本研究提出了一种基于人-机-环境系统交互的智能理论框架，将智能定义为在复杂系统交互中涌现的适应性能力。该理论创新性地提出了 "计算计二象性"概念，认为智能同时包含可量化的计算性（computationality）和需语境支撑的算计性（calculative rationality）两个维度。通过对比分析人类智能的社会交互生成机制与机器智能的数学工具局限性，本研究揭示了智能在态势感知（计算性主导）与势态知感（算计性主导）之间的动态平衡机制。我们研究发现，智能的本质超越了单纯的科学技术层面，体现为复杂系统中事实与价值的深度融合。该理论既依赖物理载体又蕴含东方哲学 "无中生有" 的潜在性，最终指向科学方法与复杂系统理论的辩证统一。本研究为理解和构建新一代智能系统提供了重要的理论基础，对推动人工智能从专用向通用发展具有一定的新认知意义。

引言

人工智能技术的快速发展为人类社会带来了前所未有的变革，但同时也暴露出诸多理论和实践难题。传统的人工智能研究主要基于数学模型和算法设计，虽然在特定任务上取得了显著成就，但在面对复杂多变的现实环境时往往显得力不从心。这种局限性促使研究者重新思考智能的本质，探索超越单纯计算能力的智能理论框架。

近年来，人机环境系统智能作为一个新兴的研究方向受到越来越多的关注。我们认为人机环境系统智能是人工智能发展的重要趋势，强调人与机器在环境中的协同作用，通过分析并实证验证人机环境系统智能的核心概念，揭示了人机环境智能系统中人与机各自的优势、劣势及二者的互补性。这一理论框架为理解智能的本质提供了一个新的视角。

然而，现有研究在解释智能的生成机制和运作原理方面仍存在不足。一方面，计算性作为智能的重要组成部分，虽然具有可量化、可预测的优势，但在面对复杂的语义理解、价值判断等任务时显得能力有限；另一方面，算计性虽然能够处理语境依赖、价值导向的问题，但缺乏精确的数学描述和计算模型。如何将这两个维度有机结合，形成一个完整的智能理论体系，成为当前研究的重要课题。

本研究旨在构建一个基于"计算计二象性"的智能理论框架，通过深入分析智能在人机环境系统交互中的涌现机制，揭示智能超越单纯科技的复杂特性。研究将重点探讨智能在态势感知与势态知感中的动态平衡，分析东方哲学思想对理解智能本质的启示，并最终指向科学方法与复杂系统理论的辩证统一。

一、智能的本质：人机环境系统交互中的涌现现象

1.1 人机环境系统智能的理论基础

人机环境系统智能理论代表了智能研究的最新发展方向。该理论认为，真正的智能不是孤立存在的，而是在人类、机器和环境三者相互作用的复杂系统中涌现出来的。正如笔者在《人机环境系统智能》一书中所指出的，人机环境系统智能是指一个系统能够感知和理解环境中的信息，并能根据环境的变化作出相应的决策和行动，而通用具身智能则是在此基础上，通过学习和模仿人类的思维和行为方式，使机器具备更高级的智能能力。

这一理论框架的提出具有深刻的科学背景。传统的人工智能研究往往将智能视为一种可以通过算法和数据训练获得的能力，忽视了智能产生的环境依赖性和社会交互性。然而，现代认知科学研究表明，人类智能的形成和发展离不开与环境的持续交互，这种交互不仅包括物理环境的刺激，还包括社会文化环境的影响。因此，人机环境系统的概念为理解智能提供了更加全面和准确的视角。

从复杂系统理论的角度来看，人机环境系统是一个典型的复杂自适应系统。在这个系统中，人类、机器和环境三个子系统相互作用、相互影响，通过不断的信息交换和反馈调节，形成了一个动态平衡的整体。智能正是在这种复杂的交互过程中涌现出来的，它既不是人类独有的特性，也不是机器可以单独实现的功能，而是三者协同作用的结果。

