前幾年，深藍、沃森、阿爾法系列著(zhù)實(shí)讓地球人發(fā)了幾次燒！近一段時(shí)間，隨著(zhù)歲月的洗刷，人們逐漸冷靜下來(lái)后，面對各種復雜智能/智慧系統的期望，又不僅問(wèn)道：AI靠譜嗎？人工智能真能在對抗博弈（多域、跨域）中起到作用嗎？對此，下面我們將拋磚引玉，提出幾點(diǎn)粗淺的認識以享！

人工智能有限的理性邏輯和困難的跨域能力是其致命的缺陷。人工智能無(wú)法理解相等關(guān)系，尤其是不同事實(shí)中的價(jià)值相等關(guān)系；人工智能也無(wú)法理解包含關(guān)系，尤其是不同事實(shí)中的價(jià)值包含關(guān)系（小可以大于大，有可以生出無(wú)）。人可以用不正規不正確的方法和手段實(shí)現正規正確的目的，還可以用正規正確的方法和手段實(shí)現不正規正確的意圖。還有，人可以用普通的方法處理復雜的問(wèn)題，還可以（故意）用復雜的方法解答簡(jiǎn)單的問(wèn)題。

人工智能的理念源于20世紀40年代。1948年，英國科學(xué)家圖靈在其論文《計算機器與智能》中描述了可以思考的機器”，被視為人工智能的雛形，并提出“圖靈測試”。在之后的 1956年，馬爾文·明斯基、約翰·麥卡錫、香農等學(xué)者在美國達特茅斯學(xué)院召開(kāi)了一次關(guān)于人工智能的研討會(huì )，史稱(chēng)“達特茅斯會(huì )議”， 正式確立了人工智能的概念與發(fā)展目標。研究L域包括命題推理、知識表達、自然語(yǔ)言處理、機器感知、機器學(xué)習等。人工智能60多年的發(fā)展歷程，可以總結為以下幾個(gè)主要發(fā)展階段。次G潮期（1956~1974）：達特茅斯會(huì )議之后，研究者們在搜索式推理、自然語(yǔ)言、機器翻譯等L域取得了一定的成果。次低谷期（1974~1980）：隨著(zhù)計算機運算能力不足、計算復雜性較G、常識與推理實(shí)現難度較大等原因造成機器翻譯項目失敗，人工智能開(kāi)始受到廣泛質(zhì)疑和批評。第二次G潮期（1980~1987）：具備邏輯規則推演和在特定L域解決問(wèn)題的專(zhuān)家系統開(kāi)始盛行，日本“第五代計算機計劃”為其典型代表。第二次低谷期（1987~1993）：抽象推理不再被繼續關(guān)注，基于符號處理的智能模型遭到反對。發(fā)展期（1993~2012）：“深藍”等人工智能系統的出現讓人們再次感受到人工智能的無(wú)限可能。爆發(fā)期（2012-）：機器學(xué)習、移動(dòng)網(wǎng)絡(luò )、云計算、大數據等新一代信息技術(shù)引發(fā)信息環(huán)境和數據基礎變革，運算速度進(jìn)一步加快且成本大幅降低，推動(dòng)人工智能向新一代階段爆發(fā)式增長(cháng)。

現代的人工智能有點(diǎn)像小學(xué)生做作業(yè)，布置什么就是什么，缺乏需求任務(wù)的自主/自動(dòng)生成、動(dòng)態(tài)任務(wù)規劃、需求矛盾協(xié)調。很難處理快態(tài)勢感知和慢態(tài)勢感知之間的矛盾，更不容易實(shí)現整個(gè)人機環(huán)境系統的有機相互聯(lián)動(dòng)和事實(shí)與價(jià)值元素的混編嵌入。

