童到青年到成人就是从无智~意智~情智~理智的过程，也即从本能到智能的过程，这个演化过程可以粗略地用这样一组类比来体验一下：照猫画猫，照猫画虎，照猫画豹，照猫画狗，照猫画鹿，照猫画马，照猫画猴，照猫画人，照猫画外星人…啥也不照就成啦。这是一个从形式到内容再到价值的过程，个性化具有语义形态，大众化具有语法模式，而连接两者的就是适用的语用情境。智能是顺势而为，天地人、人机环的合一。智能同时又可逆势而为，一刀切，出奇制胜（明知不可为而为之）。
智能是关系主观的建构，智能同时也是对客观存在的反映，是一种主客观融合的产物。所谓对客观存在的描述实际上就是把人物（机）环境系统之间的交互关系梳理清楚、分析干净。仅以当前的数学模型确实很难，有不完备的成分在。从这个意义上说，大家对智能的突破期待，实际上是对崭新描述方法和手段的渴望。尽管主客观二元划分的方法虽然为人类提供了不少解释世界的便利，但同时也为改造世界设置了一定的障碍，如何打破之（比如除了主客体之外设立第三体角度），可能是未来的一个突破方向吧！
当前的智能本身就不是单独的科学或数学或哲学或人文能解决的一个学问。比如说数学，现在的数学可以比较好比较精确描述物理对象，但是比较难描述复杂过程。未来的智能本身也不是以后的某个学科单独能解决的一个学问。它本质是复杂性问题，需要多领域的不断地交叉融合。当然，通过一些学科的努力会取得一些进步，但这些进步也许会造成一些隐形的退步或阻碍，简而言之——进步的退步。
二
从某种意义上说，人类文明是一个人类对世界和自己不断认知的过程，所谓认知就是对有用的数据---信息进行采集过滤、加工处理、预测输出、调整反馈的全过程。
自学习系统就是系统具有能够按照自己运行过程中的经验来改进控制算法的能力，它是自适应系统的一个延伸和发展。自学习系统理论也是用于工程控制的理论，它有“定式”和“非定式”两个方面。前者是根据已有的答案对系统工作状态做出判断来改进系统的控制，使之不断趋近于理想的算法。后者是通过各种试探、统计决策和模式识别等工作来对系统进行控制，使之趋近于理想的算法。
一般而言，人、机、环境（自然、社会）等构成特定情境的组成成分常常会发生快速的变化，在这种快节奏的态势演变中，由于没有充分的时间和足够的信息来形成对态势的全面感知、理解，所以准确对未来态势的定量预测可能会大打折扣（但应该不会影响对未来态势的定性分析）。大数据时代，对于人工智能系统而言，如何在充分理清各组成成分及其干扰成分之间的排斥、吸引、竞争、冒险等逻辑关系的基础上，建立起基于离散规则和连续概率，甚至包括基于情感和顿悟的、反映客观态势的定性定量综合决策模型越发显得更为重要，简言之，不了解数据表征关系（尤其是异构变异数据）的大数据挖掘是不可靠的，建立在这种数据挖掘上的智能预测系统也不可能是可靠的。
另外，在智能预测系统中也时常面对一些管理缺陷与技术故障难以区分的问题，如何把非概念问题概念化？如何把异构问题同构化？如何把不可靠的部件组成可靠的系统？如何通过组成智能预测系统之中的前/后（刚性、柔性）反馈系统把人的失误/错误减到最小，同时把机和环境的有效性提高到最大？对此，1975年计算机图灵奖及1978年诺贝尔经济奖得主西蒙（H.A.Simon）提出了一个聪明的对策：有限的理性，即把无限范围中的非概念、非结构化成分可以延伸成有限时空中可以操作的柔性的概念、结构化成分处理，这样就可把非线性、不确定的系统线性化、满意化处理（不追求在大海里捞一根针，而只满意在一碗水中捞针），进而把表面上无关之事物相关在了一起，使智能预测变得更加智慧落地。
深度态势认知的含义是“对态势感知的认知，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（机器、机制、机理）、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。 深度态势认知是一种 自组织自适应的融合机制，即：融智合能，融情合意，融学合习，融形合神，融慧合通，融态合势，融科合艺，融文合教，融人合机，融环合境……。
