人工智能中的三支結構

張傳雷，姚一豫

1. 天津科技大學 人工智能學院，天津 300457

2. 里賈納大學 計算機系，里賈納S4S 0A2

1 三支決策理論

長期的粗糙集研究為三支決策[1?4]（three-way decisions，3WD）方法的形成提供了基礎。 這一方法首先專注于概率粗糙集理論，通過融合概率論和粗糙集理論，研究者試圖更好地處理不完備信息和不確定性。同時，研究還匯總了與人類認知過程相符的思維習慣和決策方式，以確保所提出的模型與人的思考方式相一致。在概率粗糙模型中，研究者采用了參數a和β來劃分論域，將其分為正域、邊界域和負域3 個關鍵區域。參數a決定了正域的大小，而參數β則在邊界域方面起到關鍵作用。這一劃分使得模型能夠更靈活地適應不同的問題領域和數據特征。正域規則被解釋為接受，這意味著在正域內的條件下，決策是可行的且有置信度。負域規則則表示拒絕，即在負域內的條件下，某些決策是被排除的。而邊界域規則則代表由于不確定性而無法做出明確接受或拒絕的判斷，因此需要延遲決策。這種對不確定性的合理處理使得模型能夠更為靈活地應對實際決策中的各種復雜情況[5?6]。3WD 的概念體現了這種劃分，其中正域規則用于表示接受，負域規則用于表示拒絕，而邊界域規則則表明在某些情況下無法做出明確的接受或拒絕決策，因此需要延遲判斷。3WD 被認為是一種高效、低成本、高回報、容錯性強的復雜問題解決方法之一。在2012 年，提出了較為完整的3WD 理論與思想方法[7]。隨后，在2018 年，筆者進一步改進為更完整的分–治–效模型，即TAO 模型[5]。3WD 理論的思想清晰明了、實際效果顯著，因此在各行各業都有廣泛的運用。由于其在處理不確定性問題時的可解釋性和可行性，它逐漸成為知識發現領域的研究熱點，成為指導科學研究的方法論，并在實際問題處理中發揮了指導作用[8?9]。在2020 年，基于基本幾何概念（例如點、線、三角形、圓等），提出了3WD 的幾何表示結構，并使用了來自不同學科和領域的示例來說明這些結構的表達及其物理解釋[8]。隨后，在2022 年基于3WD 原則，提出了數據科學的概念模型和符號–意義–價值（symbolmeaning-value，SMV）空間，從信息科學、管理科學、認知科學和計算機科學的角度討論了SMV空間的3 個維度[10]。

到現在為止，3WD 研究主要集中在構建理論和數學模型，探索3WD 方法和應用[11?15]。作為三元思維的理論，3WD 在許多學科和領域都有普遍適用性，為求解復雜問題提供了一種有效的策略[15?18]。而在人工智能領域中，3WD 同樣也發揮了重要的作用。本文將3WD 理論與人工智能的發展和研究相結合，從3WD 幾何結構的角度闡述了人工智能的發展歷程、技術分類、關鍵研究問題以及未來的發展方向。其中包括：人工智能的人工智能研究中的三大主義、人工智能發展中的三分類、機器學習的3 種方式、智能本質中的三層金字塔結構、智能生成機理中的三支結構、大數據的三V 結構、人工智能倫理的三定律以及人類與機器之間的三元關系等方面。

2 3WD 的常見幾何結構

2.1 三段線結構

在3WD 幾何結構中，三段線結構是一種廣泛用于表達現實世界簡單和直接的幾何結構，可以用來表達空間和時間的概念[8]。可以將一個連續的整體分成3 個部分，從定量理解到定性理解事物的變化規律。事物定量變化一旦超過某些閾值（例如α和β），它們就成為定性的變化，這是三段線結構中分段的基本思想。這種定量和定性相結合表示的三段線結構易于表示和理解，在3WD 幾何結構中無處不在。圖1 表示3WD 中的三段線幾何結構，它形象描述了我們日常的時間概念，即過去、現在和未來。盡管明確地給出了一對3 段式時間線的閾值（α，β），但應該注意的是，這種清晰的定性變化在實踐中可能并不十分明確。