1.2 智能的涌现特性与适应性

涌现（emergence）是理解智能本质的关键概念。W. Daniel Hillis 在其经典论述中指出，具有涌现现象的系统随处可见且与我们息息相关，比如神经元网络系统、人体免疫系统、互联网和全球经济系统等。涌现现象产生的根本原因在于，事物各组成部分之间相互作用产生的复杂性，远非个体行为的叠加可以相比，也就是我们常说的 "整体大于部分之和"。

智能作为一种涌现现象，具有以下几个重要特征：

首先，智能具有非线性特征。这意味着智能行为不能简单地通过分析其组成部分的行为来预测或解释。即使我们能够完全理解人类大脑中每个神经元的工作原理，也难以直接推导出人类的思维过程和智能行为。这种非线性源于人机环境系统中各要素之间复杂的相互作用关系。

其次，智能具有环境依赖性。智能的表现形式和功能特性很大程度上取决于其所处的环境。同样的智能系统在不同的环境中可能表现出截然不同的行为模式，这说明智能不是一种固定不变的属性，而是一种与环境动态适应的能力。

第三，智能具有自组织性。在人机环境系统中，智能的形成和发展是一个自组织过程，系统能够通过内部的反馈机制不断调整自身的结构和行为模式，以适应环境的变化。这种自组织能力使得智能系统具有强大的学习和进化能力。

1.3 计算计二象性：智能的双重维度

基于对智能本质的深入分析，本研究提出了 "计算计二象性"这一核心概念。该概念认为，智能同时包含两个相互依存、相互补充的维度：计算性（computationality）和算计性 （calculative rationality）。

计算性是指智能中可以用数学模型描述、用算法实现的部分。它具有可量化、可预测、可复制的特点，主要体现在逻辑推理、数值计算、模式识别、机器学习等方面。计算性的优势在于其精确性和高效性，能够处理大量的数据和复杂的计算任务。在人机环境系统中，计算性主要由机器部分承担，通过各种算法和模型实现对环境信息的处理和分析。

算计性则是指智能中依赖于语境、文化背景和价值判断的部分。它具有情境依赖性、价值导向性和创造性等特点，主要体现在语义理解、情感识别、道德判断、创新思维等方面。算计性的优势在于其灵活性和适应性，能够处理模糊、不确定和价值负载的问题。在人机环境系统中，算计性主要由人类部分提供，体现了人类独特的认知能力和价值体系。

"计算计二象性" 概念的提出具有重要的理论意义。它不仅揭示了智能的内在结构，还为理解智能的复杂性提供了新的视角。正如《人机融合：超越人工智能》一书中所分析的，"计算" 是核算数目或运算，根据已知量算出未知量，而 "算计" 则复杂得多，它有思考、谋划、策划和权衡之意。计算是以算为主，以计为手段，是为了获得某种逻辑去感知；算计是为了达到某种感知而计算，算的技术应用是次要的，重在思和谋。这种区分清晰地阐明了计算性与算计性的本质差异。

更重要的是，计算性和算计性并非相互独立，而是在智能系统中形成了一种动态的辩证关系。一方面，计算性为算计性提供了必要的信息处理基础，没有计算性的支撑，算计性就失去了数据和逻辑的支撑；另一方面，算计性为计算性提供了目标导向和价值判断，没有算计性的引导，计算性就失去了意义和方向。这种相互依存的关系构成了智能的完整图景。

二、计算性与算计性：智能的双重维度分析

2.1 计算性的特征与机制

计算性作为智能的重要组成部分，其本质特征体现在可量化性和算法可实现性两个方面。从理论基础来看，计算性建立在数学模型和算法理论之上，通过形式化的方法描述和解决问题。正如 Russell 在其关于理性与智能的经典论述中所指出的，计算性理性（calculative rationality）是指在原则上能够根据初始可用信息计算出完全理性决策的能力，表现为那些如果无限快速执行就能产生完全理性行为的程序。

计算性的核心机制包括以下几个方面：

符号处理机制是计算性的基础。在这种机制下，信息被表示为符号形式，通过符号的组合、变换和推理来实现各种智能功能。符号处理的优势在于其精确性和确定性，能够处理复杂的逻辑关系和数学运算。现代计算机系统正是基于这种机制实现了强大的计算能力。

