近期“苇草智库”提出了不少前沿问题，其中之一是：未来数字世界中，人与智能机器是何种分工模式？人与机器的边界将如何划分？ 

下面是一点个人思考：

人机的关系现在是功能分配，未来的人机可能是能力分工。

人机的边界在与should—“应”和change“变”，即如何实现适时的“弥“（散）与“聚“（焦）、“跨”（域）与“协”（同）、“反”（思）与“创”（造）。

人类学习的秘密在于数据信息知识的弥散与聚焦（弥聚），人类使用数据信息知识的秘密在于跨域与协同（跨协），人类智能的核心在于反思与创造（反创）。

人有内外两种态势感知系统（OODA系统）耦合而成，共振时最强，抵消时最弱，另外还有一个非智能（即智慧）影响决策系统：想不想、愿不愿、敢不敢、能不能……这些因素虽在智能领域之外，但对智能的影响很大。

外在的SA是联结客观环境的眼耳鼻舌身等客观事实通道，内在的SA是联结主观想象环境的知情意等主观价值通道，阿尔法狗试图完成主观价值的客观事实化，可惜只完成了封闭环境下的形式化计算，没有完成开放环境下的意向性算计，究其因，在于传统映射思想是确定性的同质对应，远没有不确定性异质散射、漫射、影射的跨域变尺度的对应机制出现。

真正智能领域的瓶颈和难点之一是人机环境系统失调问题，具体体现在跨域协同中的“跨”与“协”如何有效实现的问题，这不但关系到解决各种辅助决策系统中“有态无势”（甚至是“无态无势”）的不足，而且还涉及到许多辅助决策体系“低效失能”的朔源。也许需要尝试把认知域、物理域、信息域构成的基础理论域与陆海空天电网构成的技术域有机地结合起来，为实现跨域协同中的真实“跨”与有效“协”打下基础。

人工智能中的强化学习不能够实现人类强化学习后的意图隐藏（比如小孩被强制学习（惩罚）后表面上顺从但实际上是隐匿想玩的意图；另外，那些因为做了一项任务而得到奖励的人，可能没有那些因为做同样的任务而没有得到奖励的人愉快，这是因为他们把他们的参与仅仅归因于奖励而不是情感与体验。），机器深度学习容易实现局部优化却很难实现全局优化和泛化等等。

电脑先驱阿兰 · 凯伊（Alan Kay）：“预测未来的最好办法就是创造未来。”。判断力和洞察力，是广域生存最核心的竞争优势。判断力和洞察力，常基于‘直觉’。正是这样的直觉，使‘企业家’完全不同于‘管理者’，使“军事家”完全不同于“指挥员”，使“优秀者”不同于“普通者”

人工智能的瓶颈在于：总想用逻辑的手段解决非逻辑问题！