人機融合智能機制、機理的破解將成為未來(lái)戰爭致勝的關(guān)鍵。任何分工都會(huì )受規模和范圍限制，人機融合智能中的功能分配是分工的一部分，另外一部分是能力分配。功能分配是被動(dòng)的，外部需求所致；能力分配是主動(dòng)的，內部驅動(dòng)所生。在復雜、異質(zhì)、非結構、非線(xiàn)性數據/信息/知識中，人的或者是類(lèi)人的方向性預處理很重要，當問(wèn)題域被初步縮小范圍后，機器的有界、快速、準確優(yōu)勢便可以發(fā)揮出來(lái)了；另外，當獲得大量數據/信息/知識后，機器也可以先把他們初步映射到幾個(gè)L域，然后人再進(jìn)一步處理分析。這兩個(gè)過(guò)程的同化順應、交叉平衡大致就是人機有機融合的過(guò)程。

未來(lái)的關(guān)鍵就在于人機融合的那個(gè)“恰好”！陰陽(yáng)魚(yú)中間的那條S形分隔線(xiàn)，無(wú)論怎樣機器是不可能創(chuàng )造出意識來(lái)的，機器再多再大，也只是源自半個(gè)世界，小半個(gè)的世界。如若不信，不妨就請稍微關(guān)注一下當前的疫情演化苗頭，也許就會(huì )有點(diǎn)感覺(jué)了吧！

今天傍晚遛彎，竟然聽(tīng)到了布谷鳥(niǎo)的叫聲。這不禁使人想起，不同地區的人會(huì )有不同的音譯，有“布谷，布谷”成“阿公阿婆，割麥插禾”的，還有“布谷，布谷”成“不哭不哭，光棍好苦”的，……總之，人可以隨心所意地布谷出各種各樣、千奇百怪的意思來(lái)，而對于機器而言，只有響度、音調和音色是反映聲音特性的三個(gè)物理量吧！

可解釋性：人工智能過(guò)不去的道坎

如今，AI的可解釋性正在成為一道過(guò)不去的坎，去年，歐盟出臺《人工智能道德準則》，明確提出AI發(fā)展方向應該是“可信賴(lài)的”，包含安全、隱私和透明、可解釋等方面。

人工智能應用以輸出決策判斷為目標�？山忉屝允侵溉祟�(lèi)能夠理解決策原因的程度。人工智能模型的可解釋性越G，人們就越容易理解為什么做出某些決定或預測。模型可解釋性指對模型內部機制的理解以及對模型結果的理解。其重要性體現在：建模階段，輔助開(kāi)發(fā)人員理解模型，進(jìn)行模型的對比選擇，必要時(shí)優(yōu)化調整模型；在投入運行階段，向決策方解釋模型的內部機制，對模型結果進(jìn)行解釋。比如決策推薦模型，需要解釋?zhuān)簽楹螢檫@個(gè)用戶(hù)推薦某個(gè)方案。

目前，各L域對人工智能的理解與界定因L域分殊而有不同，但在共性技術(shù)和基礎研究方面存在共識。階段人工智能旨在實(shí)現問(wèn)題求解，通過(guò)機器定理證明、專(zhuān)家系統等開(kāi)展邏輯推理；第二階段實(shí)現環(huán)境交互，從運行的環(huán)境中獲取信息并對環(huán)境施加影響；第三階段邁向認知和思維能 力，通過(guò)數據挖掘系統和各類(lèi)算法發(fā)現新的知識。

