人机混合智能的可行架构：计算-算计模型

本文发表在《学术前沿》2022.12下

摘要：人工智能取得成果斐然，但是现阶段的人工智能体还远未达到接近人类心智的水平。在面对复杂环境下，仅靠计算体系的人工智能有很大限制，无法达到人工智能所追求的与人类智能相似的结果，故而我们需要人在与智能体中发挥重要作用，使机的能力价值（计算）与人的能力价值（算计）协同以达到更好的智能。本文先对算计进行定义，接着介绍其研究意义及发展，讨论算计与计算的区别联系并提出计算-算计模型，最后叙述其应用并进行总结。人机之间的关系并不是一种加法，它是意义明确与不明确的各种可能性混合。

关键词：计算计；深度态势感知；人机交互；人机混合智能

一、引言

现如今，人类对人工智能还未下确切的定义，但是一个符合大多数人观点的定义，提到人工智能就是让计算机完成人类心智能做的各种事情。从上世纪40年代图灵的人工智能预言，到上世纪80年代专家系统的开发，再到如今三大主义分支的人工智能应用渗透到人类生活的各个方面[1]。其中，联结主义强调模仿大脑皮质神经网络以及神经网络间的联结机制，即用多隐层的处理结构，处理各种大数据；行为主义以模仿人或生物个体、群体控制行为功能为主，主要表现为具有奖惩控制机制的强化学习方法；符号主义强调以物理符号系统来产生智能行为，主要应用为知识图谱的应用体系。人工智能的应用取得了一定成果，但是其存在不可忽视的缺陷。联结主义下的深度学习算法不可微分，计算收敛性较弱，在开放的动态环境下效果较差，其模型本身是一个“黑盒”[2]。行为主义的强化学习将人的行为过程看的过于简单，实验中只是测量简单的奖惩反馈过程。其次行为主义研究可观察行为，往往忽视心理的内部活动，否定意识的重要性，将意识与行为对立。符号主义及其知识图谱遇到了如何定义“常识”问题以及不确知事物的知识表示与问题求解问题。

要让人工智能接近人类的心智，还需要探索何为智能。大部分对智能的定义有一个共同特点：智能是解决问题的能力，更复杂的问题需要更高水平的智能。相比于加减法，求解微分方程需要更高的智能水平；相比于井字游戏，会下一手好围棋需要更高的智能水平。但是，机器能够求解某种特定问题，并不是意味着机器具有较高的智能水平，哪怕这种问题非常复杂[3]。将目光转向人类的神经网络。神经网络常常简化为感知器，中枢，效应器组成的系统单元，且三个系统每一个都有许多神经元组成，互相之间都有反馈。以目前的神经科学分析手段，该模型是正确的，但是人们往往忽略了外界信息与体内信息的比例。人们常常将该系统简化为输入输出系统，实际上神经系统接收内部信息的感受器是接受外部信息感受器的10万倍[4]。也就是说，神经系统在整体上更像一个自我封闭系统。而且，正式神经网络的封闭性，使得建构主义可以推出客观存在不能离开建构者的哲学理论[5]。机器作为客观存在，解决问题离不开人类。所以说，实现完全脱离人类的通用人工智能系统是不现实的一个课题。本文先对算计进行定义，接着介绍其研究意义及发展，讨论算计与计算的区别联系并提出计算-算计模型，最后叙述其应用并进行总结。

二、算计的定义和性质

算计是一种用感性与理性的混合手段处理各种事实价值混合关系的方法，即使没有数据也可以一目了然地深度态势感知。算计可以在多方面、多过程的体现：算计是运用计算之前的行为、算计是非自发的秩序，是人事先设计而产生的，由人类设计而非人类行为产生的秩序。是多算胜，少算不胜，是知彼知己的“知”、算计是没有数和图的计算，即没有数学的计算、算计是人类带有动因的理性与感性混合盘算，是已有逻辑形式与未知逻辑形式的融合筹划。

如果说“计算”的未来在于利用宇宙复杂的物理行为，那么“算计”的未来则在于利用宇宙复杂的物理与非物理行为。与机器计算不同的是，人的算计是复合型，既有体现事实的理性部分，又有体现价值的感性部分，而且感性部分可以不自洽、可以矛盾（如爱恨交加），甚至可以辩证（相互转化），所以，感性价值是人机之间智能的最重要区别之一。当然，人机之间的理性事实和理性价值部分也不是完全等价的。具体而言，人类的一多关系与机器的一多结构常常并不是一回事。

三、算计的研究意义与发展

2.1 认知

认知也可以称为认识，是指人认识外界事物的过程，或者说是对作用于人的感觉器官的外界事物进行信息加工的过程。它包括感觉、知觉、记忆、思维、想象、言语，是指人们认识活动的过程，即个体对感觉信号接收、检测、转换、简约、合成、编码、储存、提取、重建、概念形成、判断和问题解决的信息加工处理过程。在心理学中是指通过形成概念、知觉、判断或想象等心理活动来获取知识的过程，即个体思维进行信息处理的心理功能。

认知模型是对人类认知能力的理解并在次基础上构建的模拟人的认知过程的计算模型。这里认知模型中的认知能力通常包括感知、表示、记忆与学习、语言、问题求解和推理等方面[7]。为了能够构建出更加智能的机器，我们便希望从人的身上寻找灵感，同时也是更好地探索和研究人的思维机制，特别是人对周围信息的感知处理机制，进而可为打造出真正的人工智能系统提供新的体系结构和技术方法[8]。Duch[9]根据记忆和学习的不同将现有的认知模型分为三类：符号化认知模型、浮现式认知模型和混合型认知模型三种。

2.2 深度态势感知

人们对“态”常用感觉，对“势”常用知觉，而世界的态、势常常是混杂的，所以人们对世界的认识往往是感+知的，于是态势感知便成了固定搭配，后来发现知对应的“势”一般是短势，为了处理中长势，形成某种更深邃的洞察力，即超越事实本身的理解、判断、预测能力，态势认知便呼之欲出了，也可以说：认知是对感知的感知。再后来发现，人的认知是有偏好、习惯、先验、模糊、记忆等局限的，而机器和协同的机制机理可以与之相得益彰、取长补短，自然就衍生出了人机融合的深度态势认知概念。深度态势感知含义是“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，既涉及事物的属性（能指、感觉）又关联它们之间的关系（所指、知觉），既能够理解事物原本之意，也能够明白弦外之音。它是在以Endsley为主体的态势感知（包括信息输入、处理、输出环节）基础上，加上人、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