0引言

隨著深度學習、強化學習等新一代人工智能技術的發展，其在計算機視覺、語音識別、自然語言處理、生物醫療領域及遊戲博弈等方面取得很大的突破，人工智能在軍事領域應用也愈加廣泛，催生了軍事智能的概念。美國《2019財年國防授權法案》將人工智能定義為:在沒有足夠的人類監督的情況下，能夠在變化的、不可預測的環境下“理性地行動”，或能夠在經驗中學習，能夠利用數據提升性能的所有系統。當前世界各軍事強國都將人工智能作為未來軍事中“改變遊戲規則”的顛覆性技術，紛紛加快推進智能化作戰裝備研究。就在2018年6月，美國國防部提出建立“聯合人工智能中心”（共設有幾十人，包括文職、軍人、學者），以此作為專職負責軍隊智能化建設的機構，開始統籌規劃建設智能化軍事體系。軍事智能的不斷髮展，智能化裝備的大量使用，不但將與傳統的戰爭形態從技術上產生巨大的不同，在軍事指揮與控制的理論上也將對傳統作戰制勝機理產生不同程度的顛覆。因此，當前加快軍事智能化發展，不僅要繼續智能化武器裝備的研究，還要提高對智能化戰爭條件下作戰指揮控制理論的研究。軍事智能研究是一個領域，不是一個學科，我們必須要用不同的方法論，從不同的角度來研究軍事智能，方法論、角度越多，軍事智能研究就會做得越好。美國“防務一號”網站2018年10月11日刊文稱，美國軍方高級情報官員越來越擔心中國在人工智能等“提升人類的效率”方面的研究。美國國防情報局局長Robert Ashley在該周舉行的美國陸軍協會年度會議上表示，“人機融合”是顛覆性技術的一個“關鍵領域”，將會影響美國的國家安全，隨後美國新安全研究中心(Center for a New American Security)技術與國家安全項目研究員Elsa Kania在2018年度“瘋狂科學家”（Mad Scientist）大會上發表演講提到要提防中國軍方的“人機融合”研究。另外，為了提高人們對DARPA在人工智能研發工作上的認識，DARPA將於2019年3月6日至7日在弗吉尼亞州亞歷山大市舉辦最新人工智能學術討論會（AIC）。本次活動旨在將國防部研究界和國防利益相關者聚集在一起，以瞭解DARPA在當前和新興人工智能計劃上的更多信息，並探求如何將如此多的技術應用在他們的諸多任務上。人工智能學術討論會將為AI社區創建一個環境，以便參與和開創新的合作，幫助DARPA的成果應用在國家安全中那些具有挑戰性的相關領域上。

無論是縱觀古今，還是展望未來，各種軍事作戰裝備或系統始終都是一個人-機-環境系統。無論是現在還是未來，無人機、無人車、無人艇等各種無人裝備都不可能是完全無人的，只不過是人由前置轉為後置，由體力變為智慧，由具體執行變為指揮控制，其中涉及到複雜的人機交互及其相互關係的問題，單純的人工智能與人類智能都不能使其發揮最大效能，人機智能的混合是其重要的發展方向。

準確地說，軍事智能不僅包含自然科學和工程技術，還涉及許多社會科學的領域，如人文、哲學、宗教乃至藝術等等，這從世界上最早的兵書之一——《孫子兵法》的英文名字可見一斑：The Art of War，好的軍事指揮有時候不僅是技術還是藝術。軍事智能是人工智能之冠上的明珠，相對傳統的民用人工智能，其對抗性博弈性更強，其智能不僅僅是武器裝備的智能更是指揮控制系統的智能，是體系的智能化。未來軍事智能的最優存在形態應該不是個體性的（比如異常先進的單平臺武器），而是系統性的（網絡性的），更有可能是橫跨各人機環境系統體系性的（如跨不同網絡的陸海空天網體系），並且該體系還會不斷自主升級，然而，作為世界人工智能和軍事技術領先者-美國仍對非合作博弈條件下的多域人機環境智能系統融合也沒有太多好辦法，還在不斷地嘗試中，美軍2016年發佈的《自主性》研究報告中指出，AI可用於對部隊和指揮官進行告警及提供行動方案的建議，但還遠遠沒有達到能夠代替人類制定決策的程度。這個觀點是比較客觀、務實的、有效。看待軍事智能化發展的這個難題，不同視角會得出不同的結論。筆者根據在軍事人機融合智能工程應用創新領域的研究經驗，從新技術落地發展的角度，認為當前發展軍事人機融合智能面臨著三大瓶頸問題：缺大小實在樣本數據、缺算法人因驗證手段、缺複合專業融合。三大瓶頸問題，說到底是缺乏戰爭博弈實踐——人都說不清楚，指望機器說清楚，在短期內是很難做到的，所以人機融合的研究確實必要：人解決“做正確的事”，機解決的“正確地做事”。人機融合智能的本質就是把事實與價值統一起來：人負責價值，而機處理事實。人機融合智能可以破解“休謨之問”：Being與Should、自然與自覺的一致性！曾有人說，在計算開始的地方，理解便終結了。而人機結合在一起的深度態勢感知就可以實現可理解的計算 + 算計。簡單地說，深度態勢感知就是對態勢感知的認知，它是在Mica Endsley的態勢感知（即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後變化狀況。）基礎上，混合人、機智能。既包括了人的意向性，也融合了機的形式化。既涉及事物的大數據能指又關聯它們之間的小/無數據所指，既能夠理解事物原本之意，也能夠通情達理、明白弦外之音。

