自主、它主与智能

自主和它主是两种不同的行为模式，自主依靠自身的内在决策能力独立行动，而它主则依赖外部指令和控制来执行任务。智能则是贯穿二者的桥梁，一方面赋予自主系统更强的环境适应能力、决策优化能力，使其能够更高效地实现自身目标；另一方面，智能也能提升它主系统的执行效率和精准度，帮助其更好地理解和执行外部指令。智能可以在自主与它主之间灵活转换，让人机环境系统根据实际场景选择最适合的运行模式，从而实现更高效、更灵活的任务完成方式。

1、自主

自主是指个体或系统能够独立地进行思考、决策和行动。一个自主的机器人可以根据预先设定的程序和自身的感知系统，如传感器来检测周围环境，像避障机器人，它能通过自身的距离传感器检测到前方有障碍物后，自动调整行驶方向，不需要人为实时操控。在人类社会中，自主也体现在个人能够自主地规划自己的生活、做出职业选择等。

自主强调的是内在的驱动力和独立性，其决策过程主要是基于自身的规则、目标和价值观。以智能写作软件为例，它在生成文本时按照内置的语言模型规则和风格设定，自主地组织词汇和句子来完成写作任务。

2、它主

它主是指个体或系统主要依据外部的指令、控制或引导来进行行动。比如工业生产流水线上的机器人，它们严格按照预设的程序和人类操作员的指令来完成产品的装配任务。这些机器人的一举一动都受到外部控制系统的指挥，其动作的顺序、速度等参数都是由外部事先设定好的。它主模式下，个体或系统的行动往往是为了实现外部设定的目标，其决策权主要掌握在外部的控制者手中。例如，在军事领域的一些遥控武器系统，操作人员通过遥控设备控制武器的发射和瞄准，武器系统本身是完全按照操作人员的指令来执行任务的。

3、智能在自主和它主中的作用与联系

智能中既有自主也有它主，更有二者之间的转换。

（1）在自主中的作用

智能是实现自主的关键因素之一。智能系统可以通过机器学习算法不断优化自身的决策模型。如一个智能的自动驾驶汽车，它能够利用智能算法对大量的交通数据进行学习，包括路况、交通规则、行人行为模式等。随着学习的深入，汽车可以自主地做出更合理的驾驶决策，如在复杂路口的转弯决策、超车决策等，就像一个有经验的司机一样。

智能还赋予自主系统环境感知和适应能力。通过各种传感器和智能处理单元，自主系统可以实时感知环境变化，并做出相应的反应，就像智能无人机，它可以根据气流、天气等环境因素的变化，自主调整飞行姿态和飞行路线，以保持稳定飞行。

（2）在它主中的作用

智能可以提高它主系统的执行效率和精准度。在它主的工业机器人中，智能控制系统可以根据生产任务的优先级和资源分配情况，合理安排机器人的工作顺序和动作，使生产过程更加高效，在汽车制造工厂，智能控制系统可以根据汽车零部件的库存情况和订单需求，精确地指挥机器人完成车身焊接、涂装等工序。智能还能增强它主系统对复杂指令的理解和执行能力，在一些高级的遥控机器人系统中，智能语音识别和自然语言处理技术可以让操作人员用更自然的语言来下达指令，机器人通过智能算法理解指令的含义并准确执行，在智能物流仓库中，工作人员可以通过语音指令让机器人完成货物的搬运和存储操作。

（3）联系

智能可以在自主和它主之间实现转换。一个系统可以在某些情况下以自主模式运行，在另一些情况下切换到它主模式。例如，智能家居系统在日常运行中可以自主地根据室内环境参数（如温度、湿度、光线等）调节空调、灯光等设备。当用户通过手机应用程序发出指令，如远程开启空调时，系统就切换到它主模式，按照用户的指令来执行操作。这种转换是基于智能系统的多模态感知和决策能力，能够灵活地适应不同的需求场景。

