博文
智能与深度态势感知研究
||
摘要：智能产生的机理包含认知、知识、意义、情感、情境等多方面的生成机理，其中休谟之问的解决可以作为智能来源思考的切入点，智能研究应包括非完全信息下的博弈决策与完全信息下的直觉洞察，研究在不完备条件下的归纳、演绎。通过分析类比、数学、直觉三方面与智能的联系，找到智能产生的机制与条件。随后又概要描述军事智能概念与未来趋势，论述人工智能发展的前景—人机融合智能，引出深度态势感知是产生智能的重要方式。
关键词：人工智能 智能 人机融合智能 深度态势感知
0 引言
伴随着深度学习[1]、强化学习[2]等新一代人工智能技术的发展，智能化已成为社会发展的重要趋势。人工智能（AI）的概念在1956年的达特蒙斯会议上首次被提出，其理论思想逐渐演变为三大流派，分别是联结主义、行为主义和符号主义。三种理论都已经有了深入的研究并在图像识别[3]、自然语言处理[4]、语音识别[5]等领域有了实际应用，但是每种理论在取得了卓越的成就的同时也均存在不足之处。
自古希腊人将欧几里得几何归纳整理成欧几里得公理体系，到牛顿编撰的鸿篇巨著《自然哲学的数学原理》，人类的现代数学和物理知识被系统化整理成公理体系。符号主义的主要思想便是应用逻辑推理法则，从公理出发推演整个理论体系[6]。2011年，基于符号主义的人工智能专家系统IBM的沃森，在电视知识竞赛《危险边缘》（Jeopardy）中击败人类赢得冠军。但是符号主义思想面临四个主要挑战：1.知识的自动获取；2.多元知识的的自动融合；3.面向知识的表示学习；4.知识推理与运用。符号主义虽通过模拟人的思维过程实现人工智能，但在以上四个问题难以有突破性的结果。1959年，Hubel和Wiesel通过观察猫的视觉神经元的反应，证明了视觉中枢系统具有由简单模式构成复杂模式的功能。后来人们逐步发现视觉中枢是阶梯级联，具有层次结构，低级区域识别图像中像素级别的局部的特征，高级区域将低级特征组合成全局特征，形成复杂的模式，模式的抽象程度逐渐提高，直至语义级别。联结主义的基本思想即是模拟人类大脑的神经元网络，将人工神经网络设计成多级结构，低级的输出作为高级的输入[6。但该方法限制于在具有可微分、强监督学习、封闭静态系统任务下才会得到良好的结果，并且训练得到的结果也限制于给定条件的问题上。行为主义思想通过不断模仿人或生物个体的行为超越原有的表现来推进机器的进化，主要依赖具有奖惩控制机制的强化学习方法。然而该方法的缺点在于过于简化人类的行为过程，忽略人类心理的内部活动过程，忽略意识的重要性[7]。
人工智能的优势在于庞大的信息存储量和高速的处理速度，但是无法处理如休谟之问，即从“是”（being）能否推出“应该”（should），也即“事实”命题能否推出“价值”命题；也无法处理情感的表征问题。人工智能尝试通过大数据与逐步升级的算法实现人的情感与意指依旧没有办法实现跨越[7]。
1. 智能的产生
1.1 智能生成机理
有关智能生成的机理，一直是许多领域关注的焦点问题，涉及面之广、深很是少见，初步梳理可能会与这样几个最基本的问题有关：认知生成的机理、知识生成的机理、意义生成的机理、情感生成的机理、情境生成的机理，甚至还避不开哲学的基本问题：世界的本源是物质的还是意识的？我是谁？从哪里来？到哪里去？认识世界的手段如何？语言是破解人类智能的钥匙吗？心灵与现象的关系如何？等等……
这个问题远不是几位数学家、哲学家、物理学家、计算机专家、自动化专家、社会学者、心理学学者、语言学工作者开几次研讨会所能解决的，历史已经证明，莱布尼兹、维特根斯坦、爱因斯坦、薛定谔、图灵、维纳、香浓、贝塔朗菲、冯诺依曼、西蒙、明斯基、辛顿等先驱大师的智能思想混合在一起并没有发生期待中的化学变化。这个问题有点像爱情生成的机理一样，有一千对罗密欧与朱丽叶、一万双许仙与白娘子的故事就有成千上万的解释和理解。对人类而言，这是一个永恒的话题，是世世代代追求的梦中情人和理想家园。无论如何，“没有人，就没有智能，也就没有人工智能”这个道理依然存在实用。
由于多种原因，人们常常把智能与科学技术联系在一起，简称为智能科技，这是错误的。智能早于科技的出现，当人们为了生存使用石块、木棒和火时，就出现了智能。那时还没有科技。
毋庸置疑，智能创造了科技以后，对智能本身的发展和演化起到非常重要的作用，尤其是极大地改变了人们的衣食住行和精神世界。科学研究采用可观测、可测量、可证明的方法。这意味着，人类可以观察、测量某种现象或问题，然后用数学工具形式化描述为严格准确的知识，进而找到对具体自然、社会现象或问题的规律性解释或结论，做出实证或证伪。可是，再后来出现了物理的不可测、经济的不可能、数学的不完备……慢慢地，终于，人们像当年怀疑千年神学一样开始怀疑现代的科学了……
智能的生成机理，也许就像哲学中“我”的三个问题（谁？哪里来？哪里去？），本质是文化问题，智能也是多种文化交互作用的结果。其中休谟之问（能否从客观事实中推出主观价值来？即如何从“是”/being推出“应该”/should问题）可能是一个切入点，几乎所有的智能生成都将涉及到主观目的和动机（无论有意或无意），都会与情境中的客观事实变化相关。而解答休谟之问的关键则是各种显隐类比机制的破解（如潜意识就是隐类比），对此，侯世达在《表象与本质》一书做了很好的思考，但仍有一些问题值得商榷，譬如事物的表象与本质常常互为嵌套，表里不一，似是而非等。实质上，人类的理解过程就是在事实being中寻找到了价值should的过程。有词典解释为：to know the meaning of……，这个know是主体的，这个meaning也是个性化的。所以，严格意义上讲，理解就是： 自以为是；而智能则是： 实事求是。智能是不分领域的，但是可以跨域迁移的，所以军事智能准确地讲应是智能军事，如同智能农业、智能交通、智能医疗等，这些都是智能在不同领域方向的应用，但在许多基本机理方面是相通的，如在输入端的表征方式、在理解融合过程中的推理机制、在输出端的决策辅助手段等。