圖1 3WD 中三段線幾何結構

2.2 三層幾何結構

在很多情況下，3WD 中的三元組可以表現為三層幾何結構，以表達三元之間的控制和支持關系[8]。三層幾何結構是3WD 最為重要的幾何結構和模式之一。3 個常用的三層幾何結構是三層結構、三層金字塔結構和三環結構。如圖2所示。

圖2 3WD 中的三層幾何結構

2.2.1 三層結構

在圖2（a）中，使用3 個相同大小的矩形來表達3 個水平的相同性，3 個水平中的每層和其他2 層一樣重要。這3 個層只是在不同的抽象、細節或規模水平上描述或代表同一個問題，它們從3 個不同的角度提供了對整體的描述。三層結構的典型例子包括三層政府結構、三層管理架構、三層領導架構、三層策略、三層經濟水平等等。在3WD 中的三層幾何結構里面，通常在層與層之間存在著控制–支持關系，頂層或內層通過中層與底層或外層間接相關聯。如圖2 實線所示，較高的層控制并決定其較低的層；如圖2 虛線所示，較低的層在某種意義上支持其較高層[8]。

2.2.2 三層金字塔結構

在圖2（b）中，用一個三層金字塔來描述一個三元組。把圖2（b）稱為金字塔，是因為該結構中三層有不同的大小，形成了一個金字塔結構，底部大，頂部小。可以把一個三元組的3 個事物表示為金字塔中的3 個層次。另外，金字塔結構提供了一個層次組織的形象比喻，它的底層有大量的成員，隨著層次的上升，頂層的成員數量越來越少。圖2（a）中的三層結構體現了3 個層次的相同感，而三層金字塔結構則體現了3 個層次的差異，這種差異使三層金字塔結構成為一種常用的幾何結構[8]。

2.2.3 三環幾何結構

三層結構和三層金字塔結構適合于對三元組的自上而下和自下而上的理解。在某些情況下，我們想根據內部與外部的空間包含關系來考慮3 件事。一個有多層的圓或一族同心圓可以起到這個作用。圖2（c）是由內層、外層和中間層組成的三環結構。向外看，內層決定或支撐中間層，中間決定或支撐外層；向內看，外層建立在中間層之上，中間層建立在內層之上。這個洋蔥結構的3 層大小直觀地提供了2 種解釋。由小到大的層序反映了一種由小的內核向大的外殼的生長。從大到小的順序表示較小的層被較大的層包含。

2.3 三腳架幾何結構

3WD 是基于思維體系的三元思維方式，具有廣義的解釋與常用的策略和方法。根據不同的應用，3WD 中的“三”有多種解釋，例如，三要素、三部分、三維度、三側面、三粒度等，體現了事物整體中各部分之間的關系以及三元組之間的交互，包括一些有用和重要的關系、互動和依賴等。為了引入這些關系，可以用一個三腳架結構來表示這類三元組關系，如圖3 所示[8]。

圖3 3WD 中的三腳架幾何結構

圖3 中的中心圓圈代表一個整體， 3 條線描述了部分與整體的關系。由里向外看，整體被分成3 個部分，分別用a～c表示； 由外向里看，3 個部分支撐著整體。不同部分之間的關系是通過它們與整體的聯系來實現的，例如，a和b是通過中心的圓相關聯的。最后，整體通過三腳架將3 個部分結合在一起[8]。

2.4 3WD 中的優先順序幾何結構

到目前為止，討論的是3WD 中三元組之間的幾何結構關系及其表征和解釋。當運用策略來實現最優結果的時候，有些情況下需要考慮反映對三元組偏好的結構關系，這種偏好關系也可以理解為優先級關系[8]。如圖4 所示，有3 種基本的偏好結構關系[4]：無序結構（如圖4（a））、偏序結構（如圖4(b)～圖4(d)）和全序結構（如圖4(e)）。當一個三元組中的3 個元素具有同等的重要性，或者強加一個優先順序沒有意義時，把優先順序簡單地表示為3 個點，如圖4（a）所示。圖4（b）表明在三元組中一個元素優先于另一個，并且這2 個元素都不能與第3 元素相比較。雖然把一個整體分成3 個部分，但可能只需要按一定順序處理其中的2 個。圖4（c）表明3 個元素中的1 個比其他2 個具有更高的處理優先級。中國傳統的中庸之道哲學就是這種結構的典型例子。相對于2 個相反的極端，人們更喜歡溫和的中間選擇。圖4（d）表明3 個元素中的2 個元素優先于第3 個元素。圖4（e）表示1 個完全有序的三元組，這是一種跟無序的三元組相反的情況。在這種情況下，處理優先級是很清晰的，3 個元素具有不同的處理優先級。完全有序的三元組在許多情況下與第2.2 節中的三層結構相同[8]。

