【摘要】人工智能研究的難點是對認知的解釋與建構，而認知研究的關鍵問題則是自主和意識現象的破解。本文首先介紹了認知科學及態勢感知發展的歷程，回顧了人機交互中心理與認知學科的研究狀況，指出了認知工程研究的未來領域；其次通過對人機交互中的態勢感知及自動控制機制研究的規律分析，對當前人機領域中的深度態勢感知研究進行了分析；最后對深度態勢感知研究的發展前景進行了分析。認為在充滿變數的人機環境交互系統中，存在的邏輯不是主客觀的必然性和確定性，而是與各種可能性保持互動的同步性。當今乃至可見的未來，人機之間的交互關系應該是相互按力分配、取長補短。 

【關鍵詞】深度態勢感知 人工智能 人機環境系統交互 哲學

從某種意義上說，人類文明是一個人類對世界和自己不斷認知的過程，所謂認知就是對有用的數據---信息進行采集過濾、加工處理、預測輸出、調整反饋的全過程。縱觀人類最早的美索不達米亞文明（距今6000多年）、古埃及文明（距今6000年）及其衍生出的古希臘文化（現代西方文明的起源，距今3000年左右），其本質反映的是人與物（客觀對象）之間的關系，這也是科學技術之所以在此快速發展的文化基礎；而古印度所表征的文明中常常蘊含著人與神之間的信念；時間稍晚的古代中國文明是四大古文明中唯一較為完整地綿延至今的文化脈搏，其核心之道理反映的是人與人、人與環境之間的溝通交流（這也許正是中華文明之所以持續的重要原因吧）。

縱觀這些人、機（物）、環境之間系統交互的過程中，認知數據的產生、流通、處理、變異、卷曲、放大、衰減、消逝是無時無刻不在進行著的……如何在這充滿變數的過程中保持各種可能的穩定與連續呢？為此人們發明了眾多理論和模型，使用了許多工具和方法，試圖在自然與社會的秩序中找到有效的答案和萬有的規律。直至近代，16世紀一位天主教教士哥白尼的“日心說”讓宗教的權威逐漸轉讓給了科學，從此數百年來，實驗和邏輯重新建構了一個完全不同的時空世界，一次又一次地減輕了人們的生理負荷、腦力負荷，甚至包括精神負荷……

隨著科學思想的不斷演化，技術上也取得了長足的進步，“老三論”（系統論、控制論和信息論）尚未褪色，耗散結構論、協同論、突變論等“新三論”便粉墨登場，電子管、晶體管、集成電路還未消逝，納米、超算機、量子通信技術更是躍躍欲試，20世紀4、50年代誕生的人工智能思想和技術就是建立在這些基礎領域上而涌現出的一個重要前沿方向。但是由于認知機理的模糊、數學建模的不足、計算硬件的局限等原因，使得人工智能一直不能快速地由小到大，由弱變強。從目前了解到的數學、硬件等研究進展上看，短期內取得突破性進展將會很難，所以如何從認知機理上打開突破口就成了很多科學家的選擇之處。本文旨在對深度態勢感知進行初步地的介紹與述評，以期促進該理論在國內的研究與應用。

2、深度態勢感知的理論緣起

2013年6月美國空軍司令部正式任命Mica R. Endsley這位以研究態勢感知（Situation Awareness，SA）而著名的女科學家為新一任美國空軍首席科學家，這位1990年南加州大學工業與系統工程專業畢業的女博士和她的上一任Mark T. Maybury都是以人機交互中的認知工程為研究方向，一改2010年9月以前美國空軍首席科學家主要是以航空航天專業或機電工程專業出身的慣例。這種以認知科學為專業背景任命首席科學家的局面在美軍其他兵種當中也相當流行，這也許意味著，在未來的軍民科技發展趨勢中以硬件機構為主導的制造加工領域正悄悄地讓位于以軟件智慧為主題的指揮控制體系。

