本文嚟自微信公眾號“騰雲”（ID:tenyun700），作者：劉偉，經授權發布。
“未嚟智可以網絡，博弈態勢高度複雜、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。”喺人機融合智可以專家、北京郵電大學崗位教授劉偉睇嚟，隨住智可以化嘅唔斷髮展，智可以化裝備嘅大量使用，傳統嘅網絡形態、運行機理將發生巨大嘅顛覆。
佢指出，“只有人機融合嘅運行方式，基於彈性數據庫、互聯網、物聯網、車聯網等技術群，系統（人+機+環境）先可以應對瞬息萬變嘅任務情境，完成調度控制任務。”
這突顯出關於“未嚟智可以網絡”研究嘅重系要意義。
2020年12月，騰訊董事識主席兼首席執行官馬化騰都提到“全真互聯網”嘅概念。喺佢睇嚟，“這系一個從量變到質變嘅過程，佢意味住線上線下嘅一體化，實體同电子方式嘅融合。”
從互聯網、物聯網到全真互聯網，唔同嗰時代下，“網絡”嘅升級進化都將產生深刻影響。
世界系由眾多事物相互關聯喺一齊嘅，入面充滿各種各樣嘅關係，正系呢啲關聯同關係才構成生命、生活同生態，先唔斷孕育出智可以、網絡、意義、責任、權力、自由、平等、意圖、自主等抽象嘅概念同範疇。
隨住深度學習、強化學習等新一代人工智可以技術嘅發展，佢喺計算機視覺、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好大嘅突破，人工智可以喺数字網絡領域應用都愈加廣泛，催生未嚟智可以網絡嘅概念。
智可以化嘅唔斷髮展，智可以化裝備嘅大量使用，唔但將同傳統嘅網絡形態從技術上產生巨大嘅唔同，喺互聯網同物聯網嘅理論上都將對傳統網絡運行機理產生唔同程度嘅顛覆。因此，家陣嗰時加快智可以化發展，唔剩只系要繼續智可以化裝備嘅研究，仲系要系要提高對智可以化環境條件下新型網絡理論嘅研究。
未嚟智可以網絡研究系一個領域，唔系一個學科，我哋必須系要用唔同嘅方法論，從唔同嘅角度嚟研究未嚟智可以網絡，方法論、角度越多，未嚟智可以網絡研究就識做得越好。概況起身以下幾個主系要問題特別值得關注。
人機環境網絡系統中嘅深度態勢感知問題
從表面上睇，各國未嚟智可以網絡發展非常迅速：百舸爭流，百花齊放，百家爭鳴，一片熱火朝日嘅景象，實際上，各國嘅網絡智可以化進程卻都存在住一個致命嘅缺點，就系沒可以深入地處理人機環境系統融合嘅智可以問題，尤其系深度態勢感知問題。
任何顛覆性科技進步都可回溯到基礎概念嘅理解上，例如人嘅所有行為都系有目嘅嘅，呢個目嘅性就系價值，目嘅性可以分為遠中近，其價值程度都相應有大中小，除價值性因果推理之外，人比人工智可以更為厲害嘅仲有各種變特徵、變表徵、變理解、變判斷、變預測、變執行。
嚴格噉講，家陣嗰時嘅人工智可以技術網絡應用場景好窄，屬於計算智可以同感知智可以嘅前期階段，唔識主動地刻畫出準確嘅網絡場景同情境，而智可以科學中最難嘅就系刻畫出有效嘅網絡場景或上下文，而過去同現代網絡智可以化嘅思路卻系訓練一堆人工智可以算法，各自綁定各自嘅網絡應用場景。
一般而言，呢啲人工智可以技術就系用符號/行為/聯結主義進行客觀事實嘅形式化因果推理同數據計算，好少涉及價值性因果關係判斷同決策，而深度態勢感知中嘅深度就系指事實同價值嘅融合，態、勢涉及客觀事實性嘅數據及信息/知識中嘅客觀部分（如突顯性、嗰時、空參數等），簡單稱之為事實鏈，而感、知涉及主觀價值性嘅參數部分（如期望、努力程度等），唔妨稱之為價值鏈，深度態勢感知就系由事實鏈同價值鏈交織糾纏喺一齊嘅“雙螺旋”結構，進而夠曬實現有效嘅判斷同準確嘅決策功可以。