从某种意义上讲，深度态势认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。正常的深度态势认知不是单次就能实现的，它需要根据任务或情境需要不断的循环迭代以满足要求。
三
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，字典里常常有四种解释：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。”
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伦理道德活动的现象。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。
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，也就是应该should的问题，人工智能很难跨出聚合这一步：人可以超越机，形成人机；机则不能超越人，形成机人。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。
四
人机融合智能，即人把一部分智能存储于机中，然后结合那部分不能存储于机的智能，形成超越人的一种1+1>1的混合智能。
人的感觉常常是嵌套混合贯通联合的，视觉里包含着听觉触觉嗅觉和味觉，机器的信号采集／数据输入则是单纯唯一独立分离的，各种通道模态之间没有融合交叉。人与机的感觉秩序大相径庭，刺激与数据、信息与信号差异太大。对人而言，未感觉到的刺激往往被隐藏在感觉到时刺激里，进而形成无意识感觉或下意识感觉。不难相信，这种联觉或迁移觉在文字、词语中也有着相似的机理。机器的这种能力至今尚未被开发出来，这或许是人机融合智能方面中的一个瓶颈吧!如何打破“人擅计机长算”的基本架构，数据一多分有全息表征的输入至关重要，这里面不仅有显性的个别数值体现，还有默会的众多关系作用。人的看里包含了大量的其他感觉到的东西，如听觉、触觉、嗅觉、味觉，这些联觉都潜在在视觉里，机器的看没有联觉、统觉，机器听觉等莫不如此……另外，情境中每个东西都有众多属性和关系，当前的打标就是九牛一毛，往往打标后挂一漏十白白损失了大量的信息，所以现有的“人工”智能中数据标注工作值得商榷。深入下去，人对这类复合信息的加工也应该是复合并行的处理: 既有逻辑清晰地推理过程，可谓之达理，更有感性丰富地动情发展，可谓之通情；既有基于公理地显性信息的分析，也有基于非公理地隐含信息的综合，慢慢形成显、隐理解的共存，进而演化为显、隐意向性，为下一步的规划决策做好准备。在完成情境任务目标的价值驱动下，显性的意向性可以变成理性决策，隐性的意向性可以演化成直觉决策。
在传统的人工智能研究中，联接主义的代表形式是人工神经网络，主要处理数据；行为主义的代表形式是强化学习方法，主要处理信息（奖惩后有价值的数据）；符号主义的代表形式是知识图谱和专家系统，主要处理知识和推理（有限的知识及推理）；三者有递进的味道，但距离人擅长的概念产生和理论建立相距甚远，尤其是在情感化表征、非公理性推理和直觉决策等方面机器更是望尘莫及! 另外，机器学习中的反馈、迭代的生硬艰涩滞后与人的相比也是比较低级，这是因为人的态势感知能力不但来自科学技术还源于社会学、史学、哲学、文学、艺术等多方面的素养与思维技能，进而产生价值取向（态势感知的基本预设是: 人可以发现未来的动向并影响它的进程）。机器的态势感知做不到，所以机器暂时还是单一领域的擅长者（如围棋、国际象棋等）。一般而言，机器在定义域（人为规则）里比人存储量大且准确、数据处理快，人在非定义域（自然情境）里比机智灵活且深刻、信息融合好。人的优势是划圈（划分领域/定义域），机的优势是画圆（精确执行），人机融合的优势则是既能划好圈又能画团圆（可跨域实现目标），正可谓：人心所想，机器所为。当前的人机融合产品还是共性的（谁都可以用，如手机、电脑），个性化服务的人机智能融合还未真正出现，但已有原始级别的系统悄悄暂露头角（如个人辅助决策系统等）。