真实的智能研究既包括非完全信息下的博弈决策也包括完全信息下的直觉洞察（如把所有真实的材料都给你，你能装配好鲁班锁和魔方吗？你能做出敌人会仁川登陆的正确决策吗？），智能最重要的表征是决策的关键点在哪里？重点关注的是什么？如何恰当地使用数据、信息和经验。而不是那一堆CNN、RNN、ANN、DL、RL、Bayes、Markov……若达到此目的，就需要静下来扪心自问一下：现有的这些常规方法/参数到底有啥问题？哪些东西可以形式化，哪些东西不可以形式化？如何抓住这些牛鼻子，找到并解决这些关键问题？
休谟之问表面上是主客观关联问题，即天行健（客观规律—相对论）与君子必自强不息（主观意愿—世界观）能否相互转化的问题。实际上，休谟之问还有一个关键之处——推，这将涉及到归纳、演绎等方面的不完备性问题，更重要的是这个“推”还将与类比论证有关，尤其是源自于心理和物理现象的差异。
“我们在我们自身中发现了记忆、推理、感到愉快和感到痛苦这样的事情。我们认为棍子和石头不会有这些经验，但其他人却有。”对他心主观的类比显然不同于对物理事实的类比，这要求一种有别于物理学解释的假定。于是我们诉诸于主客观跨界类比，“ 其他人的行为在许多方式上类似于我们自己的，于是我们假定一定有类似的原因”（注：Rosenthal编：《心之性质》，英国牛津大学出版社1991年版，第89页。）。他人按我们同样的方式行为，因此在我们感到郁闷（或愉快）时，他人会同样感到郁闷（或愉快）。也就是说，身体行为上的相似不应该仅仅由物理、生理上的因果关系进行解释，也应该可以推出知识、意识和感情上的相似。这种同情共感作用的机制实际上是实现人与机器之间产生有效对话、协同的前提和基础。
天行健，君子必自强不息吗？这个问题在西方的休谟之问看来很难成立，在《易》中却不尽然，变通（change）不但涉及自然秩序、人类社会，还会与人自身有关，这也是东方的态、势、感、知与西方的Situation Awareness (态势感知)不同之处！
对事物的清晰认识应该不是就事论事、就物论物，而是通过与其它事物所构建起的参照系所对照出来的。人对事物的认知一般是多参照系触动的，其中包括显、隐坐标系有机的融合作用（藏猫猫、石头剪刀布、图灵测试等游戏里面包含了这些成分）。
智能具有时代性，每一代人的智能都不同，从某种角度来看，牛顿的智能还不如一个现在物理系大学生的智能，至少牛顿还不知道相对论的存在。但是，牛顿超越了他那个时代，照亮了他同代及以前诸代的蒙昧与黑暗。从知几、趣时、变通的角度来看，智能也是一种艺术形式，艺术的基础是情感，艺术的哲理是美学。类比，比较，比喻，比方，相似都是实现智能艺术的重要途径，很多情境下，类比机制的增强与衰减常常意味着智能力的强弱。
近来，Bengio说深度学习需要被修正。他认为，只有超越模式识别的范围，更多地了解因果关系，它才能实现真正的人工智能革命。换句话说，他说，深度学习需要开始问为什么事情会发生。认知科学实验也表明，认识因果关系是人类发展和智力的基础，尽管目前还不清楚人类是如何形成这种知识的。
这些观点也对也不对，对是因为他比机器学习前进了半步——不再仅仅依靠统计的相关性分析机械前行，不对是因为他还没有走出西方科技工作者优良的传统思路：仍把因果关系看成是求科学根问技术底的一副万能良药。实际上，类比、比较、比喻、比方、相似才可能是实现创造性智能的最重要途径（包括拟合生成各种各样的新概念）。留心一下，你就会发现：小孩子们平时很喜欢说某某像某某，总爱拿已知的事物类比未知的事物，从形状、颜色、大小等外部状态表象属性开始，再到时间、空间、变化等内部趋势本质关系，也许这就是人类认知的秘密吧！“因果”更可能只是“果因”的另一种称谓而已，无论苹果落地还是水星光偏，莫不如此，牛顿和爱因斯坦大概都是主观唯心主义者吧！无独有偶，有人就一语中的地说过：“本质上，数学就是有关概念的学问”，当然所有的概念都与主观有关。
智能，包括人工智能，都是复杂系统，其中的许多事情不是都能用逻辑思维解释清楚的，里面还有大量的非线性、非逻辑成分，可解释性、终身学习、动态表征、强弱推理都需要类比，但类比的机制机理远远不是单纯用科学技术所能解决了的，尤其涉及情感、情境、虚体等，更是如此！试图单纯用数学，尤其是用现代不完备的数学解决智能或人工智能的主要核心问题，无异于缘木求鱼、画饼充饥、水中捞月，如同拿着木棒、石头造飞机和火箭一般，原因很简单：定性的真东西尚都在遥遥无期中探索，定量的只能是自动化。
1.2 类比与智能
如果说机器深度学习有几个重要的边界：数据边界、语义边界、符号边界和因果边界。那么突破这几个边界的口子可能就是——类比，不仅是比例类比，更是跨域机器类比机理的形成可能就是一条前进的光明大道。
所谓类比是这样的一种推理，它把不同的两个（两类）对象进行比较，根据两个（两类）对象在一系列属性上的相似，而且已知其中一个对象还具有其他的属性，由此推出另一个对象也具有相似的其他属性的结论。
类比推理的基本原理可以用下列模式来表示：
A对象具有属性a、b、c，另有属性d。
B对象具有属性a、b、c。
èB对象具有属性d。
上述的“A”、“B”是指不同的对象：或是指不同的个体对象，比如地球与太阳；或是指不同的两类对象，比如植物类与动物类；或是指不同的领域，比如宏观世界与微观世界。类比推理的应用场合是多种多样的，有时也可以把某类的个体对象与另—类对象进行类比，例如，为了弄清某种新药物在人类身上的效用和反应如何，往往是用某类动物个体来做试验，然后通过类比求得答案。
类比的结论是或然的。类比的结论之所以具有或然性主要是由于以下两方面的原因；一方面是因为对象之间不仅具有相同性，而且具有差异性。就是说，A，B两对象尽管在一系列属性（a、b、c）上是相似的，但由于它们是不同的两个对象，总还有某些属性是不同的。如果d属性恰好是A对象异于B对象的特殊性，那么我们作出B刘象也具有d属性的结论，便是错误的。例如，地球与火星尽管它们在一系列属性上是相似的（太阳系的行星，存在着大气层，适于生命存在的温度等等），但是地球上有生物，能不能说火星上也有生物呢?不能，因为火星还有不同于地球的特殊性。近年来航天的科学考察表明，火星上并未发现什么生物。另一方面，对象中并存的许多属性，有些是对象的固有属性，有些是对象的偶有属性。比如，血液循环是人体的固有属性，而吃了鸡蛋产生过敏反应，这是个别人身上的偶有属性。如果作出类推的d属性是某一对象的偶有属性，那么另一对象很可能就不具有d属性。