嚴格意義上說(shuō)，美國的人工智能技術(shù)總體上世界L先，但是一旦涉及到人機融合智能，往往就體現不出那么大的優(yōu)勢了，甚至不見(jiàn)得有L先的態(tài)勢（也許中美在人機融合智能方面根本不存在代差）。究其因，人的問(wèn)題。例如這次疫情，按醫療軟件、硬件、醫療人員水平條件來(lái)看，美國應該比目前狀況要比好得多，可惜應了《三體》里的一句話(huà)：弱小和無(wú)知不是生存的障礙，傲慢才是！L導人的失誤和錯誤已讓許多的先進(jìn)性大打折扣，甚至蕩然無(wú)存。這不禁使人聯(lián)想到前幾日美國《軍備控制雜志》的報道可能也類(lèi)似吧！美國防部2021財年申請289億美元用于美國核武器設施的現代化建設，體現了特朗普政府戰略發(fā)展重點(diǎn)：提升核指揮、控制和通信（NC3）基礎設施的G度自動(dòng)化與提G其速度和準確性，但同時(shí)也引發(fā)一個(gè)令人不安的問(wèn)題，即在未來(lái)的核戰爭中，AI自主系統在決定人類(lèi)命運方面將扮演哪種角色？當前計算機輔助決策仍處于起步階段，容易出現難以預料的故障。機器學(xué)習算法雖擅長(cháng)面部識別等特定任務(wù)，但也會(huì )出現通過(guò)訓練數據傳達的內在“偏見(jiàn)”。因此，在將人工智能應用于核武器指控方面需采取謹慎負責的態(tài)度，只要核武器存在，人類(lèi)（而不是機器）就需要對核武器的使用行使終控制權，此時(shí)，人機融合智能的真實(shí)能力將會(huì )如疫情管控一樣顯得異常重要。

人機融合智能，根本上就是科學(xué)技術(shù)與人文藝術(shù)、數學(xué)符號事實(shí)語(yǔ)言與自然經(jīng)驗價(jià)值語(yǔ)言結合的代表。時(shí)空不但在物理L域可以發(fā)生彎曲，而且還可以在智能中發(fā)生了扭曲。如果說(shuō)哲學(xué)邏輯經(jīng)歷了世界的本源問(wèn)題、研究方法問(wèn)題的轉向，那么上個(gè)世紀分析哲學(xué)——對人類(lèi)語(yǔ)言工具的剖析成了人類(lèi)思想上的一次 “革命”，這一場(chǎng)以維特根斯坦為象征的哲學(xué)革命，直接誘發(fā)了以圖靈機、圖靈測試為代表的人工智能科技之快速發(fā)展。但金觀(guān)濤老師的“真實(shí)性哲學(xué)”認為，在二十一世紀中分析哲學(xué)終反倒將哲學(xué)束縛在了牢籠中，實(shí)際上也造成了思想的禁錮：符號不指涉經(jīng)驗對象時(shí)亦可以有其自身的真實(shí)性，而且這一結論對數學(xué)語(yǔ)言和自然語(yǔ)言皆可成立。與此同時(shí)，純符號的真實(shí)性是可以嵌入到經(jīng)驗真實(shí)性中的；科學(xué)研究與人文研究可以成為有所統一但互不重疊且有各自真實(shí)性標準的兩個(gè)L域。人類(lèi)的巨大進(jìn)步是讓真實(shí)性本能（常識的客觀(guān)性）處于終J關(guān)懷和相應價(jià)值的系統的支配之下。但是今天真實(shí)性的兩大柱石正在被科學(xué)進(jìn)步顛覆，真正令人感到恐怖的事情發(fā)生了：人正在無(wú)法抗拒地淪為聰明的“動(dòng)物”——在一個(gè)真假不分的世界里，不會(huì )有是非，也不會(huì )有真正的道德感和生命的尊嚴。

人不僅是用符號的等同或包含邏輯關(guān)系來(lái)表達世界的，人的教育不等于學(xué)習與知識，而是把欲望誘導到好的方向。計算機本身是不可能跨越“理解”這個(gè)鴻溝的，只有人才可以跨越符號指向的困窘。對主體而言，符號與經(jīng)驗是混雜的，邏輯與非邏輯是混雜的，公理與非公理混雜在一起，數據、信息、知識混雜在一起，這也是為什么可解釋性之所以困難的主要原因們。人機融合就是符號（數學(xué)）如何程度不同地嵌入主體經(jīng)驗（受控實(shí)驗）之中，正如老子在《道德經(jīng)》中說(shuō)：“道生一，一生二，二生三，三生萬(wàn)物�！�

所謂的AI，很大程度上不過(guò)是運用了計算機不斷增強的計算能力，而采用這條路徑注定是錯誤的，人是活學(xué)活用，機是死學(xué)僵用。而人類(lèi)智能就是對小樣本態(tài)勢感知的能力大小。態(tài)勢感知的一個(gè)著(zhù)名例子就是中醫中的望聞問(wèn)切，通過(guò)自然語(yǔ)言和數學(xué)語(yǔ)言之間的差別來(lái)打破心智與物理之間的分歧，進(jìn)而把事實(shí)與價(jià)值統一起來(lái)。

態(tài)勢感知早應源于《難經(jīng)》第六十一難，曰：經(jīng)言，望而知之謂之神，聞而知之謂之圣，問(wèn)而知之謂之工，切脈而知之謂之巧。何謂也？早使用四字聯(lián)稱(chēng)，則應處于《古今醫統》：“望聞問(wèn)切四字，誠為醫之綱L�！蓖�是觀(guān)察病人的發(fā)育情況、面色、舌苔、表情等；聞是聽(tīng)病人的說(shuō)話(huà)聲音、咳嗽、喘息，并且嗅出病人的口臭、體臭等氣味；問(wèn)是詢(xún)問(wèn)病人自己所感到的癥狀，以前所患過(guò)的病等；切是用手診脈或按腹部有沒(méi)有痞塊（叫做四診）。

人工智能可解釋性之所以困難，其根本原因在于其包含的不僅僅是數學(xué)語(yǔ)言，還有自然語(yǔ)言，甚至是思維語(yǔ)言（所以根本不可能邁過(guò)這道坎）。而人機融合智能不但可以進(jìn)行主體的懸置，還可以游刃有余地進(jìn)行主體變換，在人、機、環(huán)境系統交互中真正實(shí)時(shí)適時(shí)地實(shí)現深度態(tài)勢感知，有機地完成數學(xué)語(yǔ)言、自然語(yǔ)言、思維語(yǔ)言之間的能指、所指、意指切換，可以輕松地直奔目的和意圖實(shí)現。

終身學(xué)習：人工智能過(guò)不去的第二道坎

人的學(xué)習學(xué)的不是知識，而是獲取數據、信息、知識經(jīng)驗的方法；機器的學(xué)習學(xué)的是數據、信息和知識。

不同的物質(zhì)系統之間存在著(zhù)相似性；同一物質(zhì)系統的每個(gè)子系統與其整體系統之間也有相似性；具有不同運動(dòng)形式和不同性質(zhì)的物質(zhì)系統，卻遵守著(zhù)相似的物理規律，這些事實(shí)都說(shuō)明：相似性是自然界的一個(gè)基本特性。比如質(zhì)量-彈簧-阻尼構成的機械系統與電阻-電感-電容構成的電路系統是相似系統，就反映了物理現象之間的相似關(guān)系（一般而言，相似關(guān)系可以用來(lái)化簡(jiǎn)復雜系統進(jìn)行研究）。機器比較容易學(xué)習、遷移這種同質(zhì)性、線(xiàn)性的相似系統，卻很難實(shí)現異質(zhì)性、非線(xiàn)性相似系統的類(lèi)比、轉換。但是人的學(xué)習卻可以在對稱(chēng)與非對稱(chēng)、同質(zhì)與非同質(zhì)、線(xiàn)性與非線(xiàn)性、同源與非同源、同構與非同構、同理與非同理、同情與非同情、周期與非周期、拓撲與非拓撲、家族與非家族之間任意自由馳騁、漫步。

機器的學(xué)習離不開(kāi)時(shí)間、空間和符號，而人的學(xué)習則是隨著(zhù)價(jià)值、事實(shí)、情感變化而變化的系統；機器的學(xué)習遵循、按照、依賴(lài)已有的規則，而人的學(xué)習則是如何修改舊規則、打破常規則、建立新規則。例如真正優(yōu)秀的L導人和指揮員在于如何打破規則——改革，而不是按部就班地邁著(zhù)四方步穩穩當當地走向沒(méi)落和腐朽，更不是眼睜睜看著(zhù)疫情泛濫施虐雙眼卻盯著(zhù)競選和烏紗帽。