如同人工智能當前在民用領域沒有共識的定義一樣，軍事智能除了應用領域比較明確之外，現在也沒有共同一致的概念，將來可能也很難產生一致認同的概念，因為人本身就是一個極其不容易歸納概括的名詞，凡是一涉及到人的行為，尤其是智能行為，更是變化莫測、出其不意。德國軍事家克勞塞維茨把戰爭中多方的智能博弈看作不透明的理論——The theory of war，其實也談到了軍事智能的不確定性和模糊性，甚至是超出了人類認知之外的感嘆。一般而言，自動化系統和自主系統之間的區別在於：自動化系統中，機器通過一個明確的指令（if-then–else）、基於規則的結構進行推理，並以確定的方式進行推理，這意味著對於每個輸入，系統的輸出總是相同的；而自主系統則是一個在給定一組輸入條件下進行概率推理的系統，這意味著它可以在給定傳感器數據輸入條件下，對最佳可能動作過程進行猜測。與自動化系統不同，當給定相同的輸入時，自主系統不一定每次都產生相同的行為輸出，而是會產生一系列行為。美國國會研究中心在2018年4月發佈的《人工智能與國家安全》報告中，與自動化系統、自助系統、機器人進行了明確定義：自動化系統是指系統功能是自動的、沒有（或僅有有限的）人類參與的系統。這類系統通常運用於結構化的、不變的環境，通過簡單的腳本或規則做出既定響應，從而完成一套特定的、事先已被定義的任務；自主系統是指能夠基於自身的態勢感知（綜合情感、理解、分析）、計劃、決策能力，來完成指定任務的特殊系統；機器人是指能夠通過直接人工控制、計算機控制或人機共同控制，來執行一組動作的動力機械裝置，至少由平臺、軟件和電源構成。

即使世界再複雜，情境再捉摸不定，也總有蛛絲馬跡般的端倪會出現。“第三次抵消戰略”自2014年9月由美軍提出以來,目前已進入全面實施階段。美國國防部副部長沃克提出，自主學習、機器輔助人員作戰、有人—無人作戰編組、網絡化半自主武器將是“第三次抵消戰略”重點發展的五大關鍵技術領域。美軍在2016—2018財年的國防預算中,持續加大對自主系統、情報數據分析、大數據分析、機器人、自動化及先進傳感技術的投資強度。是否能研究出支撐技術應用的算法,提升人工智能、自主技術的水平,將成為決定上述各主要方向技術發展的關鍵所在。從眾多公開信息分析不難看出，當前世界排名第一的美軍對軍事智能領域的重視程度也很高，其主要著力點分為兩部分：一是機器學習，二是自主系統。機器學習就是形式化的（程序規範性的）代表，描述一個規則的事態；自主系統就是意向性（非形式化、事實經驗性的）的特點，描述一個可能的事態。形式化推理就是將命題，邏輯聯接符號化，然後規定變形規則，進行公式間的轉化變形，就可以用來表達推理。非形式化的推理就是不借助符號，而是直接通過自然需要來進行語句間的變換。一開始這兩個部分可能是各自為戰，分頭突進，但過不了多久，該研究的真實意圖就會和未來科技的發展趨勢越發一致起來：人機融合智能系統。這也說明了軍事智能的可見未來既不是單純的機器學習，也不是可愛的自主系統，而很可能是結合人機各自優勢的融合智能，若凝鍊成科學問題，本質上就是要回答認知和計算的關係，以及人類智能和機器的類人智能之間的關係問題。

