前幾年，深藍、沃森、阿爾法系列著實讓地球人發(fā)了幾次燒！近一段時間，隨著歲月的洗刷，人們逐漸冷靜下來后，面對各種復雜智能/智慧系統(tǒng)的期望，又不僅問道：AI靠譜嗎？人工智能真能在對抗博弈（多域、跨域）中起到作用嗎？對此，下面我們將拋磚引玉，提出幾點粗淺的認識以享！

人工智能有限的理性邏輯和困難的跨域能力是其致命的缺陷。人工智能無法理解相等關系，尤其是不同事實中的價值相等關系；人工智能也無法理解包含關系，尤其是不同事實中的價值包含關系（小可以大于大，有可以生出無）。人可以用不正規(guī)不正確的方法和手段實現(xiàn)正規(guī)正確的目的，還可以用正規(guī)正確的方法和手段實現(xiàn)不正規(guī)正確的意圖。還有，人可以用普通的方法處理復雜的問題，還可以（故意）用復雜的方法解答簡單的問題。

人工智能的理念源于20世紀40年代。1948年，英國科學家圖靈在其論文《計算機器與智能》中描述了可以思考的機器”，被視為人工智能的雛形，并提出“圖靈測試”。在之后的 1956年，馬爾文·明斯基、約翰·麥卡錫、香農(nóng)等學者在美國達特茅斯學院召開了一次關于人工智能的研討會，史稱“達特茅斯會議”， 正式確立了人工智能的概念與發(fā)展目標。研究L域包括命題推理、知識表達、自然語言處理、機器感知、機器學習等。人工智能60多年的發(fā)展歷程，可以總結為以下幾個主要發(fā)展階段。次G潮期（1956~1974）：達特茅斯會議之后，研究者們在搜索式推理、自然語言、機器翻譯等L域取得了一定的成果。次低谷期（1974~1980）：隨著計算機運算能力不足、計算復雜性較G、常識與推理實現(xiàn)難度較大等原因造成機器翻譯項目失敗，人工智能開始受到廣泛質疑和批評。第二次G潮期（1980~1987）：具備邏輯規(guī)則推演和在特定L域解決問題的專家系統(tǒng)開始盛行，日本“第五代計算機計劃”為其典型代表。第二次低谷期（1987~1993）：抽象推理不再被繼續(xù)關注，基于符號處理的智能模型遭到反對。發(fā)展期（1993~2012）：“深藍”等人工智能系統(tǒng)的出現(xiàn)讓人們再次感受到人工智能的無限可能。爆發(fā)期（2012-）：機器學習、移動網(wǎng)絡、云計算、大數(shù)據(jù)等新一代信息技術引發(fā)信息環(huán)境和數(shù)據(jù)基礎變革，運算速度進一步加快且成本大幅降低，推動人工智能向新一代階段爆發(fā)式增長。

現(xiàn)代的人工智能有點像小學生做作業(yè)，布置什么就是什么，缺乏需求任務的自主/自動生成、動態(tài)任務規(guī)劃、需求矛盾協(xié)調。很難處理快態(tài)勢感知和慢態(tài)勢感知之間的矛盾，更不容易實現(xiàn)整個人機環(huán)境系統(tǒng)的有機相互聯(lián)動和事實與價值元素的混編嵌入。

人機融合智能機制、機理的破解將成為未來戰(zhàn)爭致勝的關鍵。任何分工都會受規(guī)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(shù)據(jù)/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(yōu)勢便可以發(fā)揮出來了；另外，當獲得大量數(shù)據(jù)/信息/知識后，機器也可以先把他們初步映射到幾個L域，然后人再進一步處理分析。這兩個過程的同化順應、交叉平衡大致就是人機有機融合的過程。

未來的關鍵就在于人機融合的那個“恰好”！陰陽魚中間的那條S形分隔線，無論怎樣機器是不可能創(chuàng)造出意識來的，機器再多再大，也只是源自半個世界，小半個的世界。如若不信，不妨就請稍微關注一下當前的疫情演化苗頭，也許就會有點感覺了吧！