 無獨有偶，正當世界各地的人工智能、自動化等專業認真研究態勢感知（SituationAwareness，SA）技術之時，全球的計算機界正努力分析上下文感知（Context Awareness，CA）算法，語言學領域對于自然語言處理中的語法、語義、語用等方面也非常熱衷，心理學科中的情景意識也是當下討論的熱鬧之處，西方哲學的主流竟也是分析哲學（是一個哲學流派，它的方法大致可以劃分為兩種類型：一種是人工語言的分析方法，另一種是日常語言的分析方法。當然，認知神經科學等認知科學的主要分支目前的研究重心也在大腦意識方面，試圖從大腦的結構與工作方式入手，弄清楚人的意識產生過程。

我們大家現在生活在一個信息日益活躍的人-機-環境（自然、社會）系統中，指揮控制系統自然就是通過人機環境三者之間交互及其信息的輸入、處理、輸出、反饋來調節正在進行的主題活動，進而減少或消除結果不確定性的過程。

針對指揮控制系統的核心環節，MicaR. Endsley在1988年國際人因工程（Human Factor）年會上提出了有關態勢感知（Situation Awareness，SA）的一個共識概念：“…theperception of the elements in the environment within a volume of time andspace, the comprehension of their meaning, and the projection of their statusin the near future.”（就是在一定的時間和空間內對環境中的各組成成分的感知、理解，進而預知這些成分的隨后變化狀況”）。具體如下圖所示：

該模型被分成三級，每一階段都是先于下一階段（必要但不充分），該模型沿著一個信息處理鏈，從感知通過解釋到預測規劃，從低級到高級，具體為：第一級是對環境中各成分的感知，即信息的輸入。第二級是對目前的情境的綜合理解，即信息的處理。第三級是對隨后情境的預測和規劃，即信息的輸出。

一般而言，人、機、環境（自然、社會）等構成特定情境的組成成分常常會發生快速的變化，在這種快節奏的態勢演變中，由于沒有充分的時間和足夠的信息來形成對態勢的全面感知、理解，所以準確對未來態勢的定量預測可能會大打折扣（但應該不會影響對未來態勢的定性分析）。大數據時代，對于人工智能系統而言，如何在充分理清各組成成分及其干擾成分之間的排斥、吸引、競爭、冒險等邏輯關系的基礎上，建立起基于離散規則和連續概率，甚至包括基于情感和頓悟的、反映客觀態勢的定性定量綜合決策模型越發顯得更為重要，簡言之，不了解數據表征關系（尤其是異構變異數據）的大數據挖掘是不可靠的，建立在這種數據挖掘上的智能預測系統也不可能是可靠的。

另外，在智能預測系統中也時常面對一些管理缺陷與技術故障難以區分的問題，如何把非概念問題概念化？如何把異構問題同構化？如何把不可靠的部件組成可靠的系統？如何通過組成智能預測系統之中的前/后（剛性、柔性）反饋系統把人的失誤/錯誤減到最小，同時把機和環境的有效性提高到最大？對此，1975年計算機圖靈獎及1978年諾貝爾經濟獎得主西蒙（H.A.Simon）提出了一個聰明的對策：有限的理性，即把無限范圍中的非概念、非結構化成分可以延伸成有限時空中可以操作的柔性的概念、結構化成分處理，這樣就可把非線性、不確定的系統線性化、滿意化處理（不追求在大海里撈一根針，而只滿意在一碗水中撈針），進而把表面上無關之事物相關在了一起，使智能預測變得更加智慧落地。

但是在實際工程應用中，由于各種干擾因素（主客觀）及處理方法的不完善，目前態勢感知理論與技術仍存在不少缺陷，鑒于此，我們嘗試提出了深度態勢感知這個概念，具體說明如下。