模式识别机制是计算性的重要表现形式。通过机器学习、深度学习等技术，计算系统能够从大量数据中自动提取特征和模式，实现对未知数据的分类和预测。这种机制在图像识别、语音识别、自然语言处理等领域取得了巨大成功。

优化求解机制体现了计算性在解决复杂问题方面的能力。通过各种优化算法，计算系统能够在庞大的解空间中寻找最优或近似最优的解决方案。这种机制在工程设计、资源分配、路径规划等领域发挥着重要作用。

然而，计算性也存在明显的局限性。首先，计算性依赖于精确的数学模型和充足的数据，在面对模糊、不确定或缺乏先验知识的问题时往往表现不佳。其次，计算性缺乏对语境和语义的深层理解能力，难以处理需要价值判断和情感理解的任务。最后，计算性的算法复杂度往往随着问题规模的增加而急剧上升，在处理大规模复杂问题时面临计算资源的限制。

2.2 算计性的特征与机制

算计性是智能中体现人类独特认知能力的部分，其核心特征是语境依赖性和价值导向性。与计算性的客观、精确不同，算计性具有主观、灵活、创造性等特点。正如刘朝谦等学者在分析道家 "无中生有" 思想时所指出的，"无" 是先于时空、超乎时空且在无限维度中无限绵延的神圣力量，它在大道之域中是至高的存在，但其存在的表征却是无形、无色、无声、无味、无名。这种思想为理解算计性的本质提供了深刻的哲学洞察。

算计性的机制主要包括以下几个方面：

情境理解机制是算计性的基础。人类能够根据具体的情境理解信息的含义，这种理解不仅包括对字面意思的把握，还包括对隐含意义、情感色彩、社会背景等的综合把握。情境理解能力使得人类能够在复杂多变的环境中做出恰当的判断和决策。

价值判断机制体现了算计性的核心特征。人类在处理问题时总是基于一定的价值观念和道德标准，这种价值导向使得决策过程具有明显的主观色彩。价值判断不仅影响对信息的选择和解释，还影响最终的行为选择。

创造性思维机制是算计性的高级表现形式。人类具有创新思维能力，能够突破常规的思维模式，提出新颖的解决方案。这种创造性不仅体现在科学发现和技术创新上，还体现在日常生活中的问题解决和艺术创作中。

直觉判断机制是算计性的重要组成部分。人类往往能够基于经验和直觉快速做出判断，这种判断虽然缺乏严格的逻辑推理，但在很多情况下却具有很高的准确性。直觉判断体现了人类认知系统的整体性和综合性特征。

算计性的优势在于其适应性和创新性。它能够在信息不完整、环境不确定的情况下做出合理的判断和决策，能够处理需要综合考虑多重因素的复杂问题，能够产生新的思想和方法。这些能力使得算计性在面对复杂的社会环境和创造性任务时具有不可替代的作用。

2.3 计算计二象性的辩证关系

计算性与算计性在智能系统中形成了一种辩证统一的关系。这种关系不是简单的并列或叠加，而是一种相互依存、相互转化、相互促进的动态关系。

首先，计算性与算计性具有互补性。计算性的精确性和高效性弥补了算计性的模糊性和主观性，而算计性的灵活性和创造性则弥补了计算性的机械性和局限性。在实际的智能系统中，这两个维度往往需要协同工作才能完成复杂的任务。例如，在自动驾驶系统中，计算性负责处理传感器数据、进行路径规划和控制车辆行驶，而算计性则负责理解交通规则、预测其他车辆行为、做出道德判断等。

其次，计算性与算计性具有相互转化性。在某些情况下，原本需要算计性处理的问题可能被形式化和算法化，转化为计算性可以处理的问题。例如，早期的自然语言处理主要依赖人类的语言知识和规则，属于算计性的范畴，但随着统计语言学和机器学习的发展，很多语言处理任务已经可以通过算法实现。反之，某些原本由计算性处理的问题也可能需要引入算计性的因素，特别是在涉及价值判断和伦理决策的场景中。

