在莫奈看来，物体的外形不过是光的象征，所以作画时候并不在意具体外形，而是先观察和快速记录下反射的光影，随着笔触和色彩的堆叠，形状会自然浮现。这种独创的画法被称为“以光补形”。这幅《日出•印象》也许并不是莫奈最出色的作品，但它却触碰了印象派艺术的精髓：不追求真实的情况下，用更为直接和色彩化的方式，表达对事物的种种视觉印象。记录下瞬间的感觉，那种朦胧的印象。

《日出 • 印象》，1973

做学问一定要有脉有络，才能形成可持续性生态发展，可以延续继承，也可以另辟蹊径，可以皇亲国戚，也可以草根逆袭，但一定要顺势而为。势，就是以有限的现实（时空或状态）条件去获得的最大可能性，常常在谋篇布局、筹划预备阶段进行安排实施，也可以理解为力的前奏，二者结合起来即为势力。目前，强人工智能的研究脉络还不是很清晰，但基本途径还是数据、算法、算力和实验，正可谓：人工智能的基石是数学。然而，形式化的计算总是建立在理性逻辑推演基础之上的，而人类的智能却常常是拐弯抹角的多种逻辑的叠加推敲斟酌，所以也有人预测：未来强智能的颠覆性标志之一很可能就是：能否产生多种融合性逻辑关系，而且这些复合性逻辑之间也应该不时会产生各种冲突和矛盾，一如莫奈的《日出•印象》和贝多芬的《c小调第五交响曲》（又名命运交响曲）。人工智能就是人机融合的赋能结果，赋能就是赋予功能而不是赋予能力。维特根斯坦从《逻辑哲学论》到《哲学研究》的转变就是从逻辑向非逻辑的转变，就是从功能向能力的转变，这也是从弱智能向强智能的转变。当下，一般认为：人类认知的机制是从态势到形式到局势再到趋势，从视觉到感觉到察觉再到知觉，于是人们依此制造了人工智能这个可以在某些方面（如围棋等）打败自己的产品，并不时惶恐不已，甚至抑郁悲观！殊不知，人类还有一个更厉害的能力没有赋给人工智能：“从态势到形式到局势再到趋势，从视觉到感觉到察觉再到知觉”的逆过程。而且，这个特性只有人才可能具有吧！机器可以正向计算，形成若干方案，人可以从中挑选，进行逆向解读算计，最终结合经验进行取舍。
莱布尼兹有关普遍语言与理性演算的思想应该就是西方人工智能的理论基础，由此衍生出了弗雷格语言哲学中的指称与意义，布尔代数中的二进制表征与集合/逻辑运算，图灵机中的指令编码与运算程序，冯诺依曼结构等。休谟有关事实能否推导出价值的问题则非常可能是解决未来强智能的思想基础，其本质可以看成形式化与意向性之间的变换问题，事实逻辑不同于价值逻辑，前者相对稳定，不因人而异，后者相对变化，众说纷纭，当然有些情况也会反转一下。休谟之问也涉及到计算与算计的合成问题，最后，最重要的事再重复一遍：如果把计算看成是一种相对直来直去的逻辑规则顺序推演，那么算计则可能就是拐弯抹角的多种逻辑的“非规则”融合推演。未来强智能的标志之一可能就是：能否产生复合的、并行融合的逻辑关系。

           机器没有是非，智能有……

许国志先生曾介绍过系统论的起源：20世纪20年代，美国贝尔电话公司成立了贝尔实验室，实验室分为部件与系统两个部。四十年代末，人们把贝尔电话公司扩建电话网时引进和创造的一些概念、思路、方法的总体命名为“系统工程”。二十世纪中叶以来，许多学者常用系统来命名他们的研究对象，例如控制理论中的计算机集成制造系统、管理科学中的管理信息系统和决策支持系统等等。随着时代的前进，科技的发展，人们发现事物之间的相互作用变大了，许多问题不得不从总体上加以考虑。于是系统科学应运而生。系统犹如数学中的基本概念之一：集合。但又不同于集合，是一种异构的类集合。人机混合智能系统不同于传统的系统科学，是一种复杂系统，既包括科学部分又涉及非科学部分。计算是定量同构解算，算计是定性异域推理。人机环境系统工程中的计算计难在隐性的间接的态、势、感、知，人、机的区别实质在于态、势的处理差异，人算计势好些，机计算态好些。态涉及客观事实性的状态，势关联主观价值性的趋势。希尔伯特在《几何基础》第一版的扉页引用康德的话：“人类的一切知识都是从直观开始，从那里进到概念，而以理念结束。”，也许这句话只说对了一半吧！毕竟，除了辩证法之外，还有“变”“证”法。不但量子之间有纠缠，态势之间也纠缠，感知之间也纠缠，还有计算之间的纠缠。

自动化：旨在执行重复性任务的计算系统。自主（自治）系统：无需人工干预即可执行任务的系统。 在人机系统中，我们特别关注执行复杂推理任务的计算系统，是否也可以考虑人机混合的自主化，即人类的算计+机器的计算所衍生出的计算计自主系统呢？！

自动化是以（确定性的）数据计算为核心驱动的，没有自主决策能力，而人类是以（动态性的）信息和知识算计为中心驱动的，能够处理意外情况并能进行尝试和验证。人机混合智能从某种意义上讲，应该是人类算计智能化与机器计算自动化相结合的一种生物物理系统。更重要的是，人的智能在于知道自己的不智能，机器则不然。人类可以跳出概念理解并使用概念，机器自己并不具有拟合出合理概念的能力和方法，只抓了有形的概念，而忘了概念的无形部分。机器还不时出现错把手段当目的、错把结果当成因的情形，如机器强化学习中只有得失没有是非，极易形成“局部最优”而丧失“大势所趋”，正如《菜根谭》里曾说：“行善而不见其益，犹如草里冬瓜”。（如果行善的过程中没有见到报答，好比草丛里的冬瓜，即使人眼看不到，它照样茁壮成长。）。

可解释性的关键在于合适透明性所产生出的信任性，信任性的关键在于理解后的赞同，理解是对意义的把握，即把各种（事实、价值、责任等）可能相关事物有机整合在一起的能力。这个世界是由智能和非智能共同构成的，未来，能够制约智能系统的也许就包含非智能因素吧！读康德的作品只靠理解力是不够的，还需要超强的想象力。    

 “一”可以产生“多”，“多”可以凝聚成“一”，合久必分，分久必合，在什么情境下“合”，又在什么情境下“分”？“分”“合”的速度、加速度有多快？除了理性之外，情感在这些切换过程中又起到什么作用呢？... ...

什么是知识？什么是概念？什么是理解？什么是共识？为什么智能要研究哲学、伦理、非逻辑等？在人工智能需求与应用如雨后春笋般涌现之后，我们还是需要静下心来，对人工智能的发展之路进行深入地思考，或许才能更深层次地了解智能，并建构出更加符合期待中的人工智能、智能、人机混合智能体系，修修补补又三年的方式很难实现新的突破，正如大家对知识图谱里的“知识”感觉一样，再如，据说与阿尔法狗/元这种人工智能系统下棋时，最好的结果常常不是要多看几步的“高瞻远瞩”而是紧盯眼前的“鼠目寸光”比较好些。

也许原创不是技术活，更多地是一种内心的主观想法。它原本不存在，你要让大家相信它，这里的难点，不在于工程实现，而在于坚定的世界观和先信仰后理解的洞察力吧！