表面上，人工智能工程應用的目的是把AI嵌入到人的生活場景中，而實際上，真正的智能係統關鍵之處在於如何實現把人、機、環境嵌入智能係統中。 這裡最難的是將糾纏在一起的客觀事實與主觀價值進行有效疊加處理，或通過反向強化學習（通過觀察已經學習了有效策略的智能主體行為，我們可以推斷導致這些策略發展的獎勵）或 通過價值對齊（使自動化智能係統與人的價值對齊，共同完成最大利益化）或通過有界高速最優性理性行為（有界最優主體並不總是關注選擇正確的行動，它們更關注的 是找到正確的算法，在犯錯誤和思考太多之間找到完美的平衡）等諸多方式來實現。

 人的經驗性概率（人們常常根據記憶中的難易程度推測事件發生的概率）與機器的事實性概率不同，它是一種價值性概率，可以穿透非家族相似性的壁壘，用其它領域 的成敗得失結果影響當前領域的態勢感知（situationawareness，SA），比如同情、共感、同理心、信任、責任等。 那麼，當前人工智能該如何打破瓶頸進入下一個高速發展時期呢？ 這裡我們提出人機融合的辦法，人機融合智能是一種新型智能形式，通過引入人的意向性來幫助人機協調各種智能問題中的矛盾和悖論。 機器學習甚至人工智能的不確定性和不可解釋性主要緣於人們發現發明的歸納、演繹、類比等推理機制確實有可能導致某種不完備性、不穩定性和相悖矛盾性，而且隨著計算 規模的不斷擴大，這些不確定性和不可解釋性越大，所謂失之毫釐，謬以千里。 而人類的反事實推理、反價值推理可以從虛擬假設角度提前預防或預警這些形式化的自然缺陷。

 記得有位西方學者曾說過：“所有模型都是錯誤的，只不過其中有些模型具有一定的參考作用罷了”，關鍵的問題是模型錯到什麼程度就沒有用處了。 數理模型的反思甚至詰難一直都存在，這主要有兩方面影響因素：其一是有些人認為經濟學模型不能很好的模擬現實，因為其複雜性，特別人很複雜。 比如像博弈論這樣非常具有邏輯的方法，會大量出現混合策略的均衡，但現實中這種策略並不普遍。 所以經濟學也開始引入心理學或者實驗；其二是很多人反對的不是數理化，而是過度數理化。

 人工智能可以解決常規問題，或者是大多數情況下的問題，但是卻解決不了極端情況下意想不到的情況發生。 一個人們在建立數學模型時常常會犯的錯誤就是為了建立簡潔美觀的數學模型忽略了這個模型成立時的條件。 例如馬爾科夫鏈的建立條件為當前節點的只與前一個節點有關，這種獨立性的假設在很多時候是可以被接受的，因為距離越近的事件對當前的影響越大，但是在特殊 事件發生時，模型就會失效，此時依賴於該模型的決策就會出現錯誤。 有些錯誤是可以重來的，而有些錯誤是不可彌補的，這也就是在一些領域，不允許完全由人工智能把控全局的原因。 舉一個具體的例子，在視覺slam中，位姿的估計是一個遞推的過程，也就是由上一幀位姿結算當前幀位姿，所以我們的位姿約束都是與上一幀建立的 ，但是每一次的估計位姿都會有誤差，隨著位姿地推的進行，誤差也在不斷的累計位姿，也就形成了我們所說的累計誤差。  Slam中的做法是進行回環檢測，也就是檢測出相機經過同一個地方，從而將疊加的誤差拉回到可接受的範圍內。 在人機系統中，可以通過人機的溝通更好確定人機在環境中所處的位置，從而進行類似slam中回環檢測的功能，將機器數學建模中因為忽視一些微小條件而導致的疊加 誤差拉回到可接受的範圍內。

 人機融合中的人不僅括眾人，機不但包括機器裝備還涉及機制機理，除此之外，還關聯自然和社會環境、真實和虛擬環境等。 人機的根本區別就在於不同的表徵、聯結和交互。 在一個系統中，人機的功能、職責分別在於準度和精度，準度涉及方向，精度關聯過程。 人和機的認知特性不同，人傾向於對信息整體程度的感知，而機器則更傾向於對信息細節的客觀精確計算。 人工（機器）智能擅長客觀事實（真理性）計算，人類智能優於主觀價值（道理性）算計。 當計算大於算計時，可以側重人工智能；當算計大於計算時，應該偏向人類智能；當計算等於算計時，最好使用人機智能。 目前的一個問題在於系統的可解釋性，我們認為可解釋性的關鍵在於合適透明性所產生出的信任性，信任性的關鍵在於理解後的讚同，理解是對意義的把握，即把各種 （事實、價值、責任等）可能相關事物有機整合在一起的能力，系統的可解釋性不但包括對已有規則的解釋，還包括構建規則的新內涵和外延。