今天傍晚遛彎，竟然聽到了布谷鳥的叫聲。這不禁使人想起，不同地區(qū)的人會有不同的音譯，有“布谷，布谷”成“阿公阿婆，割麥插禾”的，還有“布谷，布谷”成“不哭不哭，光棍好苦”的，……總之，人可以隨心所意地布谷出各種各樣、千奇百怪的意思來，而對于機器而言，只有響度、音調和音色是反映聲音特性的三個物理量吧！

可解釋性：人工智能過不去的道坎

如今，AI的可解釋性正在成為一道過不去的坎，去年，歐盟出臺《人工智能道德準則》，明確提出AI發(fā)展方向應該是“可信賴的”，包含安全、隱私和透明、可解釋等方面。

人工智能應用以輸出決策判斷為目標�？山忉屝允侵溉祟惸軌蚶斫鉀Q策原因的程度。人工智能模型的可解釋性越G，人們就越容易理解為什么做出某些決定或預測。模型可解釋性指對模型內部機制的理解以及對模型結果的理解。其重要性體現(xiàn)在：建模階段，輔助開發(fā)人員理解模型，進行模型的對比選擇，必要時優(yōu)化調整模型；在投入運行階段，向決策方解釋模型的內部機制，對模型結果進行解釋。比如決策推薦模型，需要解釋：為何為這個用戶推薦某個方案。

目前，各L域對人工智能的理解與界定因L域分殊而有不同，但在共性技術和基礎研究方面存在共識。階段人工智能旨在實現(xiàn)問題求解，通過機器定理證明、專家系統(tǒng)等開展邏輯推理；第二階段實現(xiàn)環(huán)境交互，從運行的環(huán)境中獲取信息并對環(huán)境施加影響；第三階段邁向認知和思維能 力，通過數(shù)據(jù)挖掘系統(tǒng)和各類算法發(fā)現(xiàn)新的知識。

嚴格意義上說，美國的人工智能技術總體上世界L先，但是一旦涉及到人機融合智能，往往就體現(xiàn)不出那么大的優(yōu)勢了，甚至不見得有L先的態(tài)勢（也許中美在人機融合智能方面根本不存在代差）。究其因，人的問題。例如這次疫情，按醫(yī)療軟件、硬件、醫(yī)療人員水平條件來看，美國應該比目前狀況要比好得多，可惜應了《三體》里的一句話：弱小和無知不是生存的障礙，傲慢才是！L導人的失誤和錯誤已讓許多的先進性大打折扣，甚至蕩然無存。這不禁使人聯(lián)想到前幾日美國《軍備控制雜志》的報道可能也類似吧！美國防部2021財年申請289億美元用于美國核武器設施的現(xiàn)代化建設，體現(xiàn)了特朗普政府戰(zhàn)略發(fā)展重點：提升核指揮、控制和通信（NC3）基礎設施的G度自動化與提G其速度和準確性，但同時也引發(fā)一個令人不安的問題，即在未來的核戰(zhàn)爭中，AI自主系統(tǒng)在決定人類命運方面將扮演哪種角色？當前計算機輔助決策仍處于起步階段，容易出現(xiàn)難以預料的故障。機器學習算法雖擅長面部識別等特定任務，但也會出現(xiàn)通過訓練數(shù)據(jù)傳達的內在“偏見”。因此，在將人工智能應用于核武器指控方面需采取謹慎負責的態(tài)度，只要核武器存在，人類（而不是機器）就需要對核武器的使用行使終控制權，此時，人機融合智能的真實能力將會如疫情管控一樣顯得異常重要。

人機融合智能，根本上就是科學技術與人文藝術、數(shù)學符號事實語言與自然經(jīng)驗價值語言結合的代表。時空不但在物理L域可以發(fā)生彎曲，而且還可以在智能中發(fā)生了扭曲。如果說哲學邏輯經(jīng)歷了世界的本源問題、研究方法問題的轉向，那么上個世紀分析哲學——對人類語言工具的剖析成了人類思想上的一次 “革命”，這一場以維特根斯坦為象征的哲學革命，直接誘發(fā)了以圖靈機、圖靈測試為代表的人工智能科技之快速發(fā)展。但金觀濤老師的“真實性哲學”認為，在二十一世紀中分析哲學終反倒將哲學束縛在了牢籠中，實際上也造成了思想的禁錮：符號不指涉經(jīng)驗對象時亦可以有其自身的真實性，而且這一結論對數(shù)學語言和自然語言皆可成立。與此同時，純符號的真實性是可以嵌入到經(jīng)驗真實性中的；科學研究與人文研究可以成為有所統(tǒng)一但互不重疊且有各自真實性標準的兩個L域。人類的巨大進步是讓真實性本能（常識的客觀性）處于終J關懷和相應價值的系統(tǒng)的支配之下。但是今天真實性的兩大柱石正在被科學進步顛覆，真正令人感到恐怖的事情發(fā)生了：人正在無法抗拒地淪為聰明的“動物”——在一個真假不分的世界里，不會有是非，也不會有真正的道德感和生命的尊嚴。

