一
智能是什么？人具有智能的一部分，而不是全部。
智能是东西方文明一直共同关注的对象，孟子曰:“是非之心，智也”（《告子上》）；米塞斯说:区别A与非A即是知识，是非在西方可以用“to be or not to be”来替代，两者之间的活动——应该（should）即是智能。西方人偏哲学科学是为了反对迷信（神太多），中国人好历史伦理是以人为本（人不少），其实智能里这些成分都有。智能里包含了逻辑，同时也存在着大量的非逻辑成分，如直觉、非公理、模糊等因素。智能里不仅存在着逻辑/伦理悖论的对抗，而且还隐藏着逻辑/伦理悖论的妥协，本质上是用多元（一切）的可能性通过一元的现实性不失其意的表征，简言之，就是把万千的可能性用唯一的现实性表达出来，以简示繁，弥聚有度。
智能是相关无关化的应该存在，即把表面上无关（本质上存在着千丝万缕关系）的事物应该相关在一起去发现、分析、解决问题的能力。评价智能好坏的指标是处理问题的复杂程度。首要的关系不是智能和事物的关系，而是：智能就是事物的关系，智能把每一物拥入存在并保持在存在里，就此而言，智能本身即是关联，不考虑因果的关联。狭义的智能有时空性（如人工智能），要求在资源有限的情况下适应性地处理信息；广义的智能则没有时空性（如智慧），用无限的材质方法去达到目的——这种有无时空的跨界也是智能很难被定义的原因之一。
智能是关系主观的建构，智能同时也是对客观存在的反映，是一种主客观融合的产物。所谓对客观存在的描述实际上就是把人物（机）环境系统之间的交互关系梳理清楚、分析干净。仅以当前的数学模型确实很难，有不完备的成分在。从这个意义上说，大家对智能的突破期待，实际上是对崭新描述方法和手段的渴望。尽管主客观二元划分的方法虽然为人类提供了不少解释世界的便利，但同时也为改造世界设置了一定的障碍，如何打破之（比如除了主客体之外设立第三体角度），可能是未来的一个突破方向吧！
当前的智能本身就不是单独的科学或数学或哲学或人文能解决的一个学问。比如说数学，现在的数学可以比较好比较精确描述物理对象，但是比较难描述复杂过程，尤其是心理、社会、认知方面的过程，所以有人用这样一句话来形容数学的局限：“数学可以很好地解决问题的精确性，但不容易解决问题的方向性”。未来的智能本身也不是以后的某个学科单独能解决的一个学问。它本质是复杂性问题，需要多领域的不断地交叉融合。当然，通过一些学科的努力会取得一些进步，但这些进步也许会造成一些隐形的退步或阻碍，简而言之——进步的退步。
二
“强人工智能”一词最初是约翰·罗杰斯·希尔勒（John Rogers Searle）针对计算机和其它信息处理机器创造的，其定义为：
“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。”（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980。但事实上，Searle本人根本不相信计算机能够像人一样思考，在这个论文中他不断想证明这一点。他在这里所提出的定义只是他认为的“强人工智能群体”是这么想的，并不是研究强人工智能的人们真正的想法。因此反驳他的人也不少。）
拥有“强人工智能”的机器不仅是一种工具，而且本身拥有思维。“强人工智能”有真正推理和解决问题的能力，这样的机器将被认为是有知觉，有自我意识。
强人工智能可以有两类：
类人的人工智能，即机器的思考和推理就像人的思维一样。
非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。
三
约翰·罗杰斯·希尔勒（John Rogers Searle，1932年7月31日出生于美国丹佛），哲学教授。
他主要研究语言的“目的性”。他不同意“强人工智能”的提法，认为感知出现于一个生物整个物理特性，人的意识是有目的性的，而电脑没有目的性，因此电脑没有意识。