圖4 3WD 中的優先順序幾何結構

3WD 中的優先順序結構表明了在3WD 中優先考慮注意力，特別是在時間和資源稀缺的情況下。

3 人工智能中的三支結構

3.1 人工智能三分類

在人工智能（artificial intelligence，AI）的發展過程中，人工智能分類是一個典型的三段線幾何結構。總體上，人工智能可劃分為弱人工智能、強人工智能和超人工智能3 類。

弱人工智能是人工智能的初級階段，智能水平還不成熟，僅擅長于單個方面，任務比較簡單，建模相對容易。這一階段還沒有出現能夠推理和解決問題的智能機器，這階段的智能機器只是看起來是智能的，而不具備意識。弱人工智能的本質是試圖對人類智力進行模擬，其載體是基于微處理器的計算機。在弱人工智能階段，無論是嵌入式系統的智能化工具，還是通用計算機軟件的專家系統，其智能行為都是事先由程序設定的，是一種無自我進化能力的智力模擬[19]。然而，隨著神經網絡和深度學習的興起，原有人工智能得到了增強，具備了自主進化的能力，從而使得人工智能走出了初級階段，向更高階段（強人工智能）發展。

強人工智能，亦被稱為通用人工智能，通常被視為一種模擬人類的智能形式，具備自主意識，有能力獨立進行思考、判斷和問題解決[20]。強人工智能基本能解決人類可以解決的絕大多數智力問題，強人工智能可以對不確定性因素做出推理判斷并解決之，無人駕駛是強人工智能的典型代表。強人工智能可以把學習能力、規劃能力、使用自然語言溝通處理等能力結合起來，實現對復雜的概念和抽象思維的理解等，從而實現預定的目標。人工智能的重要指標是多方面的感知與決策，同時人類智力也是在不斷進化的。因此，弱人工智能不能實現對人類智力很好地模擬，強人工智能將是真正實現模擬人類智力創新的階段[19]。強人工智能本質上追求對高級意識的模擬，旨在實現一種復雜智能系統，具備類似于人類的思維和認知能力。在實現強人工智能的過程中，需要遵循一系列關鍵原則。首先，系統應由不同的模塊組成，這些模塊相互作用并與外界進行信息交換，以實現全面而協調的智能功能；其次，系統必須能夠根據客觀事實不斷更新記憶信息和模式，以適應不斷變化的環境和任務需求。記憶信息在強人工智能中具有多重特征，包括關聯性、模糊性、抽象性、動態性和遺忘性等。這表示系統不僅能夠建立關聯性強、模糊但有意義的記憶，還能夠進行抽象思考，適應動態變化，并具備一定的遺忘性，以保持信息的有效性和系統的靈活性。這些原則構成了實現強人工智能所需的基本框架，為模擬高級意識提供了理論和技術支持[21]。

超人工智能是一種智能形式，其在各個方面的能力遠遠超越人類水平[20]，不僅是在數學和科學能力方面，在藝術創造乃至社會技能上也將超過人類，它被認為是最前沿、最智能、最先進的人工智能類型。隨著超人工智能的到來，人類必然也將面臨著智能可能帶來的一些威脅，人類需要認真思考如何面對這一現實[19]。

3 類人工智能總結如表1 所示。根據3 類人工智能的時間先后順序，可以用3WD 中的三段線結構表示，如圖5 所示。

表1 3 類AI 對比

圖5 人工智能的分類

3.2 人工智能研究中三大主義

人工智能研究的歷史上有三大流派，分別是符號主義、連接主義和行為主義，它們各自采用不同的方法來仿真人類的智能和智能行為，可以用3WD 中的三腳架幾何結構來表示，如圖6所示。