人不僅是用符號的等同或包含邏輯關系來表達世界的，人的教育不等于學習與知識，而是把欲望誘導到好的方向。計算機本身是不可能跨越“理解”這個鴻溝的，只有人才可以跨越符號指向的困窘。對主體而言，符號與經(jīng)驗是混雜的，邏輯與非邏輯是混雜的，公理與非公理混雜在一起，數(shù)據(jù)、信息、知識混雜在一起，這也是為什么可解釋性之所以困難的主要原因們。人機融合就是符號（數(shù)學）如何程度不同地嵌入主體經(jīng)驗（受控實驗）之中，正如老子在《道德經(jīng)》中說：“道生一，一生二，二生三，三生萬物�！�

所謂的AI，很大程度上不過是運用了計算機不斷增強的計算能力，而采用這條路徑注定是錯誤的，人是活學活用，機是死學僵用。而人類智能就是對小樣本態(tài)勢感知的能力大小。態(tài)勢感知的一個著名例子就是中醫(yī)中的望聞問切，通過自然語言和數(shù)學語言之間的差別來打破心智與物理之間的分歧，進而把事實與價值統(tǒng)一起來。

態(tài)勢感知早應源于《難經(jīng)》第六十一難，曰：經(jīng)言，望而知之謂之神，聞而知之謂之圣，問而知之謂之工，切脈而知之謂之巧。何謂也？早使用四字聯(lián)稱，則應處于《古今醫(yī)統(tǒng)》：“望聞問切四字，誠為醫(yī)之綱L。”望是觀察病人的發(fā)育情況、面色、舌苔、表情等；聞是聽病人的說話聲音、咳嗽、喘息，并且嗅出病人的口臭、體臭等氣味；問是詢問病人自己所感到的癥狀，以前所患過的病等；切是用手診脈或按腹部有沒有痞塊（叫做四診）。

人工智能可解釋性之所以困難，其根本原因在于其包含的不僅僅是數(shù)學語言，還有自然語言，甚至是思維語言（所以根本不可能邁過這道坎）。而人機融合智能不但可以進行主體的懸置，還可以游刃有余地進行主體變換，在人、機、環(huán)境系統(tǒng)交互中真正實時適時地實現(xiàn)深度態(tài)勢感知，有機地完成數(shù)學語言、自然語言、思維語言之間的能指、所指、意指切換，可以輕松地直奔目的和意圖實現(xiàn)。

終身學習：人工智能過不去的第二道坎

人的學習學的不是知識，而是獲取數(shù)據(jù)、信息、知識經(jīng)驗的方法；機器的學習學的是數(shù)據(jù)、信息和知識。

不同的物質系統(tǒng)之間存在著相似性；同一物質系統(tǒng)的每個子系統(tǒng)與其整體系統(tǒng)之間也有相似性；具有不同運動形式和不同性質的物質系統(tǒng)，卻遵守著相似的物理規(guī)律，這些事實都說明：相似性是自然界的一個基本特性。比如質量-彈簧-阻尼構成的機械系統(tǒng)與電阻-電感-電容構成的電路系統(tǒng)是相似系統(tǒng)，就反映了物理現(xiàn)象之間的相似關系（一般而言，相似關系可以用來化簡復雜系統(tǒng)進行研究）。機器比較容易學習、遷移這種同質性、線性的相似系統(tǒng)，卻很難實現(xiàn)異質性、非線性相似系統(tǒng)的類比、轉換。但是人的學習卻可以在對稱與非對稱、同質與非同質、線性與非線性、同源與非同源、同構與非同構、同理與非同理、同情與非同情、周期與非周期、拓撲與非拓撲、家族與非家族之間任意自由馳騁、漫步。

