“人智”為什么很難轉成“機智”，因為人腦不是電腦，人智主要是明辨是非，機智側重于模式識別。

我們知道的遠比我們說出來的要多得多，我們不知道的遠比我們知道的要多得多，我們不知道我們不知道的遠比我們不知道的要多得多……

對人而言，大道無形的道是碎片的、流性的……所以正是零碎的規則、概率、知識、數據、行為構成了人的智能，即在千奇百怪的日常異構活動情境中生成演化出來的。人智，從一開始就不是形式化、邏輯化的，而且人的邏輯是為非邏輯服務定制的，機器則相反，從一開始就是條理化了、程序化的，也是為人的非邏輯服務的。

本質上，數據的標記與信息的表征不同之處在于有無意義的出現，意義即是否理解了可能性。機涉及的表征體系雖然是人制定賦予的，但一誕生就已失去了本應的活性，即意向性參與下的各種屬性、關系靈活連接和縫合，而人的諸多表征方式則常常讓上帝都不知所措：一花一世界，一樹一菩提。知識圖譜的欠缺就在知識的分類，它僵化了原本靈活著的知識表征，使之失去了內涵與外延彌聚的彈性，就像職稱評定一樣……，用有限表現無限是美，把無限用有限詮釋出來是智（真），連接兩者的是善（即應該、義）。

如果說機器的存儲是實構化，那么人的記憶就是虛+實構化，并且隨著時間的推移，虛越來越多，實越來越少，不僅能有中生無，甚至還可以無中生有，就像各種歷史書中的傳奇或各樣的流言蜚語一樣。更有意思的是人之記憶可以衍生出情感—--這種對機器而言匪夷所思的東東。

人的學習過程大多數不僅是為了獲取一個明確的答案，更多的是尋找各種理解世界和發現世界的可能方式。而機器的“學習”（如果有的話）“目的”不是為了發現聯系，而就是為了尋求一個結果。

智能的根本不是算，是法，是理解之法、之道！理解是關鍵，NLP（自然語言處理）若不先解決理解問題，只追求識別率，是不會有突破的。其實人對聲音的識別率是很低的，經常要問別人說了啥。能問別人說了什么是最關鍵的能力，因為知道沒有理解才能問出問題。很多系統的理解最終靠人，如果沒有人參與，不管處理了多少文字，都沒有任何理解出現。目前的人工智能缺失的是：對人感性層面的仿生不夠完善，因此無法完全了解人做決策的生理與心理機制。言下之意，只有人工智能做到像人一樣去感受外部的世界，并用處理器做人一樣的理性思考，從內至外地模擬和學習人類，這樣的人工智能才是完善的。