圖6 AI 三大主義的三腳架結構

符號主義的核心理念表明，人類認知的基本構成部分是符號，認知過程涉及對這些符號表示進行運算[22]。符號主義者堅持認為機器的證明實質上是一種“機器定理驗證”，而采用機械化方法不具備直覺和創造力。這一觀點對機器的功能產生了局限，強調了機器無法具備直覺和創造性的看法[23?24]。機器定理證明是符號主義在人工智能領域的一個典型代表。被吳文俊所創立的吳文俊方法被視為人工智能領域的一項重要貢獻。這一方法的理論基礎建立在基于符號計算的機器定理證明的框架之上，而希爾伯特定理（Hilbert’s theorem）則是這個框架的理論根基[25]。在機器定理證明的方法中，典型的流程包括將幾何命題的條件和結論轉化為代數多項式，隨后通過檢查條件多項式生成的根理想是否包含結論多項式來完成證明。這一過程利用了符號計算的方式，通過代數和邏輯的結合，使得機器得以進行推理和證明的任務[26]。吳文俊方法及類似的技術為人工智能領域提供了有力的工具，拓展了在復雜問題求解和形式化推理方面的應用領域。通常情況下，多項式理想的基底并非唯一確定，Groebner 基方法和吳文俊方法能夠生成符合特定條件的理想基底，同時具備自動判定理想成員問題的能力[23]。

連接主義認為，思維由神經元并行連接而成。連接主義基于神經網絡的理論，克服了計算機線性處理的限制，模擬了神經網絡的分布式和并行特性，實現了復雜和靈活的認知。這使得神經網絡能夠模擬人腦的復雜信息處理方式，為實現更強大的機器學習和認知功能提供了理論基礎。

行為主義的思想強調學習和行動的重要性，需要在現實世界的復雜環境中進行學習與訓練，相比符號主義以邏輯為主，連接主義以數據為主，行為主義在真實環境的訓練要困難很多，而隨著物聯網的發展，這一現狀將會得到改變[26?27]。行為主義思想主要起源于控制論，而這一思想在20 世紀40—50 年代成為時代思潮的一部分，對早期人工智能學者產生了深遠的影響[28]。在這一時期，維納、麥克洛克等學者提出了控制論和自組織系統的理念，同時錢學森等學者提出了工程控制論和生物控制論，這些觀念在多個研究領域產生了廣泛的影響。控制論的基本思想是把神經系統的運行機制和信息理論、控制理論、邏輯和計算機科學聯系起來。最初，研究的重點是仿造人類在控制過程中的智能行為。這一領域的重點在于深入研究控制論系統的自尋優、自鎮定、自適應、自組織和自學習等特性[28]。到了20 世紀六七十年代，這些系統的研究取得了一定突破，為智能機器人的發展奠定了基礎，并推動了智能控制和智能機器人系統的涌現。這一時期的探索為人工智能領域的發展提供了重要的理論基礎和技術支持[29?35]。

3.3 機器學習3 種方式

3WD 中的偏好順序結構表明了如何在3WD中優先考慮注意力，特別是在時間和資源稀缺的情況下。人工智能可以理解為模仿人類與人類思維相關認知功能的機器或計算機，它感知其環境并采取行動，最大限度地提高其成功機會。同時，人工智能能夠從過去的經驗中學習，做出最優的決策。但目前人工智能仍然受到各個方面的資源限制，有時候必須按照一定的偏好順序來采取對策。以人工智能中的機器學習方式為例，根據機器學習的方式不同，又分為監督學習（supervised learning）、無監督學習（unsupervised learning）和半監督學習(semi-supervised learning,SSL）[36]。

