本文列举了人类已经具备但机器尚未具备的一些必备能力，并对当前的发展趋势——人机混合智能和人-机器分工。人工智能的快速发展给我们带来了很多便利，让机器逐渐从“自动化”走向“智能”。然而，当前的人工智能只是弱人工智能，在很大程度上只是高级自动化而非真正的智能，在通往真正智能的道路上存在诸多瓶颈[1]。机器智能要想更接近人类智能，就必须在很多方面更加“拟人化”，因为探索人类的认知学习方式尤为重要，而认知成为亟待解决的问题。当我们充分了解人类的认知过程，探索认知与技术的关系，并将其应用到机器上时，利用机器进行知识的认知分析和应用将是人工智能未来的发展方向。本文首先列举了一些人类存在而机器目前急需解决的问题，并给出了次优的方法——机器辅助决策。最后总结并展望了当前技术最有可能实现的人机混合智能。1.为什么机器不如人我将从以下五个方面介绍目前机器智能远远不够的一些原因，这也是人工智能想要实现人工智能急需解决的难题。突破。1.抽象与联想人的记忆能力是有限的，即人类不会死记硬背学习过程。按照常理，没有巨大记忆存储空间的人类，比机器海量数据支撑的强大数据库更强大。换句话说，学习过程应该更慢，但事实并非如此。原因是人类的学习充满了抽象和联想，而机器则不然。人的记忆力善于联想，相关的东西更容易记住。当你想到其中之一时，你会自然而然地将记忆与另一个联系起来。比如，看到好吃的饺子，就会想起以前妈妈包饺子的场景。比如路过某家店铺，会唤醒曾经来过这里的记忆。此外，人类的学习是在不断失败后进行学习，总结失败的规律，进行联想、知识迁移和关联学习，而不是像机器那样通过海量数据不断拟合到类似于人类的状态。在这里，人类记忆错误的规律也很有意思。在2021认知技术大会上，中科院上海生命科学研究院研究员王丽萍提到，以人类记忆一串长数字为例，与记忆长数字相比，记忆效应较短的数字串会更好。这也证实了人类记忆的存储空间是很小的。其次，在长串数字的记忆中，记忆效应从开始到结束并不是线性递减的。反之，开头和结尾的记忆效果较好，中间的记忆效果较差。此外，错误经常出现在相邻的地方。比如3和4记为4和3，数字没有问题，相邻的??顺序比较容易记错。如果期望机器更拟人化，是否可以将人类的记忆规则应用到机器对数据的存储和调用中。以及如何实现机器系统的抽象，如何描述系统的抽象结构，如何判断事物的相似性，通过寻找规律促进机器学习。目前，机器只能通过提取数据的共同特征，找到共同特征来“联想”。这种方法非常机械，需要大量的特征标签。除了费时费力的海量数据标注之外，还有一种更简单的方式来实现事物的相似关联，值得未来思考。2、机器的反馈当人类什么都不做或思考的时候，人脑的神经元并不都是静止的，此时大脑会进行一次记忆巩固。此外，人类的学习有一个反思的过程。前面说了，人的学习就是在反复失败之后学习，总结失败的规律。其中有人类的反思。反思可以促进知识的积累和价值的判断，从而促进人类的进步和不断发展。机器中的映射是一个反馈过程。在大脑中，前馈输入为主，反馈回路不多，但人却能很好地反映。现在的问题是明确机器的反馈应该是什么，给谁，让机器的反馈达到人的反映的效果。应该如何定量描述反馈，应该如何处理非线性反馈。3、数据-信息-知识-应用数据是记录在客观事物上的可识别符号，它包含有用的部分和冗余的部分。对数据进行处理，对数据有用的部分进行解释，使数据有意义，有意义的部分称为信息。通过人脑处理将信息联系起来并提取出来，可以获得具有规律性和普遍性的知识。智慧是通过逻辑思维和系统设计应用知识形成的，使知识具有溢出价值。对于机器来说，它只能处理数据，不具备像人类那样提取知识的能力，更谈不上很好地应用已有的知识。如何将人类可理解的知识转化为机器能够理解和执行，如何整合客观数据和主观信息，如何将知识迁移应用到多个领域，将是未来赋予机器真正智能的必由之路。4、小样本学习在海量数据支持机器智能的今天，机器只能通过大数据训练来达到贴合人类智能的效果。例如，深度学习需要大量的标记样本才能发挥作用。然而，在很多情况下，我们没有大量的样本和数据来提供机器进行机器学习。比如医疗领域、安全领域的很多问题是没有那么多标注数据的，获取标注数据的成本也非常高。在小样本的情况下，不足以支持机器学习的训练。然而在实际应用中，并没有办法针对各种突发事件和多变的环境提前通过大数据训练。人类有能力应对突发事件，但机器从小样本中学习的准确率低得离谱。如何让机器摆脱海量数据的前提条件，在处理小样本学习时得心应手，是当前急需解决的问题。对于这种情况，深度学习等机器学习方法并不能很好解决，从模糊决策树研究小样本学习或许可以。5.价值判断众所周知，人可以判断价值，但机器不能。