他发现了一个目的现象的特性并称之为“适合方向”。比如某人看到一朵花，他的意识状态就适合了外部世界的状态。这个过程的适合方向是从意识向世界。但假如他伸手去采这朵花的话，那么他就要使的外部世界的状态适合他的意识状态。因此这时的适合方向是从世界向意识。他还提出了一个称为“背景”的技术概念。这个概念引起了一些哲学探讨。简而言之“背景”是一个目的性的行动的周围环境，其中包括行动者对世界的认识以及别人对他的目的的了解和认识。
他从理论上证明了一个社会环境中的集体目的性。提出五个论点：
1、集体目的性的活动是存在的，它与不是个人目的性活动的总和不是一回事。
2、集体目的不能被简化为个人目的。
3、上述两个论点有两个限制：
A、一个社会只是由其个人组成的，一个社会没有独立的团体意识或团体知觉；
B、个人或团体的目的性与个人信仰的真实性无关。
为了满足这些论点，他发明了一种描写集体目的性的方式来将集体目的性与个人目的性联系起来，而同时又将两者区分开来。其结果是个人目的性可以构成集体目的性。要构成一个集体目的性，一个人必须知道别人可以参加他的目的性，因此：
4、集体目的性的前提是对他人作为社会成员的一个背景了解：他人能够参加集体运动。
将这些论点集中在一起我们获得：
5、目的性理论加上上述的背景可以解释集体目的性。
他将他对目的性的分析运用到社会构造上。他的兴趣在于我们这个世界的一定方面是怎样成为利用这些方面人共同的目的性的。比如一张五元钱的纸币只是凭集体目的性才成为一张五元钱的纸币的[缺乏这个集体目的性，比如在另一个国家（地区）中，这张纸币仅是一张印有花纹的纸而已]。只有因为社会中所有的人都认为它值五元钱，它才能够完成它的贸易作用。这与政府是否支持它的价值无关（假如大家都不信任它的价值，那么即使政府强制，它依然不会获得它的价值，这是为什么会出现黑市价的原因）。这样的社会构造充斥着我们的生活。我们使用的语言、我们对我们私有财产的拥有以及我们与其他人之间的关系都根本地建立在这样的目的性上。
他对社会构造的研究成果与其他不认同有这样的与意识无关的事实的论点非常不同。他认为我们所称的真理是一种社会构造。
四
人机融合智能不是简单的人+机器，而是人*机器，简单地说就是充分利用人和机器的长处形成一种新的智能形式，是各种“有限理性”与“有限感性”相互叠加和往返激荡的结果。
人机融合智能就是由人、机、环境系统相互作用而产生的新型智能系统。之所以说它与人的智慧、人工智能不同，具体表现在三个方面: 首先是在智能输入端，它是把设备传感器客观采集的数据与人主观感知到的信息结合起来，形成一种新的输入方式；其次是在智能的数据／信息中间处理过程，机器数据计算与人的信息认知融合起来，构建起一种独特的理解途径；最后是在智能输出端，它把机器运算结果与人的价值决策相互匹配，形成概率化与规则化有机协调的优化判断。人机融合智能也是一种广义上的“群体”智能形式，这里的人不仅包括个人还包括众人，机不但包括机器装备还涉及机制机理，除此之外，还关联自然和社会环境、真实和虚拟环境等。着重解决上述人机融合过程中产生的智能问题。比如诸多形式的数据/信息表征、各种逻辑/非逻辑推理和混合性的自主优化决策等方面。
人机融合智能研究是智能技术发展到一定程度的产物，它既包括人工智能的技术研究，也包括机器与人、机器与环境及人、机、环境之间关系的探索。
人机融合需要界定角色和责任，以及制定人机协作的规则，这种功能分配的根源在于如何想办法把人类的需求、功能及策略转换成机器感知、能力和执行。即如何把人的感知/理解/预测/反馈与机器的输入/处理/输出/迭代有机地融合在一起。
五
在人类的历史长河中，古埃及的象形文字、古巴比伦的楔形文字、古印度河流域的印章文字和中国的甲骨文共同形成了世界四大古文字体系。唯有中国的甲骨文穿越时空，至今仍在使用并且充满活力。其根本原因在于西汉时期出现了隶书—这一表意性文字，自此，中文文字完成了由表形（图画）到表意的惊险一跳，成为世界上唯一一个连绵不断的文明！智能科学的核心和关键依旧是何时能够完成“得意忘形”这一惊险的一跳，目前科技进展的种种迹象表明：人的意向性+机的形式化是实现智能的最高形式——“得意忘形”可能性最大的方式。
