【編者按：意圖識別包含藝術性，其主要困難也是統計之外的問題，不是單純的概率問題，真正的知識是必須的，但永遠無法取代運用的智慧。】

軍事智能的不斷發展，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，軍事智能研究可能就會做得越好。概況起來以下幾個主要問題特別值得關注：

從表面上看，各國軍事智能化發展非常迅速：百舸爭流，百花齊放，百家爭鳴，一片熱火朝天的景象，實際上，各國的軍事智能化進程卻都存在著一個致命的缺點，就是沒能深入地處理人機融合的智能問題，尤其是深度態勢感知問題。任何顛覆性科技進步都可回溯到基礎概念的理解上，例如人的所有行為都是有目的的，這個目的性就是價值，目的性可以分為遠中近，其價值程度也相應有大中小，除了價值性因果推理之外，人比人工智能更為厲害的還有各種變特征、變表征、變理解、變判斷、變預測、變執行。嚴格地說，當前的人工智能技術應用場景很窄，屬于計算智能和感知智能的前期階段，不會主動地刻畫出準確的場景和情境，而智能科學中最難的就是刻畫出有效的場景或上下文，而過去和現代軍事智能化的思路卻是訓練一堆人工智能算法，各自綁定各自的軍事應用場景。

一般而言，這些人工智能技術就是用符號/行為/聯結主義進行客觀事實的形式化因果推理和數據計算，很少涉及價值性因果關系判斷和決策，而深度態勢感知中的深度就是指事實與價值的融合，態、勢涉及客觀事實性的數據及信息/知識中的客觀部分（如突顯性、時、空參數等），簡單稱之為事實鏈，而感、知涉及主觀價值性的參數部分（如期望、努力程度等），不妨稱之為價值鏈，深度態勢感知就是由事實鏈與價值鏈交織糾纏在一起的“雙螺旋”結構，進而能夠實現有效的判斷和準確的決策功能。另外，人側重于主觀價值把控算計，機偏向客觀事實過程計算，也是一種“雙螺旋”結構。如何實現這兩種“雙螺旋”結構之間（時空、顯著性、期望、努力、價值性等）的恰當匹配，是各國都沒有解決的難題。某種意義上說，深度態勢感知解決的不僅是人機環境系統中時間矛盾、空間矛盾的突顯性，還有事實矛盾、價值矛盾和責任矛盾的選擇性。矛盾就是競爭，決策包含冒險。好的態勢感知能力就是在混亂中看到秩序、在不可能中看到可能、在黑暗中看到光明……所以，目前智能軍事領域的瓶頸還是人機融合智能中的深度態勢感知問題。

“跨域協同”問題從根本上說就是一個“人的問題”。“多域戰”、“全域戰”、“馬賽克戰”以及“聯合作戰”解決“跨域協同”問題的方式方法可以用兩個術語來概括。一是聚合（convergence），即“為達成某種意圖在時間和物理空間上跨領域、環境和職能的能力集成”；二是系統集成（integration of systems），不僅聚焦于實現“跨域協同”所需的人和流程，還重視技術方案。截至目前，“跨域協同”尚沒有形成，當前的系統和列編項目是“煙囪式”的互相獨立，跨域機動和火力需要“人”方面的解決方案。隨著自動化、機器學習、人工智能等技術的成熟，美軍的對手將尋求應用這些技術能力來進一步挑戰美國。按照沃克的要求，打破現有的“煙囪式”方案，設計出背后有人機編隊做支撐的新方案，是美軍的責任。

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后置，由體力變為智慧，由具體執行變為指揮控制，其中涉及到復雜的人機交互及其相互關系的問題，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），并且該體系還會不斷自主升級，

如果說“邏輯是符號串的等同或包含關系”，那么非邏輯則是非符號的等同或包含關系。人工智能處理一些邏輯問題較好，而人處理一些非邏輯問題稍優，人機融合則能處理邏輯與非邏輯的融合問題。人工智能在對抗博弈中起重要作用需要幾個條件：首先是找到數學定量計算就能解決的部分，其次與人融合過程中使該AI部分找到適當的時機、方式和作用，最后，人做對的事，AI“把事情做對”。