博弈理論家魯賓斯坦發表了文集《語言與經濟學》，其中一篇論文里，魯賓斯坦用一個博弈模型說明“辯論”對不參與博弈的旁聽者有非常大的好處，因為辯論使得雙方不得不將“私有”的信息披露給旁聽的人。他的數學推導在我看來大致上沒有超出我的哲學論證的范圍。他在最近給我的回信中說他使用數學不過是為要獲得更清晰的論證而已，并同意我在信中表示的看法：“數學方法可能遮蔽了深刻洞察。”而人的直覺性統覺，其載體是有機體的感覺器官，已經包含著有機體對各種關系的理解。只是為了要把這種理解固定下來，形成“記憶”，人類才需要另一種能力的幫助，那就是“理性”能力。在理性能力的最初階段，便是“概念”的形成。概念就是一種界限、約束、條件，在不同的情境下，這些界限、約束、條件會發生許多變化，甚至會走向它的對立面……這也是為什么智能難以定義，有人參與的活動里會出現各種意外的原因吧！曾幾何時，叔本華曾指出：“在計算開始的地方，理解便終結了。”因為，計算者關注的僅僅是固定為概念的符號之間的關系，而不再是現實世界里發生著的不斷變化著的因果過程。與“概念”思維的蒼白相對立，關于“直覺性理解”的洞察力，叔本華也有如下精彩的論述：“每個簡單的人都有理性，只要告訴他推理的前提是什么就行了。但是理解卻不同，它提供的是原初性的東西，從而也是直覺性的知識，在這里出現了人與人之間天生的差別。事實上，每一個重大的發現，每一種具有歷史意義的世界方案，都是這樣的光輝時刻的產物，當思考者處于外界和內在的有利環境里時，各種復雜的和隱藏著的因果序列被審視了千百次，或者，前所未有的思路被阻斷過千百次，突然，它們顯現出來，顯現給理解。”在這一意義上，目前的全部計算機智能，只要還不是基于“感官”的智能，在可看到的未來，就永遠無法獲得我們人類這樣的創造力。這里，“感官”是指對“世界”做直接感知的器官，有能力直接呈現表征世界圖景的器官，而不是像今天的計算機這樣，需要我們人類的幫助才可以面對這個世界“再現”什么。錢學森說：“人體作為一個系統。首先，它是一個開放的系統，也就是說，這個系統與外界是有交往的。比如，通過呼吸、飲食、排泄等，進行物質交往；通過視覺、聽覺、味覺、嗅覺、觸覺等進行信息交往。此外，人體是由億萬個分子組成的，所以它不是一個小系統，也不是一個大系統，而是比大系統還大的巨系統。這個巨系統的組成部分又是各不相同的，它們之間的相互作用也是異常復雜的。所以是復雜的巨系統。”實際上，當前的人工智能只使用了人類理性中可程序化的一小部分，距離人類的理性差距還很大，更不要說初步接近人類更神奇的部分--感性了!

伽利略說過:數學是描述宇宙的語言。事實上，準確地說應該是:數學是描述宇宙的語言之一，除此之外，還要許許多多的描述方式存在著，這也是智能科學面臨的問題:?該如何有效地融合這些不同語言的語法語義語用呢？!?對于多元認知體系來說，共性認知成分稀缺而重要，數學是這方面的一種嘗試，用以描繪對象間的關系（但非僅有）。如果換了一種文明，它們的描繪方式不同，形式自然不同。數學不是究竟，只是對實相某個方面的陳述，類似盲人撫摸象腿的感受。數學和詩歌都是想像的產物。對一位純粹數學家來說，他面臨的材料好像是花邊，好像是一棵樹的葉子，好像是一片青草地或一個人臉上的明暗變化。也就是說，被柏拉圖斥為“詩人的狂熱”的“靈感”對數學家一樣的重要。舉例來說，當歌德聽到耶路撒冷自殺的消息時，仿佛突然間見到一道光在眼前閃過，立刻他就把《少年維特之煩惱》一書的綱要想好，他回憶說：“這部小冊子好像是在無意識中寫成的。”而當“數學王子”高斯解決了一個困擾他多年的問題?(高斯和符號)?之后寫信給友人說:“最后只是幾天以前，成功了（我想說，不是由于我苦苦的探索，而是由于上帝的恩惠），就像是閃電轟擊的一剎那，這個謎解開了；我以前的知識，我最后一次嘗試的方法以及成功的原因，這三者究竟是如何聯系起來的，我自己也未能理出頭緒來。”再如獎懲是機器增強學習的核心機制，而人的學習在獎懲之間還有其他一些機制（適應，是主動要獎勵／懲罰還是被動給獎勵／懲罰），如同刺激——反應之間還有選擇等過渡過程。另外，人類的獎懲機制遠比機器簡化版的獎懲機制復雜的多，不但有獎獎、懲懲機制，甚至可以有懲獎機制，給予某種懲罰來表達真實的獎勵（如明降暗升），當然，明升暗降的更多。人類的那點小心思，除了二進制，機器們目前繼承的還不太多。