劉綜燦 攝影

1 軍用智能與深度態勢感知

對軍事智能而言，無論機器學習還是自主系統，都不外乎是為了精確地感知、正確地推理和準確地預測，這就涉及到了一個大家司空見慣又望之興嘆的軍事智能核心概念之一：態勢感知。

無論面向軍用還是民用，人工智能的本質都不是簡單的賦能，而是人類智慧的自我反饋，是他人在不同時空中的概念知識規則概率倫理道德意識在“我”時空情境裡的運行，所以常會出現人機融合的不適，不過也很正常：風馬牛硬相及的結果。如果非要說，人工智能是賦能，那也是別人以前的可程序化可預測性知識賦予給現在“我”的能力而已。其中的知識一般分為兩個層次，頂層由概念的、符號的、離散的或命題性的知識構成；底層的由感覺的、前概念的、亞符號的、連續的或非命題性的知識構成。底層的知識往往涉及到感性，與態勢中的“態”有關；而頂層的知識常常涉及到理性，與態勢中的“勢”有關。

所謂態就是暫時如此的表象，所謂勢就是本來如此的真像；從價值論角度看：“態” 即從描述事物的價值狀態與價值特徵的眾多數值中取其任意值；“勢”即是從描述事物的價值狀態與價值特徵的眾多數值中取其最大值或極大值。態面臨的困難是符號形式化準確表徵；勢對應的瓶頸為意向性完整的抽象提煉；感遇到的麻煩在主動性選擇想象獲取；知直面的阻礙於非邏輯局部與全面關係的轉換。

圖1深度態勢感知

態勢感知就是通過轉換不同的角度思考達到知己知彼的途徑，一般是由表及裡、由外到內、由下到上、由態到勢、由感到知，若能夠把其逆過程融入進來，即同時還可以由裡及表、由內到外、由上到下、由勢到態、由知到感，那麼還可以加入“深度”以示強調，稱之為深度態勢感知。孫子所說的“知”應該就是這種雙向甚至更多向的交互換位融合，就是深度態勢感知，而他言的“己”和“彼”也不僅僅是指敵我，還應涉及到各種物和裝備，以及對環境的考慮。“自己”這個東西是看不見的，撞上一些別的什麼，反彈回來，才會瞭解“自己”。所以，跟很強的東西、可怕的東西、水準很高的東西相碰撞，然後才知道“自己”是什麼，這才是自我。優秀的指戰員不僅可以及時感態，而且還可以迅速地知勢。態傾向形式化，勢傾向意向性，態勢感知就是形式化衍生出的意向性描述，勢態感知就是態勢感知的逆向過程——資源管理。例如我國著名的三十六計（圍魏救趙、金蟬脫殼等）強調的是勢，不是態，算計出的是勢，計算出的是態，人是算計，機是計算。人是勢——態，機可以態——勢。

深度態勢感知還意味著把平臺、系統、體系各級別態勢感知融合在一起形成的，如圖1。可控的指控是勢態管理，不可靠的是態勢感知。人們視覺上一般是先見森林後見樹木，先整體後個體，這與先勢後態的深度感知是一致的。

態是對事物的一種印象，勢是一種對這種印象的觀念。有人認為，科學發現無非就是四類：根據有物之象，找無物之象；根據有物之象，找有物之象；根據無物之象，找有物之象；根據無物之象，找無物之象。與之類似，態勢無非是四類：根據有態之勢，找無態之勢；根據有態之勢，找有態之勢；根據無態之勢，找有態之勢；根據無態之勢，找無態之勢。

在不同的時間，同一個態在同一個人的頭腦中形成的“象（勢）”，也是不一樣的。比如，幼年、青年和老年時期，“苦惱”以次在頭腦中形成的“象”就完全不同。在不同的地點，同一個態在同一個人的頭腦中形成的“象”也是不一樣的。比如，分別在冰窖裡和火灶旁，“冷”字會形成不同的“象”。其實早在明朝，大儒王陽明就已經知道這個秘密了，他為了更加全面、準確地認識“死”字，甚至親自躺進石棺中去體驗。由於多義性，某些字同時對應著多個“象”，使得在不同的詞（或文）中，該字的意思不同。一態多勢，多態一勢。實際上，與機器學習不同的是：人的一切學習都能建立一種範圍不確定的隱性知識/秩序，並且人的知識遷移還能及時地把已知的知識變成未知的先驗繼續使用。人的學習與機器學習最大的不同在於複合式常識性學習，而不僅僅是規則化概率性輸入。人的常識很複雜，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。人機之間互感知、互推理、互理解、互決策、互學習的融合智能才是未來發展的趨勢和方向。