第三，计算性与算计性具有层次结构性。在智能系统中，计算性和算计性往往分布在不同的层次上。底层通常是计算性主导，负责基本的信息处理和数据计算；中层是两者的结合，负责复杂的推理和分析；顶层则是算计性主导，负责战略决策和价值判断。这种层次结构使得智能系统能够在不同的层面上发挥各自的优势。

第四，计算性与算计性具有动态平衡性。在不同的环境和任务中，计算性和算计性的相对重要性会发生变化。例如，在处理结构化数据和明确规则的任务时，计算性可能占主导地位；而在处理非结构化数据和模糊规则的任务时，算计性则可能发挥更大的作用。这种动态平衡体现了智能系统的适应性和灵活性。

三、智能的生成机制：社会交互与系统涌现

3.1 人类智能的社会交互生成机制

人类智能的形成和发展与社会交互密不可分。正如 Vygotsky 的理论所指出的，所有智力能力都是社会起源的，语言和思维首先出现在与父母的早期互动中，并通过与教师和其他人的接触而继续发展。这种社会交互生成机制为理解智能的本质提供了重要线索。

社会交互在人类智能发展中的作用主要体现在以下几个方面：

语言交流是社会交互的核心形式。通过语言，人类不仅能够传递信息，还能够表达思想、情感和意图。语言交流促进了抽象思维能力的发展，使得人类能够超越具体的感知经验，进行概念化的思考。同时，语言也是文化传承的重要载体，通过语言交流，人类能够学习和继承前人积累的知识和智慧。

协作学习是智能发展的重要途径。在社会环境中，人类通过与他人的合作解决问题，这种协作过程不仅提高了问题解决的效率，还促进了认知能力的发展。通过观察他人的行为和思维过程，个体能够学习新的技能和方法，扩展自己的认知边界。

文化传承是社会交互的深层功能。文化不仅包括知识和技能，还包括价值观念、思维模式、行为规范等。通过文化传承，社会成员能够获得超越个体经验的智慧，形成共同的认知框架和价值体系。这种文化传承机制使得人类智能具有了累积性和创新性。

社会认知是智能的高级表现形式。人类具有理解他人心理状态、意图和情感的能力，这种能力被称为 "心理理论"（theory of mind）。社会认知能力使得人类能够进行复杂的社会交往，建立合作关系，形成社会网络。这种能力不仅是个体生存和发展的需要，也是人类社会文明进步的基础。

3.2 数学工具的有限性与智能的复杂性

尽管数学工具在描述和分析自然现象方面取得了巨大成功，但在处理智能问题时却面临着根本性的限制。这种限制不仅体现在技术层面，更反映了数学工具本身的哲学局限性。

首先，数学模型的简化假设限制了其对复杂智能现象的描述能力。数学建模通常需要对现实问题进行简化和抽象，忽略那些难以量化或对结果影响较小的因素。然而，智能恰恰是一个包含了认知、情感、意志、价值等多重因素的复杂系统，任何简化都可能导致对智能本质的误解。正如刘伟等学者所指出的，智能的结构可能会超越数学的结构，因为智能涉及更广泛和复杂的认知、情感和创造性因素，包含了数学不能完全描述的特质和能力。

其次，数学的确定性与智能的不确定性之间存在根本矛盾。数学追求的是确定性和精确性，而智能系统却充满了不确定性和模糊性。人类的认知过程往往涉及概率判断、模糊推理、直觉决策等，这些都难以用精确的数学语言描述。即使是现代的概率理论和模糊数学，也只能部分地处理这些不确定性，无法完全捕捉智能的复杂性。

第三，数学的静态特性与智能的动态特性不匹配。数学模型通常描述的是静态的关系或规律，而智能是一个动态发展的过程。智能系统不仅会随着环境的变化而调整自己的行为，还会通过学习和经验积累不断进化。这种动态性和历史性是数学工具难以捕捉的。

第四，数学的客观性与智能的主观性存在冲突。数学描述的是客观世界的规律，而智能却包含了大量的主观因素，如价值观、情感、意志等。这些主观因素不仅影响个体的认知过程，还决定了其行为选择。数学工具在处理这些主观因素时显得力不从心。