在川流不息的車流中穿行而全身而退，就是人機態勢協同的經典情境。

人的學習與機器學習最大的不同在于是否是常識性的學習，人在教育或被教育時，是復合式認知，而不僅僅是規則化概率性輸入。人的常識很復雜，扎堆的物理、心理、生理、倫理、文理……?既包括時間空間的拓撲，也包括邏輯非邏輯的拓撲。人既是動物，也是靜物。機也如此，但其動、靜與人的還是有差異。人機融合學習、人機融合理解、人機融合決策、人機融合推理、人機融合感知、人機融合意圖、人機融合智能才是未來發展的趨勢和方向。

人有一種能把變量變成常量，把理性變成感性，把邏輯變成直覺，把非公理變成公理，把個性一變成共性多，把對抗生成妥協的能力。例如人不但可以把how用程序化知識表征，還可以把why用描述性知識表示，至于what、where、when這些問題讓機器輔助檢索即可。無論人的自然智能還是人工智能最后都涉及價值取向問題，可惜機器在未來可見的未來內遠遠不會有之。如果說價格是標量，價值是矢量，那么也可以說數據是標量，信息是矢量，機器是標量，人是矢量。若數據是標量，信息是矢量，知識就是矢量的矢量，究其因，數據終究是物理性的，本身沒有價值性，信息是心理性的，具有豐富的價值取向。

目前主流人工智能理論喪失優勢的原因在于，它所基于的理性選擇假定暗示著決策個體或群體具有行為的同質性。這種假定由于忽略了真實世界普遍存在事物之間的差異特征和不同條件下人對世界認識的差異性，導致了主流理論的適用性大打折扣，這也是它不能將“異象”納入解釋范圍的根本原因。為了解決該根本問題，歷經多年發展，許多思想者已逐漸明晰了對主流智能科學進行解構和重組的基本方向，那就是把個體行為的異質性納入智能科學的分析框架，并在理性假定下個體行為的同質性作為異質性行為的一種特例情形，從而在不失主流智能科學基本分析范式的前提下，增強其對新問題和新現象的解釋和預測能力。即把行為的異質性濃縮為兩個基本假定:一、個體是有限理性的，二、個體不完全是利己主義的，還具有一定的利他主義。心理學、經濟學、神經科學、社會生態學、哲學等為智能科學實現其異質性行為分析提供了理論跳板和基礎。簡單可稱之為人異機同現象，未來的智能應該在融合了諸多學科新一代數（信）息學基礎上成長起來，而不是僅僅基礎在當前有著諸多不完備性的數學基礎之上。

新手對抽象枯燥的信息無感，而高手則能從中提煉出生動、鮮活、與眾不同的信息異常敏感，即通理達情，看到別人看不到（從同質性提煉出異質性），覺察出別人覺察不了的信息，形成直覺（快）決策，這也就導致了不同尋常的非理性行為和信念不斷地發生。“認知吝嗇鬼”是指人類大腦為了節省認知資源，在做決定時，喜好尋找顯而易見的表面信息進行處理，以求快速得出結論，而結果很可能是錯的，所以以膚淺著稱。與”認知吝嗇鬼”不同，心理學中還有一個概念叫”完全析取推理”，指當面對多個選項需要做決策，或是要根據假設推理得出一個最佳解決方案時，會對所有的選項或者可能性的結果進行分析、評估，從而得出正確地答案。因為進行系統地分析，速度相對比較慢。

知識的默會已造成很多不確定性，規則的內隱更使得交互復雜加倍。其根源在于交互對象具有“自己能在不確定和非靜態的環境中不斷自我修正”。這就要求不但有知識更新的要求，而且更有組織機制挖潛強調。人機交互實質上是人的感性結構化與人的部分理性程序化之間的融合。“同情”很容易被理解為：我們在這種感受中以某種方式分有他人的情感。實際上，同情共感是一種情感秩序一致性的共現期望。我們在意識領域中至少可以發現以下六種互不相同的“共現”方式：映射的共現、同感的共現、流動的共現、圖像化的共現、符號化的共現、觀念化的共現。因此，“共現”雖然首先被胡塞爾用于他人經驗，但它實際上是貫穿在所有意識體驗結構中的基本要素。對于此，機器仍遠遠不能學習實現之。