監督學習是機器學習的方法之一。它可以通過訓練數據中的輸入對象（通常是向量）和預期輸出來學習或構造一個模式，并基于此模式來推斷新的實例。推斷的輸出可以是一個連續的值，也被稱為回歸分析，或者是預測一個分類標簽，也被稱作分類[36?37]。監督學習需要依賴于大量帶標簽（ground truth）的數據。無監督學習也稱為非監督式學習，是機器學習的另一種方法。它不依賴事先標記過的訓練范例，而是對輸入的數據進行自動分類。無監督學習的研究領域包括聚類分析（cluster analysis）、關聯規則（association rule）、維度約簡（dimensionality reduction）等。是否用帶標簽的數據來學習是監督學習和無監督學習的關鍵區別所在。一般來說，帶標簽的數據是一種昂貴的資源，標注數據通常意味著消耗大量的人力成本。監督學習和無監督學習代表了2 個極端方向。監督學習需要大量帶標簽的數據，而無監督學習則不需要任何帶標簽的數據。而半監督學習是監督學習與無監督學習中間的一種學習方法[38]。半監督學習使用大量的未標記數據，同時使用部分標記數據，來進行模式識別工作，是結合監督學習和無監督學習的一條中間技術路線[39]。這3 種學習方式都有其適應的場景，所以可以根據不同的場景可以選擇合適的學習方式來解決問題。考慮到半監督學習是結合了監督學習和無監督學習的一條中間技術路線，三者的關系可以用3WD 中的的偏好順序結構來表示，如圖7。

圖7 機器學習方式的三元偏序結構

3.4 智能本質中三層金字塔結構

經過數十年的研究，尤其是近三十年來人工智能的迅速發展，這一領域被廣泛地應用于其他許多學科中，并且取得了實質性的研究成果。人工智能已逐漸演變為一個獨立的研究分支，在理論和實踐層面都構建起了一個系統性的框架[32]。然而，目前的人工智能仍然屬于弱人工智能階段，仍有很多關鍵問題需要研究解決，其中智能的本質和生成機理問題是研究的重點。智能的本質研究主要是研究事實、智能和智慧之間的關系[40?41]。

事實是指事情的真實情況，可以指過去已經發生的事件，也可以指被驗證為中立且可證明的概念。在科學中，事實是研究的基礎，所有的科學研究都必須遵循以事實為前提的原則進行開展[42?43]。智能是指生命體具備適應外界環境并實現設定目標的能力。這一過程始于生命體通過感知器獲取有關環境或目標的信息，隨后進行計算處理。在這個過程中，生命體能夠自適應地調整自身或對環境進行影響，最終旨在達成設定的目標[44]。智能的本質可以定義為通過有限的輸入信息來歸納、學習并重建外部世界特征的復雜算法或模型。一般來說，智能被認為是智力和知識的總和，智能是基于知識基礎之上的，智力是汲取和運用知識的能力。通俗來說，人工智能就是用人工的方式在計算機上實現的智能。智慧則是基于智力之上的，人類憑借自身的智慧和智力，成功創造了人工智能。在人工智能的發展過程中，人類運用其深厚的智慧，積極參與管理和引導人工智能的進展[45]。隨著人工智能的不斷發展，智能技術已廣泛應用于社會生活和生產的各個方面，如智能家居、智能交通、智能醫療、智能電力、智能工業、智能駕駛、智能基礎設施乃至智能城市，這使現實世界變得越來越智能化。智能是基于事實的基礎之上的，智慧的產品是基于智能的基礎之上的，事實、智能和智慧三者的關系本質上是三層決策金字塔結構。根據3WD 幾何結構理論，事實、智能和智慧三者的關系如圖8 所示。

圖8 智能本質的三層金字塔結構

3.5 智能生成機理中三支結構

智能生成機理主要研究認知生成、知識生成和意義生成以及它們之間的關系。智能生成機理探究的是“為什么”而不是“怎么做”的問題。在智能生成機理的研究中，可以通過深入探索人工智能的形成和出現，尋找一些基礎理論性問題，從而全面闡述人類社會發展史、文明史和進化史中的宏觀特征和微觀現象。智能生成機理主要涉及認知生成、知識生成和意義生成的機制研究。

在認知生成方面，動物的認知生成遵循達爾文的優勝劣汰和適者生存的法則，但人類與其他動物不同，具有主觀能動性，可以依靠認知和知識積累與自然界進行交互，影響自然。認知與知識的積累是人類進化歷史的重要組成部分。認知是積累知識的前提，只有通過認知才能對外界事物進行思考和判斷，從而形成知識，適應并改造自然。認知生成可以視為信息和數據的流動，認知形成的過程是有選擇地輸入外界信息，并進行系統化處理，從而形成具有自身獨特認知網絡和方式的過程。