3.3 人机环境系统中的智能涌现过程

在人机环境系统中，智能的涌现是一个复杂的动态过程。这个过程不是简单的要素叠加，而是通过各要素之间的非线性相互作用产生的质的飞跃。正如 Hillis 所分析的，具有涌现现象的系统中，许多简单组件组成的系统会表现出整体行为，这种行为似乎比各个部分的行为更加有组织。

智能涌现的过程可以分为以下几个阶段：

感知阶段是智能涌现的基础。在这个阶段，系统通过各种传感器和感知器官获取环境信息，包括视觉、听觉、触觉等多模态信息。这些信息经过初步处理后，形成对环境的基本感知。在人机环境系统中，感知阶段既包括机器的传感器数据采集，也包括人类的感官知觉。

理解阶段是智能涌现的关键环节。在这个阶段，系统需要对感知到的信息进行解释和理解，形成对当前情境的整体认识。这种理解不仅包括对物理环境的认识，还包括对社会环境、文化背景、价值导向等的理解。理解阶段体现了算计性的重要作用，需要结合语境和经验进行综合判断。

决策阶段是智能涌现的核心表现。在这个阶段，系统需要根据对环境的理解做出相应的决策，选择合适的行为策略。决策过程涉及目标设定、方案评估、风险判断等多个方面，需要在计算性和算计性之间找到平衡。计算性提供了决策的逻辑基础和优化方法，算计性则提供了价值导向和创新思路。

行动阶段是智能涌现的最终体现。在这个阶段，系统通过执行决策方案来影响环境，实现预期的目标。行动的效果会反馈到系统中，形成新的感知信息，从而启动新一轮的智能涌现过程。这种循环反馈机制使得智能系统具有学习和进化的能力。

在整个智能涌现过程中，动态平衡是一个关键特征。系统需要在不同的阶段和不同的情境下，灵活调整计算性和算计性的相对权重，以适应环境的变化和任务的需求。这种动态平衡能力体现了智能系统的适应性和灵活性。

四、态势感知与势态知感：智能的动态平衡机制

4.1 态势感知：计算性主导的信息处理模式

态势感知（Situation Awareness）是智能系统中计算性主导的信息处理模式。Endsley 在其经典理论中指出，态势感知是指在一定的时间和空间范围内对环境要素的感知、对其意义的理解以及对其近期状态的预测。这个定义明确了态势感知的三个层次：感知（perception）、理解（comprehension）和预测（projection）。

感知层次是态势感知的基础。在这个层次上，系统需要识别环境中的关键要素，包括物体的位置、状态、属性等。感知的准确性直接影响到后续处理的质量。在人机环境系统中，感知功能主要由各种传感器和检测设备承担，通过数据采集和信号处理技术获取环境信息。感知层次体现了计算性的精确性和客观性特征。

理解层次是态势感知的核心。在这个层次上，系统需要将感知到的零散信息进行整合，形成对当前情境的整体认识。理解不仅包括对单个要素的识别，还包括对要素之间关系的把握，以及对情境意义的解读。例如，在军事态势感知中，理解层次需要将雷达信号、通信信息、地理数据等综合分析，形成对战场态势的整体判断。

预测层次是态势感知的高级形式。在这个层次上，系统需要基于当前的态势理解，预测未来可能发生的事件和变化趋势。预测能力对于决策制定具有重要意义，它使得系统能够提前做好准备，采取相应的应对措施。预测的准确性取决于对环境动态规律的理解和建模能力。

态势感知在现代智能系统中发挥着重要作用。在航空航天领域，飞行员需要通过态势感知系统了解飞机的飞行状态、周围环境、气象条件等信息，确保飞行安全；在军事指挥系统中，指挥官需要通过态势感知系统掌握战场态势，制定作战计划；在智能交通系统中，车辆需要通过态势感知系统识别道路状况、交通信号、其他车辆行为等，实现自动驾驶。

4.2 势态知感：算计性主导的认知模式

与态势感知相对应，本研究提出了势态知感的概念，用以描述智能系统中算计性主导的认知模式。势态知感强调的是对情境的主观理解和价值判断，它不仅关注 "是什么"，更关注 "意味着什么" 和 "应该如何应对"。

