人机智能既不是人类智能，也不是人工智能

本篇文章7357字，读完约18分钟

从前，一位教授去一个穷乡僻壤乘船过河，他问船上的船夫:你学过数学吗？没有。你学过物理吗？没有。你懂电脑吗？不明白。

教授哀叹你不能做到这三件事，你的生命已经失去了一半。过了一会儿，乌云密布，狂风大作。船夫问，你会游泳吗？教授拒绝了。“那你可能会失去你的一生！”

人机一体化是教授和船夫的智慧结合

根据过去的数据计算现在和未来是数学中常用的方法，根据未来的期望计算现在和过去是人类智能的方法。

我们知道的比我们说的多，我们知道的比我们知道的多，我们不知道的比我们不知道的多...

人类的感官刺激和信息是动态分类和聚集的，这不是一次完成的，而是反复变化的(这种再生机制尚未阐明)。大道上看不见的路是支离破碎的，流动的...因此，构成人类智能的是零碎的规则、概率、知识、数据和行为，也就是说，它是在各种不同的日常活动中产生和进化的。人的智能不是形式的和逻辑的，人的逻辑是为非逻辑服务定制的，而机器则相反，它是有组织的和编程的，它也为非逻辑服务服务。

从本质上讲，数据的标记和信息的表示之间的区别在于是否有意义，即可能性是否被理解。虽然机器所涉及的表征系统是由人类制定和赋予的，但它自诞生之日起就失去了原有的活动，即在有意的参与下，各种属性和关系被灵活地连接和缝合起来，而人类的许多表征方式却常常让尚* * *不知所措:一花一世界一树一菩提。知识地图的缺失在于知识的分类，它僵化了原有的柔性知识表示，使其失去了内涵和外延的弹性，就像职称评定一样...用有限来表达无限是美，用有限来解释无限是智慧(真理)，用善(应该和正义)来连接两者。在机器决策中，分类信息熵通常被适当降维。在现实生活中，人们对信息的处理是收集的一个方面...还有张的，那种度的汇聚，意与形的交替，不止一点，而且充满了灵活性。

如果机器的存储是物化的，那么人们的记忆就是虚拟+物化的，随着时间的推移，虚拟变得越来越多，真实变得越来越少，这不仅可以凭空创造一些东西，甚至可以凭空创造一些东西，就像各种历史书上的传说或各种流言一样。更有趣的是，人们的记忆可以产生情感，这对于机器来说是陌生的。

大多数人的学习过程不仅是为了得到一个清晰的答案，也是为了找到理解和发现世界的各种可能的方法。机器的“学习”(如果有的话)和“目的”不是寻找联系，而是寻求结果。

智慧根本不是计算，而是法律，是理解的方式！理解是关键。自然语言处理没有先解决理解的问题，只是追求识别率，所以不会有突破。事实上，人们对声音的识别率很低，所以他们经常要问别人都说了些什么。问别人说了什么的能力是对的，因为你只能在不理解的情况下问问题。对许多系统的理解最终取决于人。如果没有人参与，不管处理了多少字，都没有理解。目前人工智能的不足之处在于它对于人类感知仿生来说并不完善，因此不可能完全理解人类决策的生理和心理机制。这意味着，只有当人工智能能够像人一样感受外部世界，像有处理器的人一样理性思考，从内到外模拟和学习人类，它才是完美的。