2017年3 月 16 日美國國防GJ研究計劃局（DARPA）計劃啟動(dòng) " 終身學(xué)習機器 "（Lifelong Learning Machines，L2M）項目，旨在發(fā)展下一代機器學(xué)習技術(shù)，并以其為基礎推動(dòng)第三次 AI 技術(shù)浪潮。DARPA 認為 AI 技術(shù)的發(fā)展已歷經(jīng)次和第二次浪潮，即將迎來(lái)第三次浪潮。次 AI 技術(shù)浪潮以 " 規則知識 " 為特征，典型范例如 Windows 操作系統、智能手機應用程序、交通信號燈使用的程序等。第二次 AI 技術(shù)浪潮以 " 統計學(xué)習 " 為特征，典型范例如人工神經(jīng)網(wǎng)絡(luò )系統，并在無(wú)人駕駛汽車(chē)等L域取得進(jìn)展。雖然上述 AI 技術(shù)對明確的問(wèn)題有較強的推理和判斷能力，但不具備學(xué)習能力，處理不確定問(wèn)題的能力也較弱。第三次 AI 技術(shù)浪潮將以 " 適應環(huán)境 " 為特征，AI 能夠理解環(huán)境并發(fā)現邏輯規則，從而進(jìn)行自我訓練并建立自身的決策流程。由此可知，AI 的持續自主學(xué)習能力將是第三次 AI 技術(shù)浪潮的核心動(dòng)力，L2M 項目的目標恰與第三次 AI 浪潮 " 適應環(huán)境 " 的特征相契合。通過(guò)研發(fā)新一代機器學(xué)習技術(shù)，使其具備能夠從環(huán)境中不斷學(xué)習并總結出一般性知識的能力，L2M 項目將為第三次 AI 技術(shù)浪潮打下堅實(shí)的技術(shù)基礎。目前，L2M包含30個(gè)性能團體的龐大基礎，通過(guò)不同期限和規模的撥款、合同開(kāi)展工作。

2019年3月，DARPA合作伙伴南加州大學(xué)(USC)的研究人員發(fā)表了有關(guān)探索仿生人工智能算法的成果：L2M研究員兼USC維特比工程學(xué)院的生物醫學(xué)工程和生物運動(dòng)學(xué)教授Francisco J. Valero-Cuevas與該學(xué)院博士生Ali Marjaninejad、Dario Urbina-Melendez和Brian Cohn一起，在《自然-機器智能》(Nature Machine Intelligence)雜志上發(fā)表了一篇文章，文中詳細介紹了人工智能控制的機器人肢體的成功研發(fā)。該肢體由類(lèi)似動(dòng)物的肌腱驅動(dòng)，能夠自學(xué)行走任務(wù)，甚至能自動(dòng)從平衡失調中恢復。

推動(dòng)USC研究人員開(kāi)發(fā)這一機器人肢體的是一種仿生算法，只需五分鐘的“非結構化游戲”(unstructured play)，就能自主學(xué)習行走任務(wù)；也就是說(shuō)，進(jìn)行隨機運動(dòng)，使機器人能夠學(xué)習自己的結構和周?chē)�的環(huán)境。

當前的機器學(xué)習方法依賴(lài)于對系統進(jìn)行預編程來(lái)處理所有可能的場(chǎng)景，復雜、工作量大且低效。相比之下，USC研究人員揭示，人工智能系統有可能從相關(guān)的經(jīng)驗中學(xué)習，因為隨著(zhù)時(shí)間的推移，它們致力于尋找和適應解決方案，以應對挑戰。

