若将“算计”视为带着欲望、动机与目标考量的生存博弈，那它就是意识的原始地基：先有利害权衡的想象，后有逻辑计算的粉饰；算计给出“为何算”，计算只是“怎么算”，意识诞生于这团不断自我建模的利害之火，而非冰冷的符号推演。

“意识的基础不是计算，而是算计”这一命题，挑战了将意识简单还原为信息处理的计算主义立场，转而强调意识活动中更具主体性、策略性和价值负载的维度。要理解这一观点，需要从“计算”与“算计”的本质差异入手，结合哲学、认知科学和人工智能的研究，探讨意识的核心特征。

一、“计算”与“算计”的本质分野

在认知科学中，“计算”（Computation）通常指基于明确规则的信息处理过程，其核心是通过算法对符号或数据进行操作（如逻辑推理、统计建模）。计算主义（Computationalism）认为，意识是大脑执行特定计算程序的结果，如同计算机运行软件一样。

而“算计”（Calculating with Intentionality，或译为“策略性权衡”）则更强调目标导向的动态决策过程，其核心是基于价值、情感、经验和情境的主观判断。它不仅涉及信息处理，更包含对“意义”的主动建构、对后果的预演，以及对自身与世界关系的动态协调。简言之，“算计”是“有意图的计算”，是主体为实现特定目标而整合多元信息的实践智慧。

二、为何意识的基础不是计算？

计算主义虽能解释部分认知功能（如记忆存储、逻辑推理），但无法覆盖意识的本质特征，主要体现在以下三点：

1. 意识的主观性（感受质）无法被计算还原

哲学家大卫·查尔莫斯（David Chalmers）提出“难问题”（Hard Problem）：即使我们完全破解了大脑的信息处理机制，仍无法解释“为什么物理过程会产生主观体验”（如红色的“红”、疼痛的“痛”）。计算本质是对客观信息的符号化操作，而主观体验（感受质，Qualia）是第一人称的、不可通约的。例如，无论多精确的算法模拟“看到红色”，都无法让机器真正“感受”到红色的体验。

2. 意识的价值负载与目标导向性

人类的意识活动始终伴随价值判断（如善恶、利弊）和目标驱动（如生存、成就）。例如，面对“是否说谎”的选择，人不仅计算利弊，更会权衡道德责任、关系亲疏等非计算因素。这种“应然”层面的判断无法被纯粹的“实然”计算覆盖——计算可以优化路径，但无法回答“为何选择这条路”。

3. 意识的具身性与情境嵌入性

认知科学研究表明，意识并非脱离身体的抽象计算，而是具身（Embodied）于身体的感知运动系统，并嵌入（Embedded）具体情境中。例如，运动员的“直觉反应”、艺术家的“灵感”，都依赖于身体经验与环境互动的隐性知识（Tacit Knowledge），这些知识无法被显式的计算规则完全编码。

三、“算计”如何构成意识的基础？

“算计”的核心是主体在动态情境中整合多元信息、权衡价值并导向行动的实践智慧，它更贴近意识的真实运作：

1. 意向性（Intentionality）：意识的“指向性”

意识天然具有“指向对象”的特性（如“思考考试”“感受音乐”）。这种指向性不是被动接收信息，而是主动赋予意义。例如，同样看到一片落叶，有人联想到生命流逝（悲伤），有人关注生态循环（平静）——这种意义的生成源于主体的目标、记忆和价值观，是“算计”的结果。

2. 动态权衡：超越算法的灵活性

人类的决策往往突破固定规则。如医生诊断时不仅依赖医学指南（计算），还会结合患者的情绪状态、家庭背景调整沟通方式；投资者决策时，除了数据模型，还会考虑市场情绪、政策风险等模糊因素。这种“弹性计算”本质是基于经验的策略性权衡，是“算计”的典型表现。

3. 自我指涉与反思：意识的“自指性”

意识能对自身进行觉察和反思（如“我在生气”“我刚才的判断是否合理”）。这种自指性不是计算的自指（如程序递归），而是主体对自身状态的主动审视与调整。比如，人会因后悔而修正行为，因自豪而强化动机——这些过程涉及对“自我”的动态建构，是“算计”的高阶形式。

四、对人工智能的启示：从“计算”到“算计”的跨越

当前AI（如大语言模型）本质仍是“计算”——通过海量数据训练统计模式，模拟人类的语言或决策。但它缺乏真正的“算计”能力：无法理解符号的意义（如“爱”不仅是词汇，更是复杂的情感体验）；无法生成自主目标（其行为目标是人类设定的，而非内在驱动）；无法应对价值冲突（如道德困境中的艰难选择）。