学习，对人而言最重要的是忽略那些非关键的数据、忘记那些不重要的信息，从而在诸多事物及其之间发生的各种关系~事实中游刃有余地特征相关、关联存在、变化应该、统计概念、概率规则、把握因果，可惜的是，目前的机器学习不会忽略不懂忘记，人这种过滤的机理与价值取向判断有关，弱类似于决策机理，机器没有价值体系。从透视主义的角度来看，人的认知存在两类选择性透视，一是生理功能上的，如对可见光的感受；二是观念上的，如情境、理论和价值预设。生理功能上的意思就是说我们选择认识什么不认识什么取决于生理感受与反映乃至内在机制；观念上是指各种预设使人在认识中会放大、虚构和过滤。人的价值取向相应可分为生理性和社会性，两者都包含个性化与共性成分，并在不同的情境组合中转换、释放出来，形成风格各异的认知特点和规律。迄今为止，这些价值体系尚未赋予没有个性的机器们。人类意向性的背后就是价值取向，即价值观伦理性（伦就是类和次序），如何让形式化（数据化）的机器产生价值取向就是让它产生意向性，即形式化的意向性，可以有道德有伦理的机器或许可以由此实现，产生不了有价值取向的机器，这一切都难以起始。事实上如何产生有价值倾向的机器，就是人的伦理道德像理性逻辑一样可描述化程序化问题，即伦理如何变成道理再变成公理原理的进程。此外，人的深度学习也不同于机器的深度学习，人的深度学习是学校教育与社会教育的一致，在于理论与实践的统一，在于矛盾和悖论的协同……是一种内外共鸣同情的学与习；而机器的深度学习源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。两种学习的机制根本不同：一个经过思考和实践，一个就是仿真和模拟。
为什么人类倾向于用概念、关系和属性做解释？这是因为任何解释都是在认知基本框架（常识）下进行的。人类认识世界理解事物的过程，其实就是在用概念、属性和关系去认知世界的过程。概念、属性、关系是理解和认知的基石，机器不能把不同性质的东西联系起来，人却可以相关表面上无关的事物。为什么“整体不同于其部件的总和”？因为构成整体的部件（属性）们产生了关系，有内在的也有外在的，语义的进化也许就是新关系的形成，知识的产生也是各种各样的新关系被发现的过程，关系有单向性（不是双向的）和依附性，如何建立起人机之间的双向关系至关重要，这也是一个突破口和切入点。其中，构造与功能的关系、特征属性与语义向量关系是当下科研的热点和难点。
为什么知识图谱和专家系统在实际应用中漏洞百出、问题层出不穷？其中最重要的原因是关系的梳理没有到位。其中对于主观参数和客观参数的不匹配不协同就是一个重要问题。正如维纳对智能控制的定义：“设有两个状态变量，其中一个是能由我们进行调节的，而另一个则不能控制。这时我们面临的问题是如何根据那个不可控制变量从过去到现在的信息来适当地确定可以调节的变量的最优值，以实现对于我们最为合适、最有利的状态。”如一个认知模型如何处理突出值、价值观、频率性、可信度等主客观融合特性，也许是评判其好坏的主要依据吧。早年Fechner在创立心理物理学时，提出过外部的心理物理学和内部的心理物理学等概念。外部物理世界各种物理刺激作用于人的感官，引起人的内部物理世界的活动，即脑的活动，从而产生内部心理世界的感觉体验。Fechner认为人的感觉过程既涉及外部物理世界的物理刺激，又涉及内部物理世界的脑活动过程，还有内部心理世界的感觉体验。他认为外部的心理物理学研究外部物理刺激强度和内部心理世界感觉体验强度之间的关系，而内部的心理物理学则研究内部物理世界即脑活动强度和内部心理世界感觉体验强度之间的关系。高级意识是什么呢，有人认为高级意识就是大量的基础意识的集成，把大量不同种类的基础意识有机地集成到一起，这种集成应该具有穿越性，能够把“无关”事物／事实有指向地相关起来，穿越比集成更迅捷。目前看来，单纯人的智慧在单个领域落后于人工智能已成为现实，对跨领域超级智能的期待仍无依无据，但是人机融合智能则可以更快更好更灵活地同化外来信息和顺应外部变化，是有机与无机的跨界混搭，是记忆与存储、算计与计算、直觉与间觉、自主与它主、慧与智的弥聚，也许这中融合智能正是未来的方向。