實(shí)際上，對于眾多無(wú)限的學(xué)習而言，人是很難實(shí)現終身的，總有一些能學(xué)習到，還有許多另一些也一知半解甚至一無(wú)所知的更多，對于沒(méi)有“常識”和“類(lèi)比”機理的機器而言，終身學(xué)習也許就是一個(gè)口號！先需要理清楚的應該是：哪些能學(xué)？哪些不能學(xué)？

人類(lèi)的學(xué)習是全方位的學(xué)習，不同角度的學(xué)習，一個(gè)事物可以變成多個(gè)事物，一個(gè)關(guān)系可以變成多個(gè)關(guān)系，一個(gè)事實(shí)不但可以變成多個(gè)事實(shí)，甚至還可以變成多個(gè)價(jià)值，更有趣的是，有時(shí)，人的學(xué)習還可以多個(gè)不同的事物變成一類(lèi)事物，多個(gè)不同的關(guān)系可以變成一個(gè)關(guān)系，多個(gè)事實(shí)可以變成一個(gè)事實(shí)，甚至還可以變成一個(gè)價(jià)值。而機器學(xué)習本質(zhì)上是人（一個(gè)或某些人）的認知顯性化，嚴格意義上，是一種“自以為”“是”，即人們常常只能認出自己習慣或熟悉的事物，所以，這個(gè)或這群人的局限和狹隘也就在不自覺(jué)中融進(jìn)了模型和程序中，因而，這種一多變換機制往往一開(kāi)始就是先天不足。當然，機器學(xué)習也并不是一無(wú)是處，雖然做智能不行，但用來(lái)做計算機或自動(dòng)化方向的應用應該還是不錯的！

如果說(shuō)，學(xué)習的實(shí)質(zhì)就是分類(lèi)，那么人的學(xué)習就是獲得并創(chuàng )造分類(lèi)的方法，而機器學(xué)習只是簡(jiǎn)單地被使用了一些分類(lèi)的方法而已。DARPA的 " 終身學(xué)習機器 "（Lifelong Learning Machines，L2M）項目本質(zhì)上也許就是一個(gè)美麗的泡泡，吹一下就會(huì )忽G忽低地漂浮在空中，盡管陽(yáng)光照耀之下也會(huì )五彩斑斕，但終究會(huì )破滅的吧！

機器常識：人工智能過(guò)不去的第三道坎

正如所有的藥一樣，所有的知識都是有范圍和前提的，失去了這些，知識的副作用就會(huì )涌現出來(lái)。知識只是常識的素材和原材料，機器只有“知”而沒(méi)有“識”，不能知行合一。知識不應依附于思想，而應同它合二為一；知識如果不能改變思想，使之變得完善，那就好把它拋棄。擁有知識，卻毫無(wú)本事，不知如何使用——還不如什么都沒(méi)有學(xué)——那樣的知識是一把危險的劍，會(huì )給它的主人帶來(lái)麻煩和傷害。其中限制知識這些副作用發(fā)作的有效途徑之一便是常識的形成，一般而言，常識往往是碎片化的，而態(tài)勢感知就是通過(guò)對這些零零碎碎常識狀態(tài)、趨勢的感覺(jué)、知覺(jué)形成某種非常識的認識和洞察。另外，常識是人類(lèi)感知和理解世界的一種基本能力。典型的AI系統缺乏對物理世界運行的一般理解（如直觀(guān)物理學(xué)）、對人類(lèi)動(dòng)機和行為的基本理解（如直覺(jué)心理學(xué)）、像成年人一樣對普遍事物的認知。