类比，作为一种推理方法，它是通过比较不同对象或不同领域之间的某些属性相似，从而推导出另—属性也相似。它既不同于演绎推理从一般推导到个别，也不同于归纳推理从个别推导到一般，而是从特定的对象或领域推导到另一特定对象或领域的推理方法。
尽管类比推理可以在某类个体对象与另一类对象之间进行，但是类比推理却不能在某类与该类所属的个别对象之间进行。如果以为类比推理是归纳推理和演绎推理的压缩，那就错了。类比推理只能在两个不同对象或不同领域中进行过渡。
有人以为存在着这样一种类比推理：
S类的某一个体具有属性a，b、c、d。
S类具有属性a、b、c。
è S类具有属性d。
这种观点是错误的，因为这是凭主观想象用类比推理的模式去描述了 一个实际上是归纳概括的逻辑过程。诚然，无论是归纳推理还是类比推理都是已有知识的外推和扩展。但是不能因此而混淆了两种推理方法之间的根本区别：归纳推理是从个别（特殊）概括到一般，而类比推理是从某一特定的对象或领域外推到另一个不同的特定的对象或不同的领域。
还有人认为有这样一种类比推理：
S类对象具有属性a、b、c、d。
S类的某一个体对象具有属性a、b、c。
è S类的某一个体对象具有属性d。
这种观点同样也是错误的，因为这是凭主观想象用类比推理的模式去描述了一个实际上是演绎的逻辑过程，演绎推理是从一般推出个别（特殊），而类比却是从某一特定对象或领域外推到另一个特定对象或领域的。这种根本区别不能混淆。
机器的类比很难实现，是因为人类还没有梳理出自己的类比机制，不知己就不知彼。没有同理心，很难知“己”，没有同情心，更难知“道”，没有共感，何谈共鸣，无论类比吧！
A对象具有关系a、b、c，另有关系d，
B对象具有关系a、b、c，
è B对象具有关系d ？
构成世界的也许是关系，而不仅是属性
人能够有效利用各种少量错误样本和少量正确样本的学习获取知识和对世界的认知，在修正错误认知时，可以改几处，但不一定整个过程全改。人还可以类比形成训练样本数据以外的智能行为。
而机器是使用大量正确样本的学习获取相关性结果，在修改错误时，常常动一发而动全身，改一处而全过程修改。 机器很难归纳、演绎形成训练数据以外的智能行为。
不彻底的Pearl 和《为什么？》，该书的上半场在谈因果关系，下半场在谈事实性的因果关系，价值性的因果关系却不见了踪影。
与机相比，人的小样本是多样性、正负性、跨域性、参照性的，是生态成长性的，是记忆而存储连续性的，是举0.1反N，不触类也旁通型的……人的样本不在小，在乎是非之间也！
1.3 数学与智能
数学和智能一样，都是人类在与各种环境中的事物打交道中产生出来的，既有顺理成章，也有千奇百怪，所以人类的推理也有许多非树、非林结构，这也是说数学不是逻辑的原因之一吧！有人发现：画一个鸡蛋难，画三个鸡蛋容易些，画三个鸡蛋在盘子里更好画，在盘子上放个叉子或一双筷子🥢就非常容易画了。其实，对另外一些人而言，这个发现也许就不成立啦。当前数学体系的不完备性和公理化，就隐含着非逻辑的假设——蛙跳现象：不见树木也可见森林，或者，不见森林也可见树木。
自然语言是包含价值性的、能力性的、启发性的“for”之目的，数学语言则蕴藏着事实性的、功能性的、产生性的“if”之形式化。根据菜谱一般很难炒出好菜来，这需要看主体，大厨根据菜谱也可以炒出好菜来，关键是他得有“非家族相似性”的炒其他菜的经验和炒此菜的动机，实际上，炒菜之前的情感信息很重要。正如戴维·卡森所说：“我非常相信设计的情感，以及在有人开始阅读之前，在他们获得其余信息之前发出的信息；他们对产品、故事、绘画的情感反应是什么——不管是什么。”
有人说，数学不是逻辑，是一种发现。数学语言无主体性，背后有结构，这个结构需要探索。而自然语言有主体性，强调理解。自然语言与数学语言不是一回事，中间有鸿沟，需要分开来研究。
数学语言与自然语言之间的鸿沟里面正是人工智能的困难所在：如何把事实与价值、陈述与判断、主观与客观、形式化与意向性、态与势、感与知、being与should、主动与被动等因素有机地关联在一起？！这也是人机融合智能的瓶颈之一。它横挡在人类面前，得意洋洋……
一直认为，智能的核心和本质比智能的计算和模型重要的多。西方人之所以在科学技术上不断突破和领先，主要是有着深厚的积累，这种积累不但包括物理、化学、生物等具体学科的，更包括哲学、文学、艺术等抽象领域的。以智能为例，表面上，符号主义、联结主义、行为主义衍生出知识图谱、深度学习、强化学习等一系列可计算、可模型的工具和方法，实际上，这些主义背后的怀疑哲学、形式推理、因果分析等思想却是真正使然的动力源泉。
而纵观当前我国智能领域，数据、算法、算力俨然成了智能领域的代名词，而在西方，智能的关注则是在常识、自主、学习等机制机理的突破上，先进落后、孰是孰非、的矢有无、颠覆大小一目了然。没有对根本的认知，速度越快，失之千里。
仔细想想，当你全力追逐眼前的、表面客观的存在Being ——现实性时，而对手却在认真把握未来的、内部无限的趋势Should——可能性，如此这般一番，枪声还未响起你就落后了，阵势还未摆好你就屈人了，攥着一把纸币或数币，以为自己真有本钱吗？！
当然，智能领域的发展不是不需要数学，而是需要更好的数学，能够把形式化和意向性有机结合的数学；不是不需要数据，而是需要更好地理解数据，能够把物理性和心理性综合表征的数据；不是不需要算法，而是需要更好地认识算法，能够把事实和价值有效弥聚的算法；不是不需要算力，而是需要更好地发展算力，能够把个性和共性融合协调的算力。
很多人从小就想象有另外一种数学体系，与现有的数学体系不同，它既包括数字图形，也涉及文字描述；既能够定量计算，也能够定性算计；既可以归纳演绎，也可以隐喻类比；既能够逻辑达理，也能够感性通情；既可以形式化自洽，也可以意向性矛盾；既能够产生式假设，也能够启发式求证；既可以表征人工智能，也可以指示人类智慧；既能够处理形而上学，也能够混合辩证思维；既可以解释物理世界，也可以说明心理环境......