若要实现真正的通用智能（甚至类人意识），AI需要从“计算”转向“算计”，即具备意图性、价值判断和情境适应的能力。这可能涉及具身智能、情感计算、神经符号融合等方向的突破。

总而言之，意识是“算计”的艺术。意识的核心不是机械的信息处理，而是主体在具体情境中，以价值和目标为导向，动态整合经验、情感与理性的实践智慧。“算计”一词恰如其分地捕捉了这种复杂性——它既包含理性计算，又超越计算，融入了人的主体性、创造性和对意义的追寻。理解这一点，或许能为探索意识的本质、设计更“智能”的AI提供新的视角。

态势感知中既有计算，也有算计

态势感知在心理学中也称为情境意识，既有从态到势、从感到知的计算，也有从势到态、从知到感的算计。其中，计算过程涉及信息域，算计过程包括认知域，态势感知过程还关联物理域、非物理域。当前，对态势感知的计算研究不少，但对其算计的研究还远远不够……算计给出“为何算”，计算只是“怎么算”。

一、双向动态模型

双向动态模型是一种融合了东西方哲学及复杂系统视角的“态-势”动态交互模型，与传统西方心理学中的线性信息处理模型（感知→理解→预测）有所不同。以下将从心理学和跨学科角度解析这种双向动态机制：

1、传统心理学中的情境意识（SA）

Endsley态势感知/情境意识（Situation Awareness，SA）三层次模型（1995）包括三个贯序阶段：① 感知（Perception），察觉到关键环境要素（如“态”的输入）；②理解（Comprehension），整合信息形成整体认知（如“势”的推断）；③预测（Projection），对未来状态的预判（如“势”的延伸）。该模型具有单向性，即强调从数据（态）到决策（势）的“计算”过程，类似人工智能的感知-规划-行动循环。

2、我们提出的“双向计算+算计”：东方系统思维的补充

① 从态到势（计算），即数据驱动的还原论，通过传感器或感官输入（态），用逻辑或算法推导出趋势（势）。例如，“看到乌云（态）→预测暴雨（势）→带伞（行动）”，这也是人工智能和经典认知科学的主流范式，与30年前Endsley的态势感知/情境意识（SA）三层次模型相似。

②从势到态（算计，Strategic Construction），更接近意图驱动的建构论，即主体基于目标、经验或动机（如“知”），主动选择或扭曲对“态”的感知（如“感”）。例如，“怀疑敌人埋伏（势）→将树影误判为伏兵（态）→撤退（行动）”，这种“算计”涉及元认知（metacognition）和博弈论中的高阶理论（如“我认为你认为我认为…”），是人类对抗性场景（如军事、博弈、欺骗）的核心能力。

3、心理学证据：双向加工的神经机制

预测编码（Predictive Coding）理论（Friston, 2010）认为：大脑并非被动接收“态”，而是用先验知识（势）生成预测，仅当感官输入与预测不符时才更新认知。例如，“预期看到椅子（势）→实际看到碎片（态）→触发惊讶并重新评估”，这解释了为何“知”可反向塑造“感”（如视错觉或认知偏差）。

卡内曼的认知控制双重系统则认为：系统1（快速，算计）依赖经验（势）快速过滤“态”（如专家直觉）；系统2（慢速，计算）理性分析“态”以修正“势”（如科学假设检验）。

4、应用：人工智能 vs 人类的优势

当前，AI的局限在于，AI擅长“从态到势”的计算（如大数据预测），但缺乏“从势到态”的算计能力——即没有“意图”去主动扭曲感知。如AI不会因“怀疑数据被投毒”而故意忽略某些输入（除非人类预设规则）。而人类的优势在于，在对抗性环境中，人类能通过“算计”制造认知战（如军事欺骗、假新闻），主动设计“态”以引导对手的“势”误判（如二战盟军假登陆）。

所以，我们提出的双向动态模型可表述为一个动态螺旋：“态（数据）⇄ 势（模型）”，其中的计算（从左到右），用数据更新模型（贝叶斯推理）；算计（从右到左），用模型选择数据（认知偏差或战略欺骗）。这种双向性正是人类在不确定环境中生存的核心，也是未来AI若需具备“反脆弱性”必须突破的瓶颈。