人工智能领域的先驱、贝叶斯网络之父Judea Pearl 认为AI深陷于概率关联的泥潭，而忽视了因果。Pearl 认为研究者应该研究因果（Cause and Effect），这可能是实现真正智能的机器的可能路径。
目前人机融合智能系统的本质就是：“物是人非”。机器这个人造物可以处理一定程度的相关、关联关系，而人类自己则可以拟合出风俗、习惯关系甚至更厉害的因果关系。
Pearl在其新书《The book of why》中阐述机器不能只有把发烧和疟疾联系起来的能力，还要有推理「疟疾引起发烧」的能力。一旦这种因果框架到位，机器就有可能提出反事实的问题——询问在某种干预下因果关系将如何变化，允许机器进行概率思维，而人则是有目的的概率思维。
人机融合需要界定角色和责任，以及制定人机协作的规则，这种功能分配的根源在于如何想办法把人类的需求、功能及策略转换成机器感知、能力和执行。即如何把人的感知/理解/预测/反馈与机器的输入/处理/输出/迭代有机地融合在一起。
智能化与自动化的主要区别是在不确定性很大情况下基于各种信息（来自各种问题领域的信息）做出决策的能力，自我学习的能力，对“意外情况”和不断变化的情况的自适应能力。自我学习和自适应能力是系统独立（没有外部干预）完善其内置软件的能力，亦即在出现算法不能做出反。据此，我们可初步提出下面这个分布式式深度态势感知的自适应控制系统理论框架:
人机融合智能=生物智能+非生物智能
=刺激/选择/反应+刺激/反应
其中的如何刺激、如何选择、如何反应将是构建的难点和热点。
这种分布式式深度态势感知的自适应控制系统ACT-DDSA(Adaptive Control of Thought—DDSA)主要包括数据库+（新旧）知识图谱+任务要求（各种环境条件）+态势图谱+人的能力（负荷状态等）+机的能力（机器状态等）等构成。
这个认知框架与以前的认知框架一个主要区别是：具有同化与顺应迁移机制。关于迁移，安德森等人提出了“共同要素理论”。这一理论实质上是桑代克的相同要素理论在信息加工心理学中的新版本，它的特点是以产生式规则取代了相同要素。理解知识如何在领域间迁移关键取决于认知任务分析(检查一个领域中已获得的知识结构，并评估对另一领域的应用性)。按照“共同要素理论”，两种技能之间发生迁移的条件是：它们之间必须共用相同的程序性知识，并且，两种技能之间的迁移量，可以通过计算它们共用的程序性知识的数量来作出估计：(1)如果两种技能共用较多的程序性知识,它们之间将产生显著的迁移；(2)如果两种技能共用较少的程序知识，即使它们共用相同的陈述性知识，它们之间也将产生很少的迁移或者没有迁移。这种迁移可能类似于随机函数（randomized function）定义的映射（mapping），其实具体如何定义，还是次要的，把学习仅看成某种单层的映射，才是限制他们的根。如何产生合理的多层映射（包括虚实映射）是关键。
学习如何学习的机制至少包括下面三个环节：可变的表征+非单调的推理+融合决策。实事求是地讲，人的智能不是鸟，人工智能也不是飞机，尽管很多人都爱以此做某种类比。现代人工智能技术经过推理、知识、学习三个阶段进入了一个大家都翘首以待的时期，就像一个面对礼物盒充满遐想的小孩子一般……期望是可以理解的，谁不想在吃饱点后就想吃好点呢？!但这种类人的智能缺乏人的智能特点:可变的表征+非单调的推理+融合决策（通情达理），会很难达到大众的胃口和期待。人的智能是推理的推理+知识的知识+学习的学习，还有理解的理解、意识的意识……如果说理解就是看见了联系，那得看是谁看的，什么时候看的，在哪里看的，如何看的，怎样看的联系……所以现在的人工智能之工作基本上可看做是编制程序人员+部分领域人员的特定情境下的视角，距离实际要求相差还较远。