求解休谟之问的关键：类比，尤其是实物、情境、情感之间融合混杂类比机制的解析。深度的类比既可以饺子感知温暖；也可以狐狸与酸葡萄态势得不到；既可以母亲祖国，也可以计算机之父；既可以摹状可能性，也可以泛化现实性；既可以喜鹊叫喳喳，也可以风马牛也相及；既可以主观客观化，也可以客观主观化；既可以非存在的有，也可以有中生无；既可以一多分有，也可以千变万化……
未来的数学可以求解休谟之问，休谟之问也可以为未来的数学提供前提组成各种矩阵方程，两者不但表象互补而且本质一致，既对立又统一。这种想法目前看来很不切实际，但未来依然存在着隐约的可能性，这或许也是实现人机融合的基础路径之一。我们应该为未来的智能方式设计，而不是为过去的智能方式设计。尽管现在看来有些“荒谬”！
1.4 直觉与智能
从智能领域的角度看，意识也是一种存在。无意识即还没有发生或产生出关系，潜意识就是隐约出现可能的关系。形式符号系统的意义解释和知识建构如何可以内在于系统而不仅仅依赖于我们头脑，应该是人机融合智能研究的核心问题。
如果把智能看做大海，那么认知就是通向大海的河流，而思维则是河流中的大船，上面载满了各种的深思熟虑和各样的奇思妙想。如同大海不是河流也不是大船一样，智能不是认知，也不是思维。
毕达哥拉斯把数与图当做信仰，通过简单的计算就可以准确预测斜边的长度，多么神奇而又准确的占卜啊！实际上，毕达哥拉斯这个崇拜可能仅仅是个发现，而不是真正的发明创造，正如爱因斯坦所言：“创造并非逻辑推理之结果 , 逻辑推理只是用来验证已有的创造设想。”，不难看出，真实的创造往往含有非逻辑的成分抑或是逻辑与非逻辑成分的混合，不单纯是事实上的因果关系，还有价值上的因果构建，包括有的放矢的果因关系，仿佛作家作文、画家画画一般。
人类伊始，犹如婴儿，并无思维和智能。开始只是观察并以本能生存。慢慢通过把个人的认知（观、察、觉）与其他成员交流汇成思维方法，最终变为智能形式开天辟地、改造自然，同时也改造着自己和同族。
从上述过程中，我们不难发现，人类的认知、思维、智能都是时空性人物环境系统的混杂交互嵌套，而不是三元的绝然分立，而是阴中有阳，阳中有阴，阴阳有灰的进程。尽管如此，三者还是各有千秋，棱角分明。
认知是初始阶段，它是人类通过观察获得数据、信息、知识、模式、状态、趋势的第一步，通过认知，人们从自然和社会交互中形成了不同的概念（名），提炼出差异的规律（道），梳理为多种工具和方法。认知是数据和信息的流动过程。
思维就是在认知的基础上形而上、学而思出的高级认知维度，这个维度侧重于语言产生后的反映及其手段。思维最初是人脑借助于语言对客观事物的概括和间接的反应过程。思维以感知为基础又超越感知的界限。通常意义上的思维，涉及所有的认知或智力活动。它探索与发现事物的内部本质联系和规律性，是认识过程的高级阶段。思维对事物的间接反映，是指它通过其他媒介作用认识客观事物，及借助于已有的知识和经验，已知的条件推测未知的事物。思维的概括性表现在它对一类事物非本质属性的摒弃和对其共同本质特征的反映。随着研究的深入，人们发现，除了逻辑思维之外，还有形象思维、直觉思维、顿悟等等思维形式的存在，在人类智能应用过程中，这些思维途径往往是混合甚至是融合使用的，而在机器学习或人工智能中，这些思维方式略显孤立或被机械捆绑实施的。
智能与认知和思维最大的区别是：智性，也就是人们常说的灵性和洞察性。即这里的智能可能不同于计算智能、感知智能和认知智能，而是洞察性的智能，能够举一反三、触类旁通、指鹿为马、指桑骂槐……，尽管表面上，东方有点不讲理，西方有些不尽情，但老子、亚里士多德、刘徽、莱布尼兹等圣人先贤依然在没有现代精密仪器设备和大数据的情况之下，却也可以发现不少道和名的规则、概率，估计有些至理应该是超越科学技术中的实验求得吧……人，本身也许就是最好的精仪和设备，人可以将事物进行人格性同化，而机器却不能进行机格化顺应。智能的是非观，不是截然的二元对立，而是彼此间的渗透。好的智能可使我们能了解到“是什么”，也能知道“应是什么”，更能理解“为什么”。
认知科学、思维科学、智能科学三者肯定有重叠部分，但是各自的主要思想是不同的，如果这样，就需要特别关注三者的主要区别，而不是过多考虑他们重叠的地方：认知是数据与信息的流动，思维是概括性的推测反映，智能为涉及认知、思维的是非使能力。
人类在交互时，无论对象是人还是物，都会产生一种能力：同情同理共感化对象，主动性跨越事实界限，生成各种意义和价值，如做各种有意义的类比（没有气泡的可乐等于没有辣味的川菜），甚至把枯燥的科学变成有趣故事。
如果说维特根斯坦的分析哲学是在寻找世界的逻辑之旅，那么海德格尔的现哲学就是试图发现世界的本源所在。抛开他俩与希特勒的是是非非，单就对智能的贡献而言，都是最底层的思考。只可惜图灵只测试了维特根斯坦，而没能机制化海德格尔。社会规范化语言的《逻辑哲学论》侧重规则理性，生活自然化语言的《哲学研究》关注于统计概率；延展抛射化直觉的《存在与时间》更多非逻辑洞察直觉。
现象学的关键在于意识的意向性。所谓“意识的意向性”，最早是由布伦塔诺提出来的，胡塞尔从他得到启发，了解了我们的意识一定有意向性。换句话说，意识在本质上都是指向意识之外的事物，你不可能有意识而没有意识的对象。我们一般常用的一些词，像知觉与概念、观念与幻想、渴望与欲求，这些在意识里面出现的活动都是指向某物。如果你没有指向一样东西的话，那你意识到什么东西呢？意识也不可能出现了，因此所谓的“意识”就是意识到某个对象。那么“回归事物本身”是指什么呢？就是你要排除各种成见理论或预设，而只就现象本身来看。