態中常常包含專業層級中合乎常規的類型組合，勢中往往違背了專業層級中合乎常規的類型組合，美其名曰：常態異勢。重要的是，態的表面對稱通常會掩蓋深層勢的不對稱，猶如人體顯而易見的左右對稱掩蓋了內部器官的不對稱。對“態”而言本質是表徵的問題，尤其是靜態的表達，側重於感形（客觀存在，being），感己感彼；對“勢”而言本質是理解（構建聯繫）的問題，尤其是動態的會意，側重於知義（值得、應該，should），知己知彼；由態到態的交互過程，沒有智能的出現，得形失意；由態到勢的交互過程，亦即數據在流動中生成信息知識（形成價值性）的過程，也就是智能的產生過程，得意忘形。理性很難進行創造，感性很難進行精確。很多態是形不成勢的，態形成勢的過程就是智能元素成分浮現的過程。

“態”即從描述事物的價值特徵的眾多參數中取其任意值；“勢” 即從描述事物的價值特徵的眾多參數中取其最大值或極大值。“態”也是先天已存在的事物發展慣性，“勢”就是後天未存在的事物發展慣性，感知就是要理解態、勢。深度態勢感知就是深度理解態、勢。狀態註定，但勢可改變，但很多人理解成了“態勢註定，不可改變”。正可謂態由天定，勢由己生。另外，軍事智能不是情境/場景/態勢性的，而是跨情境/場景/態勢性的，因而超越感知的覺。深度態勢感知系統不是完美的，但是具有重要的參考輔助價值。是指一種基於複雜性博弈和反思的理解之道。但如果這種理解之道能幫助指戰員直面未來戰場的各種變故與不確定性，更好地與自己所具有的條件、環境打交道，理解它的複雜性，以及自己在其中扮演的角色，從而擁有一個更有利的過程和結果。也可以理解為，深度態勢感知並沒有傳遞給你任何新的知識，而是通過將你原本熟知的事物變得陌生，給予你另一種看待事物的方法，而這個角度可以使你距離勝利更近。

態勢結構理論在邏輯上把態勢刻畫為基於結構上的類比匹配的系統，這些結構的構成態來自於不同類型態的聚類或勢場。類比匹配出現於態勢之間或者描述之間。類比態勢具有共同的事實結構；而類比描述具有相同的概念結構。兩者區別很大，類比描述不需要為真，只需要共有某些態的規則排列即可。康德可能是第一個區分相似性和類比的人，即類比不表示“兩個對象之間的不完全相似性，而是兩個並不相似的對象之間關係的完全相似性”，如“人類行動是機械力”。

如果說態勢感知是形式化的系統，那麼深度態勢感知就是加了意向性的形式化系統。我們不苛求為深度態勢感知提出完美的字面解釋，而是希望能給出其中意向性的邏輯釋義，毫無疑問，邏輯釋義會丟失意向性中某些最令人興奮的方面:弦外之音、美學意境、拓撲效果。但是我們關心的是真值，我們對意向性的認知意義和形式化的效果感興趣。語言、邏輯就是把意向性進行形式化的一種工具。藝術與科學的轉換也是如此。文化、變化、轉化、異化等等中的“化”很有味道，其中不僅僅有融合的意思，也有改變的痕跡，可以笑稱為“化”學。同樣，狀態、動態中的“態”與趨勢、形勢、局勢中的“勢”構成的態勢圖譜也遠比知識圖譜更可靠、高效、靈巧。究其因，對人而言，事物的屬性是變化的，事物之間的關係也是變化的，對機而言，事物的屬性是不變的，並且還被人定義了關係變化的區間值域，如知識圖譜。當前態面臨的困難是形式化符號的準確表徵，勢對應的瓶頸為意向性完整抽象提煉，感遇到的麻煩在主動性選擇想象獲取，知直面的阻礙於非邏輯局部-全面轉換關係。

