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，并對當前的發展趨勢-人機混合智能與人機分工協作進行了描述和展望。

[[423359]]

人工智能的飛速發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習途徑顯得尤為重要，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，探究出認知與技術的關系，并將這些應用在機器當中，利用機器來認知分析應用知識，將是人工智能未來的發展方向。

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，最后對于當前技術最可能實現的人機混合智能進行了總結和展望。

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.抽象和聯想

人的記憶能量是有限的，即人對于學習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據支撐起的強大數據庫而言，學習過程應當更慢，然而事實并非如此。原因則在于人類的學習充滿了抽象和聯想，而機器不會。人類的記憶擅長關聯，有關聯的事物更容易被記住，當想起其中一種，自然而然會關聯記憶到另外一種。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在這里的記憶。除此之外，人類的學習是通過不斷的失敗后再學習，總結失敗的規律，進行聯想、知識遷移和關聯學習，而不是像機器一樣通過海量數據不斷擬合至一個近似人類的狀態。

在這里，人類的記憶錯誤的規律也十分有趣。在2021年認知技術大會上，中國科學院上海生命科學研究院研究員王立平提到，以人類記憶一串長數字為例，相比于記憶長數字，短一些的數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，在長串數字的記憶中，記憶效果并不是從開頭到結尾線性遞減，反而是開頭和結尾的記憶效果更好，中間的記憶效果較差。再者，犯錯的地方常常出現在相鄰之處，比如把3、4記成了4、3，數字沒問題，相鄰的順序更容易記錯。倘若希望機器更加擬人，人類的記憶規律是否可以應用在機器對數據的存儲和調用中。而且機器系統的抽象化該如何實現，如何刻畫系統抽象化的結構，怎么判斷事物的相似之處并方便機器通過找規律進行學習。目前機器只能通過提取數據的共同特征，找到共同特征進行“聯想”，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據標注，還有什么更簡便的方法來實現事物的相似化聯想，值得后續的思考。

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，人類的學習有一個反思的過程。正如前面提到，人類的學習是通過不斷的失敗后再學習，總結失敗的規律，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.數據-信息-知識-應用

數據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。將數據進行處理，解釋了數據有用的部分使數據有了意義，有意義的部分便稱為信息。將信息構建聯系，經過人腦加工提煉出來，便得到具有規律普適性的知識。將知識通過邏輯思維與系統設計，使知識有溢出價值，便形成了智慧。

對于機器而言，它只能處理數據，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用起來。人類可以理解的知識如何轉化使機器可以理解和執行，如何將客觀數據和主觀信息融合，如何將知識遷移應用在多領域，將是未來想要賦予機器真正智能的必經之路。

4.小樣本學習

在海量數據支撐起機器智能的今天，機器只有通過大數據進行訓練才能達到擬合人類智能的效果。比如深度學習，需要大量的標注樣本才能發揮作用。然而很多情況下我們沒有很多的樣本和數據供給機器進行機器學習，例如醫療領域、安全領域等等很多問題是沒有那么多標注數據的，獲取標注數據的成本也非常大，而小樣本情況下是不足以支撐機器學習的訓練的。但是在實際應用當中，各種突發情況和變換的環境是沒有辦法提前通過大數據訓練的，人類具備應對突發事件的能力，機器在對于小樣本學習時準確率卻低到離譜。如何使機器擺脫海量數據的前提條件，在處理小樣本學習的時候也得心應手，是當前急需解決的難題。對于這種情況而言，深度學習等機器學習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習的研究。

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域，而對于這一點怎么應用在機器當中，將是一個新的挑戰。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問題，都是除了技術問題之外，阻礙機器價值判斷發展的重要因素。

二、機器不一定非要擬人

由于當前技術限制，以上很多方向我們在短期時間內無法解決。我們需要探究人類的認知機理，情感機理等等，才能將其轉化應用在機器上，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，我們也不應該讓機器得發展止步不前，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任等等需要考慮的復雜情況，機器絕對的擬人不一定是好事。

1. 機器不一定要學會判斷價值

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，那么在一個人機環系統中，人來決定的價值走向或許是自私的，是不利于整個大環境的。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，來提醒人類規避不好的價值取向。機器不一定非要擬人，像人一樣學會價值判斷，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，快思考是依賴直覺的、無意識的思考系統，慢思考是需要主動控制的、有意識進行的思考系統[2]。快思考速度快，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偏差。慢思考是基于證據和數據搜集考證后做出的理性判斷，結果往往是準確的。快思考類似于人的直覺和計算，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，更要發揮它的長處。人類會習慣性第一時間調用快思考，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

由于技術上的限制和社會發展的硬性需求，人機混合智能逐漸成為當前最熱門的發展趨勢。人有人的優勢，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。人機協作，可以發揮出整個人-機-環境系統最大的功效。人機混合智能的出現，既減輕了人工作的負擔，又避免了人不在環路可能產生的異常情況，是當前人工智能發展的必然。

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、環境系統相互作用而產生的新型智能形式，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合的新一代智能科學體系。人機混合采用分層的體系結構，如圖1。人類通過后天完善的認知能力對外界環境進行分析感知，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;機器通過探測數據對外界環境進行感知分析，其認知過程分為目標層、知識庫、任務規劃層、感知與執行層，形成形式化的思維。相同的體系結構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生因果關系。

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。什么樣的任務應該交給人來做，什么樣的任務應該交給機器，是否需要一個人機任務分配邊界的標準來劃定什么樣的任務分配就是最優的。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解還是目前需要探索的難題。

其二是降低系統認知負荷的問題。對于整個人機混合智能系統中，降低系統的認知負荷尤為重要。在人-機-環境組成的人機混合智能系統中，降低系統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據，或者是降低環境的冗余信息，都對于整個人機環境系統工程十分重要。可以采用有效的信息檢索來減少無用數據的干擾，也可以通過機器的輔助決策來降低系統的認知負荷。

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、聯想、規劃的能力，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，人類持有懷疑態度，不但不會降低系統的認知負荷，反而會使系統認知負荷增加。而目前的技術，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并不完善的當下，系統展示什么層級透明度的信息以及系統的可解釋性在此時尤為重要。