在知識生成方面，傳統概念認為，人類僅具有2 種知識形態，分別為存在于大腦中的記憶態知識和以語言文字表述的記述態知識。然而，這些知識形態被認為存在不準確、不可靠的特點，并且缺乏遺傳性狀，無法積累和傳承人類全部知識成果[46]。因此，提出了第3 種知識形態，即人、知識、工具的三元生態體系，這種知識可以進行準確可靠的傳承，是人類工具智能化的知識基因。半導體微處理器的問世實現了知識的數字化存儲。借助微處理器技術，人類的知識能夠被數字化地儲存和處理，從而將知識轉化為實際的知識能力。這一變革使得人類工具經歷了智能化的轉變[47]。知識與知識行為的轉化需要通過智能計算程序設計的軟件技術和現代計算機的嵌入式系統，在成功實現了對人類行為智力的模擬方面取得了顯著的成就。通過充分利用現代計算機所搭載的通用計算機軟件，能夠進行對人類思考智力的模擬，模擬出復雜的認知過程和行為表現。這一技術突破使得計算機能夠模擬和模仿人類的智能行為，為人工智能領域的發展提供了重要的技術基礎[26]。

在意義生成方面，現代計算機和微處理器的出現實現了數字時空的量子化，這種量子化成為智能化工具生成的技術基礎。這項技術不僅支撐了當前的智能化應用，還為未來探索強人工智能和超人工智能提供了強大的工具[48]。人工智能的研究目標是對人類智能進行模擬和擴展。如果人類掌握了“普適性智能生成機理”，就可以制造各種各樣的人工智能機器為人類服務。知識是人工智能的基礎，智能生成機理的深刻理解也需建立在知識學之上，三者的關系也是典型的三層金字塔結構，如圖9 所示。

圖9 智能生成機理的三層金字塔結構

3.6 大數據的3V 結構

人工智能的發展早于大數據，人工智能在20 世紀50 年代就已經開始發展，而大數據的概念直到2010 年附近才形成。人工智能和大數據是緊密相關的2 種技術。一方面，人工智能，特別是機器學習，對于建立智能系統需要大量的數據。機器學習應用程序，比如圖像識別，通過觀察數以萬計的圖像來學習和理解特定對象的構成，從而提高未來的識別準確性。人工智能應用的精確度與數據量成正比，數據越多，結果越準確。在過去，人工智能受限于處理器速度較慢、數據量小而不能很好地工作[48]。今天，大數據為人工智能提供了海量的數據，使得人工智能技術有了長足的發展，甚至可以說，沒有大數據就沒有人工智能。另一方面，利用大數據技術，人工智能可以擁有海量的數據存儲空間和高效的數據處理速度。在過去，人工智能算法都是依賴于單機的存儲和單機的算法，而在大數據時代，面對海量的數據，傳統的單機存儲和單機算法都已經無能為力，大數據技術基于集群技術，其中包括分布式存儲和分布式計算。這些技術為人工智能提供了強大的存儲和計算能力[49]。作為另一個說明人工智能中三腳架幾何結構的例子，給出描述大數據的3V 特征[8]如圖10 所示。2001 年，Laney[50]通過引入數據的3 個方面，即數據量(volume)、速度(velocity)和多樣性(variety)，后來被用作大數據的3V 概念。

圖10 大數據中3V 的三腳架幾何結構

3.7 人工智能倫理的三定律

人工智能技術最初應用于制造和工業領域，并逐漸滲透到生活的各個方面[51]。隨著人工智能技術的廣泛應用，人們也逐步開始關注人工智能技術發展所帶來的各種社會倫理問題。例如，機器人陪伴人類成長和生活，人們應該給它們平等的“人權”，是否也應該像人一樣有相同的道德地位和標準；無人駕駛汽車或人工智能技術應用在醫學領域，發生事故時如何確定責任等。