霍金和穆洛迪諾都曾把光說成是?“行為既像粒子又像波動”，智能也是如此彌聚，彌散如波動，聚合如粒子（注意機制的加入）。對象是靜態的，分配匹配是動態的，是不斷被刷新的，可謂此一時彼一時，如何把握不同時期的人機功能分析變化，這或許是一個非常有意思的問題。現在的許多無人系統或體系不是說真無人，而是沒有了直接人，同時對間接人的要求會更高了。人機融合不同情境的自主機制不太一樣，如個體的自主與系統、體系的自主不同。此外人機融合的一個重要問題如何平衡，能力的、時機的、方式的、研判的平衡等等，融合的不好，往往都是這些方面的失衡所造成的。例如人機交互分為自我內交互和與他外交互，許多表達或表征對其他對象僅出現邏輯上的意義，與真實發出者的心理意義往往是不一致的，這種情況體現在人機深層次溝通的不流暢和晦澀、難以為繼上。比較而言，機器是擅長處理家族相似性事物的，人則是優于處理非家族相似性的，即人類可以從不相識／相似的事物中抽取相識／相似性，而人機融合是兼顧兩者的。跨界交叉就是要找到非家族相似性進行有向關聯。波粒二象性就是連續與離散的態勢，態勢與感知都有二象性，認知也有，離散時可以跨界交叉融合非家族相似性，連續時常常體現平行慣性保持家族相似性。人的非理性認知（離散）與機的理性認知（連續）結合是否符合正義（正確的應該）是衡量有效融合的主要指標之一。

人機融合智能有兩大難點:理解與反思。人是弱態強勢，機是強態弱勢，人是弱感強知，機是強感若知。人機之間目前還未達到相聲界一逗一捧的程度，因為還沒有單向理解機制出現，能夠幽默的機器依舊遙遙無期。乒乓球比賽中運動員的算到做到、心理不影響技術（想贏不怕輸）、如何調度自己的心理（氣力）生出最佳狀態、關鍵時刻之心理的堅強、信念的堅定等等，這都是機器難以產生出來的生命特征物。此外，人機之間配合必須有組合預期策略，尤其是合適的第二第三預期策略。自信心是匹配訓練出來的，人機之間信任鏈的產生過程常常時：從陌生-不信任-弱信任-較信任-信任-較強信任-強信任，沒有信任就不會產生期望，沒有期望就會人機失調，而單純的一次期望匹配很難達成融合，所以第二、第三預期的符合程度很可能是人機融合一致性的關鍵問題。人機信任鏈產生的前提是人要自信（這種自信心也是匹配訓練出來的），其次才能產生他信和信他機制，信他與他信里就涉及到多階預期問題。若being是語法，should就是語義，二者中和相加就是語用，人機融合是語法與語義、離散與連續、明晰與粗略、自組織與他組織、自學習與他學習、自適應與他適應、自主化與智能化相結合的無身認知+具身認知共同體、算+法混合體、形式系統+非形式系統的化合物。反應時與準確率是人機融合智能好壞的重要指標

