近年来，虽然人工智能的成果斐然，但现阶段的人工智能体还远未达到接近人类心智的水平。并且，大数据抑或小数据的问题，日益成为人工智能未来发展的关键。面对当前自动化与智能化中的种种问题，推动理性与感性相统一，促进计算与算计相结合，使离身、具身、反身认知形成整体，构建计算—算计智能模型框架，是一种可能的未来发展路径。

大数据抑或小数据

近期，以GPT为代表的生成式人工智能引发热潮。不过，此类人工智能多使用大数据或大模型，也引发了一些争议。有人认为，这可能是走错了方向。还有人认为，人工智能的研究方向并没有走错，而是在不断扩展和深化。大数据和大模型是人工智能研究中的重要组成部分，它们可以帮助我们处理更加复杂的数据和问题，提高人工智能的精度和性能。不过，人工智能不仅是基于数据的模型，还包括许多其他方面的研究。比如，符号推理、逻辑推理、（非）知识表示、诡诈欺骗、真假辨识等。

数据量往往并不是唯一关键因素，数据的质量和可靠性同样重要。在人机环境系统智能领域，有不少是小数据、简单算法、弱算力，而不是大数据、复杂算法、强算力。甚至在某些情况下，小数据集可能更加准确和可靠（因为更容易进行有效的数据清洗和筛选）。对于某些任务而言，简单的算法就已足够，而且在性能和可解释性方面可能更具优势。复杂的算法通常需要更多的计算资源和更长的训练时间，并可能产生过拟合等问题。弱算力的系统则可以通过使用高效的算法和优化技术来提高性能。比如，可以使用并行计算、分布式计算和硬件加速等技术，提高系统的效率和性能。我们需要在不同方向上进行研究，以更好发掘人工智能的潜力。

理性与感性相统一

传统的自动化领域涉及老三论，即控制论、信息论和系统论。控制论通过信息和反馈建立了工程技术、生命科学和社会科学之间的联系。控制论中的信息输入、处理、输出、反馈，一般以客观事实性数据、模型、统计为基础，因而在科技与工程领域具有较好的使用效果，而在涉及包含主观价值的社会、经济领域则往往使用效果欠佳。在信息论中，香农定义了信息熵，是对消息中所含的信息量的度量，可以用来推算传递经二进制编码后的原信息所需要的信道带宽。信息熵的提出，解决了对信息的量化度量问题，而对于（不同发出/接收者）信息质量的好坏却缺乏度量。1932年，贝塔朗菲（L. V. Bertalanffy）发表“抗体系统论”，提出了系统论的思想。目前，系统论运用完整性、集中性、等级结构、终极性、逻辑同构等概念，研究了适用于综合系统或子系统的模式、原则和规律，并力图对其结构和功能进行数学描述。但是，这一路径对于包含人在内的复杂系统处理还不是很理想。总之，对于自动化领域控制论、信息论和系统论而言，缺乏价值反馈、价值度量、价值体现，已成为其进一步发展的瓶颈和挑战。

当前的智能化研究主要基于符号主义、连接主义或行为主义，对人类智能进行分析与模拟，并取得了不少成绩，但也出现了许多困难和不足，远未达到人们的期望和要求。究其原因，当前研究的核心仍试图以还原论的思想，破解智能的机理或应用，而没有从根本上理解智能产生的机制原理及应用的规律。与机器智能相较而言，人类智能并非孤立的，而是在人物环境交互产生的。真正的智能可以计算，但单纯的计算是不能产生智能的——智能的基本逻辑是比较，而不是计算。把智能看成某种逻辑或计算，是制约智能发展的瓶颈和误区。

智能不但涉及科学、技术、数学等领域，而且还涉及人文、艺术、社会等方面。其中，既有客观事实又有主观意识，既有机械惯性又有灵活辩证，既有逻辑推理又有直觉感悟。把智能看成是数据、信息、知识、算法、算力等是十分狭隘的。真实的智能不但能够学习、生产、使用、维护、升级这些事物，而且还可以扭曲、异化、诡诈、变易这些概念或机制机理。智能化不是信息化、数字化、自动化的简单延伸、扩展，而是一种大不相同的新型范式。智能不仅要掌握已知的信息、学习已有的知识，更重要的是，还要生成有价值的信息、知识以及有效使用协调这些信息和知识——这是理性逻辑推理与感性超逻辑判断的统一。

计算与算计相结合

在某种程度上可以说，世界是复杂的。不过，具有复杂性的世界并不都是科学和计算，而是某种科学与非科学、理性与感性融合的人物环境系统，同理，智能也是自然与人工的结合。依据目前人类的数理、物理水平，仅通过编写计算机程序，是不可能实现人类水平的智能的，必须另辟蹊径。休谟1711年在《人性论》中提出了“休谟之问”：从“是”（Being）中能否推出“应该”（Should），即从客观事实中能否推出主观价值。这个问题在西方近代哲学史上占有重要地位。在两千多年前的东方，孟子在《告子上》中就说过：“是非之心，智也。”真正的智能要打开科技与、或、非门的狭隘。大是、大应、小是、小应，需要穿透各种非家族相似性的壁垒，用未来的想象（预期）和当前的感受（如同情、共感、同理心、信任等）影响智能领域的走势。