3、深度態勢感知的理論表述與模型

3.1 基本觀點

深度態勢感知含義是“對態勢感知的感知，是一種人機智慧，既包括了人的智慧，也融合了機器的智能（人工智能）”, 是能指+所指，既涉及事物的屬性（能指、感覺）又關聯它們之間的關系（所指、知覺），既能夠理解事物原本之意，也能夠明白弦外之音。它是在以Endsley為主體的態勢感知（包括信息輸入、處理、輸出環節）基礎上，加上人、機（物）、環境（自然、社會）及其相互關系的整體系統趨勢分析，具有“軟/硬”兩種調節反饋機制；既包括自組織、自適應，也包括他組織、互適應；既包括局部的定量計算預測，也包括全局的定性算計評估，是一種具有自主、自動彌聚效應的信息修正、補償的期望-選擇-預測-控制體系。

從某種意義上講，深度態勢感知是為完成主題任務在特定環境下組織系統充分運用各種人的認知活動（如目的、感覺、注意、動因、預測、自動性、運動技能、計劃、模式識別、決策、動機、經驗及知識的提取、存儲、執行、反饋等）的綜合體現。既能夠在信息、資源不足情境下運轉，也能夠在信息、資源超載情境下作用。

通過實驗模擬和現場調查分析，我們認為深度態勢感知系統中存在著“跳蛙”現象（自動反應），即從信息輸入階段直接進入輸出控制階段（跳過了信息處理整合階段），這主要是由于任務主題的明確、組織/個體注意力的集中和長期針對性訓練的條件習慣反射引起的，如同某個人邊嚼口香糖邊聊天邊打傘邊走路一樣可以無意識地協調各種自然活動的秩序，該系統進行的是近乎完美的自動控制，而不是有意識的規則條件反應。這與《意識探秘》一書中說的當學會一件事物時，有意識的參與反而會影響效率的說法不謀而合。與普通態勢感知系統相比，它們信息的采樣會更離散一些，尤其是在感知各種刺激后的信息過濾中（信息“過濾器”的基本功能是讓指定的信號能比較順利地通過，而對其他的信號起衰減作用，利用它可以突出有用的信號，抑制/衰減干擾、噪聲信號，達到提高信噪比或選擇的目的），表現了較強的“去偽存真、去粗取精”的能力。對于每個刺激客體而言，既包括有用的信息特征，又包括冗余的其它特征，而深度態勢感知系統具備了準確把握刺激客體的關鍵信息特征的能力（可以理解為“由小見大、窺斑知豹”的能力），所以能夠形成階躍式人工智能的快速搜索比對提煉和運籌學的優化修剪規劃預測的認知能力，可以做到執行主題任務自動迅速。對于普通態勢感知系統來說，由于沒有形成深度態勢感知系統所具備的認知反應能力，所以覺察到的刺激客體中不但包括有用的信息特征，又包括冗余的其它特征，所以信息采樣量大，信息融合慢，預測規劃遲緩，執行力弱。

在有時間、任務壓力的情境下，“經驗豐富”的深度態勢感知系統常常是基于離散的經驗性思維圖式/腳本認知決策活動（而不是基于評估），這些圖式/腳本認知活動是形成自動性模式（即不需要每一步都進行分析）的基礎。事實上，它們是基于以前的經驗積累進行反應和行動，而不是通過常規統計概率的方法進行決策選擇（基本認知決策中的情境評估是基于圖式和腳本的。圖式是一類概念或事件的描述，是形成長期記憶組織的基礎。“Top-Down”信息控制處理過程中，被感知事件的信息可按照最匹配的存在思維圖式進行映射，而在“Bottom-Up”信息自動處理過程中，根據被感知事件激起的思維圖式調整不一致的匹配，或通過積極的搜索匹配最新變化的思維圖式結構）。

