元·认知·人机环·渔樵耕读

    元是认知之始的元素。一元为being，多元为should，除了多元之外，还有变元，随机应变的元。多元认知如何形成一元认知的？即人们是如何把多种逻辑压入到一次逻辑推理过程中的呢？这是智能领域的研究梗！随之会衍生出了这样一些问题：人们是如何把多种态、势压入到一次感、知过程中的呢？人们是如何把多种计算压入到一次算计过程中的呢？

    第一次数学危机称为毕达哥拉斯悖论（信奉“万物皆数”的信条，号称任何线段长度都可表示为两个自然数之比，毕达哥拉斯悖论是希帕索斯发现的，他发现了直角边长为1的等腰直角三角形斜边长度不是自然数之比。）、第二次数学危机称为贝克莱悖论（1734年爱尔兰主教贝克莱提出：在牛顿和莱布尼茨求导数过程中，dx既是 0又不是 0，这就是贝克莱悖论。）、第三次数学危机称为罗素悖论（集合R本身既是 R 的元素，又不是 R 的元素。）。

    这三次危机的一致性在于“是”与“不是”的悖论，与量子物理的“猫”一样，与文学的“to be or not to be”相似，与东方思想中的“是非之心”相关，与经济行为中的“A与非A”异曲同工。“是”与“不是”即为一元，其相互间的转化即为变元，其衍生出的“应”即为多元。如A是一元，A转化为B是变元，A应为B或C或D……为多元。逻辑压缩、人与隐形系统、计算-算计（计算计）依然成为未来智能领域的研究重点和难点。算计是具有领域经验人面对较复杂问题的综合计算过程，最简单的算计形式就是态势感知的正反计算，最复杂的算计形式就是多种态势感知的图式同化顺应平衡。目前各种棋类中的人机大战，本质是衡量机的计算与人的算计之战，可惜的是：人们常常把棋手的算计流程单纯地看成了计算过程，更有甚者把机器的计算过程看成了棋手的算计流程。计算涉及事实性人机环境系统（事图）问题，算计则更多涉及价值性人机环境系统（意图）问题，而事实与价值常常会出现不一致甚至是矛盾，计算计就是事实、价值的混合性人机环境系统问题，而且不同粒度的计算计模型是不同的。如何说计算中含有贝叶斯（结论随新数据的输入而改变），那么算计就涉及锚定论（结论很难随着新数据的输入而改变），孟晚归舟也许就是一个典型的中美博弈中计算计案例。

    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，而且还涉及到许多博弈辅助决策体系“低效失能”的朔源。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。

    目前，针对客观现实及实际应用而言，我们要清醒地认识到：当前的人工智能大潮，并非基于智能机理认识上的重大突破，而只是找到了一种较能利用大数据和计算机特长的强大方法——大数据+机器学习，它未必能撬开创造真“智”之门。人们心目中的“真智”大都离不开理解、意向性、意志、情感、自我意识以及精神等方面的经历体验，否则“能则能矣，非智也”。缺乏理解，还有智能？没有意向，能力再强，何智之有？感受情感情绪之“情”是体现和判定事物真正价值的基础，真智到底能否离开它们和价值判断？这些方面的研究迄今并无突破，也无近期内会有重大突破的先兆。而且，依赖大数据培训的深度学习网络的可解释性、常识性、学习性和可视化都较差，对加深理解、提高认识、改善知识的结构和表达帮助有限。比如，著名人工智能学者PedroDomingos在社交网上说：自2018年5月25日起，欧盟要求所有算法解释其输出原理，这意味着深度学习成为非法；美国IBM公司目前已撤销“Waston”项目；2021年8月5日 兰德针对机器学习的不足，发布了“探索机器学习辅助指挥控制的可行性和实用性”报告；我国十三届全国人大常委会第三十次会议2021年8月20日表决通过《中华人民共和国个人信息保护法》，自2021年11月1日起施行，其中明确：通过自动化决策方式向个人进行信息推送、商业营销，应提供不针对其个人特征的选项或提供便捷的拒绝方式；处理生物识别、医疗健康、金融账户、行踪轨迹等敏感个人信息，应取得个人的单独同意；对违法处理个人信息的应用程序，责令暂停或者终止提供服务。这些都从不同侧面说明了人工智能技术的不成熟、不完善和不可靠性。对于军事智能而言，准确地说，首先，应该没有“大数据”，却有不少“假数据”、“小数据”；其次，应该存在大量人工智能算法、算力无法解决的问题（甚至一般人员也无法解决好的问题），比如针对对手“诈”与“诡”的识别与防范等等。这是因为今天的AI很大程度上是基于经验，现在的AI工程师就像当年的法拉第，能够做出一些AI产品，但都是知其然，不知其所以然，还未能掌握其中的核心原理（如麦克斯韦发现电磁理论一样）。

