复杂和智能往往是紧密相关的概念，两者之间存在一定的关联和区别。复杂系统比科学的范围更大，既可以从科学角度展开成复杂科学，也可以从非科学角度理解为非科学复杂问题，它们共同之处都在于还原论的失败，1+1/=2。

复杂通常指的是系统、事物或问题的结构或行为具有高度复杂性或难以理解、处理、控制的程度。复杂性可以来源于系统内部的复杂交互关系和自组织现象，也可以来自外部的环境变化和各种不确定性因素。在信息时代，随着数据量和信息量的爆炸式增长，复杂性的挑战成为了各种领域的主要问题之一。

智能则通常指的是具有自主学习、推理、感知、行动、创新等能力的机制或系统。智能可以来源于生物进化、神经科学、计算机科学、人工智能等多个领域的研究，涉及到知识表示、机器学习、自然语言处理、计算机视觉、语音识别、机器人等多个方面。

复杂性问题有时并不复杂，比如气候变暖和天气问题，从宏观算计的角度看，也许路人皆知且都有感觉（如中秋还在穿T恤，寒冬见不到冰溜溜），但从中观、微观计算的角度看，则很难实现精准化预测和预报，究其因，隐变量和干扰变量太多太杂之故吧？！

复杂性有很多种，有物理世界里的客观事实造成的，也有人类社会中的主观意识生成的，更有这两者混杂而成的既复又杂的结合物。复杂和智能之间存在一些关联和重叠。例如，处理复杂的数据和信息需要利用智能的技术和工具进行分析、挖掘和推理。在机器学习和人工智能领域，处理复杂性是一个重要的问题，需要采用适当的算法和模型来实现自主学习和智能决策。因此，复杂和智能可以被视为互相促进、互相依存的概念。研究复杂性问题，最忌讳的是仅用数学形式化手段和框架去处理，忽略了东方系统思维中的整体观，犹如当前人工智能领域的研究一般，头疼医头，脚疼医脚，一会儿深度学习，一会儿强化学习，一会儿迁移学习，一会儿联邦学习，一会儿**学习……殊不知，这些学习的基和源就是不完备的数学形式化工具，都是建立在数据处理基础上的公理性逻辑体系，而复杂性系统中的那些非数据、非公理、非逻辑的种种因素和元素早已被过滤的一干二净了！人类学习中的“深度”、“强化”、“迁移”、“联邦”等是动词，而且可以千变万化、伸缩自如、弥聚有度，但在机械化复杂性研究和AI中却都变成了干巴巴的形容词，“深度”不会弯曲、“强化”不知隐藏、“迁移”不懂纵深、“联邦”不明跳跃，……，总是想用还原分析中的各种“复”描述、诠释、解决系统过程中的各样“杂”题，天真烂漫！