一位朋友最近读了一年多后现代发现:国外的哲学家史学家都特善长文学，中国的哲学家史学家都在拼命和文学划清界限，有点像中国的人工智能学者们都拼命与哲学和心理学划清界限一般。其实，国外好的大学不要说人工智能专业，就是计算机专业的课程也常常开设一些人文、艺术、历史、哲学、心理等方面的课程，人家培养出来的是人，能够超越一般程序员和机械数学的引领者，咱们却在办某种意义上的蓝翔技校。套用一句经典语录: 从一开始就输在了起跑线上了! 人类认知过程常常是通情达理，通过故事来学习的，这方面以各种宗教为甚。而“AI目前是分裂的。首先，一部分人陶醉于机器学习、深度学习和神经网络的成功之中。他们不理解因果的观点，只想继续进行曲线拟合。但是和在统计学习范畴以外研究AI的人们谈论这些时，他们立刻可以理解。” Pearl讲得很深刻，趋势外推所隐含的归纳思想在休漠和波普尔那里就被证明无法成为万能的工具。
不难看出，从根本而言，AI还是Being与should问题。什么是正义?这也是人工智能的盲点和命门。正义就是公正的、正当的道理，应该should。人自个都不知道什么是义，机器咋知道呢？古人云：“玉不琢，不成器，人不学，不知义”，扪心自问一把：玉琢了，就能成器?人学了，就能知义? 日本高知工科大学的任向实认为，人工智能的下一步发展，并非决定于诸如能否提高产量或更快捷高效的完成某些任务等传统指标，而是激发人类潜能的能力，而是旨在考虑身心健康、创造力、情感、道德观、自我实现等因素。而人机融合智能可以做到这些考虑。也许真正的创新之源不在于科技，而在于人的主观世界（艺术、文学、哲学、宗教、管理）启发。圣奥古斯汀曰：汝若不信则不明。说人话是：先信仰后理解! 科学与宗教莫不如此，而大多数人都是：先理解后信仰……谈到文学的意义和价值，有人认为最重要的是它打开了人的可能性。在生活中，我们总是要去权衡各方面的选择，很多时候都被禁锢在一条固定的规整的道路上，美国诗人罗伯特·弗罗斯特在诗作《未选择的路》中就有这样的句子：“一片树林里分出两条路，而我选了人迹更少的一条，从此决定了我一生的道路。”，相比之下，科学方法实质上是使用同质性假设来解决反事实问题，这在自然科学实验和日常生活中经常用到，反事实关系是一种虚拟蕴含命题，常用产生式if~then,如爱情与婚姻:有可能时没条件，有条件时没可能。这种反事实常常会涉及时间稳定性和因果关系短暂性。第一种解决反事实问题的科学方法是同时假设：时间稳定性，即Yt的值不随时间变化而变化，和因果关系稳定性，即个体u之前是否受到干预或控制对Yt的值无影响。第二种解决反事实问题的科学方法是假设个体同质性，即假设两个个体是相同的。然而事实上，这一假设在很多情况下是不存在的，对于认知科学和社会科学而言更是如此。
关系是怎样产生的？being+should共同使然。人的“自由意志”可以产生出关系。科学的怀疑与宗教的相信都建立在一个共同的前提下：赞同看不见的有存在，艺术也是如此吧！知识即是普遍客观可靠的，又是个人主观虚构的，既要相信又要怀疑，怀疑是科学的，相信是宗教的。知识是朝向实在的，而非当下符合实在的。当未来机器自己衍生出的理性与人的合理性融合（或反之）之际，会产生出新的智能形式。认知科学家认为，我们用于理解现实世界的很多比喻都是基于我们的身体在物理世界中的体验。人机融合的本质是分布式，有智能的也有非智能的（如情和意）。人关注的常常是语义语用，而不是单词和语法，人的学习不仅是建构，更重要的是还有发现，不但包括刺激、数据、信息、知识，还包括体验、经验和常识。读万卷书常常包括数据信息和知识，行万里路往往涉及刺激体验经验和常识。再多的知识也游不了泳，再多的理论也骑不了自行车。人的态势感知是一种主观的真实，像电影院里一样：虚拟的心理+生理的现实。
亚当斯密在《国富论》中指出，“分工是文明的起点”。智能领域快速发展背景下人机融合智能发展战略的基本问题，也是在感知认知分工体系中找到和发挥比较优势。比较优势从来都是一个动态现象，发展初期的不利条件随着发展阶段的变化会逐步变成新的比较优势，这是快速发展领域中比较普遍的局部发展现象。如果相对落后部分找到了适合发挥自己比较优势的交互模式和具备融入结构体系能力的话，这些部分就开始进入智能快速增长的轨道。深入分析就会发现，人机智能都有自己独特的发展模式，其独特之处在于激励智能发展的不同变量做出了极不相同的贡献，但在本质上又有相似之处。