另一方面，深度態勢感知系統有時也要被迫對一些變化了的任務情境做有意識的分析決策（自動性模式已不能保證準確操作的精度要求），但深度態勢感知系統很少把注意轉移到非主題或背景因素上，這將會讓它的“分心”。這種現象也許與復雜的訓練規則有關，因為在規則中普通態勢感知系統被要求依程序執行，而規則程序設定了觸發其情境認知的閾值（即遇到規定的信息被激或），而實際上，動態的情境常常會使閾值發生變化；對此，深度態勢感知系統通過大量的實踐和訓練經驗，形成了一種內隱的動態觸發情境認知閾值（即遇到對自己有用的關鍵信息特征就被激活，而不是規定的）。

一個“Top-Down”處理過程提取信息依賴于（至少受其影響）對事物特性的以前認識；一個“Bottom-Up”處理過程提取信息只與當前的刺激有關。所以，任何涉及對一個事物識別的過程都是“Top-Down”處理過程，即對于該事物已知信息的組織過程。“Top-Down”處理過程已被證實對深度知覺及視錯覺有影響。“Top-Down”與“Bottom-Up”過程是可以并行處理的。

   在大多數正常情境下，態勢感知系統是按“Top-Down”處理過程達到目標；而在不正常或緊急情境下，態勢感知系統則可能會按“Bottom-Up”處理過程達到新的目標。無論如何，深度態勢感知系統應在情境中保持主動性的（前攝的，如使用前饋控制策略保持在情境變化的前面）而不是反應性的（如使用反饋控制策略跟上情境的變化），這一點是很重要的。這種主動性的（前攝的）策略可以通過對不正常或緊急情境下的反應訓練獲得。

    在真實的復雜背景下，對深度態勢感知系統及技術進行整體、全面的研究，根據人-機-環境系統過程中的信息傳遞機理，建造精確、可靠的數學模型已成為研究者所追求的目標。人類認知的經驗表明：人具有從復雜環境中搜索特定目標，并對特定目標信息選擇處理的能力。這種搜索與選擇的過程被稱為注意力集中（focusattention）。在多批量、多目標、多任務情況下，快速有效地獲取所需要的信息是人面臨的一大難題。如何將人的認知系統所具有的環境聚焦（environmentfocus）和自聚焦（self focus）機制應用于多模塊深度態勢感知技術系統的學習，根據處理任務確定注意機制的輸入，使整個深度態勢感知系統在注意機制的控制之下有效地完成信息處理任務并形成高效、準確的信息輸出，有可能為上述問題的解決提供新的途徑。如何建立適度規模的多模塊深度態勢感知技術系統是首先解決的問題，另外，如何控制系統各功能模塊間的整和與協調也是需要解決的一個重要問題。

通過研究，我們是這樣看待深度態勢感知認知技術問題的：首先深度態勢感知過程不是被動地對環境的響應，而是一種主動行為，深度態勢感知系統在環境信息的刺激下，通過采集、過濾，改變態勢分析策略，從動態的信息流中抽取不變性，在人機環境交互作用下產生近乎知覺的操作或控制；其次，深度態勢感知技術中的計算是動態的、非線形的（同認知技術計算相似），通常不需要一次將所有的問題都計算清楚，而是對所需要的信息加以計算；再者，深度態勢感知技術中的計算應該是自適應的，指揮控制系統的特性應該隨著與外界的交互而變化。因此，深度態勢感知技術中的計算應該是外界環境、裝備和人的認知感知器共同作用的結果，三者缺一不可。

研究基于人類行為特征的深度態勢感知系統技術，即研究在不確定性動態環境中組織的感知及反應能力，對于社會系統中重大事變（戰爭、自然災害、金融危機等）的應急指揮和組織系統、復雜工業系統中的故障快速處理、系統重構與修復、復雜壞境中仿人機器人的設計與管理等問題的解決都有著重要的參考價值。

