【编者按：意图识别包含艺术性，其主要困难也是统计之外的问题，不是单纯的概率问题，真正的知识是必须的，但永远无法取代运用的智慧。】
军事智能的不断发展，智能化装备的大量使用，不但将与传统的战争形态从技术上产生巨大的不同，在军事指挥与控制的理论上也将对传统作战制胜机理产生不同程度的颠覆。因此，当前加快军事智能化发展，不仅要继续智能化武器装备的研究，还要提高对智能化战争条件下作战指挥控制理论的研究。军事智能研究是一个领域，不是一个学科，我们必须要用不同的方法论，从不同的角度来研究军事智能，方法论、角度越多，军事智能研究可能就会做得越好。概况起来以下几个主要问题特别值得关注：
从表面上看，各国军事智能化发展非常迅速：百舸争流，百花齐放，百家争鸣，一片热火朝天的景象，实际上，各国的军事智能化进程却都存在着一个致命的缺点，就是没能深入地处理人机融合的智能问题，尤其是深度态势感知问题。任何颠覆性科技进步都可回溯到基础概念的理解上，例如人的所有行为都是有目的的，这个目的性就是价值，目的性可以分为远中近，其价值程度也相应有大中小，除了价值性因果推理之外，人比人工智能更为厉害的还有各种变特征、变表征、变理解、变判断、变预测、变执行。严格地说，当前的人工智能技术应用场景很窄，属于计算智能和感知智能的前期阶段，不会主动地刻画出准确的场景和情境，而智能科学中最难的就是刻画出有效的场景或上下文，而过去和现代军事智能化的思路却是训练一堆人工智能算法，各自绑定各自的军事应用场景。
一般而言，这些人工智能技术就是用符号/行为/联结主义进行客观事实的形式化因果推理和数据计算，很少涉及价值性因果关系判断和决策，而深度态势感知中的深度就是指事实与价值的融合，态、势涉及客观事实性的数据及信息/知识中的客观部分（如突显性、时、空参数等），简单称之为事实链，而感、知涉及主观价值性的参数部分（如期望、努力程度等），不妨称之为价值链，深度态势感知就是由事实链与价值链交织纠缠在一起的“双螺旋”结构，进而能够实现有效的判断和准确的决策功能。另外，人侧重于主观价值把控算计，机偏向客观事实过程计算，也是一种“双螺旋”结构。如何实现这两种“双螺旋”结构之间（时空、显著性、期望、努力、价值性等）的恰当匹配，是各国都没有解决的难题。某种意义上说，深度态势感知解决的不仅是人机环境系统中时间矛盾、空间矛盾的突显性，还有事实矛盾、价值矛盾和责任矛盾的选择性。矛盾就是竞争，决策包含冒险。好的态势感知能力就是在混乱中看到秩序、在不可能中看到可能、在黑暗中看到光明……所以，目前智能军事领域的瓶颈还是人机融合智能中的深度态势感知问题。
“跨域协同”问题从根本上说就是一个“人的问题”。“多域战”、“全域战”、“马赛克战”以及“联合作战”解决“跨域协同”问题的方式方法可以用两个术语来概括。一是聚合（convergence），即“为达成某种意图在时间和物理空间上跨领域、环境和职能的能力集成”；二是系统集成（integration of systems），不仅聚焦于实现“跨域协同”所需的人和流程，还重视技术方案。截至目前，“跨域协同”尚没有形成，当前的系统和列编项目是“烟囱式”的互相独立，跨域机动和火力需要“人”方面的解决方案。随着自动化、机器学习、人工智能等技术的成熟，美军的对手将寻求应用这些技术能力来进一步挑战美国。按照沃克的要求，打破现有的“烟囱式”方案，设计出背后有人机编队做支撑的新方案，是美军的责任。
无论是纵观古今，还是展望未来，各种军事作战装备或系统始终都是一个人-机-环境系统。无论是现在还是未来，无人机、无人车、无人艇等各种无人装备都不可能是完全无人的，只不过是人由前置转为后置，由体力变为智慧，由具体执行变为指挥控制，其中涉及到复杂的人机交互及其相互关系的问题，单纯的人工智能与人类智能都不能使其发挥最大效能，人机智能的混合是其重要的发展方向。准确地说，军事智能不仅包含自然科学和工程技术，还涉及许多社会科学的领域，如人文、哲学、宗教乃至艺术等等，这从世界上最早的兵书之一——《孙子兵法》的英文名字可见一斑：The Art of War，好的军事指挥有时候不仅是技术还是艺术。军事智能是人工智能之冠上的明珠，相对传统的民用人工智能，其对抗性博弈性更强，其智能不仅仅是武器装备的智能更是指挥控制系统的智能，是体系的智能化。未来军事智能的最优存在形态应该不是个体性的（比如异常先进的单平台武器），而是系统性的（网络性的），更有可能是横跨各人机环境系统体系性的（如跨不同网络的陆海空天网体系），并且该体系还会不断自主升级，