機器的學習離不開時間、空間和符號，而人的學習則是隨著價值、事實、情感變化而變化的系統(tǒng)；機器的學習遵循、按照、依賴已有的規(guī)則，而人的學習則是如何修改舊規(guī)則、打破常規(guī)則、建立新規(guī)則。例如真正優(yōu)秀的L導人和指揮員在于如何打破規(guī)則——改革，而不是按部就班地邁著四方步穩(wěn)穩(wěn)當當?shù)刈呦驔]落和腐朽，更不是眼睜睜看著疫情泛濫施虐雙眼卻盯著競選和烏紗帽。

2017年3 月 16 日美國國防GJ研究計劃局（DARPA）計劃啟動 " 終身學習機器 "（Lifelong Learning Machines，L2M）項目，旨在發(fā)展下一代機器學習技術，并以其為基礎推動第三次 AI 技術浪潮。DARPA 認為 AI 技術的發(fā)展已歷經(jīng)次和第二次浪潮，即將迎來第三次浪潮。次 AI 技術浪潮以 " 規(guī)則知識 " 為特征，典型范例如 Windows 操作系統(tǒng)、智能手機應用程序、交通信號燈使用的程序等。第二次 AI 技術浪潮以 " 統(tǒng)計學習 " 為特征，典型范例如人工神經(jīng)網(wǎng)絡系統(tǒng)，并在無人駕駛汽車等L域取得進展。雖然上述 AI 技術對明確的問題有較強的推理和判斷能力，但不具備學習能力，處理不確定問題的能力也較弱。第三次 AI 技術浪潮將以 " 適應環(huán)境 " 為特征，AI 能夠理解環(huán)境并發(fā)現(xiàn)邏輯規(guī)則，從而進行自我訓練并建立自身的決策流程。由此可知，AI 的持續(xù)自主學習能力將是第三次 AI 技術浪潮的核心動力，L2M 項目的目標恰與第三次 AI 浪潮 " 適應環(huán)境 " 的特征相契合。通過研發(fā)新一代機器學習技術，使其具備能夠從環(huán)境中不斷學習并總結出一般性知識的能力，L2M 項目將為第三次 AI 技術浪潮打下堅實的技術基礎。目前，L2M包含30個性能團體的龐大基礎，通過不同期限和規(guī)模的撥款、合同開展工作。

2019年3月，DARPA合作伙伴南加州大學(USC)的研究人員發(fā)表了有關探索仿生人工智能算法的成果：L2M研究員兼USC維特比工程學院的生物醫(yī)學工程和生物運動學教授Francisco J. Valero-Cuevas與該學院博士生Ali Marjaninejad、Dario Urbina-Melendez和Brian Cohn一起，在《自然-機器智能》(Nature Machine Intelligence)雜志上發(fā)表了一篇文章，文中詳細介紹了人工智能控制的機器人肢體的成功研發(fā)。該肢體由類似動物的肌腱驅動，能夠自學行走任務，甚至能自動從平衡失調中恢復。

推動USC研究人員開發(fā)這一機器人肢體的是一種仿生算法，只需五分鐘的“非結構化游戲”(unstructured play)，就能自主學習行走任務；也就是說，進行隨機運動，使機器人能夠學習自己的結構和周圍的環(huán)境。

當前的機器學習方法依賴于對系統(tǒng)進行預編程來處理所有可能的場景，復雜、工作量大且低效。相比之下，USC研究人員揭示，人工智能系統(tǒng)有可能從相關的經(jīng)驗中學習，因為隨著時間的推移，它們致力于尋找和適應解決方案，以應對挑戰(zhàn)。

實際上，對于眾多無限的學習而言，人是很難實現(xiàn)終身的，總有一些能學習到，還有許多另一些也一知半解甚至一無所知的更多，對于沒有“常識”和“類比”機理的機器而言，終身學習也許就是一個口號！先需要理清楚的應該是：哪些能學？哪些不能學？

