道，可视为一种非存在的有，既包含态和势，也包含着感和知，同时在事实与价值、计算与算计之间搭建起了一座人物（机）环境系统构成的桥梁。

人机道也是非常道，非常道里面常常包括一、多道，不但有科学道，还有非科学道，不但有数字道，还有社会道。人的智能侧重人性，机的智能关注效率。可惜的是，现在有的人智侧重了效率，但机智还未能关注人性。当前人机道的一个核心问题就是：库+非库 and 谱+非谱，而不仅仅是数据库或者知识图谱，其根本的需求是在不同领域中如何生成共同知识的能力。

哲学家卡尔•萨根：“如果你想要从零开始制作一个苹果派，那你就得先创造出宇宙”。为什么很难从事实里推出价值来，抑或休谟之问为什么很难，大都是缘于很难用一个事实去定义描述出一种价值，对于价值的简化定义常常就是一个错误或失误，如何从更少的事实中得出价值依然成为智能的关键之处。西方的科技体系归纳演绎、事实清晰--数理化农工贸，便于集中力量深入探讨，但也忽略了各学科领域的交叉融合（近些年正在改善），东方思想比较讲究类比隐喻、相对价值--仁义礼智信，规避了科学技术中的缺点，却也出现了纵横失衡、点线面不均的劣势。一个是用事实提炼价值侧机，一个是用价值捕捉事实重人，如何实现东西交汇、人机融合、相得益彰依然成为智能领域的难点和热点。

马克·安德森(Marc Andreessen)将数字时代的人分成两类：“吩咐计算机做事的人，与听从计算机的吩咐做事的人。”。数据与知识的形成、使用、协同都是主客观混合的过程，人机混合的核心问题也就是主客观如何有效混合的问题，所以单纯使用客观手段很难实现对其根本性的理解、发现。不同的数据结合不同的知识可以产生相同的等价结果，可计算性完成了正向过程，而可解释性需要完成其逆向过程，由于逆向过程的相对无限性（尤其对于当前数学的一义性和不完备性而言），所以事物的发展常常会不可解释的，这也是机器学习和知识图谱不可解释的根本所在。因此，对于人机之间的互学习，目前仍是一个不能实现的问题，究其因，机器学习不能实现人类学习中所能够产生的一系列的隐性知识、规则与秩序。

千年暗室，一灯即明。元宇宙也许仍是人机环境系统的矛盾体，由此而衍生出的人机环境系统智能其本质将不再是数据、算法、算力，而是在此基础上如何创造修正、弥聚使用和矛盾协调它们。计算-算计、情境意识、态势感知就像一颗大树，上面是显性的枝叶茂盛，下面是隐性的盘根错节。在显性的计算里，理性的逻辑一般要求自洽一致，不能变化，而在隐性的算计中，感性的力量却可以揉面式把理性逻辑变得柔软起来，甚至可以无厘头地自相矛盾，但仍虚实弥聚有度，盾矛相济有序。人机交互不仅是脖子以上以下的问题，还有脖子以外的问题，虚拟可以的现实不一定可以，仿和真不是简单的一一映射关系，智和能相差的也不是一星半点……这些涉及的远非计算和（现有的）数学所能驾驭的，需要更新的工具出现（其实，数学不时也很尴尬）。

心理学家格尔德吉仁泽，曾经写道：各种预测可能会因为信息太多而失败，如果你了解的事实与过去的表现紧密相关，但与未来却没什么关联，你也会误入歧途，因此，你所得出的结论会倾向于将一般的事实过于紧密的与过去具体的场景联系在一起。吉仁泽说：“在一个不确定的世界里，复杂性的策略之所以会失利，就在于它阐释了过多的事后的领悟，其实只有部分信息对于未来是有价值的，而直觉的艺术就在于要专注于这部分信息并遗忘掉其他信息。”

如果说人机道的未来在于发现新的逻辑体系，那么这个新的逻辑就是要打破原有单纯以事实为基础的理性逻辑体系，适时适处加入以价值为基础的感性逻辑，形成感性逻辑与理性逻辑共同起作用的人机环境系统。