如果说“逻辑是符号串的等同或包含关系”，那么非逻辑则是非符号的等同或包含关系。人工智能处理一些逻辑问题较好，而人处理一些非逻辑问题稍优，人机融合则能处理逻辑与非逻辑的融合问题。人工智能在对抗博弈中起重要作用需要几个条件：首先是找到数学定量计算就能解决的部分，其次与人融合过程中使该AI部分找到适当的时机、方式和作用，最后，人做对的事，AI“把事情做对”。
目前，人智与AI的失调匹配是导致目前人工智能应用领域弱智的主要原因。人可以身在曹营心在汉，是非、01同在：既是又不是，叠加“态”。在危机管理中常常出现的是叠加“势”：危险与机会共生，危中有机，机中有危，两者纠缠在一起。如何因势利导、顺势而为，则是人机融合智能中深度态势感知的关键。人机是非同构的，即本质是不同的两者事物，一个受控实验部分不可重复，一个受控实验普遍可重复。人的智慧也是由受控与不可受控部分、可重复与不可重复部分构成的。色盲者认为是无色的，对他是真的，对其它主体却是假的，若色盲者比正常人多，则正常人会是色盲吗？
大数据的优点是受控实验普遍可重复性，如此一来可以寻找共性规律——按图索骥；但是，这也是大数据的一个缺点，容易忽略新生事物——受控实验不可重复部分的出现，表现出刻舟求剑效应。有些受控实验不可重复之真实性也是存在的，但这不在科学范围内。以前是盲人摸象，现在是人机求剑。
对军事智能而言，无论机器学习还是自主系统，都不外乎是为了结合人、机的优点，取长补短、相得益彰，精确地感知、正确地推理和准确地预测，进而达到隐真使假、去伪存真、去粗存精、由此及彼、由表及里，所以，在未来战争中，对人机融合智能机制、机理的破解以及有效的协同方式将成为未来战争致胜的关键。
任何分工都会受规模和范围限制，人机融合智能中的功能分配是分工的一部分，另外一部分是能力分配。功能分配是被动的，外部需求所致；能力分配是主动的，内部驱动所生。在复杂、异质、非结构、非线性数据/信息/知识中，人的或者是类人的方向性预处理很重要，当问题域被初步缩小范围后，机器的有界、快速、准确优势便可以发挥出来了；另外，当获得大量数据/信息/知识后，机器也可以先把他们初步映射到几个领域，然后人再进一步处理分析。这两个过程的同化适应、交叉平衡体现的就是人机有机融合的过程。
人工智能只是人类智能可描述化、可程序化的一部分，而人类的智能是人、机（物）、环境系统相互作用的产物。智能生成的机理，简而言之，就是人物（机属人造物）环境系统相互作用的叠加结果，由人、机器、各种环境的变化状态所叠加衍生出的形势、局势和趋势（简称势）共同构成，三者变化的状态有好有坏、有高有低、有顺有逆，体现智能的生成则是由人、机、环境系统态、势的和谐共振大小程度所决定的，三者之间具有建设性和破坏性干涉效应，或增强或消除，三位一体则智能强，三位多体则智能弱。如何调谐共频则是人机融合智能的关键。当代人工智能由最初的完全人工编译的机器自动化发展到了人工预编译的机器学习，接下来的发展可能是通过人机融合智能的方法来实现机器认知，最终实现机器觉醒。
未来战场，对抗态势高度复杂、瞬息万变，多种信息交汇形成海量数据，仅凭人脑难以快速、准确处理，只有人机融合的运行方式，基于数据库、物联网等技术群，指挥员（恰当的人+机）才能应对瞬息万变的战场，完成指挥控制任务。随着无人系统自主能力的提升，人工智能集群功能的增强，自主决策逐步显现。一旦指挥系统实现不同功能的智能化，感知、理解、预测的时间将会大大压缩，效率明显提高。加上用于战场传感器图像处理的模式识别、用于作战决策的最优算法，将赋予指挥系统更加高级的决策能力，逐步实现人与机的联合作战。
