|
【编者按：意义是一条消息固有的，还是在消息与心灵的相互作用中产生的呢？有人认为意义是客观的时空投射到主观的时空中可以形成事实-价值的混合时空。这也许就意味着宇宙中的时间-空间也有着主客观之分，也有分数维度的存在……您，在客观时空里与主观时空里感觉会一样吗？】  若在真实世界里吃不出牛肉拉面里白萝卜片的味道，在虚拟世界里极大概率也会如此，因为元里还有元，宇里还有宇，宙里还有宙，元宇宙里还有元宇宙，因果里还有因果，多因多果常常是嵌套、叠加、混杂、纠缠的，多元们有何尝不是？ 元宇宙就是人机环境系统的小名，其早就存在过了，现在也就不新了，不信，在电影、留声机发明之前，人类就开始在岩壁上画画了。另外，近期考古发现：三星堆遗址里出现了*宇宙…… 道，可视为一种非存在的有，既包含态和势，也包含着感和知，同时在事实与价值、计算与算计之间搭建起了一座人物（机）环境系统构成的桥梁。 马克·安德森(Marc Andreessen)将数字时代的人分成两类：“吩咐计算机做事的人，与听从计算机的吩咐做事的人。”。数据与知识的形成、使用、协同都是主客观混合的过程，人机混合的核心问题也就是主客观如何有效混合的问题，所以单纯使用客观手段很难实现对其根本性的理解、发现。不同的数据结合不同的知识可以产生相同的等价结果，可计算性完成了正向过程，而可解释性需要完成其逆向过程，由于逆向过程的相对无限性（尤其对于当前数学的一义性和不完备性而言），所以事物的发展常常会不可解释的，这也是机器学习和知识图谱不可解释的根本所在。因此，对于人机之间的互学习，目前仍是一个不能实现的问题，究其因，机器学习不能实现人类学习中所能够产生的一系列的隐性知识、规则与秩序。 千年暗室，一灯即明。元宇宙也许仍是人机环境系统的矛盾体，由此而衍生出的人机环境系统智能其本质将不再是数据、算法、算力，而是在此基础上如何创造修正、弥聚使用和矛盾协调它们。计算-算计、情境意识、态势感知就像一颗大树，上面是显性的枝叶茂盛，下面是隐性的盘根错节。在显性的计算里，理性的逻辑一般要求自洽一致，不能变化，而在隐性的算计中，感性的力量却可以揉面式把理性逻辑变得柔软起来，甚至可以无厘头地自相矛盾，但仍虚实弥聚有度，盾矛相济有序。人机交互不仅是脖子以上以下的问题，还有脖子以外的问题，虚拟可以的现实不一定可以，仿和真不是简单的一一映射关系，智和能相差的也不是一星半点……这些涉及的远非计算和（现有的）数学所能驾驭的，需要更新的工具出现（其实，数学不时也很尴尬）。 心理学家格尔德吉仁泽，曾经写道：各种预测可能会因为信息太多而失败，如果你了解的事实与过去的表现紧密相关，但与未来却没什么关联，你也会误入歧途，因此，你所得出的结论会倾向于将一般的事实过于紧密的与过去具体的场景联系在一起。吉仁泽说：“在一个不确定的世界里，复杂性的策略之所以会失利，就在于它阐释了过多的事后的领悟，其实只有部分信息对于未来是有价值的，而直觉的艺术就在于要专注于这部分信息并遗忘掉其他信息。” 如果说人机道的未来在于发现新的逻辑体系，那么这个新的逻辑就是要打破原有单纯以事实为基础的理性逻辑体系，适时适处加入以价值为基础的感性逻辑，形成感性逻辑与理性逻辑共同起作用的人机环境系统——元宇宙。 数学归纳法原理的核心是什么？就是前继可以确定后继，那一切就在定数中。就象推背图中的两人能相邻推动，于是就能预测未来一样。相邻关系一旦被确定，整体便被确定。相邻是一种加性连接，线性连接，时性连接，是一切关系中的起点，因此考察离散量中的相邻关系，就成了数学思维中的首要问题。 