机器的状态感应检测-数据处理-相关分析已经接近“与光同行”，因此在某些情境，人工智能中的电子计算已经远远超人了，再加上最近量子计算机的飞速进展，更是令人望尘莫及，但是机器的狭隘瓶颈之处仍未能解决，即有态无势、有感弱知，而人类态势感知到的事件常常会“穿越”时、空、逻辑，后发生的事件可以被提前曝光。利用认知洞察相对论对扭曲的时、空、逻辑进行矫正，我们就可以重新得到时空逻辑顺序正常的情境元素，并在宏观的算计思想指导下，运用精细的计算方法，在人、机、环境、态、势、感、知之间相互矫正、补偿、调整，进而获得良好的人机融合之深度态势感知实践结果。

   人机融合的深度态势感知本身就是一个复杂系统，“复”意谓规律性（构造），“杂”意谓非规律性（构造），“既复且杂”所指称的复杂事物应是，既具有我们所能识别的规律性（重复性），又不能完全归与某种规律，也不能完全陷入无规律性，这就是盖尔曼所提出的处于无序与有序“中间地带”。“这种事物的部分与整体之间既是相似的，又不严格相似，因为在反复迭代即生成演化过程中不时有随机因素侵入，但又是不可预料的，导致严格自相似性的破缺，因而不能用确定论方法描述。这种对象也不能用统计方法描述，因为它们的生成演化过程毕竟有某些规则在不断重复，具有明显的尺度（层次）变换下的不变性，即规律性。”

在深度态势感知中，势就是方向和速度，方向更为重要；

态就是程度和大小，程度稍微领先；

知就是本质和联系，本质尤为突出；

感就是现象和属性，现象大于属性；

深度就是人机环境的融合和交互，融合在一起的交互。

    态势感知的困难在于态、势的混杂性与感、知的混杂性，更困难的是态、势、感、知的混杂性。有真有假，还有真假，有虚有实，还有虚实……

    评价深度态势感知好坏的标准之一就是做人、机、环、态、势、感、知辅助线的能力，做的好，迎刃而解，做不好，南辕北辙。

微信公众号《人机与认知实验室》2.9文章：《人的意识与机的模识》修改如下：

    意识就是一种感觉，它不是眼耳鼻舌身产生出来的，而是由各种内/外在交互生成的，由意念进行的“模式”识别，只不过这里的“模式”是由各种“非常模式”构成的。人和一些灵性动物的意识不仅是事实的识别，更重要的是价值内涵的识别，而机器只是事实性的模式形式识别。

    人工智能是一种事实智能，人类智能是一种价值智慧。当然，事实有不同程度的事实，价值也有不同程度的价值。真实往往是程度不同的事实与大小不同的价值混合而成。绝大多数偶然性事实的降临常常来自非情境、非场景和非逻辑的价值穿越。

    人之所以能够把握方向，原因在于透析事实之后的动态价值，能够确定一个事物、事实在特定情境任务下的主观价值而不仅仅是客观显著性，所以是有机的，机器没有主观，则不然，机器的本质是没有价值与风险责任的计算过程，是无机的。另外，平常的二选一，在关键时刻常常重如泰山，所以仅有价值还不够，还需要承担后果的勇气和胆量。主观判断和情感价值至关重要，所以交战开火的最终决定权不能交给机器。

    任何一个事物或事实都有多面性，简化而言，不妨称之为两面性，是和非，或者1和0，但这一事物/事实会随着关联的发展而发生价值性的变化，或快或慢，或短或长，人类的作用就是恰如其分地把这事物/事实的价值性与客观发展状态同步嵌入、与势具进，而不是像机器一样刻舟求剑式地打标签。更有意思的是，事物/事实的这种两面性（或多面性）带有天然的自反性，而且在特定的任务情境下会被触发实施，是会变成非，0会生出1，这也是不确定性产生的根源之一。

    人有自我本我超我，不断强化主观偏好（自我），而机器没有自我本我超我之分，总是相对客观地感知世界，人自然不能与机器容易地达成共识。同样对于一个事物或事实，机器的标签不会个性化弹性的变化，更不会延展成长变化，而人会，如“执子之手与子偕老”也早已与本意大相径庭了。

    机器的数据信息知识标签不会生长，而人类的数据信息知识概念却会变化，如一寸光阴一寸金中的一和寸是可变的，执子之手与子偕老也与本意大相径庭。

人是很复杂的，机器却使之简单化，一旦标签，从此固定，没有随机应变，没有是非之心。

   让数据不枯燥的方法就是赋予价值形成信息，如315打假日，23乔丹，24科比，658小区公交，20200207李文亮；让信息不乏味的手段就是凝炼出意义生成知识，如1+1=2，一寸光阴一寸金；让知识不萎靡的途径就是演化为生生不息的智能…

    学习可以使人更好、更坦然地升维处理未知，但对机却不尽然。人的学习中除了态（如动作序列、文字数字多少等）外还有势（发展变化趋势），具有俯视的连锁效应；机器学习中无论是深度学习、强化学习还是其它学习，都少了从势到态的凌驾，只有从态到势的亦步亦趋。

    人机群体融合其实就是一个弥聚效应，即合久必分，分久必合的过程。一方面，人机网络使其组织成为不断分权去中心化的过程，另一方面，其组织又使人机网络成为更加汇聚整合的过程，两者围绕任务目标的实现既矛盾又和谐，既对立有统一，就像当年轻步兵式的志愿军对重装式美军一样，散时如钢钉，聚时如铁拳，活生生把二战雄狮拖成了韩战瘦马。

    目前人机融合的解决办法有两个：第一个是让人参与到系统的训练过程中（这里涉及到人何时、何地、何方式有效参与到系统中的问题），第二点是尽可能的多分配决策的任务给人来完成（这里涉及到如何筛选出适合人的决策任务及其防止“投射效应”程度的问题）。尽管已经有人做过实验证明了这两点可以增加人对机器/系统的信任程度，但该结论是否具有广泛性？需要更进一步的深入分析和研究。

    未来的人与机也不再是主从关系执行关系，每一个都是独立的智能体，通过价值确认的方式，记录每个智能体对整个价值产生的贡献度，从而进行价值分配，产业链将由原来的“关系链”变成“价值链”，人与机之间看似更加松散了，但是协同性也更强了。