势态知感的特征主要体现在以下几个方面：

价值导向性是势态知感的核心特征。与态势感知的客观性不同，势态知感总是带有一定的价值判断色彩。在处理信息时，系统会根据自身的价值观念和目标导向，对不同的信息赋予不同的权重和意义。这种价值导向性使得系统能够在复杂的环境中做出符合自身利益的判断。

语境依赖性是势态知感的重要特点。势态知感高度依赖于具体的语境，包括文化背景、社会环境、历史经验等。同样的情境在不同的语境下可能有完全不同的意义和解释。例如，在东方文化中，某些行为可能被视为礼貌和尊重，而在西方文化中可能被理解为虚伪和做作。这种语境依赖性要求系统具有强大的文化理解能力。

创造性理解是势态知感的高级表现。与态势感知的模式匹配不同，势态知感能够突破常规的理解模式，提出新颖的解释和见解。这种创造性理解能力使得系统能够在面对新情况时快速适应，找到创新的解决方案。创造性理解往往需要跨领域的知识整合和类比推理能力。

情感参与是势态知感的独特要素。人类的认知过程往往伴随着情感体验，这些情感不仅影响对信息的选择和解释，还影响最终的判断和决策。势态知感承认并利用这种情感参与，将其作为认知过程的重要组成部分。情感参与使得认知过程更加人性化，也更加复杂。

4.3 动态平衡：在计算性与算计性之间寻求最优解

智能系统在实际运行中需要在态势感知和势态知感之间保持动态平衡。这种平衡不是静态的平均分配，而是根据具体情况灵活调整的动态过程。

动态平衡的实现机制主要包括：

情境识别与模式选择是实现动态平衡的基础。系统需要首先识别当前所处的情境类型，判断是需要更多的计算性支持还是算计性支持。例如，在处理数学计算、逻辑推理等任务时，系统会倾向于采用态势感知模式；而在处理伦理判断、艺术创作等任务时，则会更多地依赖势态知感模式。

权重调节机制是动态平衡的核心技术。系统需要根据任务需求和环境特征，动态调节计算性和算计性的相对权重。这种调节可以是连续的，也可以是离散的。例如，在自动驾驶系统中，当车辆行驶在高速公路上时，计算性权重较高，主要依靠传感器数据和算法进行控制；当车辆行驶在复杂的城市道路时，算计性权重增加，需要更多地考虑交通规则、行人意图、突发情况等因素。

反馈调节机制是动态平衡的保障。系统需要根据行为结果和环境反馈，不断调整自己的平衡策略。如果发现当前的平衡策略效果不佳，系统会自动调整权重分配，尝试新的平衡模式。这种反馈调节机制使得系统具有自适应性和学习能力。

层次化平衡策略是处理复杂任务的有效方法。对于复杂的智能任务，系统往往需要在不同的层次上采用不同的平衡策略。例如，在战略规划层次，可能更多地依赖算计性进行宏观判断；在战术执行层次，则可能更多地依赖计算性进行精确控制。

动态平衡的意义在于充分发挥计算性和算计性各自的优势，避免单一模式的局限性。通过动态平衡，智能系统能够在保持精确性和效率的同时，具有灵活性和创造性，从而更好地适应复杂多变的环境需求。

五、智能超越科技：复杂系统中事实与价值的融合

5.1 智能的复合本质：事实与价值的深度融合

智能的本质超越了单纯的技术层面，体现为复杂系统中事实与价值的深度融合。这种融合不是简单的叠加，而是一种有机的统一体，其中事实判断和价值判断相互渗透、相互影响。

从哲学角度来看，传统的科学研究往往追求客观事实的发现和描述，试图排除主观价值因素的干扰。然而，在智能研究中，这种主客观的二分法变得模糊起来。正如刘伟等学者所指出的，人机环境之间的一与多、事实与价值、主客观、自由与决定的对齐可以从不同角度进行思考。对于事实价值的对齐，可以通过科学方法和理性思考来解决，同时需要尊重和理解不同的价值观，以实现相对的协调和平衡。