再谈 jisuanji
对军事智能而言，传统的深度学习、强化学习这两种机器学习形式存在着先天不足。智能往往就是“二班”的，“一班”（一般）的大都是三好学生，或许智能就是孙悟空—非存在的有，即主体、客体划分之外的混体、动体或变体—主客体或客主体才是更好的划分。自我不如变我，价值是赞同的程度，价值里既有基于事实的部分，也有虚构的部分，还有半虚半实的部分。
智能就是孙悟空—非存在的有，除了数，还有其它学，算计里面包含有一些非计算的成分，是一种有意识的计算，如矛盾、歧义、锚定、贝叶斯、N次锚定+N次贝叶斯…不钻牛角的是计算，侯世达说的“怪圈”，对中国人而言不是，而是计算计（jisuanji)，jisuanji就是随机应变+举一反三+触类旁通+弥聚有度+和而不同+不同而合。过时、刻板、机械的计算快害死了智能，未来的新计算或许能反映智能。
人类学习中的所有难以解释的过程都不是机器能靠逻辑学习领会的，而机器学习作为基石如果无法完整的奠定军事智能的基础，那么再看上去厉害的成果实质上都是脆弱的。
有人说：“要在经典计算机上做到偶发，实现真正的人工智能恐怕很难，类脑计算机和量子计算机倒是有很大希望。量子计算机在运行中有相当比例的错误率，这里的错误会是实现计算机普适性的关键，但前提我们要找到驾驭它并进行信息筛选的方法。这将是通往人工智能的必由之路。”实际上，再快的计算也取代不了好的算计。算计基于价值，计算基于事实。好的算计有时也定量，是价值的量。
数据与知识的形成、使用、协同都是主客观混合的过程，人机混合的核心问题也就是主客观如何有效混合的问题，所以单纯使用客观手段很难实现对其根本性的理解、发现。不同的数据结合不同的知识可以产生相同的等价结果，可计算性完成了正向过程，而可解释性需要完成其逆向过程，由于逆向过程的相对无限性（尤其对于当前数学的一义性和不完备性而言），所以事物的发展常常会不可解释的，这也是机器学习不可解释的根本所在。因此，对于人机之间的互学习，目前仍是一个不能实现的问题，究其因，机器学习不能实现人类学习中所能够产生的一系列的隐性知识、规则与秩序。
许多人大都不自觉地使用还原思想去处理系统问题。人机环境系统中最难的是各种混合，如可计算、可算计、可判定、可解释等方面的混合。
人机混合系统终究不是一个数学物理问题，但大家却不自觉地都把它当成了一个数学物理问题去解决，这也就是它仍处在研究初级阶段的主要原因：定位错误。各种态势感知也是如此，它们与人的主观性也有密切关系，却常常被人有选择性的忽略掉了。未来的人机环境混合智能系统应该是生物数学物理社会系统。
伊特尔森（Thomas Ittelson）有说过一段很重要的话：“物体和环境之间的区别是至关重要的，客体总是需要主体，无论是主-客体统一的哲学，还是将客体天真地看作一种‘事物’。相比之下，一个人不能成为一个环境的主体，而只能是环境的参与者。在环境中，自我与非自我之间的区别已经被瓦解：环境包围、包含一切。没有任何事物、任何人可以被孤立、被识别为站在环境的外面”。
前苏联的神经心理学家亚历山大·鲁利亚（Alexander Luria）和一个调查组去西伯利亚北部调查当地部落文盲的情况。调查组向当地人（文盲）提出一个三段论的问题：北极圈以北的熊是白色，西伯利亚在北极圈以北，那么西伯利亚的熊是什么颜色？当地人听了之后，没有回答这个问题。调查组认为他们无法理解三段论，在调查组离开后，鲁利亚留了下来，接着跟当地人聊熊的颜色。他们说之所以不能回答熊的颜色，是因为他们从来没有去过那里。他们不是不理解三段论，也不是没有理解三段论的能力，而是因为三段论不是他们的理性。对于“熊是什么颜色？”这个问题，他们需要去到那里，见到熊之后才能回答，而不是建立在逻辑推理上的回答。他们的“理性”不同于我们建立在逻辑推理基础上的“理性”，而是建立在具身感知基础上。
人机交互中信息化、自动化与智能化是并存的，信息化强调的是载体流动的通畅有序性，自动化关注的是程序过程的确定性，智能化侧重的是无限关系的有限合理性。