3.2意義的建構

 在深度態勢感知系統中，我們主要目的不是構建態勢，而是建構起態勢的意義框架，進而在眾多不確定的情境下實現深層次的預測和規劃。

 一般而言，感對應的常是碎片化的屬性，知則是同時進行的關聯（關系）建立，人的感、知過程常常是同時進行的（機的不然），而且人可以同時進行物理、心理、生理等屬性、關系的感與知，還可以混合交叉感覺、知覺，日久就會生成某種直覺或情感，從無關到弱關、從弱關到相關、從相關到強關，甚至形成“跳蛙現象”，類比在這個過程中起著非常重要的作用，是把隱性默會知識轉化成顯性規則/概率的橋梁。根據現象學，意識最關鍵的是知覺，就是能覺知到周邊物體和自身構成的世界。而對物體的知覺是自身和物體的互動經驗整合而得到的自身對物體的可以做的行動。比如對附近桌子上的一個蘋果的知覺是可以吃，走過去可以拿在手里，可以拋起來等。一般認為知覺是信號輸入，但事實上，計算機接受視頻信號輸入但是沒有視覺，因為計算機沒有行動能力。知覺需要和自身行動結合起來，這賦予輸入信號語義，輸入信號不一定導致一定的行動，必須要結合動作才有知覺。知覺的產生先經過輸入信號、自身運動和環境物體協調整合，整合形成經驗記憶，再遇到相關的信號是就會產生對物體的知覺（對物體可作的行動）。當然只有知覺可能還不夠，智能系統還需要有推理、思考、規劃的能力。但這些能力可以在知覺平臺基礎上構建。

人與機器在語言及信息的處理差異方面，主要體現在能否把表面上無關之事物相關在一起的能力。盡管大數據時代可能會有所變化，但對機器而言，抽象表征的提煉亦即基于規則條件及概率統計的決策方式與基于情感感動及頓悟冥想的判斷（人類特有的）機理之間的鴻溝依然存在。

愛因斯坦曾這樣描述邏輯與想像的差異：“Logic will get you from A to B，Imaginationwill take you everywhere”，其實，人最大的特點就是能根據特定情境把邏輯與想像、具象與抽象進行有目的的彌聚融合。這種靈活彈性的彌散聚合機制往往與任務情境緊密相關。正如涉及詞語概念時，有些哲學家堅持認為，單詞的含義是世界上所存在的物理對象所固有的，而維特根斯坦則認為，單詞的含義是由人們使用單詞時的語境所決定的一樣。究其因，大概源于類似二極管機理中的競爭冒險現象吧。這種現象在人的意識里也有，如欲言又止，左右為難，瞻前顧后。思想斗爭的根源與不確定性有關，與人、物、情境的不確定有關，有限的理性也許與之有某種聯系吧，關鍵是如何平衡，找到滿意解（碗中撈針），而不是找最優解（海中撈針）。相比之下，最近戰勝圍棋世界冠軍李世石的機器程序阿爾法狗參數調的就很好，這種參數的平衡恰恰就是競爭冒險機制的臨界線，就像太極圖中陰陽魚的分界線一般。競爭冒險行為中定性與定量調整參數之間一直有個矛盾，定性是方向性問題，而定量是精確性問題，如何又紅又專，往往有點to be or not to be的味道。