游戏理论家鲁宾斯坦出版了一本选集《语言与经济学》。在其中一篇论文中，鲁宾斯坦用一个游戏模型来说明“辩论”对不参与游戏的观众有很大的好处，因为辩论使双方都不得不向观众透露“私人”信息。在我看来，他的数学推导一般不会超出我的哲学论证范围。在他最近给我的回信中，他说他使用数学只是为了获得一个更清晰的论点，并同意我的观点“数学方法可能掩盖深刻的洞察力”，而人类的直觉统觉，其载体是有机体的感觉，已经包含了有机体对各种关系的理解。只有为了修复这种理解并形成“记忆”，人类才需要另一种能力的帮助，即“理性”能力。在理性能力的初始阶段，它是“概念”的形成。概念是一种边界、约束和条件。在不同的情况下，这些界限、约束和条件会发生很大的变化，甚至走向相反的方向...这就是为什么智力很难定义，在人们参加的活动中会有各种意想不到的原因。从前，叔本华指出:“计算开始，理解结束。”因为，计算器只注意固定为概念的符号之间的关系，而不是现实世界中不断变化的因果过程。与“概念”思维的苍白相反，叔本华对“直觉理解”的洞察力也有如下精彩的阐述:“每个简单的人都有理由，只要他被告知推理的前提是什么。”然而，理解是不同的。它提供了原始的东西，这也是直观的知识。这里的人与人之间有着天然的差异。事实上，每一项重大发现和每一项历史性的世界计划都是这一辉煌时刻的产物。当思考者处于外部和内部的有利环境中时，各种复杂和隐藏的因果序列会被检查成千上万次，或者新思想会被阻挡成千上万次。突然，他们出现了，似乎理解。”从这个意义上说，目前所有的计算机智能，只要不是基于“感官”智能，就永远不能把我们人类的创造力放在眼前。在这里，“感官”指的是那些直接感知“世界”并有能力直接呈现世界图景的人，而不是像今天的计算机那样需要人类帮助来“再现”世界的人。钱学森说:“人体是一个系统。首先，它是一个开放的系统，也就是说，这个系统与外界有联系。例如，通过呼吸、进食、排泄等。，物质交流；通过视觉、听觉、味觉、嗅觉和触觉交流信息。另外，人体是由数亿个分子组成的，所以它不是一个小系统，也不是一个大系统，而是一个比大系统更大的巨系统。这个巨大系统的组成部分是不同的，它们之间的相互作用极其复杂。所以这是一个复杂的巨系统。”事实上，目前的人工智能只使用了一小部分可以编程的人类理性，这与人类理性相去甚远，更不用说接近人类更神奇的部分——感性！

伽利略说过:数学是描述宇宙的语言。事实上，准确地说，数学是描述宇宙的语言之一，此外，还有许多描述宇宙的方法。这也是智能科学面临的一个问题。如何有效整合这些不同语言的语法语义和语用？对于多重认知系统来说，共同的认知成分是稀缺而重要的，而数学是描述对象之间关系的一种尝试(但不仅仅是)。如果有一个不同的文明，他们的描述是不同的，他们的形式自然也不同。数学不是现实，而是对现实某一方面的陈述，这类似于盲人摸大象腿的感觉。数学和诗歌是想象力的产物。对一个纯粹的数学家来说，他面对的材料似乎是花边，就像树叶，就像一片绿草或一个人脸上明暗的变化。也就是说，被柏拉图斥为“诗人的狂热”的“灵感”，对数学家来说同样重要。例如，当歌德听到在耶路撒冷自杀的消息时，他突然看到一盏灯在他眼前闪烁。他立刻想到了《少年维特》一书的大纲。他回忆说:“这本小册子似乎是无意识写的。”当“数学王子”高斯解决了一个困扰他多年的问题(高斯和符号)时，他给一个朋友写信说，“就在几天前，它成功了(我想说，不是因为我的努力探索，而是因为上帝的恩典)，就像闪电轰击的瞬间，这个谜被解开了；我以前的知识，我上次尝试的方法和成功的原因，这三者是如何联系在一起的，我自己都没有弄清楚。”另一个例子是，奖励和惩罚是机器增强学习的核心机制，在人类学习中还有其他机制(适应，是主动奖励/惩罚还是被动奖励/惩罚)，就像刺激和反应之间的过渡过程一样。此外，人类的奖励和惩罚机制远比机器的简化版本复杂。不仅有奖励、惩罚和惩罚机制，还有惩罚和奖励机制，给予某种惩罚来表达真正的奖励(比如在黑暗中上升)，当然，在黑暗中上升更多。人类的小思想，除了二进制，目前还没有被机器继承。