自主系統本質上解決的是不同時空條件下的設計者、使用者之間的一致性問題。對於自主系統而言其實往往就是主動的否定系統（如小孩子成長中最先會說的動詞是不（no）、沒有、別，這意味著他／她要自主了），而同意常常意味著失去自我（如小孩子若用好的（ok）、同意、太棒了等表達自己觀點時，就意味著他/她開始失去自我了）……當然否定自我也只是一種自主，只不過目前機器距此還甚遠。如反思產生出的各種隱喻（這是隻有人類才具有的特殊能力），隱喻是言外之意，非語法，邏輯是弦內之音，有語法。其實仔細想想，真實的世界不是既有黑也有白嗎？所謂的法不就是非少了些嗎？規則的形成莫不如此:從小概到大率，然後從合法到非法，隱喻也有法，不過和形式邏輯的法有所不同，隱喻裡的法不是語法，是義法、用法，不過時間一長，達成共識，也會變成明喻，變成語法。法就是達成一致了的共識，無法就無天，天就是共識的邊界。隱喻不是對態而是對勢的指向，是邏輯的邏輯，同時也是大膽假設（想象）下的小心論證（邏輯）。

2 軍事智能中的人機混合智能

在軍事智能領域中，特別是態勢感知處理過程裡，態勢與感知的形式化、意向性描述分析非常重要，其中形式化就是理性了的意向性，意向性就是感性了的形式化，邏輯就是連接感性與理性、形式化與意向性的橋樑。意向的可及性是其形式化的一個關鍵，同時，可及性也是可能性向現實性轉化的前提條件。就意向性而言，可及性就是（而且幾乎總是）態與勢之間的限定交互，如同一個事物在不同時空情境（各種態+各樣勢）中轉換的配對和映射、漫射、影射。事實上，從數學的映射到物理的漫射到心理的影射都涉及智能問題，既是邏輯命題與經驗命題之間的相互融合過程，也是人類理—解、感—知過程，其中從理到解的一部分變成了人工智能。

目前人工智能最難突破的是非家族相似性的漫射、影射問題，人機合作則有利於該問題的解決：人的意向性是形而上，機的形式化是形而下，人機融合就是兩者虛實之間的道器結合。差異會產生變化的動力，人是容易感知到前提條件變化差異的，機器對此應對明顯不足，如何使機器產生感知外部前提條件的變化，並依此而隨機應變。例如，人類的詞語、概念、語義不是固定的，是隨著情境的變化而自然變化的，而機器的這種畸變就小的多或基本沒有，這也是人機融合的一大障礙，變與不變的對立，如何統一就是關鍵點。需要強調的是：軍事智能中的人機合一，不是簡單的“人心+機腦”，而是人（單人、多人、敵我）+機（機器裝備+機制管理）+作戰環境（真實+虛擬）體系的交互統一，如圖2所示。

人機融合智能

軍事智能本質就是主客觀的融合，既包括有機融合，也包括無機融合，即是主觀以一定方式與客觀融合，其目的是適應。軍事智能研究第一步是解決表徵問題，沒有表徵，何談聯繫，即先搞清楚：（你我它）是“誰”之問題，也就是“知己知彼”。對人而言，之所以諸多表徵的不確定性不會造成處理、決策的不確定性，其實是人的意向性和目的性在起作用，人本身就是目的而不僅僅是工具。如中西思維方式的差別：由於西方使用拼音文字，導致字符本身的概念消失，因此必須在強邏輯結構中尋求概念，在抽象中展開知識體系，導致西方人進入邏輯強迫症狀態。對於人機混合智能而言，人可以把握實在的可能性，機可以運行邏輯的可能性，兩者都會產生因果或相關關係，但這些關係具有不同的意義。即也許存在多重的因果或相關關係於人機融合之中，這些關係有顯有隱，交融在一起，進而構造生成了複雜性問題。在複雜系統中可能交織在一起形成多個因果或相關關係嵌套糾纏，而我們注意到的與實際的關係經常存在不一致性。賦予機器智能的假設前提基本上都是有限的，這種有限性限制了眾多的變化可能性。這些問題的解決不是靠增添新經驗而是靠集合整理我們早已知道的東西——常識。人自身的感和覺也有隱協議，這些默會的協議支配著人的態勢感知，是先視後識？還是先識後視？抑或兩者在何種態勢下混合使用，而且每個人的方式都不同——習慣閱歷使然。

