摘要:未来是人机环系统融合的世界。它不仅仅是智能化,更是智慧化,未来的智能不但要打破形式化的数学计算, 还要打破传统思维的逻辑算计,是一种结合人、机、环境各方优势互补的新型计算-算计博弈系统。本文以未来智能化为背景,研讨了深度态势感知的概念、内涵与模型;介绍了未来智能化中深度态势感知模型发挥的作用,即深度态势感知解决了人工智能中可解释性、学习、常识三个重要瓶颈;论述了人机环境系统融合、智慧化协同对未来智能化的影响;提出了深度态势感知在未来智能化中可能存在的问题, 包括人机问题、不确定性问题和人的问题。人机协同智能机制、机理的破解以及有效的协同方式将成为影响未来智能化的关键因素。所以,对深度态势感知的研究对未来智能化领域有着重大意义。
关键词:深度态势感知,未来智能化,人机智能, 态势感知
0 引言
随着信息技术和智能技术的发展,未来智能样式将迎来新一轮的变革。智能化环境变得越发复杂,运行节奏也随着人工智能处理海量数据的能力的提升变得越来越快。在不确定、非完全信息、开放环境中,人们要在更短的时间内做出决策反应,而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,单纯依靠人力的分析判断决策显然是不够的。
在这种情况下,迫切需要一种新的技术来辅助人的决策提升决策速度。随着人工智能的快速发展,人工智能处理海量数据的能力和有规则条件下的推理博弈能力都已经超过人类,但是在智能化中,当前人工智能还无法取代人类智能,人类的经验、直觉、反思等能力以现有的人工智能水平还难以实现。人的智能与机器智能具有互补性,因此,如何在动态、复杂、小样本、不确定智能环境下,形成快速、准确、有效的人机协作智能分析决策系统是未来智能科技的一个热点、难点和瓶颈。建立人与机器之间的新型关系,实现人机合一,提高智能性能的研究是必不可少的。
1.深度态势感知的概念、内涵与模型
深度态势感知的含义是“对态势感知的感知,是一种人机智慧,既包括了人的智慧,也融合了机器的智能(人工智能)”,是能指+所指(能指、所指不太常用,建议使用常用词或易于理解的短语),既涉及事物的属性(能指、感觉)又包括它们之间的关系(所指、知觉),既能够理解弦外之音,也能够明白言外之意。它是在原美国空军首席科学家Endsley以主体态势感知(包括信息输入、处理、输出环节)的基础上,包括人、机(物)、环境(自然、社会)及其相互关系的整体系统趋势分析,具有“软/硬”两种调节反馈机制;既包括自组织、自适应,也包括他组织、互适应;既包括局部的定量计算预测,也包括全局的定性算计评估,是一种具有自主、自动弥聚效应的信息修正、补偿的期望-选择-预测-控制体系。
事实上,把生命体特有的“目的性行为”概念用“反馈”这种概念代替,把按照反馈原理设计成的机器的工作行为看成目的性行为,并未突破生命体(人)与非生命体(机器)之间的概念隔阂,原因很简单,人的“目的性行为”分为简单显性和复杂隐性两种,简单显性的“目的性行为”可以与非生命体机器的“反馈”近似等价(刺激—反应),但复杂隐性的“目的性行为”——意向性却远远不能用“反馈”近似替代,因为这种意向性可以延时、增减、弥聚,用“反思”定义比较准确,但“反思”概念却很难与非生命体的机器赋予(刺激—选择—反应)。“反思”的目的性可用主观的价值性表征,这将成为人机融合的又一关键之处。价值将由吸引子和动机共同构成。反思是一种非生产性的反馈,或者说是一种有组织性的反馈。自主是有组织的适应性,或被组织的适应性。据此我们将Endsley态势感知三级模型和维纳的“反馈”思想结合,提出了一个基于“反馈”的深度态势感知模型。从某种意义上讲,深度态势感知是为完成主题任务在特定环境下组织系统充分运用各种类人认知活动(如目的、感觉、注意、动因、预测、自动性、运动技能、计划、模式识别、决策、动机、经验及知识的提取、存储、执行、反馈等)的综合体现。既能够在信息、资源不足情境下运转,也能够在信息、资源超载情境下作用。在有时间、任务压力的情境下,“经验丰富”的深度态势感知系统常常是基于离散的经验性思维图式/脚本认知决策活动(而不是基于评估),这些图式/脚本认知活动是形成自动性模式(即不需要每一步都进行分析)的基础。事实上,它们是基于以前的经验积累进行反应和行动,而不是通过常规概率统计的方法进行决策选择。基本认知决策中的情境评估是基于图式和脚本的。图式是一类概念或事件的描述,是形成长期记忆组织的基础. “Top-Down”信息控制处理过程中,被感知事件的信息可按照最匹配的存在思维图式进行映射,而在“Bottom-Up”信息自动处理过程中,根据被感知事件激起的思维图式调整不一致的匹配,或通过积极的搜索匹配最新变化的思维图式结构。
图1基于“反馈”的深度态势感知模型
深度态势感知理论模型在不同情境下处理信息的方式会有所区别,并且以往关于态势感知的研究都充分说明了态势感知具有实时性,即态势感知会随时间而不停地更新、迭代。所以我们尝试对态势感知进行细化,并提出了一个基于循环神经网络(RNN)的深度态势感知理论框架,如