目前，人智與AI的失調匹配是導致目前人工智能應用領域弱智的主要原因。人可以身在曹營心在漢，是非、01同在：既是又不是，疊加“態”。在危機管理中常常出現的是疊加“勢”：危險與機會共生，危中有機，機中有危，兩者糾纏在一起。如何因勢利導、順勢而為，則是人機融合智能中深度態勢感知的關鍵。人機是非同構的，即本質是不同的兩者事物，一個受控實驗部分不可重復，一個受控實驗普遍可重復。人的智慧也是由受控與不可受控部分、可重復與不可重復部分構成的。色盲者認為是無色的，對他是真的，對其它主體卻是假的，若色盲者比正常人多，則正常人會是色盲嗎？

大數據的優點是受控實驗普遍可重復性，如此一來可以尋找共性規律——按圖索驥；但是，這也是大數據的一個缺點，容易忽略新生事物——受控實驗不可重復部分的出現，表現出刻舟求劍效應。有些受控實驗不可重復之真實性也是存在的，但這不在科學范圍內。以前是盲人摸象，現在是人機求劍。

對軍事智能而言，無論機器學習還是自主系統，都不外乎是為了結合人、機的優點，取長補短、相得益彰，精確地感知、正確地推理和準確地預測，進而達到隱真使假、去偽存真、去粗存精、由此及彼、由表及里，所以，在未來戰爭中，對人機融合智能機制、機理的破解以及有效的協同方式將成為未來戰爭致勝的關鍵。

任何分工都會受規模和范圍限制，人機融合智能中的功能分配是分工的一部分，另外一部分是能力分配。功能分配是被動的，外部需求所致；能力分配是主動的，內部驅動所生。在復雜、異質、非結構、非線性數據/信息/知識中，人的或者是類人的方向性預處理很重要，當問題域被初步縮小范圍后，機器的有界、快速、準確優勢便可以發揮出來了；另外，當獲得大量數據/信息/知識后，機器也可以先把他們初步映射到幾個領域，然后人再進一步處理分析。這兩個過程的同化適應、交叉平衡體現的就是人機有機融合的過程。

人工智能只是人類智能可描述化、可程序化的一部分，而人類的智能是人、機（物）、環境系統相互作用的產物。智能生成的機理，簡而言之，就是人物（機屬人造物）環境系統相互作用的疊加結果，由人、機器、各種環境的變化狀態所疊加衍生出的形勢、局勢和趨勢（簡稱勢）共同構成，三者變化的狀態有好有壞、有高有低、有順有逆，體現智能的生成則是由人、機、環境系統態、勢的和諧共振大小程度所決定的，三者之間具有建設性和破壞性干涉效應，或增強或消除，三位一體則智能強，三位多體則智能弱。如何調諧共頻則是人機融合智能的關鍵。當代人工智能由最初的完全人工編譯的機器自動化發展到了人工預編譯的機器學習，接下來的發展可能是通過人機融合智能的方法來實現機器認知，最終實現機器覺醒。

未來戰場，對抗態勢高度復雜、瞬息萬變，多種信息交匯形成海量數據，僅憑人腦難以快速、準確處理，只有人機融合的運行方式，基于數據庫、物聯網等技術群，指揮員（恰當的人+機）才能應對瞬息萬變的戰場，完成指揮控制任務。隨著無人系統自主能力的提升，人工智能集群功能的增強，自主決策逐步顯現。一旦指揮系統實現不同功能的智能化，感知、理解、預測的時間將會大大壓縮，效率明顯提高。加上用于戰場傳感器圖像處理的模式識別、用于作戰決策的最優算法，將賦予指揮系統更加高級的決策能力，逐步實現人與機的聯合作戰。

再談 jisuanji

對軍事智能而言，傳統的深度學習、強化學習這兩種機器學習形式存在著先天不足。智能往往就是“二班”的，“一班”（一般）的大都是三好學生，或許智能就是孫悟空—非存在的有，即主體、客體劃分之外的混體、動體或變體—主客體或客主體才是更好的劃分。自我不如變我，價值是贊同的程度，價值里既有基于事實的部分，也有虛構的部分，還有半虛半實的部分。

