如何计算意识？

意识之所以很难被理解、被计算，关键在于没有把“意”与“识”分开，分开后，不但方便理解，而且还能够进行较精确的计算。

当前主流人工智能大多建立在“识”的可重复计算之上（以“态—势—感—知”为链条），依靠正向逻辑推演完成态势感知过程，实现状态空间向外弥散延展；却普遍缺失“意”的杂乱算计（遵循“势—态—知—感”的反向链路），难以完成由未来意向反向回溯、价值约束收敛的意图推算。意识并不是单一类型的计算，而是计算‑算计（计算计）耦合：“识”是计算性复杂逻辑推理，意是算计性复杂超逻辑推算；二者依托人‑物（机）‑环境系统，依靠关联、干预、反事实三类机制完成交互。“识”生成现实可能性全集，“意”裁剪收敛出意向可行子集，两套互逆共生，构成人机环境系统智能有别于传统人工智能的底层机理。

AI上半场是让机器通过“识”学会计算，AI下半场是让人类通过“意”重新掌握算计、定义边界、驾驭智能、主导系统。

1 识：成熟的正向计算，状态的弥散与延展

意识中的“识”即态势感知，是主体面向外部世界的客观认知过程，属于计算性复杂推理。它从当下现实状态出发，依照规律推演后续可能发生的一切，向外铺开全部可达的状态‑动作分支。

“识”已经拥有十分完备的形式化基础：

St+1=F(St，At；ε)

St 代表t时刻客观状态向量，At为动作向量，ε为人‑物（机）‑环境共同构成的外部环境系统。马尔可夫决策过程、部分可观测马尔可夫过程、概率图模型、深度学习预测、大模型因果推演本质上都属于识的范畴。它的运行逻辑是：给定现在，推演将来；给定输入，输出所有现实上能够抵达的可能性集合Ω。“识”本身不含价值判断、主观意图，不做取舍，只完成关联：把环境、主体、工具之间客观存在的因果关系一一建立，弥散出一张巨大的可能性网络。

传统人工智能本质上只实现了“识”。不管是大模型预测下一个token，强化学习试错寻优，还是战场态势感知系统识别目标、预测敌方行动，都是从当下向未来正向延展。即便带有奖励函数的强化学习，奖励依然是预先给定的标量，并不是主体从自身想要的未来反向生成、动态调整的意向目标。它可以枚举万千路径，却不知道自己“应当去往哪一个未来”。“识”能够回答：如果我做了A，之后世界会变成什么样（if-then）；但是它回答不了：为了抵达我想要的未来，我此刻应当做什么，又应当主动放弃什么（want-should）。

“识”的能力边界：擅长关联，不擅长干预；擅长现实推演，天然缺失反事实的意图裁剪。它向外弥散一切可行状态，不会自动收敛。

2 意：尚未充分形式化的算计，趋势的聚会与收敛

“意”即势态知感，是主体内在的谋略意向过程，属于算计性复杂推算。它不是从现在推未来，而是以主体内心期望的未来目标状态为起点，反向约束当下可以接受、应当舍弃的状态与动作。这里存在一个至关重要的难点：环境转移函数F绝大多数情况下不可逆，是多对一的映射，同一个当下可以走向无数未来，但一个未来往往不能够唯一回溯到某一个当下。因此“意”不能简单写成逆函数

St=F^{-1}(St+n,At+n)

“意”的算计，形式上应当表达为反向可行域回溯算子：

Φt=R(S*t+n，μ，⚀，Ω)

· S*t+n：t+n时刻意向目标，它不是必然出现的客观状态，而是主体内生、可以动态调整的期望终态；

· μ：价值约束集合，包括偏好、伦理、代价阈值、取舍原则，是算计内生的主观规则，不属于客观环境ε；

· ⚀：反事实干预算子，执行“假如‑则”的虚拟推演，检验每一条路径距离意向目标的可达性；

· Ω：识经由正向计算生成的全部现实可达路径集合；

· Φt：经过回溯裁剪之后，t时刻收敛得到的许可状态‑动作子集，Φt∈Ω。

“意”不创造全新的现实路径，只在“识”给出的可能性全集当中，依靠目标、价值、反事实做筛选、裁剪、收敛，把弥散开来万千分支收束为一小簇符合主体意向的可行路径，也就是趋势的聚会。算计里面包含另外两类核心机制：干预与反事实。干预依靠价值集合μ人为干预庞大的可选路径空间；反事实依靠算子⚀，对并未真实发生的虚拟路径进行检验淘汰。

