全真互联网时代将至，“未来智能网络”还有多远？

“未来智能网络的关键，在于人机环境系统的有效协同。”

创新互联建站-专业网站定制、快速模板网站建设、高性价比清原网站开发、企业建站全套包干低至880元,成熟完善的模板库,直接使用。一站式清原网站制作公司更省心,省钱,快速模板网站建设找我们，业务覆盖清原地区。费用合理售后完善，十多年实体公司更值得信赖。

编者按：本文来自微信公众号“腾云”（ID:tenyun700），作者：刘伟，36氪经授权发布。

“未来智能网络，博弈态势高度复杂、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。”在人机融合智能专家、北京邮电大学岗位教授刘伟看来，随着智能化的不断发展，智能化装备的大量使用，传统的网络形态、运行机理将发生巨大的颠覆。

他指出，“只有人机融合的运行方式，基于弹性数据库、互联网、物联网、车联网等技术群，系统（人+机+环境）才能应对瞬息万变的任务情境，完成调度控制任务。”

这突显出关于“未来智能网络”研究的重要意义。

2020年12月，腾讯董事会主席兼首席执行官马化腾也提到了“全真互联网”的概念。在他看来，“这是一个从量变到质变的过程，它意味着线上线下的一体化，实体和电子方式的融合。”

从互联网、物联网到全真互联网，不同时代下，“网络”的升级进化都将产生深刻影响。

世界是由众多事物相互关联在一起的，里面充满了各种各样的关系，正是这些关联和关系才构成了生命、生活和生态，才不断孕育出了智能、网络、意义、责任、权力、自由、平等、意图、自主等抽象的概念和范畴。

随着深度学习、强化学习等新一代人工智能技术的发展，其在计算机视觉、语音识别、自然语言处理、生物医疗领域及游戏博弈等方面取得很大的突破，人工智能在数字网络领域应用也愈加广泛，催生了未来智能网络的概念。

智能化的不断发展，智能化装备的大量使用，不但将与传统的网络形态从技术上产生巨大的不同，在互联网与物联网的理论上也将对传统网络运行机理产生不同程度的颠覆。因此，当前加快智能化发展，不仅要继续智能化装备的研究，还要提高对智能化环境条件下新型网络理论的研究。

未来智能网络研究是一个领域，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未来智能网络，方法论、角度越多，未来智能网络研究就会做得越好。概况起来以下几个主要问题特别值得关注。

人机环境网络系统中的深度态势感知问题

从表面上看，各国未来智能网络发展非常迅速：百舸争流，百花齐放，百家争鸣，一片热火朝天的景象，实际上，各国的网络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环境系统融合的智能问题，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网络应用场景很窄，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网络场景和情境，而智能科学中最难的就是刻画出有效的网络场景或上下文，而过去和现代网络智能化的思路却是训练一堆人工智能算法，各自绑定各自的网络应用场景。

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网络系统中时间矛盾、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，目前智能网络领域的瓶颈还是人机融合智能中的深度态势感知问题。

不确定性问题

著名军事理论家克劳塞维茨认为：战争是一团迷雾，存在着大量的不确定性，是不可知的。这里的不可知是不可预知、不可预测，从现代人工智能的发展趋势来看，可预见未来智能网络中存在着很多人机融合隐患仍未解决，具体有：

在复杂博弈环境中，人类和机器是在特定的时空内吸收、消化和运用有限的信息，对人而言，人的压力越大，误解的信息就越多，也就越容易导致困惑、迷茫和意外；对机器而言，对跨领域非结构化数据的学习、理解、预测依然是非常困难的事情。

网络中的决策所需信息在时空、情感上的广泛分布，决定了在特定网络情境中，一些关键信息仍然很难获取，而且机器采集到的重要客观物理性数据与人类获取的主观加工后的信息、知识很难协调融合。

未来智能网络中存在的大量非线性特征和出乎意料的多变性，常常会导致运行操作过程及结果的诸多不可预见性，基于公理的形式化逻辑推理已远远不能满足复杂多变智能网络的需求。

人的问题

“跨域协同”问题从根本上说就是一个“人的问题”。“互联网”、“物联网”、“车联网”以及“全真互联网”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、物和流程，还重视技术方案。截至目前，“跨域协同”尚没有承认，当前的系统和列编项目是“烟囱式”的互相独立，跨域机动和联通需要“人”方面的解决方案。

随着自动化、机器学习、人工智能、新型网络等技术的成熟，人们将进一步寻求应用这些技术能力来进一步挑战传统网络的不足，打破现有的“烟囱式”方案，设计出背后有人机环境系统工程做支撑的新方案，是未来智能网络的责任。

无论是纵观古今，还是展望未来，各种网络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、无人艇等各种交通运输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，由具体执行变为调度控制，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大效能，人机智能的混合是其重要的发展方向。

准确地说，未来智能网络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，这从维特根斯坦著名的著作——《逻辑哲学论》中的第一句话就可见一斑：世界是由事实（即联系）构成的，而不是由事物（即属性）构成的。

好的网络系统有时候不仅是技术还是艺术。未来智能网络是系统工程之冠上的明珠，相对传统的网络系统，其动态适应性运行更强，其智能不仅仅是物联网/车联网的智能更是人类互联网系统的智能，是体系的智能化。