正可谓“空山不见人，但闻人语响”、“只在此山中，云深不知处”也是人工智能无法解决的复杂性问题吧！

表面上看，各方智能化发展非常迅速：百舸争流，百花齐放，百家争鸣，一片热火朝天的景象，实际上，各国的智能化进程却都存在着一个致命的缺点，就是没能深入地处理人机融合的智能问题，尤其是深度态势感知问题。任何颠覆性科技进步都可回溯到基础概念的理解上，例如人的所有行为都是有目的的，这个目的性就是价值，目的性可以分为远中近，其价值程度也相应有大中小，除了价值性因果推理之外，人比人工智能更为厉害的还有各种变特征、变表征、变理解、变判断、变预测、变执行。严格地说，当前的人工智能技术应用场景很窄，属于计算智能和感知智能的前期阶段，不会主动地刻画出准确的场景和情境，而智能科学中最难的就是刻画出有效的场景或上下文，而过去和现代智能化的思路却是训练一堆人工智能算法，各自绑定各自的工程应用场景。一般而言，这些人工智能技术就是用符号/行为/联结主义进行客观事实的形式化因果推理和数据计算，很少涉及价值性因果关系判断和决策，而深度态势感知中的深度就是指事实与价值的融合，态、势涉及客观事实性的数据及信息/知识中的客观部分（如突显性、时、空参数等），简单称之为事实链，而感、知涉及主观价值性的参数部分（如期望、努力程度等），不妨称之为价值链，深度态势感知就是由事实链与价值链交织纠缠在一起的“双螺旋”结构，进而能够实现有效的判断和准确的决策功能。另外，人侧重于主观价值把控算计，机偏向客观事实过程计算，也是一种“双螺旋”结构。如何实现这两种“双螺旋”结构之间（时空、显著性、期望、努力、价值性等）的恰当匹配，是各国都没有解决的难题。所谓主动态势感知技术就是通过人的算计制定出系统安全性测试计算程序，模仿故障点，进行故障前的测试、诊断等过程，主动暴露特定人机环境系统中的不足和缺陷，针对系统中的薄弱环节进行测试探查，犹如战场中的火力侦查，抑或电工维修作业中的耐压实验，以达到未雨绸缪、防患于未然之效果。

主动态势感知中的态、势、感、知测试或许与被动态势感知中的有所不同。

前几天，有位不认识的留学德国的朋友写道：“在德国办理各种事情的时候，很多时候需要花不少时间研究明白具体的规则和流程，这些规则和流程就像德国车的设计，是一个高效可靠但又极其复杂的机器系统。虽然前期学习和适应需要不少时间，然而一旦你对整个系统熟悉了，就会发现它运行起来是如此平稳顺畅，只要遵守这些规则按照流程走，基本不需要太动脑子，非常省力省心。”。实际上，对于人们而言，这些规则和流程与法律条文一样相对都是显性的系统，所以“如此平稳顺畅”。而对于伦理道德、人文艺术等隐性系统，人们与之们的交互就没有那么顺畅了，究其因，没有了一致性的公认协议和公理，类似数学的形式化逻辑体系是建立不起来了，没有了尺规，当然也就没有了红绿灯和各种标准要求。

显性的系统往往与客观性事实有关，如杀人偿命、欠债还钱，但是单单依据这些事实进行判断量刑还远远不够，还需要依据杀人的人为什么要杀人、被杀的又是什么人、欠债的为什么不还等等，不自觉中，可能就会把更多的事实牵扯进来，进行衍生出价值和意义之类主观性的隐性关系来，于是具体数据、信息、知识的学习、运用、创造使得抽象概念、范畴得以泛化成更抽象的联系、关系。

相对而言，有经验的大人们常常能够控制自己理性和感性，收发自如地处理各种显隐性系统，没有经验的小孩往往控制不了自己，机器也是如此，而且对于隐性、潜在、变化因素更是难以随动。

无论人在系统上、中、下（外），都将会涉及与显、隐性系统交互的问题。大家研究的一般是看得见、摸得着的显性系统，如自动控制系统、各种规则标志等，而对潜在的、不确定隐性系统以及更多的显隐混合系统的研究较少，这也是为什么当前人工智能技术迟迟没有得到“心服”的主要原因：没有得形得意般地真实灵活反映事实、价值的纠缠与混动。

没有一个人是生活在完全客观的世界里， 我们都居住在一个各自赋予其意义的主观的世界。正可谓，反其道而行之，换个角度看世界，会收获到不同的东西，世界也因此以另一个面貌展示在你面前。何时、何处、如何反其道而行之，这里面隐性的部分要关键于显性的环节吧？！

有人认为：“一个主体对外部环境的变化做出相应的能力就叫智能，这个主体可以是车间、机床、机器人、立体仓库、研发团队、企业等，无论什么主体，衡量智能的重要标志就是它对需求的变化能否做出响应。”，也许这个定义忽略了主体内部主动的变化和内部隐性环境的扰动吧！

世界不仅是事实构成的，也是由价值构成的，人与系统之间的交互应该包含隐性部分。