人工智能增长表面的决定因素是数据、算法、硬件优势，但是最终起作用的是认知和其他学科的不断突破。人机融合智能的特征之一，在于形式化和意向性两极之间不断增长的交互关联：一极是复杂环境的诸多影响，另一极是复合适应性的因势变化，见微知著。should就是带有反事实推理性质，不是从后往前反事实，而是从前往后反虚拟的事实，与产生式的if—then（倾向于规则）不完全相同，更侧重于主观性的意向。自然语言智能处理中语义中既包含being成分，又包含should成分，而语用则在很多情境下还含有want成分，语法里以being为主，所以语法语义语用的灵活性递增的同时，客观性在减弱，而语法是程序形式化的基础，从而是现有人工智能或自动化产品／系统的基础，按语法执行固然有些意料之外，但根本上仍没有主观的should、want出现，于是人机智能的融合就越发显得重要了。
有效的准则只存在于个人的认知行为中。双重概率，指主观概率+客观概率事件被偶然性支配的观念，以及只有在巧合的基础上这些事件才能模拟的有序模式，两者之间是有潜在关联的。检验这些巧合发生的概率并因此而检验在多大程度上允许设想它们发生。 所谓秩序就是人为合理性而产生的偶然，自然选择只能解释为什么不适者没有生存下来，而不能说明适者或不适者为什么会出现。组织（organ）是能够获得一个特定结果的任何力量的暂时集合。目的就是意向性，形式化就是一种组织，知识可视化的过程就是内部的心理知识和外部的物理知识之间的转化过程，概念图、思维导图、认知地图、语义网络是常用的知识可视化方法。知识可视化一般要考虑三个关键问题：要对什么类型的知识进行可视化？为什么要对这些知识进行可视化？如何对这些知识进行可视化？
分布式认知对于技，术促进个体的心智模型的形成和显性化具有启发意义，心智模型是一种隐性知识，把个体的知识结构或知识库转化为外部表征，有助于知识共享和协同创新。认知任务的分布式表征研究。认知科学研究早已表明，并非所有的认知任务都适合和都能够分布出去。在特定的认知任务中，哪些任务适用于内部表征、哪些任务适用于外部表征，是一项具有实践意义的研究问题。由于个体差异的存在，描述认知任务的不同表征形态极为困难。然而，每一种认知任务在其多样的表征背后都有特定的逻辑结构，认知任务的抽象结构可以作为分布式表征研究的突破口。认知任务的分布式表征，对未来数字化学习资源的设计将产生重要影响。
人的有意识行为总是指向某个结果，符合期待的结果即谓“目的”。“目者人眼，的者靶心”，目的是古人把“瞄准射中靶心”这一具体事物转化而成的抽象概念。 乔纳森（Jonassen） 强调将技术作为“学习者手里的工具”，相信学习者通过技术工具的使用能够获得很好的思维技能，即皮耶（Pea）所说的“智力是实现的（accomplished）而非拥有的（possessed）”。分布式认知的前提是孤立情境下个体也能够认知，只是借助工具会提高个体的认知效率（如果没有外部辅助，个体就难以进行高效率的认知加工）和效果（如果没有外部辅助，个体就难以达到理想的认知结果）。外部环境一般主要承担辅助记忆和辅助计算的功能。例如，当个体需要搜索某种知识时，可以利用外部知识存储的载体（如互联网、百科全书等）来弥补自己头脑中知识库的不足。
六
多重不确定性（知识的+理解的）造成了态势感知SA的不确定性。经验是朝向实在的，即从should ——being，陌生是实在朝向的，即从being——should，自发是无意识无规划的，自觉是有意识有规划的。语言是人类之间和其他一些动物之间相互沟通交流的重要手段，目前人机之间交互沟通的主要还是使用人类的语言，什么时候机器也能产生自己的语言或人机之间产生一种能够相互沟通的语言，真正的革命就出现了……
