本文列舉了一些人類具有而機器目前尚未獲得并且十分必要的能力，并對當前的發(fā)展趨勢-人機混合智能與人機分工協(xié)作進行了描述和展望。

[[423359]]

人工智能的飛速發(fā)展為我們帶來了許多便利，使機器逐漸從“自動化”邁向“智能化”，然而當前的人工智能還只是弱人工智能，在很大程度上還只是高級的自動化而并非真正的智能，而邁向真正智能的路上也遇到了很多瓶頸[1]。機器智能想要更接近人類智能，就要在很多方面更加“擬人化”，因探索人類的認知學(xué)習(xí)途徑顯得尤為重要，認知成為當前需要迫切解決的問題。當我們對人的認知過程有了充分的了解，探究出認知與技術(shù)的關(guān)系，并將這些應(yīng)用在機器當中，利用機器來認知分析應(yīng)用知識，將是人工智能未來的發(fā)展方向。

本文首先列舉了一些人類具有而機器當前急需解決的難題，并給出了退而求其次的方法-機器輔助決策，最后對于當前技術(shù)最可能實現(xiàn)的人機混合智能進行了總結(jié)和展望。

一、機器為什么不如人

我將從以下五個方面介紹當前機器智能遠遠不足的一些原因，也是人工智能想要有所突破急需解決的難題。

1.抽象和聯(lián)想

人的記憶能量是有限的，即人對于學(xué)習(xí)過程并不是死記硬背的，按常理來說，沒有龐大記憶存儲空間的人類相比于機器的海量數(shù)據(jù)支撐起的強大數(shù)據(jù)庫而言，學(xué)習(xí)過程應(yīng)當更慢，然而事實并非如此。原因則在于人類的學(xué)習(xí)充滿了抽象和聯(lián)想，而機器不會。人類的記憶擅長關(guān)聯(lián)，有關(guān)聯(lián)的事物更容易被記住，當想起其中一種，自然而然會關(guān)聯(lián)記憶到另外一種。比如看到香噴噴的餃子就會想到之前媽媽包餃子的場景，再比如路過某一家店會喚醒曾經(jīng)在這里的記憶。除此之外，人類的學(xué)習(xí)是通過不斷的失敗后再學(xué)習(xí)，總結(jié)失敗的規(guī)律，進行聯(lián)想、知識遷移和關(guān)聯(lián)學(xué)習(xí)，而不是像機器一樣通過海量數(shù)據(jù)不斷擬合至一個近似人類的狀態(tài)。

在這里，人類的記憶錯誤的規(guī)律也十分有趣。在2021年認知技術(shù)大會上，中國科學(xué)院上海生命科學(xué)研究院研究員王立平提到，以人類記憶一串長數(shù)字為例，相比于記憶長數(shù)字，短一些的數(shù)字串記憶效果會更好，這也印證了人類記憶的存儲空間較小。其次，在長串數(shù)字的記憶中，記憶效果并不是從開頭到結(jié)尾線性遞減，反而是開頭和結(jié)尾的記憶效果更好，中間的記憶效果較差。再者，犯錯的地方常常出現(xiàn)在相鄰之處，比如把3、4記成了4、3，數(shù)字沒問題，相鄰的順序更容易記錯。倘若希望機器更加擬人，人類的記憶規(guī)律是否可以應(yīng)用在機器對數(shù)據(jù)的存儲和調(diào)用中。而且機器系統(tǒng)的抽象化該如何實現(xiàn)，如何刻畫系統(tǒng)抽象化的結(jié)構(gòu)，怎么判斷事物的相似之處并方便機器通過找規(guī)律進行學(xué)習(xí)。目前機器只能通過提取數(shù)據(jù)的共同特征，找到共同特征進行“聯(lián)想”，這種方法非常機械，還需要大量的特征標簽。除了比較費時費力的海量數(shù)據(jù)標注，還有什么更簡便的方法來實現(xiàn)事物的相似化聯(lián)想，值得后續(xù)的思考。

2.機器的反饋

在人類什么都不做也不思考的時候，人類的大腦神經(jīng)元也不都是靜止的，大腦會在此時進行一個記憶的鞏固。除此之外，人類的學(xué)習(xí)有一個反思的過程。正如前面提到，人類的學(xué)習(xí)是通過不斷的失敗后再學(xué)習(xí)，總結(jié)失敗的規(guī)律，這里面就存在著人類的反思。反思可以促進知識的積累，價值的判斷，從而促進人類的進步和不斷發(fā)展。映射在機器當中，則是一個反饋的過程。

在大腦中以前饋輸入為主，反饋回路并不多，人卻可以很好的進行反思。當前的問題在于，清晰機器的反饋應(yīng)該反饋些什么，反饋給誰，才能使機器的反饋達到人類反思的效果。反饋又該如何定量刻畫，對于非線性的反饋又當如何處理。