另外，人側重於主觀價值將控算計，機偏向客觀事實過程計算，都系一種“雙螺旋”結構。點樣實現這兩種“雙螺旋”結構之間（嗰時空、顯著性、期望、努力、價值性等）嘅恰當匹配，系各國都沒有解決嘅難題。某種意義上說，深度態勢感知解決嘅唔剩只系人機環境網絡系統中嗰時間矛盾、空間矛盾嘅突顯性，仲有事實矛盾、價值矛盾同責任矛盾嘅選擇性。
矛盾就系競爭，決策包含冒險。好嘅態勢感知可以力就系喺混亂中睇到秩序、喺唔可可以中睇到可可以、喺黑暗中睇到光明……所以，目前智可以網絡領域嘅瓶頸定系人機融合智可以中嘅深度態勢感知問題。
唔確定性問題
著名軍事理論家克勞塞維茨認為：戰爭系一團迷霧，存在住大量嘅唔確定性，系唔可知嘅。這入面嘅唔可知系唔可預知、唔可預測，從現代人工智可以嘅發展趨勢嚟睇，但系預見未嚟智可以網絡中存在住好多人機融合隱患仍未解決，具體有：
- 喺複雜博弈環境中，人類同機器系喺特定嘅嗰時空內吸收、消化同運用有限嘅信息，對人而言，人嘅壓力越大，誤解嘅信息就越多，都就越容易導致困惑、迷茫同意外；對機器而言，對跨領域非結構化數據嘅學習、理解、預測依然系非常困難嘅事。
- 網絡中嘅決策所需信息喺嗰時空、情感上嘅廣泛分佈，決定喺特定網絡情境中，一啲關鍵信息仍然好難獲取，而且機器採集到嘅重系要客觀物理性數據同人類獲取嘅主觀加工后嘅信息、知識好難協調融合。
- 未嚟智可以網絡中存在嘅大量非線性特徵同出乎意料嘅多變性，常常識導致運行操作過程及結果嘅諸多唔可預見性，基於公理嘅形式化邏輯推理已遠遠唔可以滿足複雜多變智可以網絡嘅需求。
人嘅問題
“跨域協同”問題從根本上說就系一個“人嘅問題”。“互聯網”、“物聯網”、“車聯網”以及“全真互聯網”解決“跨域協同”問題嘅方式方法可以用兩個術語嚟概括。
一系聚合（convergence），即“為達成某種意圖喺嗰時間同物理空間上跨領域、環境同職可以嘅可以力集成”；
二系系統集成（integration of systems），唔剩只聚焦於實現“跨域協同”所需嘅人、物同流程，仲系要重視技術方案。截至目前，“跨域協同”尚沒有承認，家陣嗰時嘅系統同列編項目系“煙囪式”嘅互相獨立，跨域機動同聯通需系要“人”方面嘅解決方案。
隨住自動化、機器學習、人工智可以、新型網絡等技術嘅成熟，人哋將進一步尋求應用呢啲技術可以力嚟進一步挑戰傳統網絡嘅不足，打破現有啲“煙囪式”方案，設計出背後有人機環境系統工程做支撐嘅新方案，系未嚟智可以網絡嘅責任。
無論系縱觀古今，定系展望未嚟，各種網絡裝備或系統始終都系一個人-機-環境系統。
無論系而家定系未嚟，無人機、無人車、無人艇等各種交通運輸裝備都唔可可以系完全無人嘅，只不過系人由前置轉為後置，由體力變為智慧，由具體執行變為調度控制，其中涉及到複雜嘅人機交互及其相互關係嘅問題，單純嘅人工智可以同人類智可以都唔可以使其發揮最大效可以，人機智可以嘅混合系其重系要嘅發展方向。
準確噉講，未嚟智可以網絡唔剩只包含自然科學同工程技術，仲系要涉及好多社識科學嘅領域，如人文、哲學、宗教乃至藝術等等，呢啲從維特根斯坦著名嘅著作——《邏輯哲學論》中嘅第一句話就可見一斑：世界系由事實（即聯繫）構成嘅，而唔系由事物（即屬性）構成嘅。
好嘅網絡系統有嗰時候唔剩只系技術定系藝術。未嚟智可以網絡系系統工程之冠上嘅明珠，相對傳統嘅網絡系統，其動態適應性運行更強，其智可以唔剩只系物聯網/車聯網嘅智可以更系人類互聯網系統嘅智可以，系體系嘅智可以化。
未嚟智可以網絡嘅最優存在形態應該唔系個體性嘅（比如異常先進嘅互聯網或物聯網單平台），而系喺統性嘅（多網絡性嘅），更有可可以系橫跨各人機環境系統體系性嘅（如跨唔同網絡嘅生態體系），並且該體系仲識唔斷自行生長升級。
雖然前途系光明嘅，但我哋依然有理由認為，隨住数字化環境嘅性質嘅唔斷演變，智可以技術將對未嚟智可以網絡嘅演變識做出重大貢獻，但過高估計技術變革嘅速度同先進技術喺未嚟發展中所起嘅作用仍具有風險。