海德格尔认为“此在”是个正在生成的但目前仍然是个尚不是的东西，指的是人的生成过程，换句话说，就是指正在生成、每时每刻都在超越自己的人。但他不是指一般意义上的名词的人，而是生命活动的动态的人。“此在是在世中展开其生存的”，是人在成长过程中呈现其生命价值。
在不少情境中，直觉是发明的工具，逻辑是证明的工具，直觉和灵感在发现真理方面比逻辑推导更重要得多。从这个意义上说，目前的人工智能研究多少带有叶公好龙、掩耳盗铃的味道：没有产生直觉的趋势，只是反映状态（逻辑）的局势。
也许一张好的照片里面不仅有故事，还应该有点神性，能够使人产生联觉：画面里面有属于欣赏者独特的旋律和设计者与欣赏者之间的同情共鸣。有人从西方哲学的角度，也谓之：非存在的有。比如说不同的“美”，看不见摸不着，但从有的作品中就能感受到，这种以有限的具体画面诠释出无限的抽象过程就是“非存在的有”，如西方的圣诞老人，东方的孙悟空，如同好照片里的魂和真正智能的魄！
也许，能根据客观数据优化决策的就是人工智能；而能根据主客观数据/信息/知识优化决策的就是自然智能；能根据人、机、环境系统变化而优化决策的就是人机融合智能。无论如何，一旦你把功能当成了能力的话，智能就会消逝的无影无踪，智能应是加速认知形成洞察的利器，它就在你的身边，每时每刻……智能是自我意识与他人意识的感知混合，通过同情同理心产生可能性的理解和推断，适时合地……
据英国《金融时报》报道，谷歌声称已经达到“量子霸权”，打造出第一台能够超越当今最强大的超级计算机能力的量子计算机！该计算机能够在3分20秒内执行一个计算，而同样的计算用当今最强大的超级计算机Summit进行，需要约10000年。这是一个真正里程碑式的进展？！对于计算而言，的确如此，然而，对于智能而言，也许不尽然：真正的智能不是计算，是融合了算计的计算。
算计中包含着多种矛盾认知张力，而认知张力可以驱动认知向量产生意向性。计算本身并没有方向，而是新计算里混合了认知张力，就变成了有方向的且包含了主客观向量的矩阵。
计算是有时/空间约束的，也可以没有；而认知可以没有时空约束，也可以有。何时何处使用有/无时空约束的计算或认知就是智能的调控和调度。
随便給出一组数，你总能找出或组成某种意义记忆下来（如52579952，可以谐音成“我爱我妻救救我儿”等），但是机器不行，它可以存储，但没有意义。计算是事物数术，一种逻辑功能；算计是关系认知，一种类比能力。
算指逻辑推理，计指认知洞察。算计是算在前，通过逻辑推理产生洞察策略……计算则计在前，通过认知关系进行逻辑操作。算计偏认知和洞察，计算侧数术和逻辑。不是简单的逆运算关系。AI是一种无意向性的功能，计算为主；而智能是一种有意识的能力，算计为主。每个简单的人都有理性，只要告诉他推理的前提是什么就行了。但是理解却不同，它提供的是原初性的东西，从而也是直觉性的常识知识，在这里出现了人与机之间天生的差别。
如同并行计算中的关键不是计算（Being），而是专业性问题的并行性梳理和分析一样，未来的智能也是一开始就得有良好的顶层结构设计，而不是过程中的大修大补。而要实现这一目标，人机融合的必要性就显得越发突出了。
未来的人机融合智能可以设计出设计者没有想到的设计、可以计算出计算者没有算计(Should)出的计算、可以决策出决策者没有意料出的决策、可以反思出反思者没有反思出的总结……
2. 何谓军事智能
军事智能不是军事+人工智能，而是其中既包括机的自洽性过程计算也包含有人的矛盾性有向算计，军智如生物进化一样不太讲究多强大、多聪明，而更关注任务执行中的恰当变通，它不是包治百病的神药，而是对症下的准药，最高境界是达到不战而屈人的目的[8]。
当前军事系统的自主化与弱通讯、无通讯条件下的高级自动化等价，而现代的军事无人化侧重于统计概率下的机械化+自动化。即使科技发展出的装备再先进，其形成的产品或系统也只是机器计算，01的数理基础仍然没有变，就像5G、6G、…NG一样，若没有意向性和价值性出现，系统本质上还是机器。
军事智能的本质是暴力性对抗角逐，即要摧毁对方的博弈意志；人工智能的本质是服务性智力，满足对象的需求。军智以损人为本，民智以助人为乐。AI作为计算的逻辑实质上是一种“主体转向”，“军智的算计逻辑”是当仁不让地以人类为主体，研究的对象是对手的认知、思维、智能种种，强调应是什么应干什么等问题，军智不但涉及手段还包括意志和随机偶然性；AI计算的逻辑则是将计算机作为信息处理的主体，侧重是什么干什么问题，研究的是计算机的处理方式以及人与计算机的互动关系。
未来的军事智能不是功能性的工具（锤子）而是能力性的软件+硬件+湿件，它不太讲究事实和形式，多涉及价值和意义。它会不断地超越军种、行业、领域的格局和前瞻的战略视野，是颠覆性技术创新的重要支撑。
在20世纪50年代末，美国军方的共识是，其指挥与控制系统不能满足日益复杂和快速多变的军事环境下快速决策的紧迫需求，1961年肯尼迪总统要求军队改善指挥与控制系统。在该国防安全重大问题提出以后，国防部指派DARPA负责此项目。为此DARPA成立了信息处理技术办公室，并邀请麻省理工学院约瑟夫•利克莱德（J.C.R.教授出任首任主任。虽然是军方的迫切需要和总统钦定的问题，但是DARPA没有陷入军种的眼前需求和具体问题，而是基于利克莱德提出“人机共生”的思想，认为人机交互是指挥与控制问题本质，并就此开展长期、持续的研究工作。此后，IPTO遵循着利克莱德的思想逐渐开辟出计算机科学与信息处理技术方面的很多新领域，培育出ArpaNet等划时代颠覆性技术，产生了深远的影响，直至今天。
军事智能化不是无人化也不是自主化。自主化指自己作主，不受别人支配程度；无人化是指能在无人操作和辅助的情况下自动完成预定的全部操作任务的程度；而军智主要是实现更高价的觉、察并实施诈和反诈，是人机环境系统融合的深度态势感知，是人机融合的“钢”（装备）+“气”（精神）。