對人類而言最最神秘的意識是如何產生的，這個問題一直受到學者們的關注。其中有兩個主要問題，一是意識產生的基本結構，二是交互積累的經驗。前者可以是生理的也可以是抽象的，是人類和機器的差異，后者對人或機器都是必須的。意識是人機環境系統交互的產物，目前的機器理論上沒有人機環境系統的（主動）交互，所以沒有你我他這些參照坐標系。有人說“當前的人工智能里面沒有智能，時下的知識系統里面沒有知識，一切都是人類跟自己玩，努力玩得似乎符合邏輯、自然、方便而且容易記憶和維護”,此話固然有些偏頗，但也反映出了一定的道理，即意識是人機環境系統交互的產物，目前的機器理論上沒有人機環境系統的（主動）交互，所以沒有你我他這些參照坐標系，從而很難反映出各種隱含著穩定和連續意義的某種秩序。筆者曾經和一位有名的攝影家交流，他曾不無深意地給攝影人說過十句話：1.照片拍得不夠好，是因為你離生活還不夠近。2.用眼睛捕捉的鏡頭只能稱照片，用心靈捕捉的鏡頭才能叫藝術。3.我所表達的都是真實的自我，是真正出于我的內心。4.有時候最簡單的照片是最困難的。5.只有好照片，沒有好照片的準則。6.攝影師必須是照片的一部分。7.我覺得影子比物體本身更吸引我。8.名著、音樂、繪畫都給我很多靈感和啟發。9.我不喜歡把攝影當作鏡子只反映事實，所以在表達上留有想象空間。10.我一生都在等待光與景物的交織，然后讓魔法在相機中產生。這十句話似乎對深度態勢感知中的意義建構也同樣有意義。

有時可把數據理解或定義為人對刺激的表示或應對，即使是看見一個字，聽到一個聲等等。沒有各種刺激，智能可能無法發育、生長（不是組裝），愛因斯坦原話說過: “單詞和語言在我的思考工程中似乎不起任何作用。我思索時的物理實體是符號和圖像，它們按照我的意愿可以隨時地重生和組合。”語言是符號的線性化，語言也限制思維，這些許像人機智能的差異：一種記憶型（類機），一種模糊型（類人），人的優點在于可以更大范圍、更大尺度（甚至超越語言）的無關相關化，機的局限性恰在于此: 有限的相關。如描述一個能在三維空間跟蹤定位物體的系統，通過將位置和方向納入一個目標的屬性，系統能夠推斷出這些三維物體的關系。盡管大數據冗余也可能造成精度干擾或認知過載（信息冗余是大數據時代的自保策略）,但在許多應用場合，小數據也應該有很大助益，因為畢竟小數據更加依賴分析的精度（其短板是沒有大數據的信息冗余作為補償）。 

3.3、人的智慧與人工智能的比較

    到目前為止，機器的存儲依然是形式化實現的，而人智慧的往往是形象化實現的，人工智能的計算是形式化進行的實在，而人的算計往往是客觀邏輯加上主觀直覺融合而成的結果。計算出的預測不影響結果，算計出的期望卻時常改變未來，從某種意義上說，深度態勢不是計算感知出的，而是認知成的，自主有利有弊，有悖有義，是由內而外的嘗試修正，是經歷的驗證～經驗的類比遷移。如果說計算是腦機，那么算計就是心機，心有多大世界就有多大。

    有人認為：人工智能就是人類在了解自己、認識自己。實際上，人工智能只是人類試圖了解自己而已，因為“我是誰”這個坐標原點遠遠還沒有確定下來……“我是誰”的問題就是自主的初始問題，也是人所有智能坐標體系框架的坐標原點，記憶是這個坐標系中具有方向性的意識矢量（意向性），與馮諾伊曼計算機體系的存儲不同，這里面的程序規則及數據信息不是靜止不變的，而是在人機環境系統交互中隨機應變的（所以單獨的類腦意義是不大的），這種變化的靈活程度常常反映出自主性的大小。例如語言交流是自主的典范，是根據交互情景（不是場景）展開的，無論怎樣測試，都是腳本與非腳本的反應，其準確性的大小可以判定人機孰非…… 有人把語言分為三指，即指名、指心、指物三者, 并指出研究這三者及其之間的關聯一直是人工智能面臨的難題和挑戰。無獨有偶，19世紀，英國學者就提出過能指、所指的概念，細細想來，這些恐怕都不外乎涉及事物的屬性（能指、感覺）及其之間的關系（所指、知覺）問題吧！實際上，一個詞、一句話、一段文都離不開自主的情境限定，我們知道的要（所指）遠比我們能說出來的（能指）要多得多吧？! 若不信? 想想你見過的那些眼睛會說話的人吧！溯根追源，究其因，一般是緣于此中的情理轉化機制: 感性是理性的蟲洞，穿越著理性的束縛與約束；理性是感性的黑洞，限制著感性的任性與恣意。正可謂，自主的意識駕馭著情理，同時有被情理奴役著……