未来智能网络的最优存在形态应该不是个体性的（比如异常先进的互联网或物联网单平台），而是系统性的（多网络性的），更有可能是横跨各人机环境系统体系性的（如跨不同网络的生态体系），并且该体系还会不断自行生长升级。

尽管前途是光明的，但我们依然有理由认为，随着数字化环境的性质的不断演变，智能技术将对未来智能网络的演变会做出重大贡献，但过高估计技术变革的速度和先进技术在未来发展中所起的作用仍具有风险。

过分强调技术将会使看不见的各种盲点一直存在，进而会在不定任务、情境和运行中意外出现。追求尖端技术并无问题，但在可见的未来智能网络中，把控的关键因素依然是人。事实上，这与毛泽东同志有关人民战争战略思想是一致的：武器是战争的重要因素，但不是决定的因素，决定的因素是人而不是物。

未来智能网络的关键，在于人机环境系统的有效协同

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。

人工智能在未来智能网络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（把握方向），AI“把事情做对”（过程实现）。

最近，不少网络专家和智能网络部门技术领导人强调“人类”必须最终作出重要决定并掌控“调度和控制”系统，同时还明确指出快速演化的人工智能装备系统应用可以让控制人员“及时看到、率先作出决定、率先采取适当行动”，当然由此能够更快地消除各种事故/故障隐患。（人工智能的数据处理能力会让人类的决策速度呈现指数级的提高，即提速了OODA环。）

仔细想想，任何事物都不会无中生有，凡事都有苗头和兆头，人机融合就是能够及时（恰如其分）地捕捉到这些零零碎碎的迹象和蛛丝马迹，太快太慢都不好，正如美国诺贝尔经济奖得主卡内曼在《思考：快与慢》一书中将人类的本能意识快决策称为系统一，将人类的理性逻辑慢决策称为系统二，并考察了系统一与系统二之间的区别。

实际上，经过我们进一步研究，人机环境系统的深度态势感知中应该还有决策系统三：人类理性与感性结合的不快不慢的right决策系统。

目前，人类智能与网络的失调匹配是导致目前智能网络系统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。另外，真正的博弈智能不是大数据的，而是个性化的小数据或无数据，这就与智能网络的普适智能要求存在这一定程度的偏差。

科学的缺点在于否认了个性化不受控不可重复的真实。所以基于这种科学性的基础上必然会带来一些缺陷。人，尤其是每个人都是天然的个性化不受控不可重复的主体，你不能说他就是不存在的。从这个角度看，人机环境融合的未来智能网络实质就是帮助科学完善它的不足和局限。

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。

对未来智能网络而言，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，在未来智能网络中，对人机环境系统融合智能机制、机理的破解以及有效的协同方式将成为未来网络发展的关键。

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/知识未来智能网络中，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。

人机融合知识表征方面主要的问题是：缺少能够将传感器数据与人类的知识融合、适应实际作战场景的弹性知识库。

人类有完备的理论知识，对于组织准备、下定决心、装备准备以及实时操作行动都有特定的表征习惯。因此机器如果想要理解人类在特定任务场景下的语义表达，需要结合任务、态势、方式、环境等因素自动分析，形成综合态势判断。不能基于传统的“编程思维”事先穷举所有因素，而是要对各种网络情况进行“感知、理解和学习”，使知识库具有弹性，能够进行更新迭代，解决人机融合数据-知识中的一致性问题。

人机融合决策机制方面主要的问题是：缺少基于人机沟通的个性化智能决策机制。

人类的风格千差万别，能够实现高效人机协作的智能系统一定是个性化的智能系统。“个性化”的智能系统不是简单的机器对人类习惯的适应和迁就，而是应该建立一种人机沟通的框架和机制。系统的决策建议有可能是对人类思路的补充，也有可能与人类的调度控制风格完全相反，通过不断实践获得反馈，人机融合决策能力获得迭代发展，最终实现个性化的辅助决策系统，达到人与机器、环境系统网络的最优匹配。

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、环境系统中的态、势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。

总之，未来智能网络，博弈态势高度复杂、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，基于弹性数据库、互联网、物联网、车联网等技术群，系统（人+机+环境）才能应对瞬息万变的任务情境，完成调度控制任务。

随着无人网络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。一旦调度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。

加上用于诸多智能传感器图像处理的模式识别、用于网络实时决策的最优算法，将赋予未来智能网络系统更加高级的决策能力，逐步实现人、机与环境智能网络系统的联合运行。

作者简介：

本文作者系北京邮电大学岗位教授，剑桥大学访问学者，清华大学战略与安全研究中心人工智能组专家。至今发表论文70多篇，出版专著4部，译著2部。作为项目负责人主持国家自然科学基金、总装预研、中国博士后科学基金等。现为中国信息与电子工程科技发展中心专家委员会特聘专家、国家自然科学基金评议专家、全国人类工效学标准化技术委员会委员、中国人工智能学会高级会员、《心理学报》、Ergonomics、Human factor等审稿专家。

其研究领域为：人机融合智能、认知工程、人机环境系统工程、未来态势感知模式与行为分析/预测技术等多方面等。