人之間的交流也有不少協議，而且這些協議在相互交流中切換自如，遊刃有餘，不知不覺，變化多端，甚至可以在自相矛盾中自圓其說（如自然語言裡的多義性），這些協議中有些是隱性的常識規則，有些是個性化的性格習慣，總體上，兩者間的邊界模糊，彈性十足，約束寬鬆，條件靈活……而人機之間的交互協議相比之下，顯得是那樣的單調、機械、數學，界面分明，有板有眼，一絲不苟，缺乏情趣！

表面上，計算智能、感知智能、認知智能風風火火，剝開後仔細一看，全都是形式化計算在支撐，或者說就是規則或統計的計算而已。人，尤其是厲害的人，總是能抓住事物中最本質的東西，認知到最合適的角度進行算計，使得不同現象間的深刻聯繫浮出水面。機器也應朝著認知這個方向被塑造……人會犯錯，機器犯的錯誤也是人錯，我們很多經驗與對真理的識得也是從錯誤中得來的。當機器也會真犯錯的時候，顛覆就真的開始了。

人既有確定性的一面也有不確定性的一面，機（機器、機制）同樣如此，如何把不確定性的一面轉為相對穩定的確定性加以使用，這是人機融合的一個重要問題。人的確定性+機的確定性比較好理解，人的不確定性+機的確定性、人的確定性+機的不確定性、人的不確定性+機的不確定性難度會依次遞增，解決好這些問題就是人機融合過程。不確定性是由於表徵與推理的可變性造成的。其機制背後都隱藏著兩個假設:程序可變性和描述可變性。這兩者也是造成期望與實際不一致性判斷的原因之一。程序可變性表明對前景和行為推導的差異，而描述可變性是對事物的動態非本質表徵。人類的學習不但能建立起一種範圍不確定的隱性知識，還能建立起一種範圍不確定的隱性秩序/規則。機器學習也許可以建立一定範圍的隱性知識、秩序，只不過這種範圍比人類學習建立的範圍要小的多，而且可解釋性更差，容易出現理解盲點。高手和菜鳥面對的情境常常是一樣的，只不過高手往往會關注關鍵和臨界處，及時地把態進行優化處理成勢，而菜鳥卻很難進行類似的態勢轉換，進而造成態的固化不前。

無維的數據信息衍生出無不為的智能，有維的知識（圖譜）衍生出的只是有為的人工智能。孟子說，獨樂樂不如眾樂樂。幸福越與人共享，它的價值越增加。如果你把快樂告訴一個朋友，你將得到兩個快樂。其實，對於軍事智能而言，亦是如此，三個臭皮匠相互分享數據信息，智能的融合價值就會越增加。在比較早的時候，惠勒就曾說過“信息即物質（It from Bit）”，信息既是特殊物質也是特殊能量，是虛/暗物質或虛/暗能量，猶如實數與虛數的關係。如果你把知識告訴一個夥伴，你也將在知識的流動中得到更多的知識。就像你在跟同學講清楚一道難題過程中，常常會得到許多自己獨自思考時沒有想到的東西一樣。數據孤立靜止時沒有多少價值，一旦流動起來就會形成有價值的信息和知識，流動的數量越大速度越快方向越明確融合越充分，智能化的成分越多，智能程度也就越大，獲得勝利的可能性也就越大。

在天時、地利、人和三者關係的研究中，孔子把重點放在人和研究上，對於人和如果分而言之，可以理解為行為與思想上的和諧，探討人的“主觀能動性”，認識規律，利用規律，也就是這樣才有了後來的儒家思想。智能出現的前提是：關係的產生。西哲中“我是誰”中的“我”就是關係。意識本身就是“關”加“系”。對於關係和屬性而言，關係更為重要，它不但可以使你關注個體的特點，而且還可以讓你在相互作用中實現對個體及其它群體的特徵理解，知識就是一種或多種角度對事物關係的描述（但並沒有窮盡所有的角度）。關係可以是屬性級的、還可以是系統級的甚至是多系統體系級的，各級之間可以跨越，如有些系統關係可以不考慮屬性的影響。

知識就是用理性區別事物，另外，由於知識忽略了用感性區別事物，所以知識圖譜只是局部的世界反應。“秩序是生命的一半”。——德國諺語，生命的另一半就是非秩序。抽象符號間的聯繫不能產生知識和意義，形式符號系統的語義解釋和知識建構如何可以內在於系統（類似於人類內在於我），應該是未來人工智能研究的核心問題。抽象符號間的聯繫本身是人賦予的知識和意義，“機器的自我”還很難處理這種關係。研究清楚人腦解構也解決不了智能問題，沒有交互就不會產生關係，沒有相互聯繫就不會有智能出現。