關于人工智能倫理研究成果方面，阿西莫夫機器人三定律最為著名。這三條定律分別是不得傷害人類、服從人類、保護自己[52?53]。機器的首要任務是不傷害人類或置人于危險之中。機器的次要任務是遵從人類的指令，除非這樣做會違反首要任務。機器的最后任務是保護自己，但不能犧牲前2 個任務[54]。三大定律之間的互相約束，為人工智能倫理研究提供了一定的指導意義[55?57]。阿西莫夫機器人三定律構成了3WD 中的三腳架幾何結構，如圖11 所示。這種幾何結構是指3 個決策因素之間的關系，它們相互依存、相互制約，是一種相對平衡的結構。這種結構可以用來解決人工智能在實際應用中所面臨的倫理問題，比如機器人在執行任務時如何保護人類的安全，同時避免對機器人本身造成損害。

圖11 阿西莫夫機器人三定律的三腳架結構

3.8 人工智能中人類與機器關系的三元結構

目前，人工智能領域一個關鍵的研究問題是探究人類與機器之間的關系。人類和機器代表著2 個相反的方向，人類代表智慧，而機器擁有強大的數據計算處理能力，但雙方也各有自身的限制。在處理和平衡二者關系方面，3WD 思維發揮著重要的指導作用。人類是能夠使用語言、具有復雜社會組織和掌握科技發展的生物，本身具有生理結構和特征；機器是人類發明創造的工具，本身具有物理結構和性能。然而，隨著人工智能的不斷發展，人與機器之間的關系也發生了巨大的改變。最近的人工智能技術使得一些智能機器能夠模擬人類的行為和思維，有些還能夠感知并檢測到人類的情緒。這讓機器具備了一些近似于人類的思維和行動能力。人類已經能夠將微型機器植入到人體內，以彌補自身缺失的生理結構和特征，從而提高人類的生活質量。總之，人工智能技術拉近了人類與機器間的距離，并模糊了傳統分界限[58]。表2 總結了目前人類與機器關系的研究成果，主要包括人機混合智能、人機共生智能和人+機+物融合3 種關系。

表2 人類與機器的關系

人工智能是建立在數學基礎之上的。目前的數學能夠精確地描述物理對象，但在描述心理、社會、認知等復雜過程方面仍存在困難。此外，人工智能技術應用無法脫離設計、制造、使用和維護人員與環境。現有的人工智能是數字邏輯的產物，它能在有清晰的場景、規則、統計和輸出的任務中，大幅提高工作效率。但是，當遇到有情感和意向性的復雜情境時，人工智能就不太適應，它欠缺創造性和應變能力。所以，未來智能科學的進步，必須是人類智能和機器智能的持續融合和互補[61]。

3.8.1 人機混合智能

作為一種新型智能形式，人機混合智能與傳統意義上的人工智能不同。它是下一代智能科學體系，能夠跨越不同物種和屬性結合[62?63]。通過實現人機融合與協作，人機混合智能使得人工智能與人類智能相結合，提高了人與系統的綜合性能，具備了解決更為復雜問題的能力。簡單來說，人機混合智能是一種新型智能形式，充分發揮人類和機器各自的優勢，實現二者的有效融合[64]。人機混合智能的最終目標是使機器能夠逐漸理解人類的決策，通過觀察在不同條件下的決策逐漸理解各種價值取向。人類的認知是由感知和欲望沖動綜合形成的，而機器只能通過獲取周圍環境的數據和信息，并利用這些數據觸發預設的執行過程[60]。通過有機融合人的認知能力和機器的計算能力，可以創造出新的理解途徑，進而做出合理的決策，帶來“人×機”或“人+機”的效果就是人機混合智能的工作[65]。人機混合智能采用了一種新的智能輸入方式，結合了機器客觀采集的數據和人類主觀感知的信息。在智能處理的中間環節，機器的數據計算能力和人的信息認知能力相互融合，形成新的理解途徑，提高智能水平。輸出端將機器的運算結果和人的價值決策進行適配，實現概率化和規則化相協調的優化判斷，提高決策效果。在人機混合智能中，“人”不僅指個體，還包括群體；同時，“機”表示機器、機制和機理，還包括自然環境和社會環境，以及真實環境和虛擬環境[66?68]。人機混合智能關系構成了3WD 中的偏序幾何結構，如圖12 所示。