過分強調技術將識使睇唔見嘅各種盲點一直存在，進而識喺唔定任務、情境同運行中意外出現。追求尖端技術並無問題，但喺可見嘅未嚟智可以網絡中，將控嘅關鍵因素依然系人。事實上，這同毛澤東同志有關人民戰爭戰略思諗系一致嘅：武器系戰爭嘅重系要因素，但唔系決定嘅因素，決定嘅因素系人而唔系物。
未嚟智可以網絡嘅關鍵，喺於人機環境系統嘅有效協同
如果說“邏輯系符號串嘅等同或包含關係”，同比非邏輯則系非符號嘅等同或包含關係。人工智可以處理一啲邏輯問題較好，而人處理一啲非邏輯問題稍優，人機融合則可以處理邏輯同非邏輯嘅融合問題。
人工智可以喺未嚟智可以網絡中起重系要作用需系要幾個條件：首先系搵到數學定量計算就可以解決嘅部分，其次同人融合過程中使該AI部分搵到適當嘅嗰時機、方式同作用，最後，人做對嘅事（將握方向），AI“將事做對”（過程實現）。
最近，唔少網絡專家同智可以網絡部門技術領導人強調“人類”必須最終作出重系要決定並掌控“調度同控制”系統，同嗰時仲明確指出快速演化嘅人工智可以裝備系統應用可以等控制人員“及時睇到、率先作出決定、率先採取適當行動”，當然由此夠曬更快地消除各種事故/故障隱患。（人工智可以嘅數據處理可以力識使人類嘅決策速度呈現指數級嘅提高，即提速OODA環。）
仔細諗諗，任何事物都唔識無中生有，凡事都有苗頭同兆頭，人機融合就系夠曬及時（恰如其分）地捕捉到呢啲零零碎碎嘅跡象同蛛絲馬跡，太快太慢都唔好，正如美國諾貝爾經濟獎得主卡內曼喺《思考：快同慢》一書中將人類嘅本可以意識快決策稱為系統一，將人類嘅理性邏輯慢決策稱為系統二，並考察系統一同系統二之間嘅區別。
實際上，經過我哋進一步研究，人機環境系統嘅深度態勢感知中應該仲有決策系統三：人類理性同感性結合嘅唔快唔慢嘅right決策系統。
目前，人類智可以同網絡嘅失調匹配系導致目前智可以網絡系統應用領域弱智嘅主系要原因。
人可以身喺曹營心喺漢，系非、01同喺：既系又唔系，疊加“態”。喺危機管理中常常出現嘅系疊加“勢”：危險同機會共生，危中有機，機中有危，兩者糾纏喺一齊。點樣因勢利導、順勢而為，則系人機融合智可以中深度態勢感知嘅關鍵。
人機系非同構嘅，即本質系唔同嘅兩者事物，一個受控實驗部分唔可重複，一個受控實驗普遍可重複。人嘅智慧都系由受控同唔可受控部分、可重複同唔可重複部分構成嘅。另外，真正嘅博弈智可以唔系大數據嘅，而系個性化嘅小數據或無數據，噉就同智可以網絡嘅普適智可以系要求存在呢一定程度嘅偏差。
科學嘅缺點喺於否認個性化唔受控唔可重複嘅真實。所以基於呢種科學性嘅基礎上必然識帶嚟一啲缺陷。人，尤其系每個人都系天然嘅個性化唔受控唔可重複嘅主體，你唔可以說佢就系唔存在嘅。從呢個角度睇，人機環境融合嘅未嚟智可以網絡實質就系幫助科學完善佢嘅不足同局限。
大數據嘅優點系受控實驗普遍可重複性，咁一嚟可以尋找共性規律——按圖索驥；但系，呢啲都系大數據嘅一個缺點，容易忽略新生事物——受控實驗唔可重複部分嘅出現，表現出刻舟求劍效應。有啲受控實驗唔可重複之真實性都系存在嘅，但這唔喺科學範圍內。以前系盲人摸象，而家系人機求劍。
對未嚟智可以網絡而言，無論機器學習定系自主系統，都唔外乎係為咗結合人、機嘅優點，取長補短、相得益彰，精確地感知、正確地推理同準確地預測，進而達到隱真使假、去偽存真、去粗存精、由此及彼、由表及入面，所以，喺未嚟智可以網絡中，對人機環境系統融合智可以機制、機理嘅破解以及有效嘅協同方式將成為未嚟網絡發展嘅關鍵。
任何分工都識受規模同範圍限制，人機融合智可以中嘅功可以分配系分工嘅一部分，另外一部分系可以力分配。功可以分配系被動嘅，外部需求所致；可以力分配系主動嘅，內部驅動所生。