智能的本質在于自主與“相似”的判斷，在于恰如其分的把握“相似度基準”分寸。人比機器的優勢之一就是：可以從較少的數據中更早的發現事物的模式。其原因之一就是源于，機器沒有坐標原點，即“我”是誰的問題。對人而言，事物是非存在的有---其存在并不是客觀的，而是我們帶著主觀目的觀察的結果，并且這種主客觀的混合物常常是情境的上下文的產物，如圍繞是、應、要、能、變、等過程的建構與解構往往是同時進行的。另外，即使是同一種感覺，如視覺也具備具體指向與抽象意蘊，握手的同時除了生理接觸還可以伴隨心理暗示。人腦在進行自主活動時可以產生“從歐幾里得空間到拓撲空間的映射“，也就是說在做選擇和控制時，人可以根據具體目的的不同，其依據進行的相似度基準（不是歐式空間上的接近性，而是情理上的聯系網絡）是在變化的，并依此決定進行情境分類實施。

與機相比，人的語言或信息組塊能力強，有限記憶和理性；機器對于語言或信息組塊能力弱，無限記憶和理性，其語言（程序）運行和自我監督機制的同時實現應是保障機器可靠性的基本原則。人可以在使用母語時以不考慮語法的方式進行交流，并且在很多情境下可以感知語言、圖畫、音樂的多義性，如人的聽覺、視覺、觸覺等具有辨別性的同時還具有情感性，常常能夠知覺到只可意會不可言傳的信息或概念（如對哲學這種很難通過學習得到學問的思考）。機器盡管可以下棋、回答問題，但對跨領域情境的隨機應變能力很弱，對彼此矛盾或含糊不清的信息不能反應（缺少必要的競爭冒險選擇機制），主次不分，綜合辨析識別能力不足，不會使用歸納推理演繹等方法形成概念、提出新概念，更奢談產生形而上學的理論形式。

     除此之外，人的學習與機器學習不同之處在于: 人的學習是碎片化+完整性混合進行的，所以自適應性比較強，一直在進行不足信息情境下的穩定預測和不穩定控制，失預、失控場景時有發生，所以如何二次、三次……多次及時的快慢多級反饋調整修正就顯得越發必要，在這方面，人在非結構非標準情境下的處理機制要優于機器，而在結構化標準化場景下，機器相對而言要好于人些。并且這種自適應性是累積的，慢慢會形成一種個性化的合理性期望，至此，自主（期望+預測+控制）機制開始產生了，且成長起來……“智能的真實標志不是知識，而是想象。”愛因斯坦說：“想象力比知識更重要,因為知識是有限的,而想象力概括著世界的一切,推動著進步,并且是知識進化的源泉。”虛構是智能的實質表征，從似曾相識、似是而非、似非而是等可強意會弱言傳的現實存在可見一斑。

    主流機器學習的辦法是：首先用一個“學習算法”從樣本中生成一個“模型”，然后以此模型為算法解決實際問題。而實際問題常常不嚴格區分學習過程和解題過程，而把整個系統運行分解成大量“基本步驟”，每一步由一個簡單算法實現一個推理規則。這些步驟的銜接是實時確定的，一般沒有嚴格可重復性（因為內外環境都不可重復）。因此一個通用的智能系統應該沒有固定的學習算法，也應該沒有不變的解題算法，而且“學習”和“推理”應是同一個過程。