依据现有计算和认知领域的成果，可以提出计算计模型，即针对复杂、多域、动态的环境，研究人机混合下的态势感知模型，能够探索人—机—环境对决策的影响。智能系统中的算计，是一种没有数学模型的计算。相比于智能计算中较为普遍的“与或非”逻辑，不妨将算计中的逻辑称为“是非应”。其中，“是”偏同化，“非”偏顺应，“应”偏平衡。当遇到未知问题时，可以先用“是”、再用“非”、后用“应”。当遇到大是大非时：大是不动，先试小非，再试中非；若不行，大非不动，先试小是，再试中是。这些试的过程，就是“中”的平衡。“应”就是不断尝试、调整、平衡。以上，就是计算与算计结合的新逻辑体系。算计逻辑把握价值情感方向，计算逻辑细化事实理性过程。在智能的未来发展中，新逻辑的出现或许会带来新的可能性。

智能是在主体同物和环境的交互中逐步形成的。一方面，主体的认知与世界发生着融合。另一方面，被误用的计算也可能影响主体的认知。正如哈明（Richard Hamming）所说：“计算的目的不在于数据，而在于洞察事物。”这里的洞察，就包含对未来的预测与算计。人类的洞察机制不是一维的具身认知，还常常涉及二维的离身认知、三维（以上）的反身认知及其混合认知机理。

离身、具身、反身认知

传统认知理论认为，认知是在人脑中发生的类似于计算机的计算过程，其功能独立于环境且与身体无关，因此被称为“离身认知”（如联结主义、符号主义）。但随着研究的进展，心理学家发现，认知在很大程度上依赖着身体。认知和身体都嵌入环境，共同构成一个动态的统一体，这被称为第二代认知科学的“具身认知”。具身认知理论认为，个体的认知过程和自我意识都与具身活动密不可分，身体的自由度影响感知判断。反身认知往往是在各个社会领域中的一种自我加强现象。反身认知认为，参入者的思维与参入的情景之间相互联系与影响，彼此无法独立，认知与参入处于永远的变化过程之中。反身认知一般强调，博弈过程中的人机环境系统之间的激发联动效应，能够跨越物理域、信息域、认知域等。

针对当前智能化研究所面临的问题，需要从人类具身、离身、反身的态势感知角度，解决智能化建模难题。安德斯雷（Mica R. Endsley）提出了有关态势感知的一个共识概念，即在一定时间和空间内对环境中的各组成成分的感知、理解，进而预测这些成分后续的变化。深度态势感知是对态势感知的感知，其中既包括了人的智慧，也融合了机器的智能。这是一种“能指+所指”，既关涉事物的属性（能指、感觉），又触及它们之间的关系（所指、知觉）；既能够理解弦外之音，也能够明白言外之意。这种深度态势感知，在安德斯雷以主体态势感知（包括信息输入、处理、输出环节）的基础上，分为“态”“势”“感”“知”四个环节，包括人、机（物）、环境（自然、社会）及其相互关系的整体系统趋势分析，具有“软（价值）/硬（事实）”两种调节反馈机制。这既包括自组织、自适应，也包括他组织、互适应；既包括局部的定量计算预测，也包括全局的定性算计评估，是一种具有自主、自动弥聚效应的信息修正、补偿的期望—选择—预测—控制体系。智能的逻辑，既不同于理性的逻辑，也不同于感性的逻辑，而是两者的结合。对此，需要从态势感知这个角度入手，使离身、具身、反身认知形成整体，进而建立起智能的计算—算计体系。

计算—算计智能模型框架

在某种程度上可以说，智能是一种激发—唤醒过程。好的智能交互涉及人—机—环境系统三者之间的和谐对立统一，既有态的计算，也有势的算计。通晓辩证逻辑的算计，才是真正的智能“化”。这反映了不确定的确定性，即不确定性的变化率。比如，人类能够从位置、速度、加速度中，反映出空间、时间、力；进而，又从质量、能量、信息中，反映出虚实、有无、真假。

​

计算—算计的态势感知坐标系 作者/供图

在笛卡尔数形计算的解析坐标系启示下，可以初步构建计算—算计的态势感知坐标系（如图所示）。状态参数可由环境中的物理参数（时间、地点、人物、事物等）组成“态向量”，并通过不同状态下的状态矩阵计算获得初级的趋势结果1。趋势参数可由期望中的各种价值参数（时间、地点、人物、事物等的价值）组成“势向量”，并通过不同趋势下的趋势矩阵算计获得次级的趋势结果2。感觉参数可由感觉到的各种参数（时间、地点、人物、事物等）组成“感向量”，并通过不同感觉下的感觉矩阵计算获得初级的知觉结果3。知觉参数可由知觉到的各种经验参数（时间、地点、人物、事物等的经验值）组成“知向量”，并通过不同知觉下的知觉矩阵算计获得次级的知觉结果4。通过这4个结果的计算—算计结果，可以拟合出综合的态势感知结果。进而，分别建立起离身、具身、反身的态势感知模型，再进行融合分析，可以得出整体系统的计算计结论。

或许，智能的关键不在于计算能力，而在于带有反思的算计能力。算计比计算强大的地方，在于反事实、反价值能力。自主性中常包含反思（事实反馈+价值反馈）能力。事实性的计算是使用时空（逻辑），而价值性的算计是产生（新的）时空（逻辑）。通过计算与算计的深度结合，构建基于理性和感性混合驱动的计算计模型，实现人机混合智能决策，能够使人机混合系统被赋予更多智能，从而可以更好应对未来与未知的种种挑战。

（本文已发表在《中国社会科学报》2023.6.13）