精选
在人机环境系统智能中，“knowing-that”、“knowing-how”和“knowing-should”分别代表了不同类型的知识和能力。knowing-that指的是知道事实和信息，即对事物的了解和认知。这包括对领域知识、数据、概念和原理的掌握；knowing-how强调的是技能和能力，即能够执行特定任务或解决问题的能力。这涉及到实践经验、技巧、方法和策略的运用。knowing-should涉及的是道德、伦理和价值判断，即对正确行为和决策的理解。它包括对责任、公平、可持续性等方面的认识。
在人类和机器的知识体系中，knowing-how、knowing-that与knowing-should这三个概念有很大的差异，主要涉及到不同类型的知识和理解方式。在人类的知识体系中，（1）Knowing-that（知道什么）是指知识的事实或陈述，比如知道巴黎是法国的首都，或者知道水的化学式是H₂O，涉及到对特定信息或事实的了解，通常可以用语言明确表达，并且可以通过阅读、教育或其他信息获取方式来学习。（2）Knowing-how（知道如何做）是指一种实践性的知识，比如如何骑自行车、如何做饭或者如何解决一个复杂问题。它涉及到技巧、经验和实践操作，通常通过实践和训练来掌握，在人类中，这种知识往往是隐性的，难以用语言直接表达出来，而是通过经验积累和实际操作来获得。（3）Knowing-should（知道应该做什么）涉及伦理或规范性的知识，涉及到行为的标准和规范，比如知道在特定的社会情境下应该如何行为，通常与社会规范、道德标准和个人的价值观有关。在机器的知识体系中，（1）Knowing-that（知道什么）意味着机器可以存储和处理大量的事实信息，例如知识库中的数据、数据库中的条目等。这种知识是明确的，并且可以通过编程或数据输入来获得，机器对“知道什么”的处理方式是基于逻辑和数据存取，但可能不具备人类的理解深度和上下文感知。（2）Knowing-how（知道如何做）通常体现在算法和程序中，如机器学习模型可以通过训练数据学习到特定任务的操作方式，其“知道如何做”是通过数据驱动和模型参数调整来实现的，可以通过优化算法来提高效率，但通常缺乏灵活性和适应性，尤其是在面对未见过的情况时。（3）Knowing-should（知道应该做什么）通常是通过编程或规则制定的，推荐系统可能会根据用户的行为数据来推荐内容，这种推荐基于预定的规则和目标，然而，机器对“应该做什么”的理解通常是有限的，它依赖于预先设定的规则和目标函数，缺乏真正的伦理或社会判断能力。概况而言，人类的知识具有更多的灵活性和上下文感知，而机器的知识则更侧重于数据驱动和规则执行。人类能够在复杂和动态的环境中灵活应对，而机器在这些方面则受限于其编程和训练数据。
这三个方面在人机环境系统中相互关联且不可或缺，knowing-that提供了基础的知识和信息，使系统能够理解和处理各种情况；knowing-how使系统具备实际的操作和执行能力，能够完成任务并提供有效的解决方案；knowing-should确保系统的行为符合道德和伦理原则，做出合理的决策。在人机环境系统的设计和开发中，需要综合考虑这三个方面。系统不仅要具备丰富的知识和强大的技能，还要能够根据道德和价值观念进行正确的判断和行动。这样的系统才能更好地与人类进行交互，并在各种复杂的环境中实现智能的表现。如在医疗领域，一个智能诊断系统需要同时具备"knowing-that"（了解医学知识和症状）、"knowing-how"（掌握诊断方法和技术）和"knowing-should"（遵循伦理原则和最佳实践），才能提供准确和可靠的诊断建议。理解和应用这三个概念对于构建更智能、更人性化的人机环境系统至关重要。它们帮助系统在知识、技能和道德之间取得平衡，实现更全面和可持续的智能发展。
在自动驾驶汽车领域和应急响应系统中，人机环境系统智能中的“knowing-that”、“knowing-how”和“knowing-should”可以通过以下例子来说明：
一、自动驾驶汽车领域
1、Knowing-that：
人类： 司机“知道”不同交通标志的含义，比如知道红灯表示停车，绿灯表示可以行驶。
机器： 自动驾驶系统“知道”交通标志的定义和功能。 例如，使用计算机视觉识别红绿灯和标志，并结合地图数据了解当前路况和交通规则。
2、Knowing-how：
人类： 司机“知道如何”操作汽车，如如何加速、刹车、转向等。
机器： 自动驾驶系统“知道如何”控制车辆的运动。 系统通过传感器（如雷达、摄像头）和控制算法来实现自动加速、刹车和转向操作，以适应道路情况和交通规则。
3、Knowing-should：
人类： 司机“知道”在驾驶过程中需要遵守交通规则，并在复杂交通情况下做出合理决策，比如遇到行人时减速。
机器： 自动驾驶系统“知道”在特定情况下应遵循的法律和安全规范，例如根据法律规定在黄色信号灯时减速停车，并在行人过马路时自动减速或停车，确保行人安全。
这种融合通过结合人类的判断力和机器的精确控制能力，提高了自动驾驶系统再驾驶环境中的安全性和效率，同时确保了合规和伦理标准的遵守。
二、应急响应系统
Knowing-that：
人类： 应急指挥官“知道”各种自然灾害和突发事件的特征。 例如，他们了解地震、洪水和火灾的不同影响和应对方法。
机器： 系统“知道”灾害的预测模型和历史数据。 它能够利用数据分析来预测灾害的范围和影响，提供应急响应的策略。
Knowing-how：
人类： 应急指挥官“知道如何”调度资源和人员。 比如，如何迅速部署救援队伍、分配物资和协调不同的应急服务。
机器： 系统“知道如何”优化资源调度和救援行动。 例如，自动化调度系统可以根据实时情况推荐资源分配方案，并协调不同部门的行动，以提高响应效率。
Knowing-should：
人类： 应急指挥官“知道”在处理突发事件时必须考虑的伦理和法律问题，比如如何在紧急情况下保护受害者的隐私权和权益。
机器： 系统“知道”在处理敏感信息和资源分配时应遵循的政策和法规，比如在灾后恢复过程中遵循隐私保护规定，并确保救援行动符合伦理和法律要求。
通过这种人机环境系统融合，指挥控制系统能够更有效地整合人类的经验和机器的计算能力，以做出更准确的决策和响应。
转载本文请联系原作者获取授权，同时请注明本文来自刘伟科学网博客。
链接地址：https://wap.sciencenet.cn/blog-40841-1445977.html?mobile=1
收藏