另一方面，機器是基於大量的正確樣本進行訓練的，而人類則是基於少量的正確或錯誤樣本進行學習的。另外，機器學習的結果易產生局部最優（也許這也是數學的不足，如蟻群算法），人易把握整體最優。機器學習（形式化）調參很難，人類（使用意向性）相對比較自如。有的人打麻將，打五元一盤的，一天可以贏一千多元，而打五十元一盤的，一天只能贏幾百元，有時還輸錢。這說明人與機的博弈機制相當不同。

解決軍事智能中人機融合問題首先要打破各種認知慣性，突破傳統的時空關係。把感知圖譜、知識圖譜、態勢圖譜融合在一起思考。對人而言，機就是延伸自我的一種工具，同時也是認知自我的一種手段，通過機的優點來了解自己的缺點，通過機的缺點來明瞭自己的優點，然後進行相應的補償或加強。人機融合還不是一見鍾情，這是因為缺乏雙向性的感知與覺察。當前更多是主從相聲似的人機交互，儘管還並不那麼盡人意，捧逗還存在失調失配，但未來仍值得期待：畢竟人在發明機器的同時也在發現著自己。

3.展望

計算的確可以讓機器承擔很多操作性的任務，但執行操作並不等同於替代執行操作的人，各種無人裝備、無人系統並不是完全無人，未來戰場上的趨勢可能是裝備無人、平臺無人但是系統有人，前線無人但是後方有人，人與機可能在物理上分離但是在整個系統中產生更深層次的融合。人作為自然實體所進行的操作，與機器通過計算而實現的操作相比，有一個至關重要的區別，就是約翰·塞爾所強調的“意向性”維度。機器的操作不是 意向性的活動，因為它不能解釋自己的操作；而人的行動則是意向性的，是人所具備的概念能力的體現，在操作的同時也在進行著自我解釋的活動。智慧總是關聯到決定人們如何理解事實的那些價值目標上。不論是軍事智能還是民用智能，都有一個反思內在價值追求的向度，這隻能由人的意向性自我解釋來實現，而不可能由非人來實現。戰爭是人與裝備的結合，再好的裝備也需要人來操作。如2018年俄羅斯在制定人工智能武器方面的立場，突出體現在其關於致命自治武器系統的官方立場文件中，它要求“人在決策循環中”，但不贊同限制國家建立和測試新技術的主權的國際制度的概念。因此俄羅斯國防部門採用以結果為導向，前瞻性的方法來開發人工智能。

總的來看，軍事智能將會從思想、技術和應用模式上對現代和未來軍事作戰產生全面影響。目前已在三個方面初見端倪：一是智力會超越體力、信息的有效協同成為決定戰爭勝負的首要因素；二是無形的（不戰）監控取代殘酷的（激烈）摧毀成為征服對手的首選途徑；三是在體系作戰中,人機融合產生出的集智作用有可能超過集中火力和兵力的作用。對人而言，機就是延伸自我的一種工具，同時也是認知自我的一種手段，通過機的優點來了解自己的缺點，通過機的缺點來明瞭自己的優點，然後進行相應的補償或加強。人機融合還不是一見鍾情，這是因為缺乏雙向性的感知與覺察。當前更多是主從相聲似的人機交互，儘管還並不那麼盡人意，捧逗還存在失調失配，但未來仍值得期待：畢竟人在發明機器的同時也在發現著自己。平心而論，智能什麼時候從以數據為中心轉變為以環境對象為中心，何時才可能有真正的智能產生。