人机融合智能的一个核心问题是介入问题，这也是一个体验问题，即人与机相互之间何时何处以何种方式（或平滑或迅速）介入的问题，尤其是在歧义点或关键阈期间介入的反应时、准确率。例如，交互中机器出现的变形了的非自主“主观”对人机融合很重要，尤其是在特定定义域（如围棋）中，可以改变人的习惯和偏好，甚至是世界观。再如，在融合时彼此之间的接受、容忍、信任、匹配、调度、切换、说服、熟练程度，以及如何训练出个性化的伙伴关系等都是具体亟待解决的问题。例如未来的人机说服技术，就需要人机之间的通情达理，因势利导。由于人机融合在细节层面和人人之间的合作几乎同样复杂，或者说是有一些另类的复杂问题。因而可以认为，从技术角度讲，人机融合智能绝不仅是一个数学仿真建模问题，还应是一个实验统计体验拟合的问题。
一般而言，人处理的是所指和异态势感知，机擅长的是能指和同态势感知。也许智能科学要发展到哲学的较高层次（Ethics,Politics,Esthetics），再加上大量的模型、数据、算法、应用得以创新之时， HI（人类智慧）与MI（机器智能）才能真正密切融合吧！
五
自动化常常处理结构化数据，智能化往往处理半结构化数据，人可以处理非结构化数据。
自动化的概念是一个动态发展过程。“自动化(Automation)”是美国人D.S.Harder于1936年提出的他认为在一个生产过程中，机器之间的零件转移不用人去搬运就是“自动化”。这实质上是自动化代替人的体力劳动的观点。后来随着电子和信息技术的发展，特别是随着计算机的出现和广泛应用，自动化的概念已扩展为用机器(包括计算机)不仅代替人的体力劳动而且还代替或辅助脑力劳动，以自动地完成特定的作业。20世纪50年代末起至今是综合自动化时期，这一时期迅速发展，迫切需要解决多变量系统的最优控制问题。于是诞生了现代控制理论。现代控制理论的形成和发展为综合自动化奠定了理论基础。同时有了新的突破。微处理机的出现对产生了重大影响﹐控制工程师可以很方便地利用微处理机来实现各种复杂的控制，使综合自动化成为现实。
自动化的广义内涵至少包括以下几点：在形式方面，制造自动化有三个方面的含义：代替人的体力劳动，代替或辅助人的脑力劳动中人机及整个系统的协调、管理、控制和优化。在功能方面，自动化代替人的体力劳动或脑力劳动仅仅是自动化功能目标体系的一部分。自动化的功能目标是多方面的，已形成一个有机体系。在范围方面，制造自动化不仅涉及到具体生产制造过程，而是涉及所有过程。
自动化是一门涉及学科较多、应用广泛的综合性科学技术。作为一个系统工程，一般由5个单元组成：1、程序单元：决定做什么和如何做；2、作用单元：施加能量和定位；3、传感单元：检测过程的性能和状态；4、制定单元：对传感单元送来的信息进行比较，制定和发出指令信号；5、控制单元：进行制定并调节作用单元的机构。自动化的研究内容主要有自动控制和信息处理两个方面，包括理论、方法、硬件和软件等，从应用观点来看，研究内容有过程自动化、机械制造自动化、管理自动化、实验室自动化和等。
智能化：是指由现代通信与信息技术、计算机网络技术、行业技术、智能控制技术汇集而成的针对某一个方面的应用。从感觉到记忆再到思维这一过程称为“智慧”，智慧的结果产生了行为和语言，将行为和语言的表达过程称为“能力”，两者合称“智能”。智能一般具有这样一些特点：1、具有感知能力，即具有能够感知外部世界、获取外部信息的能力，这是产生智能活动的前提条件和必要条件；2、具有记忆和思维能力，即能够存储感知到的外部信息及由思维产生的知识，同时能够利用已有的知识对信息进行分析、计算、比较、判断、联想、决策；3、具有学习能力和自适应能力，即通过与环境的相互作用，不断学习积累知识，使自己能够适应环境变化；4、具有行为决策能力，即对外界的刺激作出反应，形成决策并传达相应的信息。具有上述特点的系统则为智能系统或智能化系统。
智慧化：就是升级版的智能化。就是人机环境系统之间的交互作用最优化，取长补短、优势互补，除了必要的计算机知识、数学算法外，还应把哲学、心理学、生理学、语言学、人类学、神经科学、社会学、地理学......等等融为一体。