    博弈态势是指双方各要素（主要包括资源部署、装备情况、地理环境、天气条件等）的状态、变化与发展趋势。“知己知彼，百战不殆”，全面准确的掌握博弈态势，是正确决策和占据主动的基础，是赢者的必要因素。然而随着信息化技术的发展，大量新系统、新装备被用于提高系统各组成部分之间的连通性，促进了分布式协同博弈的达成，现在博弈正在朝着信息化的方向演化。例如作为一种新型博弈形态，信息化战争在战场较量方式上，改变了机械化战争的陆海空单元战场、单一军兵种、单一作战领域的单元式战场较量方式，而是以信息化战场为依托，以战场认知系统、信息系统、指挥控制系统、战场打击系统（包括兵力、火力）、支援保障系统等五大分系统构成的作战体系间的整体较量，信息化改变了战争的方式。信息化战争条件下，战场态势高度复杂，战场数据爆炸式增长，作战节奏明显加快，战机稍纵即逝，参战力量多元交互、跨域融合。信息化战争呈现出“高复杂度、高对抗、高动态、多时空、不确定”的特性。因此传统的基于预定策略和经验的判断的作战指挥方式不再可行。如何确保战场指挥人员在高复杂度、高对抗、高负荷的战场环境下，面对关键信息不充足的情况下，还要准确地从大量态势信息中获取有用信息、形成正确认知、迅速做出决策成为信息化战争条件下亟需解决的问题。理查德·菲利普斯·费曼认为机器智能的优点在于：“快速掌握一种特有模式并直接使用”，控制人类思想的真正机制与迄今为止创建的任何软件都根本不同，正如爱因斯坦说过：“当数学谈及现实时，它不确定，当数学确定时，它无关现实。”，而人的一切经验和信息都蕴藏在各种交互关系和实践中。

    数据为信息时代的战略资源，人工智能的出现，为人类深度挖掘数据信息的智慧资源提供了方法手段，正在引领并重塑世界新未来变革的发展态势。近年来人工智能已经取得长足的进步，尤其是在海量数据搜索和完全信息条件下的博弈等方面展现出优于人类的能力。例如美俄等军事强国都将军事人工智能视为“改变未来战局”的颠覆性技术。2014年，美军提出的“第三次抵消战略”，将军事人工智能列为美国军事支柱性技术，近期美军各兵种又先后提出了多域战、全域战、马赛克战、决策中心战、联合全域作战等一系列与人工智能密切相关的战略战术，这一切使得军事人工智能已然成为未来信息化战争发展的重中之重，在我国，人工智能也已经被列入国民经济“十四五”战略新兴产业发展规划和军事智能发展的重点方向。但是，AI虽然具有巨大潜力，但就目前现状而言，AI尚处于比较初级的阶段，是技术而非科学，这也是AI目前面临的问题，局限于特定的场景、特定的数据。AI模型一旦走出实验室，受到现实世界的干扰和挑战就时常失效，鲁棒性不够；一旦换一个场景，我们就需要重新深度定制算法进行适配，费时费力，难以规模化推广，泛化能力较为有限。例如在各种赛事中频频拔得头筹的算法，一旦走出实验室或特定的场景进入实战，则很难玩得转。如何在实践中解决这些难题并实现被动态势感知与主动感知态势有效地结合呢？这是未来智能化要突破的核心问题。