人的意向并不是简单的最大化某个预先给定的效用值。人常常先树立一个想要抵达的未来，反推现在哪些事不能做，如果全部路径都无法抵达理想目标，人就主动调整目标本身，松弛或者更换价值约束，再次反向回溯。这恰恰是当前机器无法完成的算计：机器的目标大多固定在外，人的意向内生可变，可以随“识”反馈回来的现实约束动态迭代。

3 意识即计算计：识‑意耦合闭环，关联‑干预‑反事实三位一体

意识并不是“识”加上“意”简单拼接，而是一套闭环耦合机制：

第一步：识运行正向算子F，基于当下St、可选动作、环境ε，弥散生成全部可达路径全集Ω，完成客观要素之间的关联；

第二步：“意”运行回溯算子R，以意向终态S*t+n、价值集合μ、反事实算子⚀，在Ω当中裁剪收敛，得到许可子集Φt；

第三步：将Φt交还给“识”，识再利用正向转移函数逐一校验子集当中每一条路径现实可行性；

第四步：若Φt当中不存在可行路径，则意主动调整S*t+n或者松弛μ内部约束，再次运行回溯算子，重新收敛出新的子集；若可行，则从中选取动作执行，系统推进至t+1，进入下一轮迭代。

关联、干预、反事实分别承担不同功能：关联是“识”的本职，建立人‑物（机）‑环境客观逻辑推理；干预是“意”的本职，依靠内生价值裁剪可能性空间；反事实是识‑意之间交互的桥梁，把意向放到虚拟的现实推演当中检验。三者缺一不可：没有关联，干预就是空想；没有干预，海量可能性无法收敛；没有反事实，意向无法和现实世界进行预交互。

下面将以一个典型生活实例完整呈现意识的计算计过程：通勤赶路决策。

t时刻识采集现实状态St：距离上班还有40 min；地铁、网约车、共享单车三条路线；早高峰堵车概率高，网约车价格溢价严重；共享单车受天气影响。“识”正向运行转移函数F，枚举全部方案以及对应的客观后果，生成全集Ω：网约车大概率及时抵达但是价格很高；地铁时间可控但是出站之后仍需步行；共享单车省钱但是一旦下雨会延误。“识”只客观给出全部可能性，不做选择。

意内生意向目标S*t+n：准时抵达，尽量节约开支，不被大雨淋湿。价值约束集合μ：优先保证准时，其次控制出行成本，尽量避开淋雨。反事实算子⚀逐一检验路径：假如打网约车，大概率准时，但是严重突破成本约束；假如骑共享单车，成本最低，一旦下雨就达不到准时、干爽的意向目标；假如乘坐地铁，时间稳定，成本可控，唯一缺陷是出站短距离步行。经过回溯算子裁剪收敛，得到许可子集Φt：优先选择地铁；随身携带雨伞应对出站步行。

再交由“识”校验：地铁当前有没有临时停运，实时客流会不会耽误进站。如果识给出反馈：地铁早高峰临时限流，大概率迟到。此时Φt没有可行解，“意”就要主动调整意向，松弛价值约束μ：适度放宽成本约束，可以接受溢价不太高的网约车，再次反向回溯筛选出新方案。

在这个闭环当中，机器导航软件只能完成“识”的工作，把全部路线、时长、花费全部列出，做客观关联；它不能够内生动态意向，不能够从想要抵达的未来反向裁剪路线集合，不能够在全部方案都不理想的时候主动调整自己的目标阈值。人类意识的精髓，恰恰就是这套意‑识耦合的计算计。

4 计算计对于新一代人机环境智能的启示

传统人工智能把全部智能问题转化成为“识”的正向计算，用固定目标、固定奖励代替内生可变的意。它擅长弥散，不擅长收敛聚合；擅长预测现实，不擅长内生意向；擅长关联，很难完成意图干预与灵活的反事实算计。

想要逼近人的意识智能，不能仅仅提升正向推演、预测、生成的算力，更需要补齐“意”的形式化体系：引入独立的意向目标S*t+n，可动态调整的价值约束集合μ，反事实干预算子⚀，以及建立起识‑意双向耦合闭环。未来人机环境系统智能，不再仅仅依靠机器向外感知推演，而是机器负责“识”的计算，人类负责“意”的算计，二者协同完成关联‑干预‑反事实的完整计算计过程。

意识或许并不是某种神秘、非计算的灵性，也不是单纯的正向数理运算；意识本质上是一套双向、耦合、弥聚、可迭代的计算计系统：“识”向外弥散，意向内收敛聚合；“识”推演现实，“意”内生意向；二者依托人‑物（机）‑环境系统，依靠关联、干预、反事实完成动态博弈。这就是意识独有的计算，更准确的说应是“识”计算+“意”算计的计算计，也是解决态势感知+势态知感问题的一条道路。

参考文献：