4、人机环境系统智能中的自主、它主

“人在环中”、“人在环上”和“人在环外”是描述人在自主、它主和智能系统中的不同角色和地位。

人在环中时，人处于核心位置，发挥着关键的决策和控制作用。自主性主要体现在人自身，人能根据自身意愿、意识和知识对环境进行感知、思考和决断，系统在此过程中更多地辅助人的认知和决策。它主性则表现为系统对人的依赖，系统按照人的指令和规划执行任务，人在环中通过操作和监督系统来实现目标。智能在此阶段是人的智能和系统智能的结合，系统中的智能技术为人提供更多支持和辅助，帮助人更好地完成任务。

人在环上时，人与系统形成紧密的协同关系。自主性体现在系统在一定程度上能够自主运行，但仍然需要人的监督和干预。系统具备一定的自主决策能力，但人的决策和判断仍然是最终的决定因素。它主性则表现为系统的运行依赖于人和系统的共同作用，人和系统在任务执行过程中相互配合、相互补充。智能在系统中发挥着重要作用，系统中的智能算法和模型能够对环境进行感知和分析，为人的决策提供支持和建议，同时系统也能够根据人的反馈进行调整和优化。

人在环外时，系统具有较高的自主性，能够在很大程度上独立完成任务。自主性主要体现在系统上，系统能够自主地感知环境、进行决策和执行任务，人的干预和监督相对较少。它主性则相对较弱，系统的运行更多地依赖于自身的智能和能力。智能在系统中处于核心地位，系统中的智能技术能够模拟人类的思维和行为，实现自主的学习、推理和决策。人在这种情况下主要承担任务规划、目标设定和最终的监督评估等角色，对系统进行宏观的指导和控制。

人类智能除了推理，还有推感

粗略地讲，西方智能擅长推理计算，而东方智能侧重推感算计！

“推感”是一种基于感性认知和直觉来进行判断和推理的能力，它与传统的理性推理不同，更多依赖于身体感知、情绪直觉或内在体验/经验，而不是逻辑分析和已知信息，相比于推理，推感更侧重于人机环境生态系统的整体统筹。如在面对复杂的人际关系时，推感可能让你凭借一种“感觉”判断某人是否真诚，而推理则需要通过分析对方的言行举止和过往证据来得出结论。

1、关于推感的理解

（1）情感感知方面

人类在情感感知上还有很大的开发空间。例如，对于微表情的捕捉和解读，很多人并不能敏锐地察觉到他人瞬间的表情变化所隐藏的情感信息。像在商务谈判中，如果能够准确地感知对方因紧张、犹豫或虚张声势而产生的微小面部肌肉变化，就可以更好地调整自己的谈判策略。目前，虽然有专业的微表情培训，但大多数人没有经过这种训练，只是凭借本能和简单的经验来感知他人情绪，远未达到充分开发的程度。

对于复杂情感的混合感知也有待提高。人类的情感往往是多种情绪交织在一起的，如既爱又恨、既高兴又悲伤的复杂情感状态。在理解艺术作品时，很多人可能只能感知到作品表面的情感，如一幅画给人的愉悦感，但很难深入挖掘出画中所蕴含的作者复杂的情感历程，包括创作时的内心冲突、对时代背景的感慨等多种因素融合后的情感表达。

（2）直觉和灵感方面

直觉在人类决策中的作用还没有被完全开发。在一些紧急情况下，如消防员在火灾现场，他们可能会凭借直觉选择救援路线或者判断危险区域。但这种直觉的形成机制、如何培养和强化直觉，目前还没有完全被人们所掌握。很多人的直觉还处于一种比较模糊和不可控的状态。

灵感的开发也是一个未知领域。艺术家、科学家等群体依赖灵感来产生创新性的想法。然而，灵感的触发因素、如何主动地激发灵感等仍然是谜团。例如，很多作家表示灵感的出现是不可预测的，有时可能因为一个偶然的场景或者一句话而产生创作的冲动，但无法系统地去开发这种灵感获取的能力。

2、与推感可能相关的认知拓展领域

（1）意识拓展方面

人类意识的边界还未被完全探索。在一些特殊的状态下，如冥想、梦境等，人们可能会体验到与平常不同的意识状态。在冥想过程中，有经验的冥想者可能会感知到一种超越自我的意识状态，这种状态下的感知方式和日常推理不同，但目前大众对于这种意识拓展的了解和开发还比较有限。大多数人只是把冥想当作一种简单的放松方式，没有深入挖掘其潜在的意识拓展和认知提升价值。