    在人工智能理论体系中，以信息粒化与粒度概念为核心思想的粒计算理论方法和信息处理技术在模拟人类自然智能的多视角多粒度多层次认知学习机制方面具有理论优越性，对于信息感知、知识表示与学习以及认知决策问题研究和系统构建具有重要方法论意义，对于促进机器智能信息处理模型算法的可解释性具有重要现实意义。针对支撑复杂系统数字化刻画的信息巨量性、多源异构性、不完备性以及复杂系统本身的结构复杂性、演化不确定性和宏观涌现现象认知困难等问题因素，粒计算的多层次性粒化理念对于降解复杂系统描述、表示、预测与决策控制等不同问题层次上的技术复杂性，对提升数据融合智能理论与技术性能具有较大理论意义和应用潜力。我们认为人擅长处理方向性粗粒度算计问题，而机器优于处理过程细粒度计算问题，如何把两者有机结合形成计算计（计算+算计）系统，将是人机混合的关键瓶颈问题，人机混合的计算-算计框架竞争，已经成为未来人工智能场上竞赛的制高点。

    基于深度学习算法的人工智能系统已经广泛应用于诸多领域，实现了代替人工做出决策的过程。然而，尽管这些算法在大部分的任务中发挥着卓越的表现，但由于产生的结果难以解释，有些情况下甚至不可控。与此同时，如果一个模型完全不可解释，那么其在众多领域的应用就会因为无法展现更多可靠的信息而受到限制。深度学习的可解释性研究意义重大，其可以为人们提供额外的信息和信心，使其可以明智而果断地行动，提供一种控制感；同时使得智能系统的所有者能够清楚地知道系统的行为和边界，人们可以清晰看到每一个决策背后的逻辑推理，提供一种安全感；此外，也可监控由于训练数据偏差导致的道德问题和违规行为，能够提供更好的机制来遵循组织内的问责要求，以进行审计和其他目的。

    当前人工智能方法局限于“确定性、完全信息、受限环境、可解释性差”的约束，不能满足未来智能体系的要求。在博弈对抗的不确定环境、非完全信息、开放环境中，人类的经验、直觉、灵感与人工智能系统的高效、精确具有合作互补的巨大潜力。人机混合智能是未来博弈人工智能未来发展的重要方向，通过借鉴粗细粒计算理论方法和信息处理技术、认知科学、计算神经科学、机器学习的可解释性等最新研究成果，使计算机通过可解释性智能知识构建与推理将自身引导到更高的层次，是实现高效博弈智能的重要手段。

    在金庸先生的武侠小说《射雕英雄传》中，一灯大师有“渔樵耕读”四弟子，分别是点苍渔隐、樵夫、武三通、朱子柳。不管是师父在朝为帝时，还是出家为僧后，“渔樵耕读”都陪伴在他身边，忠心耿耿、兢兢业业。有人拓展认为：渔夫的质朴淳直，樵夫的情怀多思，农夫的刚勇急躁，书生的聪慧敏锐，代表的实是武林侠士该有的四种气质。另外，关于“渔樵耕读”的排列顺序，有人给出这样的解读，看上去有点道理：渔、樵、耕、读，是农耕社会的四业，代表民间基本生活方式。

                        渔者，渔猎也，人类茹毛饮血时代就有的本能；

                        樵者，薪火相传也，可代表“火”的出现，结束了茹毛饮血时代；

                        耕者，农耕牧放也，人类进入自主生存时代，物质文明出现；

            读者，仓廪实而知礼节也，文化的形成使人类由物质文明走向精神文明。

    由是观之，“渔樵耕读”所描绘的，恰恰是人类文明、至少是中华文明发展的路径。或许这也是元认知中人机环境智能系统的脉络传承：从原始到学习、从学习到应用、从应用到协同、从协同到创造……一路走来，有风有雨，有理有据，又爱又恨，有情有义，有沧海一声笑，却也又见炊烟升起，正可谓：

阳光下，

走着，走着

一滴水打在了脸上

原来是昨夜的雨

回家的路

撒着碎光

走着，走着

就看到了

你的脚步

 秋风中

走着，走着

一片树叶

摇晃着下来

轻轻拍了一下肩膀说：还在看着你呢

谨以此文纪念两个难忘的时刻：

献给父亲

2017年4月25日（阴历三月二十四）21时15分

献给母亲

2020年10月13日（阴历八月廿七）18点39分