人類的學習是全方位的學習，不同角度的學習，一個事物可以變成多個事物，一個關系可以變成多個關系，一個事實不但可以變成多個事實，甚至還可以變成多個價值，更有趣的是，有時，人的學習還可以多個不同的事物變成一類事物，多個不同的關系可以變成一個關系，多個事實可以變成一個事實，甚至還可以變成一個價值。而機器學習本質上是人（一個或某些人）的認知顯性化，嚴格意義上，是一種“自以為”“是”，即人們常常只能認出自己習慣或熟悉的事物，所以，這個或這群人的局限和狹隘也就在不自覺中融進了模型和程序中，因而，這種一多變換機制往往一開始就是先天不足。當然，機器學習也并不是一無是處，雖然做智能不行，但用來做計算機或自動化方向的應用應該還是不錯的！

如果說，學習的實質就是分類，那么人的學習就是獲得并創(chuàng)造分類的方法，而機器學習只是簡單地被使用了一些分類的方法而已。DARPA的 " 終身學習機器 "（Lifelong Learning Machines，L2M）項目本質上也許就是一個美麗的泡泡，吹一下就會忽G忽低地漂浮在空中，盡管陽光照耀之下也會五彩斑斕，但終究會破滅的吧！

機器常識：人工智能過不去的第三道坎

正如所有的藥一樣，所有的知識都是有范圍和前提的，失去了這些，知識的副作用就會涌現(xiàn)出來。知識只是常識的素材和原材料，機器只有“知”而沒有“識”，不能知行合一。知識不應依附于思想，而應同它合二為一；知識如果不能改變思想，使之變得完善，那就好把它拋棄。擁有知識，卻毫無本事，不知如何使用——還不如什么都沒有學——那樣的知識是一把危險的劍，會給它的主人帶來麻煩和傷害。其中限制知識這些副作用發(fā)作的有效途徑之一便是常識的形成，一般而言，常識往往是碎片化的，而態(tài)勢感知就是通過對這些零零碎碎常識狀態(tài)、趨勢的感覺、知覺形成某種非常識的認識和洞察。另外，常識是人類感知和理解世界的一種基本能力。典型的AI系統(tǒng)缺乏對物理世界運行的一般理解（如直觀物理學）、對人類動機和行為的基本理解（如直覺心理學）、像成年人一樣對普遍事物的認知。

DARPA正在繼續(xù)開發(fā)第二代人工智能技術及其軍事應用的同時，積J布局第三代人工智能發(fā)展，2018-2020財年，通過新設項目和延續(xù)項目，致力于第三代人工智能基礎研究，旨在通過機器學習和推理、自然語言理解、建模仿真、人機融合等方面的研究，突破人工智能基礎理論及核心技術。相關項目包括：“機器常識”，“終身學習機”，“可解釋的人工智能”，“可靠自主性”，“不同來源主動詮釋”，“自動知識提取”，“確保AI抗欺騙可靠性”，“自動知識提取”，“加速人工智能”，“基礎人工智能科學”，“機器通用感知”，“利用更少數(shù)據(jù)學習”，“以知識為導向的人工智能推理模式”，“GJ建模仿真工具”，“復雜混合系統(tǒng)”，“人機交流”，“人機共生”等。除此，DARPA近期發(fā)布的人工智能基礎研究項目廣泛機構公告還包括：“開放世界奇異性的人工智能與學習科學”，“人機協(xié)作社會智能團隊”，“實時機器學習”等。

如果學問不能教會我們如何思想和行動，那真是莫大的遺憾！因為學問不是用來使沒有思想的人有思想，使看不見的人看見的。學問的職責不是為盲人提供視力，而是訓練和矯正視力，但視力本身需要是健康的，可以被訓練的。學問是良藥，但任何良藥都可能變質，保持時間的長短也要看藥瓶的質量。