圖12 人機混合智能中的偏序結構

3.8.2 人機共生智能

經歷了人機混合智能后，人機共生智能是人工智能的必然發展趨勢[69]。一般來說，共生是指2 個不同的生物體以密切合作的方式一起生存，甚至結成緊密的聯盟的合作關系。在傳統的人機系統中，人設計出的所有系統都是為了幫助人類自己，人主要完成自動化不可行的部分功能，這種系統不是所謂的共生系統，而是半自動化系統。人機共生是人類和機器之間合作互動的一個發展方向，這將使人類和機器之間的關系非常密切的耦合。人機共生的目標有2 個：一個是促進機器的公式化思維和公式化問題的解決；其次，就是讓人類和機器能夠合作做出決策和控制復雜的情況，而不是依賴于預設的程序。在人機共生伙伴關系中，人類將設定目標、制定假設、確定標準并進行評估。機器將會做一些常規的工作，為人類在技術和科學思考方面的見解和決策做好準備。智能機器具備自主交流、共情和需求驅動型協作的能力。借助這些能力，智能機器能夠與人類建立可信賴的關系。這種關系的建立有助于提高人的工作效率，形成高效靈活的制造流程和工藝[70]。人機共生關系構成了3WD 中的偏序幾何結構，如圖13 所示。

圖13 人機共生智能中的偏序結構

3.8.3 人機物融合智能

近年來，人工智能獲得了快速的發展，并與許多學科進行了交叉融合，特別是物聯網、大數據和云計算技術等。物聯網的迅速發展實現了物物相連、人人相連和人物相連的目標，將物理空間和社會空間有機地融合在一起。隨著信息空間作為物理空間和社會空間之外的第三空間的出現和人工智能技術的廣泛應用，我們正在進入一個人、機、物三元融合的萬物智能互聯時代，信息空間被拓展到了人類社會和物理世界，因此需要實現對物理空間、信息空間和社會空間的有機融合[33]。物理空間需要與信息空間、社會空間分別進行持續的信息交互，而信息空間與社會空間則進行著認知屬性和計算屬性的智能融合[71]。大數據、物聯網和人工智能等信息技術的不斷發展和廣泛應用導致物理世界、數字世界和人類社會之間的界限被打破。人類世界由原來的二元空間轉變為三元空間。社會系統、信息系統和物理環境組成了一個動態耦合的復雜巨系統。在這個三元世界中，機器和自然萬物相互依存、協調發展，形成了一個相互交織的、動態演化的生態系統[72]。人機物融合智能是一種嶄新的智能形式，與傳統人工智能有所不同。它融合了機器智能和人類智慧，相互結合，創造了全新的智能科學體系。從技術角度來看，人機物融合智能運用物聯網移動互聯網、通信、大數據、云計算和人工智能等先進的技術，實現了物理世界和信息空間的互聯滲透和相互作用，提高了智能水平。這一智能形式將智能融入萬物實現無縫對接和協同計算，提高了效率和效果，為未來智能化的發展帶來了全新的可能性和前景[33]。人、機、物三者關系構成了3WD 中的偏序幾何結構，如圖14 所示。

圖14 人機物融合關系中的偏序結構

4 結束語

3WD 是一種人類處理復雜性問題的思維方法。該概念于 2009 年首次引入，旨在為接受、拒絕和未決定這 3 種類型的決策提供規則。然而，隨后的研究表明，3WD 是一個更為豐富的概念，并形成了 3WD 理論，其中思維、問題解決和計算是三位一體的關系。3WD 在藝術、科學、管理和工程實踐中得到了體現，涉及到三角度思考、三方面合作和三維度問題處理等。本文通過對3WD 幾何結構和模式進行研究，闡述了人工智能領域中對3WD 思想的反映，包括人工智能的發展歷程、機器學習方式的分類和人機關系等關鍵研究課題。在人工智能智能系統中，人類智能和機器智能并存，三元思維中的整合策略是最佳選擇。當人和機器共同工作時，整體的、全局的人工智能可能會出現。未來工作將進一步研究這一課題，拓展3WD 的應用領域，特別是在人工智能智能系統設計中的應用。