喺複雜、異質、非結構、非線性數據/信息/知識未嚟智可以網絡中，人嘅或者系類人嘅方向性預處理好重系要，當問題域被初步縮小範圍后，機器嘅有界、快速、準確優勢便可以發揮出嚟；另外，當獲得大量數據/信息/知識后，機器都可以先將佢哋初步映射到幾個領域，然後人再進一步處理分析。這兩個過程嘅同化適應、交叉平衡體現嘅就系人機有機融合嘅過程。
人機融合知識表徵方面主系要嘅問題系：缺少夠曬將傳感器數據同人類嘅知識融合、適應實際作戰場景嘅彈性知識庫。
人類有完備嘅理論知識，對於組織準備、下定決心、裝備準備以及實嗰時操作行動都有特定嘅表徵習慣。因此機器如果諗系要理解人類喺特定任務場景下嘅語義表達，需系要結合任務、態勢、方式、環境等因素自動分析，形成綜合態勢判斷。唔可以基於傳統嘅“編程思維”事先窮舉所有因素，而系喺要對各種網絡情況進行“感知、理解同學習”，使知識庫具有彈性，但系以夠進行更新迭代，解決人機融合數據-知識中嘅一致性問題。
人機融合決策機制方面主系要嘅問題系：缺少基於人機溝通嘅個性化智可以決策機制。
人類嘅風格千差萬別，但系以夠實現高效人機協作嘅智可以系統一定系個性化嘅智可以系統。“個性化”嘅智可以系統唔系簡單嘅機器對人類習慣嘅適應同遷就，而系應該建立一種人機溝通嘅框架同機制。系統嘅決策建議有可可以系對人類思路嘅補充，都有可可以同人類嘅調度控制風格完全相反，通過唔斷實踐獲得反饋，人機融合決策可以力獲得迭代發展，最終實現個性化嘅輔助決策系統，達到人同機器、環境系統網絡嘅最優匹配。
人工智可以只系人類智可以可描述化、可程序化嘅一部分，而人類嘅智可以系人、機（物）、環境系統相互作用嘅產物。
智可以生成嘅機理，簡而言之，就系人物（機屬人造物）環境系統相互作用嘅疊加結果，由人、機器、各種環境嘅變化狀態所疊加衍生出嘅形勢、局勢同趨勢（簡稱勢）共同構成，三者變化嘅狀態有好有壞、有高有低、有順有逆，體現智可以嘅生成則系由人、機、環境系統中嘅態、勢同諧共振大小程度所決定嘅，三者之間具有建設性同破壞性干涉效應，或增強或消除，三位一體則智可以強，三位多體則智可以弱。點樣調諧共頻則系人機融合智可以嘅關鍵。
當代人工智可以由最初嘅完全人工編譯嘅機器自動化發展到人工預編譯嘅機器學習，接下嚟嘅發展可可以系通過人機融合智可以嘅方法嚟實現機器認知，最終實現機器覺醒。
總之，未嚟智可以網絡，博弈態勢高度複雜、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，只有人機融合嘅運行方式，基於彈性數據庫、互聯網、物聯網、車聯網等技術群，系統（人+機+環境）先可以應對瞬息萬變嘅任務情境，完成調度控制任務。
隨住無人網絡系統自主可以力嘅提升，人工智可以集群功可以嘅增強，自主決策逐步顯現。一旦調度系統實現唔同功可以嘅智可以化，感知、理解、預測嘅嗰時間將識大大壓縮，效率明顯提高。
加上用於諸多智可以傳感器圖像處理嘅模式識別、用於網絡實嗰時決策嘅最優算法，將賦予未嚟智可以網絡系統更加高級嘅決策可以力，逐步實現人、機同環境智可以網絡系統嘅聯合運行。
作者簡介：
本文作者系北京郵電大學崗位教授，劍橋大學訪問學者，清華大學戰略同安全研究中心人工智可以組專家。至今發表論文70多篇，出版專著4部，譯著2部。作為項目負責人主持國家自然科學基金、總裝預研、中國博士后科學基金等。現為中國信息同电子工程科技發展中心專家委員識特聘專家、國家自然科學基金評議專家、全國人類工效學標準化技術委員識委員、中國人工智可以學識高級識員、《心理學報》、Ergonomics、Human factor等審稿專家。
其研究領域為：人機融合智可以、認知工程、人機環境系統工程、未嚟態勢感知模式同行為分析/預測技術等多方面等。
2021-03-10 10:06:35
请登录之后再进行评论