当前，许多人认为军事智能就是军事+AI，还有人认为军智就是自主系统或者无人系统，大都是没有认清军事对抗博弈的实质使然。另外一个需要警惕的军智问题是：单纯机器计算的越精细、越准确、越快速，危险性越大，因为敌人可以隐真示假、造势欺骗、以真乱假，所以有专家参与的人机融合军智相对显得更重要、更迫切、更有效。
3. 人机融合智能
人、机、环境系统之间的相互作用产生了智能，这不仅是一个科学问题，也包含非科学部分的研究（如人文艺术、哲学宗教），其中，人是复杂系统，机是相对简单的系统，环境的涨落变化非常大，所以我们研究的人机环境系统既有“确定性”，又有“随机性”，就成为“复杂的巨系统”[7]。钱学森先生认为针对“复杂的巨系统”人类目前还没有找到解决的一般原理和方法，人机融合系统的深度态势感知理论可能就是一种有益的尝试。
有人说：没有经过人机融合合作训练过的智能系统就是弱智系统。这句话的背后隐含着这样一个事实：当前，人与机是不同的，而且，两者之间是失调、失配的。其实，人机的职责分别在于准度和精度，准度涉及方向，精度关联过程。
机器具有功能，产生不了能力，所以处理不了有意义有价值的联系，也没有形成默会的知识和常识。人与人沟通时，不说出的事物常常更重要，人机交互时则不然，主要是机器不了解这些潜在的前提和线索，只好左顾右盼，插浑打科，所聊非所聊，所答非所问，就像现在的聊天、问答机器人一样，没有主体性与客体性之间的理解揣摩，没有博弈性语言学，也没有主体间一对一的语义出现，只能够陈述有限的事实，不能够判断无限的价值。
人机融合智能系统是一个资源调度中心，一个资源调度员，将人的湿件与机器的硬件、软件匹配起来，在任务环境中进行资源的分配和控制。就如同一个单位指挥调度机构，使得人、物、环境发挥更高的工效。人机系统要想充分发挥功能，就需要有相应各件的支持与配合。只有进行软硬湿结合，软件硬化，硬件软化，机件人化，人件机化才能最大程度发挥人机系统资源调度的作用，这就是适配性的问题。
人的智能在于事前的无数据，机器的智能在于事后的有数据，而数据的价值和意义是由人确定的，所以是可变的，所以有机无人的数据是注定无用的。智能是一种虚实融合的非物质体，有实构，也有虚构，其中“非存在的有”就是虚构的重要组成成分。就像摄影、体育、科研、生活一样……这种“非存在的有”可以或诱发或唤醒出某种某程度理解之外的理解，并通过认知迁移、旋转变异出意料之外，进而形成一系列新的感、觉、受、动、察、知……
化合价表示原子之间互相化合时原子得失电子的数目，如果形成的化合物的离子的化合价代数和不为零，就不能使构成离子化合物的阴阳离子和构成共价化合物分子的原子的最外电子层成为稳定结构，也就不能形成稳定的化合物。如果把人和机的智能都看成若干智能单元构成，那么人机融合则看成智能单元之间的交换，交换通畅无碍趋于稳定，则会形成稳定的融合价。需要强调的是，人、机的智能单元不同，人的是认知智能单元，机的是计算智能单元，认知包括感性和理性，计算主要与理性有关。认知是真实世界的反映表征，计算是符号系统的仿真模拟，而所有的仿真模拟都是近似的。如何把主客观有机统一起来，这就需要更深层次的探索和思考。
主观和意识都是一种心理性存在，而不是常规意义上的物理性存在，尽管它们依托在了动物物理性存在的高级形式——生理性存在平台上存在。但是，它们终究是存在，而不是非存在。人们通过使用它们不仅可以解释说明世界，而且还可以构建改变世界。所有的科学技术、宗教信仰、人文艺术都是通过这种心理性存在与各种物理性存在相互作用而衍生出来的。
机器中的软件和硬件本身就是物理性存在，是为了被使用而存在着；而人及其智能永远不会为需要它的东西现存着，它被并入了利用它的系统存在者之中。机器总是具备某种功能，是If…then…do；而人是具有某种能力，是For…then…do。如果智能拥有做什么的能力，首先是因为人拥有能力。机器可用于制造，是being，但机器本身不存在去制造的冲动，机器绝不可能先行把自己置于制造之中。与此不同，能力是“为了……”的能力，是should，能力本身引导它做什么、如何做，能力自己把自身置于自己之所为。故而能力提供了理解人及其智能的新思路。为什么会产生人的智能?因为人的能力只有借助于智能才能实现；人为什么会有能力?因为人在世界中的存在是通过人的智能实现的。
机器只能在某一场景环境中执行功能，但永远不能在一个情境世界之内生成能力，而人可以。
在情境世界中人们可以感知到一种“内在关系”，该关系存在于图画和一些对象之间，而非概念和概念之间。无论这种“内在关系”存在于语词、对象还是概念之间，它都不能简单地被还原为视觉性质，它超越了视觉等“感觉”的状态空间范畴，形成了联想等“知觉”趋势特征向量空间。如图1中展示的是“鸭头”或“兔头” ？
图 1
算法的实质是建立在计算逻辑基础上的理性思维，缺少非事实或反事实想象过程，即面向事实中对象、属性、关系不断变换调整的认知动态过程。显性的（明）态势感知常常是可以计算的，隐性的（暗）态势感知往往很难形成算法，但是可以被认知的，事实上，在许多态势下，认知的价值（角度）可以改变计算的事实。因果关系，除了有事实上的，还应该有价值上的吧！
当前，语言（包括形式化符号语言）的作用被无限化了，比如人们虚构了所谓的自我意识这一概念，自我就是（个性）经历，意识就是（群体）经验。实际上，真实的知识、概念、意识不是来源于语言，而是人、物、环境之间的交互，语言就是一个工具，就像科学技术、人工智能一样，它们促进了人类的进步，也束缚着文明的进一步发展。