然而，如果是不同性质的事物，数学上的相邻关系则不一定成立，不少时候是不成立的，如事实性事物与价值性事物相邻，或者矛与盾相邻等。 Grossberg 是波士顿大学认知和神经系统、数学和统计学、心理和脑科学以及生物医学工程方面的知名教授，他基于他关于大脑如何处理信息的理论来构建自适应共振理论ART模型。他说：“我们的大脑学会在一个充满意外事件且不断变化的世界中，识别物体和预测事件。”。基于这种动态，ART 使用有监督和无监督学习方法来解决模式识别和预测等问题。使用该理论的算法已被包含在大规模应用中，例如对声纳和雷达信号进行分类、检测睡眠呼吸暂停、推荐电影以及基于计算机视觉的驾驶辅助软件。而对于这些外界的意外和变化，我们常常用自然语言或形式化语言（如数学）去处理。 维特根斯坦就非常重视自然语言的作用，他的名言是：“能说的都说得清楚，说不清楚的得沉默。”，即能说的并能清楚述说的，才可研究；只要把它清清楚楚地述说出来，就知道了它是什么。因为他认为世界由事实组成（而不是由事物组成）的，而事实是对现实世界存在物的真描述，是其值为真的语句。可是，即使我们把人、机、环境都进行了数字化说明，但仍不能说我们说清楚了万物，因为世界还有许多数字（甚至语言）之外的东西。 有人认为，人工智能的很多知识不是从数据获得的，而是从“内心”获得的，人工智能如果没有内心模型和价值体系，就很难拥有像人这样能够泛化学习的能力。要实现通用智能，5%要靠客观的观察，95%要靠主观的内心需求与想象，研究通用人工智能的关键在于为主观的“心”建模。这个观点对于人机混合智能很具有挑战性。 智能常常是分层级的，既能群愚生智，也能群智生愚，还能智愚混合，比如空城计聪明人的故意愚蠢，长坂坡愚蠢人的人为聪明等等，这就令智力的学习、智能的使用和智慧的协同变得更加扑朔迷离、疑惑丛生，单纯的事实性算法依然停留在纸上谈兵阶段，譬如在面对态、势、感、知与确定+不确定性的混合状况下，机器如何像人一样能够进行动态高效的路径、任务、价值混杂规划，如何像人一样恰当地否定自己等机制都还未有解决。 机器智能的基础--（从根本上讲）数学也是一种人造物，与机器类似，对于多因多果纠缠叠加的主客观世界中实际的联系、可能的联系、观念的联系、应该的联系还不能有效应对。人类智能的初期是刺激-反映，后来是刺激-选择-反映，再后来是反映-选择-刺激，然后是混合，或许，矛与盾不是绝对的，可以相互转化，也可以相辅相成：盾中有矛，矛中有盾，人智更善于捕捉并转化矛盾，这种二义性/多义性的交互意味着相互关系的影响和变化，机是很难产生出慧的。或许，这也可以以偏概全地解释为什么战略级军事家很少是数学家，比如毛主席是哲学家、诗人，丘吉尔是文学家，有的还是画家。 有人说，人对某一事件未来会发生的认知，大多取决于该事件或类似事件过去发生的频率。这就是贝叶斯定理的数学模型，它最早由数学家托马斯·贝叶斯提出。贝叶斯定理的过程可以归纳为：“过去经验”加上“新的证据”得到“修正后的判断”。它提供了一种将新观察到的证据和已有的经验结合起来进行推断的客观方法。但是这仅是一种方法，对未来、未知的推断和预测，还有许多方法去发现、去发明，因为未知的未来不是确定性的，我们的大脑必须学会在一个充满意外事件且不断变化的主客观混杂世界中，去动态地识别物体、预测事件、期望可能。 态是时空的，势不仅是时空的，还是价值和责任的，人+机＞人吗？怎样才能＞人呢？     知道自己能干什么叫聪明，知道不能干什么叫智慧 |
|
|