智能就是孫悟空—非存在的有，除了數，還有其它學，算計里面包含有一些非計算的成分，是一種有意識的計算，如矛盾、歧義、錨定、貝葉斯、N次錨定+N次貝葉斯…不鉆牛角的是計算，侯世達說的“怪圈”，對中國人而言不是，而是計算計（jisuanji)，jisuanji就是隨機應變+舉一反三+觸類旁通+彌聚有度+和而不同+不同而合。過時、刻板、機械的計算快害死了智能，未來的新計算或許能反映智能。

人類學習中的所有難以解釋的過程都不是機器能靠邏輯學習領會的，而機器學習作為基石如果無法完整的奠定軍事智能的基礎，那么再看上去厲害的成果實質上都是脆弱的。

有人說：“要在經典計算機上做到偶發，實現真正的人工智能恐怕很難，類腦計算機和量子計算機倒是有很大希望。量子計算機在運行中有相當比例的錯誤率，這里的錯誤會是實現計算機普適性的關鍵，但前提我們要找到駕馭它并進行信息篩選的方法。這將是通往人工智能的必由之路。”實際上，再快的計算也取代不了好的算計。算計基于價值，計算基于事實。好的算計有時也定量，是價值的量。

數據與知識的形成、使用、協同都是主客觀混合的過程，人機混合的核心問題也就是主客觀如何有效混合的問題，所以單純使用客觀手段很難實現對其根本性的理解、發現。不同的數據結合不同的知識可以產生相同的等價結果，可計算性完成了正向過程，而可解釋性需要完成其逆向過程，由于逆向過程的相對無限性（尤其對于當前數學的一義性和不完備性而言），所以事物的發展常常會不可解釋的，這也是機器學習不可解釋的根本所在。因此，對于人機之間的互學習，目前仍是一個不能實現的問題，究其因，機器學習不能實現人類學習中所能夠產生的一系列的隱性知識、規則與秩序。

許多人大都不自覺地使用還原思想去處理系統問題。人機環境系統中最難的是各種混合，如可計算、可算計、可判定、可解釋等方面的混合。

人機混合系統終究不是一個數學物理問題，但大家卻不自覺地都把它當成了一個數學物理問題去解決，這也就是它仍處在研究初級階段的主要原因：定位錯誤。各種態勢感知也是如此，它們與人的主觀性也有密切關系，卻常常被人有選擇性的忽略掉了。未來的人機環境混合智能系統應該是生物數學物理社會系統。

伊特爾森（Thomas Ittelson）有說過一段很重要的話：“物體和環境之間的區別是至關重要的，客體總是需要主體，無論是主-客體統一的哲學，還是將客體天真地看作一種‘事物’。相比之下，一個人不能成為一個環境的主體，而只能是環境的參與者。在環境中，自我與非自我之間的區別已經被瓦解：環境包圍、包含一切。沒有任何事物、任何人可以被孤立、被識別為站在環境的外面”。

前蘇聯的神經心理學家亞歷山大·魯利亞（Alexander Luria）和一個調查組去西伯利亞北部調查當地部落文盲的情況。調查組向當地人（文盲）提出一個三段論的問題：北極圈以北的熊是白色，西伯利亞在北極圈以北，那么西伯利亞的熊是什么顏色？當地人聽了之后，沒有回答這個問題。調查組認為他們無法理解三段論，在調查組離開后，魯利亞留了下來，接著跟當地人聊熊的顏色。他們說之所以不能回答熊的顏色，是因為他們從來沒有去過那里。他們不是不理解三段論，也不是沒有理解三段論的能力，而是因為三段論不是他們的理性。對于“熊是什么顏色？”這個問題，他們需要去到那里，見到熊之后才能回答，而不是建立在邏輯推理上的回答。他們的“理性”不同于我們建立在邏輯推理基礎上的“理性”，而是建立在具身感知基礎上。

人機交互中信息化、自動化與智能化是并存的，信息化強調的是載體流動的通暢有序性，自動化關注的是程序過程的確定性，智能化側重的是無限關系的有限合理性。