在无尽的车流中穿行，全身而退，是一种经典的人机情境协调。仔细想一想，形势与阴阳有着相似的关系:(形)是阳的显性存在，(势)是阴的隐性应该；；感觉(属性)是阳，知识(关系)是阴，阴中有阳，阳中有阴。

人类学习和机器学习的最大区别在于它是否是常识学习。当人们受到教育时，这是复合认知，而不仅仅是常规的概率输入。人们的常识非常复杂，其中包括物理学、心理学、生理学、伦理学、艺术和科学，包括时间空之间的拓扑，以及逻辑和非逻辑拓扑。人既是动物又是静物。机器也是如此，但是它们之间还是有区别的。人机一体化学习、理解、决策、推理、感知、意图和智能是未来的发展趋势。

人们有能力把变量变成常数，把理性变成感性，把逻辑变成直觉，把公理变成公理，把个性变成共性，把对抗变成妥协。例如，人们不仅可以用程序性知识来表达如何，还可以用描述性知识来表达为什么。至于什么，在哪里，什么时候，他们可以被机器搜索。人类的自然智能和人工智能最终都涉及价值取向，但不幸的是，在可预见的未来，机器将不会拥有它。如果价格是标量，价值是矢量，那么数据是标量，信息是矢量，机器是标量，人是矢量。如果说数据是标量，信息是矢量，知识是矢量的矢量，那是因为数据是物理的，本身没有价值，而信息是心理的，有着丰富的价值取向。

目前，主流人工智能理论失去其优势的原因在于，它所基于的理性选择假设意味着决策个体或群体具有行为同质性。这种假设忽略了现实世界中普遍存在的事物之间的差异以及人们在不同条件下对世界理解的差异，导致主流理论的适用性大大降低，这也是它不能将“异常”纳入解释范围的根本原因。为了解决这一根本问题，经过多年的发展，许多思想家逐渐明确了解构和重组主流智能科学的基本方向，即将个体行为的异质性纳入智能科学的分析框架，并将个体行为的同质性作为理性假设下异质行为的特例，从而提高他们在不丧失主流智能科学基本分析范式的情况下解释和预测新问题和新现象的能力。也就是说，行为的异质性被浓缩成两个基本假设:第一，个体是有限理性的；第二，个人不是完全利己的，但也有一定的利他主义。心理学、经济学、神经科学、社会生态学和哲学为智能科学实现其异质行为分析提供了理论跳板和基础。简单性可以被称为人不同而机器相同的现象。未来的智能应该在新一代数学(信息科学)与许多学科融合的基础上成长，而不是仅仅在目前有许多不完善之处的数学基础上成长。

初学者对抽象和枯燥的信息没有感觉，而大师可以从中提取生动、新鲜和独特的信息，这是极其敏感的，也就是说，要合理，要看到别人看不到的东西(从同质性中提取异质性)，要感知别人看不到的信息，要形成直觉(快速)决策，这就导致了不寻常的非理性行为和信念的不断发生。“认知守财奴”是指为了节省认知资源，在做决策时，人脑喜欢寻找明显的表面信息进行处理，以便快速得出结论，但结果很可能是错误的，因此被认为是肤浅的。与“认知守财奴”不同，心理学中还有一个概念叫做“fullydisjunctivereasoning”，意思是当面对多个选项时，需要做出决策，或者需要根据假设推理得出一个解决方案，所有选项或可能的结果都会被分析和评估，从而得到正确的答案。由于系统分析，速度相对较慢。

隐性知识造成了许多不确定性，隐性规则使交互的复杂性增加了一倍。其根源在于交互对象具有“在不确定和非静态环境中的自我修正”。这不仅需要知识更新，还需要更有组织的机制来挖掘潜力。人机交互本质上是人类感知结构和人类局部理性编程的集成。“同情”很容易理解为:我们以某种方式分享他人的感受。事实上，移情是对情感秩序一致性的共现期待。在意识领域，我们至少可以找到六种不同的“共现”方式:映射共现、移情共现、流动共现、意象共现、符号共现和概念共现。因此，虽然“共现”最初被胡塞尔用于其他人的经验，但它实际上是贯穿所有意识经验结构的基本要素。为此，机器还远未学会实现它。