形式化的逻辑与意向性的逻辑不同，一个是being逻辑，一个是should逻辑，类比就是尝试把两张逻辑统一起来，而且should的“逻辑”常常是being的非逻辑。人机融合智能本质上就是处理这两种“逻辑”协同问题。即如何建立形式化计算+意向性算计混合模型。
4. 深度态势感知
在态势感知的概念里，“势”相对比较重要，如何从各种各样的状态变量空间里及时准确地推出“势”来，是众多智能领域研究者们梦寐以求一件事吧，“有态无势”的评价结论实在是令人难以接受了[9]! 针对这个跨越，有人用跨越神经科学与神学的界限之难都不为过。其实这与大多数人的学科背景有关：偏理工少人情世故！状态空间常常与客观事实有关，但大势所趋往往与主观价值相连，比如塞翁失马是态，焉知祸福则是势。也许态、势之间的转换不仅涉及归纳与演绎，而且还可能隐藏着主客观之间的类比关系。
罗素曾这样来表述类比论证，“抽象的表述看来是这样的：我们由观察我们自己知道一种‘A引起B’形式的因果规律，其中A是一种‘思想’，而B是一个物理事件。我们有时观察到某种B却不能观察到任何A，我们于是推断出一个A”（注：Rosenthal编：《心之性质》，英国牛津大学出版社1991年版，第90页。）。反之呢？如果A是一种‘物理’，而B是一个心理事件……生活中，这些心物理转化的类比比比皆是：刻舟求剑、盲人摸象、望梅止渴、守株待兔等等。
哈耶克曾说，“我们的结论必定是，对我们来说心智必然永远停留在物自体王国，在那里我们只能通过直接经验了解它，而永远不能完全解释或‘引申’到其它地方。即使我们可能知道我们经验的那种精神事件能够被运转自然其它部分的同样力量所生成，我们永远不能说，哪种特定的现实事件‘对应于’某一特定的精神事件。”于是，人类不可能完全认识这个宇宙及其各种事物。结论与康德类似，但用的是哈耶克自己的逻辑。他后来的经典概念就是：“理性不及”。司马贺（西蒙）也曾用“有限的理性”去解释正常的经济活动。尤其是用理性化方法去模拟仿真真实的人机环境系统，并且缺乏感性方面的辅助和引导，就像失去了语气和语用后的人类语言只剩下干巴巴的语法一样。
在态势感知中，态就像是符合各种逻辑的语法，而势更符合非逻辑的语义和语用。由态向势的转换，实质上就是由逻辑向非逻辑的转换，就是由客观实际向主观价值的转换。也是西方哲学中讨论的一个热点：他人何在（在我的意识中，还是在之外），亦即英美分析哲学主要关心的是他人之心的认知问题，简称他心问题，也就是我们怎样知道除我们自己之外存在着具有思想、感情和其他心理属性的人的问题。
事物以数据、信息、知识方式进入主体，意义是主体基于经验对事、物的关系反应，给人们产生出各种关系模型和非关系框架，并以"情感->价值 + 事实->意义"模式来整合认知世界的过程，其结果表现为通情达理或实事求是，这也是从状态空间（内外）产生出趋势目的的过程。对这种意义关系变化的理解有两个维度。一个维度，凸显的客观的真实性，用“态势”一词。一个维度，强调的主观的意向性，用“势态”一词。
古今对情的理解也有两个维度。一个维度，凸显情的发自內心的真实性。情，实也。相应地有词语“情实”。一个维度，凸显情的感物而发的多变性。情，感也。相应地有词语“情感”。 如若不能，文学艺术、宗教哲学也许还有存在的必要吧！？
其实，对人而言，意义常常不是理性的产物，而是感性的结果。比如说数学不一定如实反映描述主客观世界，会有不少热爱数学的学者（其中不乏靠此混饭的伪学者）对此耿耿。因为他情感到了某种意义而不是理性。
除了不完全的归纳、演绎之外，类比是人类认识世界的一个主要手段和利器。但是好的类比不仅仅是属性上的，更重要的是可能的或不可能的显/隐关系上的。
而机器能否产生恰当的关系类比机制就将成为一个AI的难点和重点。在机器学习热闹过一阵子后，因果关系又要姗姗来迟，图灵奖得主Judea Pearl说了：要建立真正的智能机器，教它们因果关系才是关键。
因果关系，表面上看，是揭示客观世界中普遍联系着的事物具有先后相继、彼此制约的一对范畴。原因是指引起一定现象的现象，结果是指由于原因的作用，缘之串联而引起的现象，二者的关系属于引起和被引起的关系。实际上，这大约反映出的是事实性的因果关系，没有反映出价值性的因果关系。
所谓事实性的因果关系，是指客观性存在所引起的先后相继，如科学中重力作用与苹果落地的关系。所谓价值性的因果关系是指主观性存在所引起的先后相继，如自认为出现的风马牛也相及事件（如我思故我在、喜鹊叫好事到）等。在同一个情境中，不同的人为什么常常会有不同的态势感知、处理、决策、评估方案，究其因，面对客观知识中的对象、属性、关系，每个人（动物）心目中的价值往往不同，狗认为好的东西，人认为不好，张三觉得《银河补习班》中的父子很不错，而李四却认为《哪吒之魔童降世》中的父子更有意思……
事实是高维空间，价值是低维空间，因果关系就是一个降维过程，是由人找到且梳理出的一种关系，具体反映在智能的灵活运用上，进而发现、发明了AI这一工具并使之不断改造着主客观世界系统。
5. 结束语
在西方伦理学界一般认为伦理学的基本问题有两个基准：一个是我们应该如何行动？另一个是我们应该成为什么样的人？前者以行为为中心，属于规范伦理学研究范畴，也是休谟之问的should问题；后者以行为者为中心，属于美德伦理学研究范畴，也是休谟之问的being问题。这与智能生成的基本问题：“事实与价值能否相符”是一致的。
智能的生成将涉及到主观目的与行为动机，并与情境中的客观事实变化密切相关。产生智能不仅需要形式化的计算，更需要意识性的类比。掌握事实性与价值性的因果关系，深研人机融合智能，开展深度态势感知，将是智能研究的重大突破。
参考文献：
[1] Lecun Y, Bengio Y, Hinton G. Deep learning.[J]. Nature, 2015, 521(7553):436.