3.數(shù)據(jù)-信息-知識-應(yīng)用

數(shù)據(jù)是對客觀事物記錄下來的可以鑒別的符號，它包含有用的部分和冗余的部分。將數(shù)據(jù)進行處理，解釋了數(shù)據(jù)有用的部分使數(shù)據(jù)有了意義，有意義的部分便稱為信息。將信息構(gòu)建聯(lián)系，經(jīng)過人腦加工提煉出來，便得到具有規(guī)律普適性的知識。將知識通過邏輯思維與系統(tǒng)設(shè)計，使知識有溢出價值，便形成了智慧。

對于機器而言，它只能處理數(shù)據(jù)，并不像人一樣具備提煉出知識的能力，更不能很好的將已有知識應(yīng)用起來。人類可以理解的知識如何轉(zhuǎn)化使機器可以理解和執(zhí)行，如何將客觀數(shù)據(jù)和主觀信息融合，如何將知識遷移應(yīng)用在多領(lǐng)域，將是未來想要賦予機器真正智能的必經(jīng)之路。

4.小樣本學(xué)習(xí)

在海量數(shù)據(jù)支撐起機器智能的今天，機器只有通過大數(shù)據(jù)進行訓(xùn)練才能達到擬合人類智能的效果。比如深度學(xué)習(xí)，需要大量的標注樣本才能發(fā)揮作用。然而很多情況下我們沒有很多的樣本和數(shù)據(jù)供給機器進行機器學(xué)習(xí)，例如醫(yī)療領(lǐng)域、安全領(lǐng)域等等很多問題是沒有那么多標注數(shù)據(jù)的，獲取標注數(shù)據(jù)的成本也非常大，而小樣本情況下是不足以支撐機器學(xué)習(xí)的訓(xùn)練的。但是在實際應(yīng)用當中，各種突發(fā)情況和變換的環(huán)境是沒有辦法提前通過大數(shù)據(jù)訓(xùn)練的，人類具備應(yīng)對突發(fā)事件的能力，機器在對于小樣本學(xué)習(xí)時準確率卻低到離譜。如何使機器擺脫海量數(shù)據(jù)的前提條件，在處理小樣本學(xué)習(xí)的時候也得心應(yīng)手，是當前急需解決的難題。對于這種情況而言，深度學(xué)習(xí)等機器學(xué)習(xí)方法并不能很好的解決，或許可以從模糊決策樹下手進行小樣本學(xué)習(xí)的研究。

5.價值的判斷

眾所周知，人可以判斷價值，而機器不可以。王立平老師在大會上提到，人類的大腦中具有進行價值判斷的區(qū)域，而對于這一點怎么應(yīng)用在機器當中，將是一個新的挑戰(zhàn)。問題在于如何把判斷性的東西變成機器可計算的東西，即如何將人類的算計轉(zhuǎn)化為機器的計算。不僅如此，在價值判斷上，還會涉及到倫理道德問題，以及價值判斷出錯后的問責(zé)問題，都是除了技術(shù)問題之外，阻礙機器價值判斷發(fā)展的重要因素。

二、機器不一定非要擬人

由于當前技術(shù)限制，以上很多方向我們在短期時間內(nèi)無法解決。我們需要探究人類的認知機理，情感機理等等，才能將其轉(zhuǎn)化應(yīng)用在機器上，這需要很長的時間，需要不斷地試錯和打磨。那么在這段探索的期間，我們也不應(yīng)該讓機器得發(fā)展止步不前，退而求其次，我們依舊可以讓機器不斷更新迭代，讓它擁有更加適配人類的功能。因此機器在某些情況下其實不一定非要擬人，一旦機器絕對擬人，便會涉及到倫理道德責(zé)任等等需要考慮的復(fù)雜情況，機器絕對的擬人不一定是好事。

1. 機器不一定要學(xué)會判斷價值

雖說機器沒有判斷價值的能力而人有，那么人的價值判斷一定是正確的嗎?對于個人而言有價值的東西或許對集體而言是沒有價值的，甚至是損害集體價值的，那么在一個人機環(huán)系統(tǒng)中，人來決定的價值走向或許是自私的，是不利于整個大環(huán)境的。在這種情況下，機器或許沒有判斷價值的能力，但是可以從價值判斷的標準入手，來提醒人類規(guī)避不好的價值取向。機器不一定非要擬人，像人一樣學(xué)會價值判斷，只要可以及時向人類提供價值判斷標準，來輔佐人類進行正確的價值判斷即可。