霍金和穆洛迪诺曾将光描述为“行为就像粒子和波动”，而智力也是如此密集，像波动一样分散，像粒子一样聚集(注意机制的添加)。对象是静态的，分配和匹配是动态的，并且不断刷新。可以说，时代不同了。如何把握人机功能分析在不同时期的变化可能是一个非常有趣的问题。如今，许多无人系统或系统不是真正的无人，而是没有直接的人，对间接的人要求会更高。人机一体化的自治机制在不同的情况下是不同的，如个体自治不同于系统和系统自治。此外，如何平衡国外机器集成中的一个重要问题，如能力、机会、模式和判断的平衡，往往是由这些方面的不平衡引起的。例如，人机交互分为自我内部交互和外部交互。许多表达或表征只对其他对象有逻辑意义，这通常与真实发送者的心理意义不一致。这种情况反映在人机之间不顺畅、模糊和不可持续的深层沟通上。相比较而言，机器擅长处理类似家庭的事情，而人类则优于非类似家庭的事情，也就是说，人类可以从不熟悉/相似的事情中提取出熟人/相似性，人机融合兼顾了这两个方面。跨界是为了寻找方向关联的非家族相似性。波粒二象性是一种连续和离散的情况。情境和感知都具有双重性，认知也是如此。当离散时，非家族相似性可以跨边界合并，而当连续时，平行惯性经常被反映以保持家族相似性。人的非理性认知(离散)与机器的理性认知(连续)的结合是否符合正义(正确应该是)是衡量有效整合的主要指标之一。

人机集成智能有两个难点:理解和反思。人弱而强，机器强而弱，人弱而强，机器强。目前，人机交流还没有达到单向理解的水平，幽默机器还很遥远。在乒乓球比赛中，运动员的表现、心理并不影响他们的技术(他们想赢而不怕输)、如何调度自己的心理(力量)来产生他们的状态、关键时刻的心理坚定性、坚定的信念等等，所有这些都是机器难以产生的生活特征。此外，必须有预期策略的组合，特别是合适的第二和第三预期策略。自信是通过匹配来培养的，人与机器之间信任链的生成过程是频繁的:从陌生-不信任-弱信任-更多信任-信任-更强信任-强信任，没有信任就没有期望，没有期望，人与机器就会失去平衡，简单地匹配期望一次很难实现整合，所以第二次和第三次期望的重合度可能是人机整合一致性的关键问题。人机信任链的前提是人应该有自信(这种自信也是通过匹配来培养的)，然后他们才能产生信任和信任机制。相信他和他的信涉及多层面的期望。如果存在是语法，那么应该是语义，两者的中和和相加就是语用。人机一体化是无生命认知+体验认知共同体、算术+方法混合、形式系统+非正式系统的复合，它结合了语法和语义、离散和连续、清晰和粗糙、自组织和其他组织、自学习和其他学习、自适应和其他适应、自主和智能。反应时间和准确性是人机集成智能的重要指标。人机一体化是机器-机器一体化，机器机制+脑机制；人机融合也是每个人、人类情感+人类理性的融合。