 人機功能分配是人的能力與機器的功能分配，人具有主動性的能力使然（使能），機體現被動的功能賦予（賦能），是人的動態算計與機器的準動態計算之間 的分配。 另外，人機能力/功能分配是一個不准確的概念，因為人具有的是一種超出功能作用的能力，準確的說，人機關係應該是人的能力與機器的功能如何有效協調的問題， 再深入一下，人機關係更是一種人機環境系統交互的關係，人的能力會隨著人機環境系統的變化而變化的（人的情境意識與態勢感知會因時因法因環境而 發生變化的），而機器功能則不會隨人隨環境而應變。 因此，當0、1與是、非攪在一起時，人機環境之間經常失配、失互應該是正常的，人機環境之間的有機/有效配合反而顯得多少有些不正常。 鑑於此，筆者建議未來的人機融合問題最好分成三個不同的問題來簡化整體設計流程以提高其匹配績效：1、什麼應該人工智能化（自動化）？  2、應該如何人工智能化（自動化）？  3、什麼時候應該人工智能化（自動化）？

 人機環系統高效協同的兩個核心突破點：一是“泛事實”的有向性。 如國際象棋、圍棋中的規則規定、統計概率、約束條件等用到的量的有向性，人類學習、機器學習中用到的運算法則、理性推導的有向性等，這些都是有向 性的例子。 儘管這裡的問題很不相同，但是它們都只有正、負兩個方向，而且之間的夾角並不大，因此稱為“泛事實性”的有向性。 這種在數學與物理中廣泛使用的有向性便於計算。 二是“泛價值”的有向性，亦即我們在主觀意向性分析、判斷中常用到的但不便測量的有向性。 我們知道，這裡的向量有無窮多個方向，而且兩個方向不同的向量相加通常得到一個方向不同的向量。 因此，我們稱為“泛價值”的有向量。 這種“泛向”的有向數學模型，對於我們來說方向太多，不便應用。 然而，正是由於“泛價值”有向量的可加性與“泛物”有向性的二值性，啟示我們研究一種既有二值有向性、又有可加性的認知量 。 一維空間的有向距離，二維空間的有向面積，三維空間、乃至一般的N維空間的有向體積等都是這種幾何量的例子。 一般地，我們把帶有方向的度量稱為有向度量。 態勢感知中態一般是“泛事實”的有向性，勢是“泛價值”的有向性，感一般是“泛事實”的有向性，知是“泛價值”的有向性。 人機關係有點像量子糾纏，常常不是“有或無”的問題，而是“有與無”的問題。 有無相生，“有”的可以計算，“無”的可以算計，“有與無”的可以計算計，所以未來的軍事人機融合指控系統中，一定要有人類參謀和機器參謀，一個負責 “有”的計算，一個處理“無”的算計，形成指控“計算計”系統。 既能從直觀上把握事物，還能從間接中理解規律。

 人機混合常常是人+機（側重事實性數理物理結合，價值性結合較少）；而人機融合往往是人*機（既包括事實，也涉及價值，既有數理物理交互，也有心理倫理 交流）。 人、物（機）、環境三者可以生成萬物，有顯性有隱性，有陰有陽，態勢感知、計算計、功能力也都有顯性、隱性/陰、陽之分，現在的 人工智能及其相關領域大都只研究顯性的、陽的一面，故意或不故意地忽略了隱性的、陰的一面，所以我們應該對各種數據、算法、算力（包括量子計算）、 知識抱有“科學”的懷疑態度，取其之長，補其之短，切實把側重西方的機（科技）與註重人、環境的東方思想有機結合起來，形成中西合璧的人、物（機 ）、環境系統優勢。 另外還有一點，人機環境系統的粒度大小、範圍程度和復雜性每升到一個新級別，都會有新的組織形式出現，其模式會以新方式編碼數據、信息和知識，其行為也會 以新概念進行描述，如個性化的智能就與群體智能編碼表徵、邏輯推理、交互決策就很不相同。

休謨認為：“一切科學都與人性有關，對人性的研究應是一切科學的基礎。”，任何科學都或多或少與人性有些關係，無論學科看似與人性相隔多遠，它們最終都會以 某種途徑再次回歸到人性中。 智能僅是解決問題的一種工具手段，若不與日常生活中的風俗習慣、倫理道德中的仁義禮智信勇、法律中的邊界規則統計概率等諸多方面相結合，就很容易氾濫成災而 不可控制。 真實的智能不是萬能，它不但涉及事實性的真假問題，還應該包括價值性的是非問題，更與責任性的大小輕重密切相關，所以，嚴格意義上講，智能是許多領域的一連串組合應用 。

 人類智能的核心是意識指向的對象，機器智能的核心是符號指向的對象，人機智能的核心是意識指向對象與符號指向對象的結合問題。 它們都是對存在的關涉，存在分為事實性的存在和價值性的存在、還有責任性的存在。

 想像一下，未來的某一天，機器可以運用人設定的程序發展出各種可能性，開始真正意義上的自我認識和自我否定，能夠有目的的自我修正，並且不斷意識到自已的無知而突破 自我，正如阿爾法狗在圍棋領域所展現出的無限可能性一樣，此時，這種個性化的精神形成也許就是革命性智能的伊始吧！