人工智能相對是硬智，人的智能相對是軟智，人機智能的融合則是軟硬智。通用的、強的、超級的智能都是軟硬智，所以人機融合智能是未來，但是融合機理機制還遠未搞清楚，更令人恍惚的是一不留神，不但人進化了不少，機又變化的太快。個體與群體行為的異質性，不僅體現在經濟學、心理學領域，而且還是智能領域最為重要的問題之一。現在主流的智能科學在犯一個以前經濟學犯過的錯誤，即把人看成是理性人，殊不知，人是活的人，智是活的智，人有欲望有動機有信念有情感有意識，而數學性的人工智能目前對此還無能為力。如何融合這些元素，使之從冰凍的生硬的狀態轉化為溫暖的柔性的情形，應該是衡量智能是否智能的主要標準和尺度，同時這也是目前人工智能很難跳出人工的瓶頸和痛點，只有鋼筋沒有混凝土。經濟學融入心理學后即可使理性經濟人變為感性經濟人，而當前的智能科學僅僅融入心理學是不夠的，還需要滲入社會學、哲學、人文學、藝術學等方能做到通情達理，進而實現由當前理性智能人的狀態演進成自然智能人的形勢。智能中的意向性是由事實和價值共同產生出來的，內隱時為意識，外顯時叫關系。從這個意義上說，數學的形式化也許會害死智能，維特根斯坦認為:形式是結構的可能性。對象是穩定的東西，持續存在的東西；而配置則是變動的東西，非持久的東西。維特根斯坦還認為:我們不能從當前的事情推導出將來的事情。迷信恰恰是相信因果關系。也就是說，基本的事態或事實之間不存在因果關系。只有不具有任何結構的東西才可以永遠穩定不滅、持續存在；而任何有結構的東西都必然是不穩定的，可以毀滅的。因為當組成它們的那些成分不再依原有的方式組合在一起的時候它們也就不復存在了。事實上，在每個選擇（匹配）機制背后都隱藏著兩個假設:程序不變性和描述不變性。這兩者也是造成期望效用描述不夠深刻的原因之一。程序不變性表明對前景和行為的偏好并不依賴于推導出這些偏好的方式（如偏好反轉），而描述不變性規定對被選事物的偏好并不依賴于對這些被選事物的描述。

前幾天，澳大利亞悉尼大學克里斯·雷德通過研究說：“它們正在重新定義智能的性質。”一種被稱為“海綿寶寶”的黃色多頭絨泡菌（Physarum polycephalum），它們也能記憶、決策、預測變化，能解決迷宮問題、模擬人造運輸網絡設計、挑選最好的食物。它們能做到所有這些事，但它們卻沒有大腦，或者說神經系統。這一現象不得不讓科學家重新思考，智能的本質究竟是什么？通過研究我們發現，智能就是人物環境系統之間的交互現象，就是智，就是慧，就是情，就是意，就是義，就是易，就是心……心理的心就是人機環境系統的交互，很難像物理還原一樣進行心理還原，生／心理與物理最大的不同是:一個是生一個是物，一個是活的一個不是活的，一個不易還原，一個較易還原。人文藝術之所以比科學技術容易產生顛覆原創思想，不外乎在于跨域性的反身性——移情同感，超越自我，風馬牛也相及，而人一般都不愿意因循守舊一生，所以人文藝術給人提供了更廣闊的想象空間，正可謂人們看見什么并不重要，重要的是人們如何詮釋看見的事物。

德里達有句名言“放棄一切深度，外表就是一切”，他隱藏的意思是：生活本身并不遵守邏輯，它是非邏輯的，無標準的，就像文字學，以一種陌生的邏輯在舞蹈。

在這三者之外的是智能領域

機器學習是機器+學習，人造物+非人學習+暴力剝蒜

人工智能是人工+智能，人思維+非物理解+四兩千斤

人機智能是人智+機能，人機道+通情達理+得意忘形

————

編輯?∑Gemini

來源：人機與認知實驗室

?數學家探索兩個幾何世界之間的鏡像鏈接

?數學天才帕吉特：他有如電影般的人生際遇

?世界上最奇怪的數學天才，被獎勵100萬卻拒領，寧愿過得像乞丐

?斯坦福大學教育學院院長：學習本身就是一門學問

?如果沒有數學，我們如何測量

?數學的真相：物理時空的數字模型還是現實本身？

算法數學之美微信公眾號歡迎賜稿

稿件涉及數學、物理、算法、計算機、編程等相關領域，經采用我們將奉上稿酬。

投稿郵箱：math_alg@163.com

歡迎加入算與數學術交流群，請添加微信：nhyilin（備注：算數粉絲）

總結

以上是生活随笔為你收集整理的为什么说机器学习不是人工智能？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。