人工智能是相对硬的智能，人类智能是相对软的智能，而人机智能的融合是软智能。万能智能、强力智能和超级智能都是软智能和硬智能，因此人机融合智能是未来，但融合机制远未明朗，更令人尴尬的是，人类不仅进化了很多，而且机器变化太快。个体和群体行为的异质性不仅体现在经济学和心理学领域，也是智力领域的重要问题之一。如今，主流智能科学正在犯经济学以前犯的一个错误，那就是把人看作理性的人，但众所周知，人是活生生的人，智慧就是活生生的智慧，人有欲望、动机、信念、情感和意识，但数学人工智能目前对此无能为力。如何融合这些元素，将它们从冻结僵硬的状态转变为温暖灵活的状态，应该是衡量智能是否智能的主要标准和尺度。同时，人工智能很难跳出目前人工智能的瓶颈和痛点，只有钢筋没有混凝土。经济学融入心理学后，理性经济人可以转变为感性经济人。然而，仅仅将当前的智能科学融入心理学是不够的，还需要渗透社会学、哲学、人文科学、艺术等学科，才能做到理性，实现从理性智能人的现状向自然智能人的状态的进化。智力中的意向性是由事实和价值产生的。隐性时间是意识，而显性时间是关系。从这个意义上说，数学的形式化可能会扼杀智力。维特根斯坦认为形式是结构的可能性。对象是稳定的东西，持久的东西；配置是会改变的，不会长久的。维特根斯坦还认为我们不能从现在推断未来。迷信是相信因果关系。也就是说，基本事件或事实之间没有因果关系。只有没有任何结构的事物才能永远稳定和持久；任何有结构的东西都是不稳定的，都可能被摧毁。因为当组成它们的成分不再以原来的方式结合时，它们将不复存在。事实上，每个传统选择(匹配)背后都有两个假设:程序不变性和描述不变性。这两个因素也是预期效用描述不够深刻的原因之一。程序不变性表明对前景和行为的偏好不依赖于导出这些偏好的方式(例如偏好反转)，而描述不变性规定对所选事物的偏好不依赖于对这些所选事物的描述。

最近，澳大利亚悉尼大学的克里斯·里德通过研究说:“他们正在重新定义智力的本质。”一种叫做海绵宝宝(海绵宝宝)的黄色酸浆海绵宝宝，它还能记忆、决策和预测变化、解决迷宫问题、模拟人工交通网络设计和选择食物。他们可以做所有这些事情，但是他们没有大脑或者神经系统。这一现象必须让科学家们重新思考，智力的本质是什么？通过研究，我们发现智力是人物环境系统之间的互动现象，即智力、智力、情感、意义、正义、安逸和心灵...心理心脏是人-机-环境系统之间的相互作用，很难像身体恢复那样在心理上恢复。健康/心理学和物理学的最大区别在于，一个是活着的，另一个不是活着的，而另一个不容易恢复。与科学技术相比，人文艺术之所以容易颠覆原有的观念，在于跨领域的反身性——移情、自我超越以及同样的趋势，而人们普遍不愿意遵循老式的生活方式，所以人文艺术为人们提供了更广阔的想象空间空.可以说，人们看到什么并不重要，重要的是人们如何解释他们所看到的。

德里达有句名言:“放弃一切深度，外表就是一切。”他隐藏的意思是，生活本身不服从逻辑，它是不合逻辑和不标准的，就像语文学，与一个奇怪的逻辑跳舞。

愿上帝保佑机器学习，阿弥陀佛！

人机融合智能是相对性和性别的统一

任何形式系统，包括一阶谓词逻辑和初等数论，都有一个命题，在这个系统中既不能证明它是真的，也不能证明它是负的。

如果系统s包含初等数论，当s没有矛盾时，它的非矛盾性不能在s中证明。

对哥德尔第一定理有许多误解。让我们举一些例子:

这个定理并不意味着任何有意义的公理系统都是不完整的。这个定理假设公理系统可以“定义”自然数。然而，并不是所有的系统都可以定义自然数，即使这些系统有包含自然数作为子集的模型。例如，几何可以通过一阶公理转换成一个完整的系统(事实上，原始公理集非常接近于一个完整的系统。缺失的公理是如此直观，以至于直到正式证明出现时才被注意到。)塔尔斯基证明了实数和复数理论都是完整的一阶公理系统。当这一理论应用于人工智能时，它指出有些真理是我们可以辨别的，但是机器仅仅使用一阶公理系统却不能知道。然而，机器可以使用非一阶公理系统，如实验和经验。