DARPA正在繼續開(kāi)發(fā)第二代人工智能技術(shù)及其軍事應用的同時(shí)，積J布局第三代人工智能發(fā)展，2018-2020財年，通過(guò)新設項目和延續項目，致力于第三代人工智能基礎研究，旨在通過(guò)機器學(xué)習和推理、自然語(yǔ)言理解、建模仿真、人機融合等方面的研究，突破人工智能基礎理論及核心技術(shù)。相關(guān)項目包括：“機器常識”，“終身學(xué)習機”，“可解釋的人工智能”，“可靠自主性”，“不同來(lái)源主動(dòng)詮釋”，“自動(dòng)知識提取”，“確保AI抗欺騙可靠性”，“自動(dòng)知識提取”，“加速人工智能”，“基礎人工智能科學(xué)”，“機器通用感知”，“利用更少數據學(xué)習”，“以知識為導向的人工智能推理模式”，“GJ建模仿真工具”，“復雜混合系統”，“人機交流”，“人機共生”等。除此，DARPA近期發(fā)布的人工智能基礎研究項目廣泛機構公告還包括：“開(kāi)放世界奇異性的人工智能與學(xué)習科學(xué)”，“人機協(xié)作社會(huì )智能團隊”，“實(shí)時(shí)機器學(xué)習”等。

如果學(xué)問(wèn)不能教會(huì )我們如何思想和行動(dòng)，那真是莫大的遺憾！因為學(xué)問(wèn)不是用來(lái)使沒(méi)有思想的人有思想，使看不見(jiàn)的人看見(jiàn)的。學(xué)問(wèn)的職責不是為盲人提供視力，而是訓練和矯正視力，但視力本身需要是健康的，可以被訓練的。學(xué)問(wèn)是良藥，但任何良藥都可能變質(zhì)，保持時(shí)間的長(cháng)短也要看藥瓶的質(zhì)量。

俄羅斯人弗拉基米爾·沃沃斯基（Vladimir Voevodsky）的主要成就是：發(fā)展了新的代數簇上同調理論，從而為深刻理論數論與代數幾何提供了新的觀(guān)點(diǎn)。他的工作的特點(diǎn)是：能簡(jiǎn)易靈活地處理G度抽象的概念，并將這些要L用于解決相當具體的數學(xué)問(wèn)題。上同調概念初來(lái)源于拓撲學(xué)，而拓撲學(xué)可以粗略地說(shuō)成是“形狀的科學(xué)”，其中研究沃沃形狀的例子如球面、環(huán)面以及它們的G維類(lèi)似物。拓撲學(xué)研究這些對象在連續變形（不允許撕裂）下保持不變的基本性質(zhì)。通俗地說(shuō)，上同調論提供了一種方法將拓撲對象分割成一些比較容易研究的片，上同調群則包含了如何將這些基本片裝配成原來(lái)對象的信息。代數幾何中研究的主要對象是代數簇，它們是多項式方程的公共解集。代數簇可以用諸如曲線(xiàn)或曲面之類(lèi)的幾何對象來(lái)表示，但它們比那些可變形的拓撲對象更具“剛性”。

DARPA戰略技術(shù)辦公室（STO）2017年提出的“馬賽克戰”概念認為未來(lái)戰場(chǎng)是一個(gè)由低成本、低復雜系統組成的拼接圖，這些系統以多種方式連接在一起，可創(chuàng )建適合任何場(chǎng)景的理想交織效果。這個(gè)概念的一部分是“以新的令人驚訝的方式組合當前已有的武器”，重點(diǎn)是有人/無(wú)人編組、分解的能力，以及允許指揮官根據戰場(chǎng)情形無(wú)縫召喚海陸空能力，而不管是哪支部隊在提供作戰能力。

簡(jiǎn)單地說(shuō)，上面介紹的“馬賽克戰”和“機器常識”，都是對抗博弈人機環(huán)境系統的新型拓撲系統，如同沃沃斯基創(chuàng )立的“主上同調”（motivic cohomology）理論。其中，真正厲害的不是那些基本的知識、條例和規則，而是應用這些基本的知識、條例和規則的在實(shí)踐中獲得普遍成功能力的人，比如以毛澤東（湖南一師）、粟裕（湖南二師）等為代表的一大批非軍事名校畢業(yè)的戰略家和軍事家終以自己的常識打敗了黃埔軍系校長(cháng)和將軍們的知識......