自动化与人工智能两者之间的关系是一个省力和一个省脑。自动化强调执行能力；智能化强调分析能力。简言之，自动化是设备按照设定的程序，自动完成工作，多用于流程性很强的单一重复性工作。比如生产制造行业。智能化是通过各种传感器感知环境状态，将环境状态变化情况数据化、变量化。控制系统根据预设的行为规则参照环境变量对目标设备进行控制，使其自动调节状态完成工作。目前多用于各种环境控制工程。加上传感器能感知环境变化并且根据变化进行自动调整的自动化就是智能化。就本质言，智能不仅仅是一种工具，还是支配人而不是被人支配的方式，更是主体自我调节之下进行的一种发现问题并定向解决问题能力。
智能化比自动化更高级一点，智能化是加入了像我们人一样的智慧的程序，一般能根据很多种不同的情况做出很多不同的反应，而自动化就相对要简单的多，一般会出现几种情况作同样的反应，多用于重复性的工程中。智能是有一定的“自我”判断能力，自动化只是能够按照已经制订的程序工作，没有自我判断能力。而智慧化相对于自动化和智能化，则更像是“用不完全可靠的元器件，能够组合成一个可靠运行的系统。”。机器的学习相比人类而言，不深度、不强化、不对抗。知识反映了事物属性及其之间事实关系的各种动静态差异性，而学习的目的就是要减少这种不确定性。人的学习是活表征+变判别+柔弥聚+融悖论，机的学习是僵标定+死计算+硬关联+怕矛盾。
六
在人类的历史长河中，古埃及的象形文字、古巴比伦的楔形文字、古印度河流域的印章文字和中国的甲骨文共同形成了世界四大古文字体系。唯有中国的甲骨文穿越时空，至今仍在使用并且充满活力。其根本原因在于西汉时期出现了隶书—这一表意性文字，自此，中文文字完成了由表形（图画）到表意的惊险一跳，成为世界上唯一一个连绵不断的文明！智能科学的核心和关键依旧是何时能够完成“得意忘形”这一惊险的一跳，目前科技进展的种种迹象表明：人的意向性+机的形式化是完成智能最高形式——“得意忘形”可能性最大的方式。
若being是存在，那么should就是非存在，而且是非存在的有。如果因果（关系）是存在being，那么目的（性）就是指向的存在；如果因果（关系）是有指向的存在，那么对人而言，因果（关系）就是意向性——should。
人的意向性本质就是灵活性，机器的形式化本质就是模式性，两者相互咬合驱动，促使智能不断演化前行。
智能关心的不是单纯的有用，而是让存在者如其所是地显现自身。如分类是智能中的一个重要手段，大多数情境下的分类也许会遗漏更多更好的分类形式，智能的分类常常与事实有关，而不仅仅是大众的一致性达成，像一些情境里用用性格粗细分类比用男女分类更好，有时反之亦然。
若人的智能可分为理智、情智和意智。那么现有的人工智能解决的主要是理智部分；伦理道德宗教面对的常常是情智；意智是那些人文艺术等创造性意识力衍生出的智能。理智涉及人的经验、规范和常识知识；情智包括超越、情感、信仰（看不见就相信）认识；意智蕴含直觉、非理、想象能力。智能不是非此即彼的数学命题，而是可真可假的条件和尝试，是多个“我”之间的灵活自如的切换、同情、同理和迁移。从幼儿到儿童到青年到成人就是从无智~意智~情智~理智的过程，也即从本能到智能的过程。
由数据信息形成知识是归纳，由知识产生的智能则是演绎。当前，智能科学的快速发展迫切需要吧“知识驱动”与“数据驱动”两个方法结合起来，因为这两个方法是互补的。其中，“数据驱动”的优点是可以从高维连续数据中提取模型，“知识驱动”的长处是用低维离散的符号表示事物。如果能把两种方法“沟通”起来，有可能极大地推动智能科学技术的发展与应用。
最后帮大家纠两个错，一是人机交互这个概念不全面，深入一点应该是：人机环境系统交互。离开社会环境、自然环境抑或真实环境、虚拟环境谈交互很可能就是盲人摸象、刻舟求剑！二是再聊智能时，一定要谈交互，没有交互就不会产生智能，就是把大脑打开研究的倍儿清也没有用，大脑永远只是智能/智慧的一部分，没有了与物（包括机器）、环境之间的交互，它就是一堆神经元或大规模集成生化电路元器件，如狼孩的大脑一般！
维特根斯坦认为:一切伟大的艺术是充满着人间最原始的冲动。智能或许就是这种艺术形式之一吧。
参考文献 略
https://blog.sciencenet.cn/blog-40841-1109389.html
上一篇：为什么说机器学习不是人工智能，更不是人类智能!
下一篇：借鉴多元智能理论，提高人机融合智能水平