2.機器不需要擁有人類的直覺

人的思考模式分成快思考和慢思考兩個系統(tǒng)，快思考是依賴直覺的、無意識的思考系統(tǒng)，慢思考是需要主動控制的、有意識進行的思考系統(tǒng)[2]?？焖伎妓俣瓤?，自行運行，可以快速給出答案，但是不一定對，比如我們受到情緒影響而做出的判斷很容易出現(xiàn)偏差。慢思考是基于證據(jù)和數(shù)據(jù)搜集考證后做出的理性判斷，結(jié)果往往是準確的?？焖伎碱愃朴谌说闹庇X和計算，而慢思考則類似于人的算計。

機器一定要擬人，擁有人類的直覺嗎?答案是否定的。人類的直覺雖然速度快，但不一定準確，只圖速度快對于計算能力很強的機器而言是完全沒有必要的。因此對于機器而言，更要發(fā)揮它的長處。人類會習(xí)慣性第一時間調(diào)用快思考，而這種不準確的快思考盡量避免，計算的事情交給機器，所以當人類第一時間產(chǎn)生快思考時，選擇機器提醒進行輔助決策，可以避免人類陷入思維困境。

三、人機混合，各司其職

由于技術(shù)上的限制和社會發(fā)展的硬性需求，人機混合智能逐漸成為當前最熱門的發(fā)展趨勢。人有人的優(yōu)勢，但也有工作速度慢、易疲勞等缺點，這些剛好可以由機器來彌補，而機器沒有對價值進行判斷，對情況進行推理等功能，這一部分便可交給人。人機協(xié)作，可以發(fā)揮出整個人-機-環(huán)境系統(tǒng)最大的功效。人機混合智能的出現(xiàn)，既減輕了人工作的負擔(dān)，又避免了人不在環(huán)路可能產(chǎn)生的異常情況，是當前人工智能發(fā)展的必然。

人機混合智能，簡單地說就是充分利用人和機器的長處形成一種新的智能形式[4]。人機混合智能理論著重描述一種由人、機、環(huán)境系統(tǒng)相互作用而產(chǎn)生的新型智能形式，它既不同于人的智能也不同于人工智能，它是一種物理性與生物性相結(jié)合的新一代智能科學(xué)體系。人機混合采用分層的體系結(jié)構(gòu)，如圖1。人類通過后天完善的認知能力對外界環(huán)境進行分析感知，其認知過程可分為記憶層、意圖層、決策層、感知與行為層，形成意向性的思維;機器通過探測數(shù)據(jù)對外界環(huán)境進行感知分析，其認知過程分為目標層、知識庫、任務(wù)規(guī)劃層、感知與執(zhí)行層，形成形式化的思維。相同的體系結(jié)構(gòu)指明人類與機器可以在相同的層次之間進行融合，并且在不同的層次之間也可以產(chǎn)生因果關(guān)系。

圖1 人機混合智能下人機分工示意圖

然而人機混合智能當前也存在著一些問題需要注意和解決，其一是人機分工問題。什么樣的任務(wù)應(yīng)該交給人來做，什么樣的任務(wù)應(yīng)該交給機器，是否需要一個人機任務(wù)分配邊界的標準來劃定什么樣的任務(wù)分配就是最優(yōu)的。人易疲勞，會被情緒影響到工作績效，而機器又不能離開人獨立工作，那么什么樣的人機分工是最優(yōu)解還是目前需要探索的難題。

其二是降低系統(tǒng)認知負荷的問題。對于整個人機混合智能系統(tǒng)中，降低系統(tǒng)的認知負荷尤為重要。在人-機-環(huán)境組成的人機混合智能系統(tǒng)中，降低系統(tǒng)的認知負荷可以提升績效。不管是減輕人類的認知負荷，還是減少機器處理無用的數(shù)據(jù)，或者是降低環(huán)境的冗余信息，都對于整個人機環(huán)境系統(tǒng)工程十分重要?？梢圆捎糜行У男畔z索來減少無用數(shù)據(jù)的干擾，也可以通過機器的輔助決策來降低系統(tǒng)的認知負荷。

其三是信任問題。在機器進行輔助決策的時候，機器如果可以具備推理、聯(lián)想、規(guī)劃的能力，才能夠增加人類對于機器輔助決策的信任。否則當機器提供輔助決策時，人類持有懷疑態(tài)度，不但不會降低系統(tǒng)的認知負荷，反而會使系統(tǒng)認知負荷增加。而目前的技術(shù)，顯然機器還尚未具備那般完備的輔助決策能力。人對于機器的能力不信任不好，過信任也會出問題[3]。因此在機器輔助決策系統(tǒng)并不完善的當下，系統(tǒng)展示什么層級透明度的信息以及系統(tǒng)的可解釋性在此時尤為重要。