    另外，人的學習是因果關系、相關關系甚至于風俗習慣的融合，這些有的可以程序化，很多目前還很難描述清楚（如一些主觀感受、默會的知識等），而機器學習顯性的知識內涵要遠遠大于隱性的概念外延。實際上，對人的認知過程而言，規則與概率之間的關系是彌聚性的，規則就是大概率的存在，概率本質則是沒有形成規則的狀態。習慣是規則的無意識行為，學習則是概率的累積過程，包含熟悉類比和生疏修正部分，一般而言，前者是無意識的，后者是有意識的，是一個復合過程。還有，人處理信息的過程是變速的，有時是自動化的下意識習慣釋放，有時是半自動化的有意識與無意識平衡，有時則是純人工的慢條斯理，但是這個過程不是單純的信息表達傳輸，還包括如何在知識向量空間中建構組織起相應的語法狀態，以及重構出各種語義、語用體系。

而且自由調節的環境系統觸發了自主體系的反向運動，由此形成了人機與環境之間的多向運動或多重運動，進而導致了矛盾和沖突。這種不一致甚至相反問題的解決常常不是單純數學知識力所能及的，一個問題有邊界、有條件、有約束的求解時是數學探討，同一個問題無邊界、無條件、無約束求解時往往變成了哲學研究。例如虛構如何修正真實，真實怎樣反饋與虛構？這將是一個很有味道的問題！

4、結束語

總之，深度態勢感知本質上就是變與不變、一與多、自主與被動等諸多悖論產生并解決的過程。所以該系統不應是簡單的人機交互而應是貫穿整個人機環境系統的自主（包含期望、選擇、控制，甚至涉及情感領域）認知過程。鑒于研究深度態勢感知系統涉及面較廣，極易產生非線性、隨機性、不確定性等系統特征，使之系統建模研究時常面臨著較大困難。在之前的研究中，多種有價值的理論模型被提出并用于描述態勢感知系統行為，但這些模型在對實際工程應用系統的實質及影響因素方面考慮還不夠全面，也缺乏對模型可用性的實驗驗證，所以本文重點就是針對深度態勢感知概念的實質及影響因素這兩個關鍵問題進行了較深入探討，追根溯源，以期早日實現高效安全可靠之深度態勢感知系統，并應用于相應的人機智慧產品或系統中。

參考文獻      

[1] Turing A M. Computing machinery and intelligence[J]. Mind,1950, 59(236): 433-460.

[2] 司馬賀著,武夷山譯.人工科學.上海:上海科技教育出版社,2004: 1-201.

[3] Lighthill I. Artificial intelligence: A generalsurvey[R]//Artificial Intelligence: A Paper Symposium. London: Science ResearchCouncil, 1973.

[4] 劉偉,袁修干.人機交互設計與評價.北京:科學出版社,2008: 1--68.

[5] Mica R. Endsley、Daniel J. Glrland. Situation AwarenessAnalysis and Measurement. Lawrence Erlbaum Associates, Inc, 2000

[6] R.M.Harnish. Minds, Brains, Computer: An HistoricalIntroduction to the Foundations of Cognitive Science[M].Oxford: Blackwell Publishing Ltd.2008:1-290

[7]José LuisBermúdez，Cognitive Science，Cambridge ：Cambridge University Press，2010:1-36

[8] Anderson C. The long tail: Why the future of business isselling less of more[J]. Journal of Product Innovation Management, 2006, 24(3):274-276.

[9] Hawkins J, Blakeslee S. On intelligence[M]. Times Books,2004.

[10] Kurzweil R. The singularity is near: When humans transcendbiology[J]. Cryonics, 2006, 85(1): 160-160.

[11]劍橋雜感---認知的道理：https://blog.sciencenet.cn/blog-40841-684216.html

[12] 劍橋雜感---關于語言自然性的幾點分析：https://blog.sciencenet.cn/blog-40841-683544.html

本文摘自《山東科技大學學報（社科版）》2017.11