[2] Silver D , Huang A , Maddison C J , et al. Mastering the game of Go with deep neural networks and tree search[J]. Nature, 2016, 529(7587):484-489.
[3] Mica R. Endsley、Daniel J. Glrland. Situation Awareness Analysis and Measurement. Lawrence Erlbaum Associates, Inc, 2000:5-15
[4] Collobert R , Weston J , Bottou L , et al. Natural Language Processing (Almost) from Scratch[J]. Journal of Machine Learning Research, 2011.
[5] Hinton G, Deng L, Yu D, et al. Deep Neural Networks for Acoustic Modeling in Speech Recognition: The Shared Views of Four Research Groups[J]. IEEE Signal Processing Magazine, 2012, 29(6):82-97.
[6] 顾险峰. 人工智能的历史回顾和发展现状[J]. 自然杂志, 2016, 38(3):157-166.
[7] 刘伟. 追问人工智能：从剑桥到北京 [M].北京：科学出版社，2019.10:10-17.
本文摘自《军事运筹与系统工程》2020.1
技术时代的爱与怕重塑技术，还是被技术重塑
2020年1月5日下午，“南都观察2019年度对话”在北京顺利举办。此次对话主题为“技术时代的爱与怕”，上海交通大学文科资深教授、中国法与社会研究院院长季卫东，清华大学科学史系主任吴国盛，复旦大学哲学学院教授徐英瑾，北京邮电大学岗位教授、人机交互与认知工程实验室主任刘伟，《人工智能学家》主编刘锋，以及北京航空航天大学人文与社科研究院/法学院副教授余盛峰出席了此次对话。六位嘉宾结合自身的学术研究和从业经历，针对人与技术的关系、科技的伦理边界等问题展开对话讨论，也给出了有关未来人与技术发展方向的想象与预测。
对话从“科技让我们飞升，还是制造牢笼”这一疑问开始。吴国盛指出，我们应该转换思维，重新思考人和技术的关系，“人和技术是一种镜像关系，而不是一个主体携带一个工具的关系”。刘锋则将技术比作锤子，认为人类需要解决三个问题——怎么使用锤子，用锤子做什么，以及锤子会不会拥有生命甚至抛弃人类。从法学角度出发，季卫东也提出了自己的忧虑，他认为人工智能黑箱式的操作会让很多东西变得不可说明，进而使得问责机制失灵。毋庸置疑，技术发展释放了更多的生产力，为人类社会带来了更多财富也极大地便利了我们的生活，而在未来的发展中，人离不了技术，技术也离不了人，但我们仍需要保持谨慎乐观的态度，控制技术有序发展。
在第二部分“你是谁?制造工具还是被工具制造?”中，主持人余盛峰提到，“互联网之所以能够进化到现在，就是因为互联网充分利用了人性当中的某些特点”，当我们每个人手中的那一方屏幕变得越来越懂自己，甚至能准确推算我们的偏好时，我们是在使用工具还是在被工具奴役?在人类社会的发展中，人类基本的心理构成和生理构成并没有发生巨变，而技术却在不断迭代，人的进步和技术的进步似乎已经脱节。徐英瑾担忧短视频可能会弱化我们的语言思维能力，甚至破坏我们的长期记忆以及类似的认知能力，我们需要对此加以警惕。
在现场的互动中，多数观众认可并相信自己的主体性，认为自己能够在各大平台的算法数据中保持理性而不被左右。而对于这个问题，对话嘉宾的看法也基本分为两种，一种是“太阳底下没有新鲜事”，人和技术始终处于制造与被制造的复杂关系中，自古如此。另一种则认为，从农业时代到工业时代，再到今天的大数据时代，人类社会已经有了质的变化，矛盾激化也愈发尖锐，我们需要重构人和技术的关系。
在“你在做什么：科技的伦理边界在哪里?”的话题中，对话嘉宾探讨了争议很大的“基因编辑婴儿”案。在谈及基因编辑时，徐英瑾讨论了主观消灭偶然性的危险。吴国盛则谈到很多冲突是源于旧的伦理和新的现象的冲突。
如何确定科技的伦理边界至今莫衷一是，但我们无法避免会面多更多尖锐的伦理难题。人类社会虽然是一个整体，可不同地域的人的发展方向不一样，不同的利益团体的价值取向也不一样，诸多不同之下，很难建立统一的伦理标准，因此刘锋也表明，除非能确定一个统一的目标，否则伦理难题始终会是一个悖论或者困难的问题。刘伟则建议从经典书籍中对现在的伦理难题追根溯源，汲取名家的智慧、形成自己的思想。
在最后一个部分“你往何处去：人类还有选择吗?”中，对话嘉宾就之前的讨论分别做了一个总结，也阐释了自身对未来科技发展的想象。徐英瑾建议用古代虎符的思想重新规制未来的数据管理;季卫东同样强调了技术发展中分与和、独立与平衡的重要性;刘伟则指出，技术将越来越人性化，人也将越来越技术化，这一过程中逻辑思维至关重要;刘锋表示人工智能这门学科尚不成熟，发展的突破中也暗含着各类问题;而冲突之中，吴国盛对未来发展保持乐观态度，相信高科技会创造爱的可能性。
随后，对话嘉宾分别回答了现场观众的积极提问，共同探讨了在技术不断变迁的过程中，我们该如何利用技术，又要如何提升自我。主题对话结束后，南都观察也为2019年的年度作者和年度伙伴颁发了奖项，期待新年能够继续共勉。
本次年度对话主办方南都观察是南都公益基金会在2016年发起的思想平台，关注社会公共议题，以多元视角和专业解读呈现独立观察，探寻“中国社会的十万个为什么”。南都公益基金会成立于2007年，通过资金支持来推动优秀公益项目和公益组织，带动民间的社会创新，实现支持民间公益的使命。
对话视频详见：风直播,技术时代的爱与怕
读书荐书
https://blog.sciencenet.cn/blog-40841-1214730.html
上一篇：有关人机融合智能中人的思考
下一篇：智能是如何生成的