王立平老师在发布会上提到，人脑有一个价值判断区，如何将其应用到机器上将是一个新的挑战。问题是如何把判断性的东西变成机器可以计算的东西，也就是怎么把人的计算变成机器的计算。不仅如此，在价值判断上，还涉及到伦理道德问题，以及价值判断出错后的问责问题。这些都是除了技术问题之外阻碍机器价值判断发展的重要因素。2.机器不一定非得是人形由于目前的技术限制，我们无法在短时间内解决上述许多方向。我们需要探索人类的认知机制、情感机制等，然后才能将其转化并应用到机器上，这需要很长的时间，需要不断的试错和打磨。所以在这段探索的过程中，我们不应该让机器的发展停止，还是可以让机器不断的更新迭代，让它有更适合人类的功能。因此，在某些情况下，机器不一定非要拟人化。一旦机器绝对拟人化，就会涉及伦理道德责任等复杂情况，需要考虑。机器的绝对拟人化未必是好事。1.机器不一定需要学习判断价值。机器虽然没有价值判断能力，但人有，那么人的价值判断就一定是正确的吗？对个人有价值的东西对集体未必有价值，甚至损害集体价值，那么在人机环境系统中，人所决定的价值方向可能是自私的，不利于整体环境。在这种情况下，机器可能不具备判断价值的能力，但可以从价值判断的标准入手，提醒人类避免不良的价值取向。机器不一定要拟人化，像人一样学习价值判断，只要能及时为人类提供价值判断标准，辅助人类做出正确的价值判断即可。2.机器不需要有人类的直觉。人类的思维模式分为快速思维和慢速思维两大系统。快速思维是一种依赖直觉的无意识思维系统，而慢速思维是一种需要主动控制的有意识思维系统[2]。思维快，自己跑，能很快给出答案，但不一定对。例如，我们凭情绪做出的判断很容易出现偏差。慢思考是基于证据和数据收集和研究的理性判断，结果往往是准确的。快思考类似于人的直觉和计算，而慢思考类似于人的计算。机器必须是拟人化的并具有人类的直觉吗？答案是不。人的直觉虽然很快，但不一定准确。对于计算能力强的机器完全没有必要。所以，对于机器来说，更需要发挥它的长处。人类在第一时间会习惯性的称之为快速思考，尽量避免这种不准确的快速思考，把计算交给机器。因此，当人类第一时间产生快速思维时，选择机器提醒辅助决策，可以避开人类。陷入思考。3、人机混合，各司其职由于技术限制和社会发展的刚性需求，人机混合智能逐渐成为当前最热门的发展趋势。人类有自己的优点，但也有工作速度慢、容易疲劳等缺点。这些只能由机器来弥补。但是机器不具备判断价值和推理情境的功能，这部分可以交给人类。人机协作可以发挥整个人机环境系统的最大效能。人机混合智能的出现，不仅减轻了人类的工作负担，也避免了人不在回路时可能出现的异常情况。这是人工智能发展的必然。人机混合智能，简单地说，就是充分利用人和机器的长处，形成一种新的智能形式[4]。人机混合智能理论侧重于描述人、机器和环境系统相互作用产生的一种新型智能。它不同于人类智能和人工智能。它是物理与生物相结合的新一代智能科学体系。人机混合体采用分层架构，如图1所示。人类通过后天获得的完善的认知能力对外部环境进行分析和感知，其认知过程可分为记忆层、意图层、决策层、感知和行为层，形成意向性思维；机器通过检测数据检测外部环境。知觉分析，其认知过程分为目标层、知识库、任务规划层、感知与执行层，形成形式化思维。相同的架构决定了人和机器可以在同一层次上融合，并且因果关系也可以在不同的层次上产生。图1人机混合智能下人机分工示意图然而，人机混合智能还存在一些问题需要关注和解决。一是人机分工的问题。什么样的任务应该交给人，什么样的任务应该交给机器？是否需要一个人机任务分配边界标准来划定什么任务分配是最优的。人容易疲劳，工作表现会受到情绪的影响，机器离了人就无法独立工作。那么什么样的人机分工才是最优解，仍然是一个需要探索的问题。二是降低系统认知负荷的问题。对于整个人机混合智能系统来说，降低系统的认知负荷尤为重要。在人机环境混合智能系统中，降低系统的认知负荷可以提高性能。无论是减少人类的认知负荷，减少机器处理的无用数据，还是减少环境的冗余信息，对于整个人机环境系统工程来说都是非常重要的。有效的信息检索可以减少无用数据的干扰，通过机器辅助决策也可以降低系统的认知负荷。三是信任问题。当机器进行辅助决策时，如果机器具有推理、联想和计划的能力，则可以增加人类对机器辅助决策的信任。否则，当机器提供辅助决策时，人类持怀疑态度，不仅不会减轻系统的认知负荷，反而会增加系统的认知负荷。以目前的技术，显然机器还不具备如此完备的辅助决策能力。人不信任机器的能力是不好的，过分信任就会出问题[3]。因此，当机器辅助决策系统还不完善时，系统显示的信息透明程度和系统的可解释性在这个时候就显得尤为重要。
