当前智能研究领域有个缺点，就是大家爱查大量的参考文献，动不动就是符号主义、联结主义、行为主义，殊不知，文献读的越多，离原创越远，1660年，英国皇家学会成立的时候，有一句格言：不借人言！

科学技术当然需要继承，没有良好的连续传承是不可能获得丰厚积累的，但是大家在关注继承时，常常会不自觉地忽略离散断崖式的跨越发展，比如经典的日心说取代地心说、相对论超越万有引力，其实这种现象在哲学界也曾出现：从本体论到认识论再到语言分析工具论等的里程碑式蛙跳发展，思考如何思考，这是哲学的基本问题，也是智能的基本问题。

西方的莱布尼兹、布尔、图灵、冯·诺依曼、辛顿、哈萨比斯等人的思想、理论的确对智能领域做出了很大的贡献，但是时至今日仍让大家感觉意犹未尽、书不尽意、欲言还止，这不得不使人想另辟蹊径、重整旗鼓、另起炉灶……。其实，仔细想想，自从1959年5月斯诺在剑桥大学里德讲座上发表著名的“两种文化与科学革命”演讲开始，人类的智能领域就注定不仅仅是科学技术领域的问题，但对于人工智能领域，如同自动化领域一样只能是科学技术问题，可惜的是，很多人没有意识到这一点，还想用科学技术手段解决非科学技术问题，这就远远脱离了人工智能AI的本质和根源。

人工智能为什么会遭遇不可解释性问题？！究其因，大家想做出较好的系统论结果，用的却是还原论的方法！在科学的合法领域内，还原论在解释复杂层次时是不可能成功的，理由是：非线性和偶然性的涌现是还原论的天敌，还原性的思想实现不了归纳与演绎、类比与隐喻之间的跨域弥聚。犹如搬一个还原论的梯子试图登系统论的月亮。另外，可解释性分为事实性和价值性。人类一般用理性处理客观事实性的可解释性（实事求是），用感性对付主观价值性的可解释性（实事求义）。感性里面常常混杂了大量的经验、直觉、情感、情绪等因素。机器学习规模小时，人们还可以用逻辑线索用有限的理性和感性解释说明其基本运行规律，而当机器学习规模较大时，理性与感性的叠加纠缠会产生系统维度爆炸及可能性泛滥，从而难以形成有效合理的可解释性，此时，对计算而言是灾难性的，而恰恰是算计（估算）一显身手的大好时机。

人类智能里面有一种呼吸—弥聚现象，可以体现人的能动性、创造性思维，这种思维活动中包括自主、学习、判断、尝试、修正、推理诸、常识，进而反馈调整、修正自己的行为，由此满足实践的需求等。人类的智能重算计为骨、计算为肌，机器的计算性学习一般是肯定式的，而人类的算计性学习经常是否定式的，还有对于同样的输入、处理、输出，不同的人其上下文中的上下程度弹性是不同的。哲学可以提出问题，科技可以解决问题。从广义上说，没有任何科学事实结论可以在逻辑上决定伦理原则。即关于自然“是”什么的陈述决定关于我们的责任“应该”怎样的陈述。对于智能或智慧而言，却可以不自觉地实现二者“悄然而至”的结合，而且还可以找到许多的合理理由和恰当路径，比如威廉.华兹华斯的一句“弥尔顿啊！此刻你应活着：英格兰需要你。”与人/机不同的动态规划。现在的各种动态规划往往是事实性的计算（“是”的部分），好一点的再加上一些优化方法的组合，而人类的真实动态规划还常常涉及价值和责任的算计（“should”的部分）。所以机器的计算性动态规划是战术性的狭义，而人类的算计性动态规划则属于战略性的广义。

对于人类的智能基础理论可能需要另辟蹊径，除了西方计算思想以外，还需要补上东方算计思想这一课吧！若再认真一点分析，计算也是被算计出来的吧？！分析显而易见的事情需要非凡的思想，“是非之心，智也”+“To be or not to be”或许真的是人类智能的理论基础。

智能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。