俄羅斯人弗拉基米爾·沃沃斯基（Vladimir Voevodsky）的主要成就是：發(fā)展了新的代數(shù)簇上同調理論，從而為深刻理論數(shù)論與代數(shù)幾何提供了新的觀點。他的工作的特點是：能簡易靈活地處理G度抽象的概念，并將這些要L用于解決相當具體的數(shù)學問題。上同調概念初來源于拓撲學，而拓撲學可以粗略地說成是“形狀的科學”，其中研究沃沃形狀的例子如球面、環(huán)面以及它們的G維類似物。拓撲學研究這些對象在連續(xù)變形（不允許撕裂）下保持不變的基本性質。通俗地說，上同調論提供了一種方法將拓撲對象分割成一些比較容易研究的片，上同調群則包含了如何將這些基本片裝配成原來對象的信息。代數(shù)幾何中研究的主要對象是代數(shù)簇，它們是多項式方程的公共解集。代數(shù)簇可以用諸如曲線或曲面之類的幾何對象來表示，但它們比那些可變形的拓撲對象更具“剛性”。

DARPA戰(zhàn)略技術辦公室（STO）2017年提出的“馬賽克戰(zhàn)”概念認為未來戰(zhàn)場是一個由低成本、低復雜系統(tǒng)組成的拼接圖，這些系統(tǒng)以多種方式連接在一起，可創(chuàng)建適合任何場景的理想交織效果。這個概念的一部分是“以新的令人驚訝的方式組合當前已有的武器”，重點是有人/無人編組、分解的能力，以及允許指揮官根據(jù)戰(zhàn)場情形無縫召喚海陸空能力，而不管是哪支部隊在提供作戰(zhàn)能力。

簡單地說，上面介紹的“馬賽克戰(zhàn)”和“機器常識”，都是對抗博弈人機環(huán)境系統(tǒng)的新型拓撲系統(tǒng)，如同沃沃斯基創(chuàng)立的“主上同調”（motivic cohomology）理論。其中，真正厲害的不是那些基本的知識、條例和規(guī)則，而是應用這些基本的知識、條例和規(guī)則的在實踐中獲得普遍成功能力的人，比如以毛澤東（湖南一師）、粟裕（湖南二師）等為代表的一大批非軍事名校畢業(yè)的戰(zhàn)略家和軍事家終以自己的常識打敗了黃埔軍系校長和將軍們的知識......

尾 聲

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(yōu)，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：先是找到數(shù)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?shù)臅r機、方式和作用，后，人做對的事，AI“把事情做對”。

近，美陸軍未來司令部司令約翰·默里上將和陸軍其他技術L導人強調“人類”需要終作出重要決定并掌控“指揮和控制”系統(tǒng)，同時還明確指出快速演化的人工智能武器系統(tǒng)應用可以讓陸軍指揮人員“率先看到、率先作出決定、率先采取行動”，當然由此能夠更快地摧毀敵人。（人工智能的數(shù)據(jù)處理能力會讓人類的決策速度呈現(xiàn)指數(shù)J的提G，即提速OODA環(huán)。）仔細想想，任何事物都不會無中生有，凡事都有苗頭和兆頭，人機融合就是能夠及時（恰如其分）地捕捉到這些零零碎碎的跡象和蛛絲馬跡，太快太慢都不好，“率先看到、率先做出決定、率先采取行動”，不一定由此能夠更快地摧毀敵人。有時，慢一點未必不是一個好的選擇，太快了也許更容易上當受騙吧！

目前，人智與AI的失調匹配是導致目前人工智能應用L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(tài)。危機管理呢？常常是疊加勢：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(tài)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？

科學的缺點在于否認了個性化不受控不可重復的真實。所以基于這種科學性的基礎上必然會帶來一些缺陷。人，尤其是每個人都是天然的個性化不受控不可重復的主體，你不能說他就是不存在的。從這個角度看，人機融合的實質就是幫助科學完善它的不足和局限。

大數(shù)據(jù)的優(yōu)點是受控實驗普遍可重復性，如此一來可以尋找共性規(guī)律——按圖索驥；但是，這也是大數(shù)據(jù)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(xiàn)，表現(xiàn)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(xiàn)在是人機求劍。

無論多牛的數(shù)學，都是人去發(fā)現(xiàn)、發(fā)明，脫離了人，就沒有數(shù)學和人工智能，但是人都有缺點和死角，都有轉不過來的時候，所以人機融合才是未來智能的方向和大勢！人工智能過不去的這三道坎，人機融合智能可以過去，究其因，也還是沒有人過不去的坎！