人机融合智能的内涵是意向性+形式化。从事数学证明的最底要求是把数学证明的逻辑序列当做一个有目的的过程来理解，即彭加勒所言: 使这一证明具有一致性的某种东西。而机器推理证明则没有这种一致性的东西，这种东西包含着先验、经验、后验，也包含着常识性的前提和条件，更包含着多重非确定性融合出的直觉——非逻辑性的逻辑。 第一人称往往没有being，如童年般充满了should。为人父母，才是真真的童年，主动多于被动……也许人类真正的童年是从为人父母开始的~
想象力是穿透现实的能力，犹如黑暗巷道里的矿灯。初中数学的很多定义和概念都是从形如开始的，如根号下a（a>=0），学习时为什么要这样很多人不知道，只知道这是规定要求，后来慢慢知道：平方根物理意义是一个正方形的边长；其数学意义是对各次方程解能够定量描述。若把各方程看成数的关系，那么这些数的关系可以通过正方形（或多边形，或非欧曲面）的边长变化组合表征，进而说明数学与图学根本上一致性，数学既包括数也包括图，可惜现在的人工智能重数轻图，得形忘意了！其实，人工智能不但与数图等形式化有关联，而且还应与非数非图的意向性相涉及，智能本来就是关系（包括复杂、非复杂）的梳理、表征、获得、应用，而数学只是这种关系的一部分（甚至是极小的一部分）而已，人工智能又是智能的一笑部分，所以当前AI的如火如荼就让人啼笑皆非了…… 人生就像数学，刚开始学是对的，现在可能就不对了，如平方根下a，初中时，a必须>=0，高中时出现了虚数，a可以＜0，……世界上没有绝对的，只有相对，甚至是相对的相对…… 很多关系是自带前提和条件的，“我爱你”的前提条件是“你值得我爱”，“你值得我爱”的隐含前提条件是“I 服了 U”，“I 服了 U”的隐含前提条件是“我忘了自己”，即忘我! …… 许多回头的浪子常常把非家族相似性演绎出未知问题答案的合理性；不少根红的苗正往往用家族相似性归纳着不明情况趋势的可靠率。人生=有理化+合理化+数理化+非理化+道理化+经理化+心理化+生理化+物理化+文理化+天理化+……无理化
机器智能的变是不变的变，人自然智能的变是变化的变。对于变化问题，机器智能为什么即使变也是不变的变？但问题在于：是对象在变，还是对象的表征在变？机器智能的对象大都是对象的表征，而不是对象本身。表征可以描述对象如何变，但只能是不变的变。只有把表征做feature placing，place到现实对象那里，对象的变才是变化的变。
真正的发现不是一种严格符合逻辑的行为，美其名曰：惊险的一跳。启发式常常是不可逆的发现，产生式往往是可重复的推理和追溯。现在的智能体系还是产生式的剪枝遍历，还远没有出现启发式的跨域和跳跃，根本原因是没有出现非逻辑的逻辑——发现关系，不是相关关系。 深度态势感知也包括容易生成第二态势感知，即本来第一态势感知，第一态势变化了，随机变化生成新的态势感。也意味着极好的调节能力。 一个问题就是一种理性的欲望（或叫准需求）。与其他欲望一样，它假定了有某种能使它满足的东西存在——答案。 我们盯着那已知的资料，但不是盯着这些资料本身，而是把它们当成通向未知事物的线索，当作未知事物的提示和未知事物的构成部分。如高斯所言：“我已经有了自己的答案很长时间了，但是我却一直还不知道如何得出这些答案。” 盖雷：“这个……好吧，我们设想万物皆有灵魂，采用拟人化的说法。这束光必须检查所有可能采取的路径，计算出每条路径将花费的时间，从而选出耗时最少的一条。” “要做到你说的这一点，那道光束必须知道它的目的地是哪里。如果目的地是甲点，最快路径就与到乙点全然不同。”像光一样，最快，如果没有一个明确的目的地，‘最快路径’这种说法就失去了意义。也许这道光束事先必须什么都知道，早在它出发之前就知道。
七
空间知觉是概念和符号的理解的基础，概念只有指向了空间中的事或物，才有意义，才被理解。人类的知识论被看做隐含着关于心灵的本体论。机器智能的运作机制可以被认为是没有心灵的人工知识体系。小团队深度态势感知就是生理同感，心理同情，物理同理式的有机协作 但孤立的猩猩不是猩猩，篮球是我5+敌5+裁判+观众+电视的集体项目。