對人機環境系統而言，機是相對理性的，人是相對感性的。一般而言，理性不能用於創造規則，也不能用於設計複雜系統，於是理性只能用於對已經存在的自發秩序的抽象和提煉上。如當我們看到梵·高畫筆下的《鞋子》，不是單單觀看一個靜止的藝術品，而是通過鞋子感受到了人的生活，生活表象後人的思想、情感，從而感受到一個世界。畫中的世界、藝術展現出的藝術世界、作者的世界和觀者的世界，共同形成了藝術，而最古老的兵書就是戰爭的藝術（孫子兵法---The art of war）。歸根到底，當前來看機器所能做的只是計算而已，而在計算與有意義的人類競爭之間，仍然有著根本的區別。正如拿破崙所認識到的，“世界上有兩種力量：刀劍和思想。從長遠來看，刀劍總是被思想打敗”。但若沒有歷史和反思，人與機的區別並沒有那麼大，人的價值也無法完全體現出來。未來，自主人工智能機器的因果關係與人類的因果關係將會有很大的差異。機器的倫理也類似。其根本就是事實與價值之間的相互作用問題，即being與should的關係問題。人是由其信念所構成的，他即他所信。智慧不同於科學知識。科學關心事實如何，但智慧不能只關心事實，還要更關心如何給事物以價值和意義。科學關心事實如何，但智慧不能只關心事實，還要更關心如何給事物以價值和意義（美國的星球大戰計劃造成前蘇聯戰略定力不夠，進而忽悠崩潰了內部也日益漸下的前蘇聯）。軍事智能與民用智能最後面臨的終極問題很可能不是科技問題，還是那個永恆的話題——道德倫理，這也是超越了智能的智能，道德中的道是道路，德是得到，道德就是通往得到的道路；仁是人，義是應該。仁義道德就是人走向應該獲得的道路！這實際上是感知覺的一種深度概念抽象加工，是一種直覺化了的認知框架結構，是一種無意識化了的深度態勢感知，即符合內在道德要求的為刺激-反應快模式，而不是理性的刺激-選擇-反應慢模式。道德也是最高的軍事智能：不戰而屈人之兵。

隨著智能技術的不斷髮展，軍事智能以及民用智能最後面臨的終極問題很可能將不再是科技問題，而是如何界定其權責範圍，如何定義人類智能與人工智能之間的關係，這還是那個永恆的話題——道德倫理，這也是超越了智能的智能。2018年11月美國《2019財年國防授權法案》批准新設立了一個獨立委員會——人工智能國家安全委員會。人工智能國家安全委員會旨在全面審查、分析人工智能技術及系統，並在六個月內為國會和美國政府編寫人工智能報告，提出今後的規劃建議。《法案》要求該委員會採取必要的方法和手段，推動美國人工智能、機器學習和相關技術的發展，以全面滿足美國國家安全和國防需要。此外，《法案》還要求美國防部(DoD)不斷開發人工智能技術，促進人工智能的可操作性應用。據此，國防部一名高級官員正努力制定戰略計劃和藍圖，以識別、協調人工智能技術和“關鍵性應用能力”，加快人工智能的發展和部署。聯邦政府和參眾兩院議長將共同任命15人組成人工智能委員會。委員會的任務包括：(1)考察人工智能在軍事應用中的風險，以及對國際法的影響；(2)考察人工智能在國家安全和國防中的倫理道德問題；(3)建立公開訓練數據的標準，推動公開訓練數據的共享。

客觀而言，人機融合智能及其態勢感知研究是一個領域，不是一個學科，我們要用不同的方法論，從不同的角度來研究這種新型智能，方法論、角度越多，人機融合智能研究就會做得越好，也許智能領域什麼時候從以數據為中心轉變為以環境對象為中心，什麼時候才可能有真正的智能出現吧！因為人從來不是靠數據說話的，而是靠認知環境中各對象的聯繫產生智能的。另外，反其道而行之，就可以破壞人機融合智能及其態勢感知（及OODA鏈路）系統，具體如下：割裂輸入融合，使數據、信息、知識異質化；阻斷處理融合，讓非公理、公理分歧化；肢解輸出融合，把直覺決策與邏輯決策區別化；瓦解回饋融合，人機的反思、反饋悖論化；離散綜合融合，人的情境意識與機器的態勢感知矛盾化。

總之，軍事人機融合智能領域的發展離不開長期的技術積累，重點是要依靠數據、算法、硬件等基礎支撐層面的技術突破和人機交互、工效學等技術的有機磨合。目前雖然出現了人機融合智能軍事應用熱潮，在自主系統、ISR、輔助決策、人機協同領域出現了不少新的技術應用，但人機融合智能技術本身仍屬於較弱功能範疇，技術進展不大，這也限制了人機融合智能的進一步應用。美軍在發展人工智能技術時並不是一味強調應用，而是投入大量資金長期推動數據、算法、硬件、實驗等基礎支撐技術的發展，通過內部獨立研究實驗室持續累積數據分析、基礎算法、智能硬件、基礎工效實驗等方面的技術成果，在此基礎上優先選擇人機融合智能技術中較成熟的圖像、語音識別等，通過短期項目進行軍事應用轉化，通過長短期項目相結合，基礎與應用並重的理念推動人機融合智能技術發展。