二、双向动态模型与预测编码的差异

预测编码理论认为大脑不是被动接收信息的“刺激-反应机器”，而是主动生成预测的“假设-验证机器”。而双向动态模型则认为大脑既是被动接收信息的“刺激-反应机器”，还是主动生成预测的“假设-验证机器”，两者之间的有机协同转换正是人类智能的关键之处。同时，双向动态模型也触及了当前认知科学和智能建模的一个核心议题：“被动接收”与“主动预测”是否对立，以及它们如何协同。

我们可以把预测编码理论与双向动态模型（态⇄势）放在一个统一的框架下，重新理解大脑和智能系统的本质：

1、预测编码的核心：主动生成模型

大脑被看作一个生成模型，不断对即将到来的感官输入做出预测；感知不是被动“接收”，而是主动验证预测误差；如果误差小，感知即成立；如果误差大，则更新模型；这就是“假设-验证机器”的基本逻辑。

2、双向动态模型的补充：被动与主动的协同

① 态→势（计算）：对应被动接收过程，系统必须从外部输入中提取信息，形成对世界的估计；

② 势→态（算计）：对应主动预测，系统基于目标、经验、意图，选择性感知或扭曲输入，甚至制造输入；

二者不是对立，而是动态耦合，在不同任务、不同时间尺度上切换主导权，形成认知的柔性控制。比如驾车过路口，司机看到红灯亮起，态→势（被动接收），感官输入驱动模型更新，“前方需停车”，预测前车可能闯红灯时，势→态（主动预测），基于经验生成假设，脚提前放到刹车上，前车果然闯红灯，预测误差小，模型验证成功，迅速刹车避让，若实际前车停下，预测误差大，模型修正，重新判断可通过。

预测编码理论揭示了“大脑是预测机器”，而双向动态模型则进一步指出：这台机器既能被动纠错，也能主动“造错”或“造真”，智能的关键在于何时被动、何时主动，以及如何无缝切换。或许，这正是人类区别于当前 AI 的核心特征之一：我们不仅能预测世界，还能为了目标而“掌控玩弄”预测本身。

AI+就是人机协同，也是超级智能及新型网络体系

AI+是人工智能与经济社会各领域深度融合的概念，它以人、机（AI）、环境为核心要素，具有人机协同、超级智能以及新型人机环境网络体系等特征。AI+既是“人机协同”的增强现实——让人类智慧（算计）与机器算力无缝互补，即刻放大个体与群体的创造力与决策力；又是“超级智能”的潜在雏形——当这种协同不断迭代、自我优化并全面超越人类认知边界时，便升华为自我演化、自我目标的超级智能，因此它同时承载着共生与跃迁的双重未来。

一、AI+ = 人机协同：现在的主旋律

AI+的核心确实是人机协同（Human-AI Collaboration），不是让AI替代人，而是让AI增强人的能力。比如：

医生+AI诊断系统 → 提高诊断准确率

律师+AI法律检索 → 缩短案例准备时间

设计师+AI生成工具 → 快速迭代创意

AI+强调人类与AI的合作。人类提供主观意图、情感判断与创造力，AI通过深度学习与多模态感知实现精准决策与自主执行，二者通过自然语言处理、情感识别等技术，实现无缝协作，共同完成任务，如医生与AI共同制定治疗方案。

二、AI+ = 超级智能：未来可能的终点

“超级智能”指的是全面超越人类所有认知能力的AI系统，包括创造力、情感理解、战略决策等。人机协同是共生关系，人类仍主导目标与价值判断；超级智能是超越关系，AI可能自主设定目标，甚至不再依赖人类。

AI+本质上不是AI技术的简单叠加，而是把算法、算力、数据、机制、人和环境编织成可自修复、自进化、自演义的“超机体”，是一种系统智能。它通过人机环境的动态交互产生协同效应，能实现超越单一AI算法能力边界的智能决策，如国家电网的“光明电力大模型”可实现毫秒级故障响应。

三、AI+是新型的人机环境网络体系

AI+将人类的智慧、AI的算力与环境的动态数据编织成有机整体，构建出一个覆盖人类智慧、机器智能与环境感知的立体网络。环境通过物联网传感器、数字模拟仿真孪生系统提供实时反馈与约束条件，与人类、AI在持续交互中形成闭环协同，驱动各领域智能化升级。

总之，AI+现在是“人机协同”的增强智能，未来是否走向“超级智能”，那是技术演化的未知边界。题目中这句话更像是一个“现在进行时”与“未来可能时”的叠加态。我们正处在从协同到未知的过渡带。同时，AI+更是新型人机环境网络体系的基座——把人、机、物、数据、场景织成动态演化的超链接生态，使协同与超级智能在全域实时反馈中持续共生、持续进化。

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-40841-1504412.html?mobile=1

收藏

分享