现代物理学经历了三个阶段，每一个阶段都在改变着人们对世界的认识： 1，相信一种由数字和几何图形构成的体系； 2，相信一个由力学上受到约束的种种质量构成的体系； 3，相信种种由数学恒量构成的体系。 第4种尚未闪现，但从趋势上（如量子）看，应该是包含主观成分的体系。 主观，简单地说，就是认识所有的文子，但看不懂，犹如看花，就是好看，为什么好看，不知道…… 花儿为什么好看，一是人们习惯物理上的对称，形状颜色大小等，当然也有少数人不喜欢对称，如一些艺术家们；二是花有香气，生理舒服；三是心理可以寄托某种美好的表征……总之，这是一个非函数最优化过程。深度态势感知有多层，如台湾学者黄炳煌说：打高尔夫球——只要自己打得好即可；打网球——还要留意对方，有来有往；打篮球——还要兼顾团队成员的合作。
如何从机器学习实现学习机器（行为），这是一个质的飞跃，如同人类的小孩子一般，除了感知效能之外，还有了认知智能：自组织、自适应、自主化，而不是它组织、它适应、自动化…… 推理放大器，态势放大器，态势感知放大器，感知放大器 吸引人们注意力的常常是夸张或变形的推理、归纳、演绎，由此我们可以尝试构建一种感知放大器、态势放大器，抑或态势感知放大器，用以解决吸引眼球的问题，这也是深度态势感知的起源~注意力的加强……
形式化的主要作用是把默会因素降低而成为更有限制性和明显的非形式操作，但要完全消除个性化隐性参与就显得荒谬了。 限制逻辑思维形式化的最重要定理出自哥德尔。那些定理基于这样的事实：在任何包括算术在内的演绎体系中，有可能建构一个公式即命题，而这个公式或命题在那个体系之内是无法通过证明来判定的。 比如，在电影中，经常有不连贯的情境（包括时空、剧情、情感）出现，导演把这些离散的镜头呈现在你面前，这些镜头情境构成的电影体系是没有意义的，而是通过你——这个观众的主观和眼光把这些珠子串成一个有个性化意义的故事。这里，同意的行为再一次被证实在逻辑上是与发现行为相似的：它们本质上都是不可形式化的、直觉性的心灵决定。
自2008年金融危机以来，曾经一度较为边缘、冷战结束后渐被重视的米塞斯突然更受欢迎了。为什么呢？因为这位奥地利学派经济学家主张人的行为是复杂的，是有自由意志的，因而是难以计算和计划的。约翰·梅纳德·凯恩斯明白这个原则： 在我看来，科学家通常遵循的那些物质规律特性的基本假设，就是物质界系统必须由个体组成……个体（态势）分别施加其独立恒定的效果，整体状态的变化是由许多个体（态势）的分别变化叠加而成的，而个体的分别变化又纯粹是个体之前状态的一个单独部分导致的。 但是，对不同复杂程度的整体而言，很可能会有大不一样的规律，会有复合体之间的关联规律，而这种复合体之间的关联规律是不能用连接个体构成部分之间的规律来表述的。 遍历过程就是老的一套来了又来，它不会因为时间或经验而发生变化。放在实际场景中来说就是：如果一个过程具有遍历性，那这个过程的概率分布，过了1000年后，也和现在看上去一模一样。你可以从这个过程的过去抽样，得到概率分布，预测其未来。驱动物理世界运作的机械过程具有遍历性。许多生物过程也是如此。
不久前，法国Grenoble大学的人工智能研究员Julie Dugdale研究压力下的人类行为。她说， “在地震中，我们发现人们会更害怕没有家人或朋友在身边，而不是害怕危机本身。”人们第一件事就是会去寻找他们所爱的人，并且愿意在这个过程中将自身陷入危险。 在火灾当中，也是同样的情况。
八
若人的智能可分为理智、情智和意智。那么现有的人工智能解决的主要是理智部分；伦理道德宗教面对的常常是情智；意智是那些人文艺术等创造性意识力衍生出的智能。理智涉及人的经验、规范和常识知识；情智包括超越、情感、信仰（看不见就相信）认识；意智蕴含直觉、非理、想象能力。智能不是非此即彼的数学命题，而是可真可假的条件和尝试，是多个“我”之间的灵活自如的切换、同情、同理和迁移。从幼儿到儿童到青年到成人就是从无智~意智~情智~理智的过程，也即从本能到智能的过程。
不简而言之，我们不妨可以认为：强人工智能远在天边近在眼前，就是人机融合智能。