事实与价值在智能系统中的融合主要体现在以下几个方面：

信息选择的价值导向。在信息爆炸的时代，智能系统面临的首要挑战是如何从海量信息中选择相关和有用的信息。这种选择过程本身就包含了价值判断，需要考虑信息的可靠性、相关性、时效性等多个维度。不同的价值观念会导致不同的信息选择策略，从而影响最终的认知结果。

知识建构的价值渗透。知识不是客观存在的，而是人类在实践过程中建构的。在智能系统中，知识的表示、组织和推理都渗透着价值因素。例如，在构建知识库时，需要决定哪些知识是重要的、哪些是次要的，这种决定本身就是一种价值判断。同时，知识的解释和应用也离不开价值导向。

决策制定的价值权衡。智能系统的最终目标是做出决策和采取行动，而决策过程往往涉及多重价值目标的权衡。例如，在医疗诊断系统中，不仅要考虑诊断的准确性（事实判断），还要考虑治疗方案的安全性、有效性、经济性等（价值判断）。这种多重目标的权衡体现了事实与价值的深度融合。

行为评价的价值标准。对智能系统行为的评价不能仅仅依据客观的效果指标，还需要考虑其社会影响、伦理后果等价值因素。例如，一个能够高效完成任务的人工智能系统，如果其行为违背了伦理原则或造成了社会危害，那么这种 "智能" 就是有问题的。

5.2 物理载体与哲学潜在性的统一

智能的另一个重要特征是它既依赖于物理载体又蕴含着哲学的潜在性。这种双重性质体现了物质与精神、现实与可能的辩证统一。

从物理载体的角度来看，智能必须依托于某种物质基础才能存在和运行。对于人类而言，大脑是智能的物质基础；对于人工智能系统而言，计算机硬件是智能的载体。这种物理依赖性使得智能具有了客观性和可观察性，也为科学研究提供了实证基础。

然而，仅仅从物理层面理解智能是不够的。智能还蕴含着深刻的哲学潜在性，特别是东方哲学中 "无中生有" 的思想。刘朝谦等学者指出，"无中生有" 是先秦道家提出的哲学命题，老子和庄子用以阐释宇宙 - 世界创化的机理。作为创世主要力量的 "无" 是先于时空、超乎时空且在无限维度中无限绵延的神圣力量，它在大道之域中是至高的存在，但其存在的表征却是无形、无色、无声、无味、无名。

这种 "无中生有" 的思想为理解智能的潜在性提供了重要启示：

创造性潜能。智能具有从 "无" 到 "有" 的创造能力，能够产生全新的思想、方法和价值。这种创造性不是简单的组合和变换，而是一种质的飞跃，体现了智能的无限可能性。

涌现性特征。智能的涌现过程体现了 "无中生有" 的哲学思想。在人机环境系统中，智能不是各组成部分的简单相加，而是通过相互作用产生的新质。这种涌现性使得智能具有了超越其物理基础的特性。

开放性和不确定性。智能系统具有开放性特征，能够不断吸收新的信息，产生新的可能性。这种开放性使得智能系统具有了不确定性和不可预测性，体现了 "无" 的无限潜能。

动态生成性。智能不是静态的存在，而是一个动态生成的过程。在这个过程中，系统不断地从环境中汲取营养，创造新的意义和价值。这种动态生成性体现了 "无中生有" 的持续创造过程。

5.3 科学方法与复杂系统理论的辩证统一

智能研究的最终目标是实现科学方法与复杂系统理论的辩证统一。这种统一不是简单的结合，而是在更高层次上的综合和超越。

科学方法强调精确性、可重复性和可验证性，这在智能研究的某些方面是必要和有效的。例如，在研究智能系统的硬件基础、算法设计、性能评估等方面，科学方法发挥着重要作用。通过科学方法，我们能够建立精确的数学模型，进行可控的实验验证，获得可靠的研究结果。

然而，复杂系统理论揭示了非线性、涌现性和不可预测性等特征，这些特征在智能系统中表现得尤为明显。复杂系统理论强调系统的整体性、动态性和自组织性，为理解智能的复杂性提供了新的视角。