对于集体意识的感知和利用也处于初级阶段。在社会群体中，存在着一种群体的共识和情绪。例如，在大型体育赛事的观众席上，观众们会不自觉地被群体的情绪所感染，产生一种集体的兴奋或者悲伤等情绪。但如何更好地理解和引导这种集体意识，将其作为一种积极的认知资源进行开发，还面临很多挑战。

（2）跨领域认知融合方面

人类在不同知识领域之间的认知融合能力还需要加强。比如，将艺术与科学相结合的认知方式还没有被广泛开发。一个生物学家可能很难从艺术的角度去看待细胞结构，而艺术家也很难将细胞的科学原理融入到艺术创作中。但这种跨领域的认知融合可能会产生创新性的认知成果，如生物艺术等新兴领域的出现，只是目前还处于起步阶段，还没有充分发挥出这种推感（如果它涉及跨领域认知）的潜力。

机器学习与人类学习

机器学习基于数据和算法进行模式识别和预测，依赖大量事实知识进行训练，以优化模型性能，但缺乏对信息的主观理解和价值观判断；人类学习则综合运用感知、经验、情感和价值观，不仅能掌握事实知识，还能赋予其意义，并基于价值判断做出决策，学习过程更具灵活性和创造性。

一、机器的学习

在事实知识学习方面，机器学习中的监督学习是一个典型的利用事实知识学习的例子。在监督学习中，模型是基于带有标签的训练数据进行学习的。这些标签可以看作是一种事实知识。例如，在图像识别任务中，训练数据集包含大量标注了 “猫”“狗” 等标签的动物图片。模型通过学习这些图片（输入）和对应标签（输出）之间的映射关系，来掌握如何将新的图像分类到正确的类别中。这里标签就是一种事实知识，机器通过大量的事实样本学习规律。

强化学习中，智能体也是基于环境反馈的事实信息（奖励或惩罚信号）来学习如何采取行动以最大化累积奖励。例如，在机器人控制任务中，机器人根据自身在环境中移动时的反馈（如碰撞会得到惩罚信号，成功到达目标位置会得到奖励信号）来学习最优的行动策略。这些反馈信号代表了环境对机器人行为的客观事实评价。  

机器不仅仅局限于事实知识学习，机器在一些无监督学习场景下，并不是单纯依赖事实知识。例如，在聚类分析中，模型会根据数据本身的结构和特征相似性来对数据进行分组。它并不需要预先标记好的事实标签来指导学习，而是通过挖掘数据内在的模式来进行学习。

二、人类的学习  

人类的价值观念在学习中起着重要的引导作用。比如在道德学习中，人们会根据社会公认的道德价值观念来判断行为的对错。一个孩子在成长过程中，会从家庭、学校和社会中学习到诸如 “诚实是美德”“尊重他人” 等价值观念。这些价值观念会影响他们对各种情境下行为的选择，如在面对是否抄袭他人作业的抉择时，会因为 “诚实” 的价值观念而选择不抄袭。 

在科学知识学习中，人类依赖事实知识。例如，学生学习物理学中的牛顿运动定律，这些定律是基于大量的实验事实和观察总结出来的。通过对这些事实知识的学习，学生能够理解物体的运动规律，并且能够运用这些规律来解决实际问题，如计算物体在不同力的作用下的运动轨迹。机器和人类的学习方式都很复杂，并且都不是单一地依赖事实知识或价值知识。机器在很多情况下是基于事实知识学习，但也有一些不依赖明确事实标签的学习方式；人类学习既涉及价值知识的内化，也包括对事实知识的掌握。

未来，人机融合的学习是人类学习的主观能动性、创造力和价值判断优势，与机器学习的高效数据处理、精准模式识别能力优势互补的一种学习方式。它既克服了人类在大数据分析方面的局限性，又弥补了机器在价值理解和创造力上的不足，实现了更全面、更精准且富有意义的学习效果，与人、机各自独立学习形成鲜明对比。