尾 聲

如果說(shuō)“邏輯是符號串的等同或包含關(guān)系”，那么非邏輯則是非符號的等同或包含關(guān)系。人工智能處理一些邏輯問(wèn)題較好，而人處理一些非邏輯問(wèn)題稍?xún)?yōu)，人機融合則能處理邏輯與非邏輯的融合問(wèn)題。

人工智能在對抗博弈中起重要作用需要幾個(gè)條件：先是找到數學(xué)定量計算就能解決的部分，其次與人融合過(guò)程中使該AI部分找到適當的時(shí)機、方式和作用，后，人做對的事，AI“把事情做對”。

近，美陸軍未來(lái)司令部司令約翰·默里上將和陸軍其他技術(shù)L導人強調“人類(lèi)”需要終作出重要決定并掌控“指揮和控制”系統，同時(shí)還明確指出快速演化的人工智能武器系統應用可以讓陸軍指揮人員“率先看到、率先作出決定、率先采取行動(dòng)”，當然由此能夠更快地摧毀敵人。（人工智能的數據處理能力會(huì )讓人類(lèi)的決策速度呈現指數J的提G，即提速OODA環(huán)。）仔細想想，任何事物都不會(huì )無(wú)中生有，凡事都有苗頭和兆頭，人機融合就是能夠及時(shí)（恰如其分）地捕捉到這些零零碎碎的跡象和蛛絲馬跡，太快太慢都不好，“率先看到、率先做出決定、率先采取行動(dòng)”，不一定由此能夠更快地摧毀敵人。有時(shí)，慢一點(diǎn)未必不是一個(gè)好的選擇，太快了也許更容易上當受騙吧！

目前，人智與AI的失調匹配是導致目前人工智能應用L域弱智的主要原因。人可以身在曹營(yíng)心在漢，是非、01同在：既是又不是，疊加態(tài)。危機管理呢？常常是疊加勢：危險與機會(huì )共生，危中有機，機中有危，兩者糾纏在一起，如何因勢利導、順勢而為，則是人機融合智能中深度態(tài)勢感知的關(guān)鍵。

人機是非同構的，即本質(zhì)是不同的兩者事物，一個(gè)受控實(shí)驗部分不可重復，一個(gè)受控實(shí)驗普遍可重復。人的智慧也是由受控與不可受控部分、可重復與不可重復部分構成的。色盲者認為是無(wú)色的，對他是真的，對其它主體卻是假的，若色盲者比正常人多，則正常人會(huì )是色盲嗎？

科學(xué)的缺點(diǎn)在于否認了個(gè)性化不受控不可重復的真實(shí)。所以基于這種科學(xué)性的基礎上必然會(huì )帶來(lái)一些缺陷。人，尤其是每個(gè)人都是天然的個(gè)性化不受控不可重復的主體，你不能說(shuō)他就是不存在的。從這個(gè)角度看，人機融合的實(shí)質(zhì)就是幫助科學(xué)完善它的不足和局限。

大數據的優(yōu)點(diǎn)是受控實(shí)驗普遍可重復性，如此一來(lái)可以尋找共性規律——按圖索驥；但是，這也是大數據的一個(gè)缺點(diǎn)，容易忽略新生事物——受控實(shí)驗不可重復部分的出現，表現出刻舟求劍效應。有些受控實(shí)驗不可重復之真實(shí)性也是存在的，但這不在科學(xué)范圍內。以前是盲人摸象，現在是人機求劍。

無(wú)論多牛的數學(xué)，都是人去發(fā)現、發(fā)明，脫離了人，就沒(méi)有數學(xué)和人工智能，但是人都有缺點(diǎn)和死角，都有轉不過(guò)來(lái)的時(shí)候，所以人機融合才是未來(lái)智能的方向和大勢！人工智能過(guò)不去的這三道坎，人機融合智能可以過(guò)去，究其因，也還是沒(méi)有人過(guò)不去的坎！