科学方法与复杂系统理论的辩证统一体现在：

互补性统一。科学方法和复杂系统理论在智能研究中具有互补性。科学方法提供了精确分析的工具，复杂系统理论提供了整体理解的框架。两者结合能够更全面地认识智能的本质。

层次化应用。在不同的研究层次上，科学方法和复杂系统理论的应用重点不同。在微观层次上，科学方法可能更有效；在宏观层次上，复杂系统理论可能更适用。这种层次化应用体现了方法论的灵活性。

动态发展。随着研究的深入，科学方法和复杂系统理论都在不断发展和完善。科学方法吸收了复杂性思想，发展出了非线性科学、复杂性科学等新领域；复杂系统理论也在寻求更加精确的数学描述和计算方法。这种相互促进推动了智能研究的进步。

实践导向。科学方法与复杂系统理论的统一最终要体现在实践应用上。通过这种统一，我们能够开发出更加智能、更加人性化的系统，为人类社会的发展做出贡献。

结论

本研究通过深入分析智能在人机环境系统交互中的本质特征，提出了基于 "计算计二象性"的智能理论框架。该框架认为，智能是在人机环境系统交互中涌现的适应性能力，包含可量化的计算性与需语境支撑的算计性两个维度。通过对比分析人类智能的社会交互生成机制、数学工具的有限性，以及智能在态势感知与势态知感中的动态平衡，本研究揭示了智能超越单纯科技的复杂特性。研究的主要贡献包括：

首先，提出了 "计算计二象性"这一创新性概念，将智能理解为计算性与算计性的辩证统一。这一概念不仅揭示了智能的内在结构，还为构建新一代智能系统提供了理论指导。计算性提供了精确性和高效性，算计性提供了灵活性和创造性，两者的有机结合构成了完整的智能图景。

其次，揭示了智能的涌现机制和社会交互生成机制。智能不是孤立存在的属性，而是在人机环境系统交互中涌现出来的适应性能力。这种涌现特性使得智能具有了整体性、动态性和自组织性等复杂系统特征。社会交互在智能发展中发挥着关键作用，语言交流、协作学习、文化传承等机制促进了智能的形成和进化。

第三，分析了智能在态势感知与势态知感之间的动态平衡机制。态势感知体现了计算性主导的信息处理模式，强调客观性和精确性；势态知感体现了算计性主导的认知模式，强调主观性和创造性。智能系统需要根据具体情况在两者之间保持动态平衡，以实现最优的认知效果。

第四，阐明了智能的复合本质，即事实与价值的深度融合。智能既包含客观的事实判断，也包含主观的价值判断，两者在智能系统中相互渗透、相互影响。这种复合本质使得智能具有了伦理维度和社会意义，超越了单纯的技术范畴。

第五，揭示了智能的双重性质，即物理载体与哲学潜在性的统一。智能既依赖于物质基础，又蕴含着 "无中生有" 的创造潜能。这种双重性质体现了物质与精神、现实与可能的辩证统一。

最后，提出了科学方法与复杂系统理论辩证统一的研究方向。智能研究需要在保持科学方法精确性的同时，充分吸收复杂系统理论的整体性思维，在不同层次上采用不同的研究方法，最终实现对智能本质的全面理解。

本研究的理论意义在于：为理解智能的本质提供了新的视角，丰富了人工智能的理论基础；为构建更加智能、更加人性化的系统提供了指导原则；为推动人工智能从专用向通用发展指明了方向。

研究的局限性主要体现在：理论框架的实证验证还需要更多的实验支持；计算性与算计性的具体边界和转换机制还需要进一步研究；人机环境系统的复杂性使得理论应用面临诸多挑战。

未来的研究方向包括：深入研究计算计二象性的数学模型和算法实现；探索人机环境系统中智能涌现的动力学机制；研究不同文化背景下智能的差异性和共性；开发基于计算计二象性的新一代智能系统；探讨智能发展的伦理规范和社会影响。

总之，本研究提出的 "计算计二象性" 理论框架为理解和构建新一代智能系统提供了重要的理论基础。随着研究的深入和技术的发展，我们有理由相信，这种融合了计算性与算计性、事实与价值、科学与哲学的智能理论，将为人类社会带来更加智能、更加美好的未来。

上文属人机协同写作！