信息安全包含的范围很广，大到国家军事机密，小到如何防范商业秘密和人身秘密。在目前的网络信息社会中，信息安全的实质就是要保护信息系统或信息网络中的信息资源免受各种类型的威胁、干扰和破坏，但是在我们的日常生活中，这种事情还是屡有发生。
一是信息的泄露，被某个未被授权的实体或者是个人获得用于不法目的，而且在这个过程中，可能导致信息被非法转让、删减或者是破坏，让原来信息拥有者的信息失去真正的意义；二是被拒绝服务，这是对信息或者是相关资源的合法访问被无条件阻止。
这主要是某一资源被某个非授权的人，或以非授权的方式使用。一是窃听。用各种可能的合法或非法的手段窃取系统中的信息资源和敏感信息。例如对通信线路中传输的信号搭线监听，或者利用通信设备在工作过程中产生的电磁泄露截取有用信息等。通过对系统进行长期监听，利用统计分析方法对诸如通信频度、通信的信息流向、通信总量的变化等参数进行研究，从中发现有价值的信息和规律。二是假冒。通过欺骗通信系统（或用户）达到非法用户冒充成为合法用户，或者特权小的用户冒充成为特权大的用户的目的。黑客大多是采用假冒攻击。攻击者利用系统的安全缺陷或安全性上的脆弱之处获得非授权的权利或特权。例如，攻击者通过各种攻击手段发现原本应保密，但是却又暴露出来的一些系统“特性”，利用这些“特性”，攻击者可以绕过防线守卫侵入系统的内部破坏
被授权以某一目的使用某一系统或资源的某个人，却将此权限用于其他非授权的目的，也称作“内部攻击”。在某个系统或某个部件中设置的“机关”，使得在特定的数据输入时，允许违反安全策略。
软件中含有一个觉察不出的有害的程序段，当它被执行时，会破坏用户的安全。这种应用程序称为特洛伊木马(TrojanHorse)。计算机病毒：一种在计算机系统运行过程中能够实现传染和侵害功能的程序。
一个授权的人为了某种利益，或由于粗心，将信息泄露给一个非授权的人。信息被从废弃的磁碟或打印过的存储介质中获得。侵入者绕过物理控制而获得对系统的访问。重要的安全物品，如令牌或身份卡被盗。业务欺骗：某一伪系统或系统部件欺骗合法的用户或系统自愿地放弃敏感信息等等
随着人工智能的不断发展和应用方法的不断成熟，人工智能在信息安全保障的服务能力将更加强大，人工智能也将处于计算机网络发展的前沿，与计算机发展的轨迹同行。笔者仅就人工智能在信息安全的具体领域“数字水印”的研究展开论述，分析未来人工智能与信息安全的密切关系。
数字水印技术的基本思想源于古代的密写术。古希腊的斯巴达人曾将军事情报刻在普通的木板上，用石蜡填平，收信的一方只要用火烤热木板，融化石蜡后，就可以看到密信。使用最广泛的密写方法恐怕要算化学密写了，牛奶、白矾、果汁等都曾充当过密写药水的角色。可以说，人类早期使用的保密通信手段大多数属于密写而不是密码。然而，与密码技术相比，密写术始终没有发展成为一门独立的学科，究其原因，主要是因为密写术缺乏必要的理论基础。
数字水印（DigitalWatermark）技术是指用信号处理的方法在数字化的多媒体数据中嵌入隐蔽的标记，这种标记通常是不可见的，只有通过专用的检测器或阅读器才能提取，因为当前的性信息安全技术都是以密码学为基础，计算机处理能力提高后，这种密保措施已经越来越不安全，因此数字水印就是人工智能跨速发展的结果，数字水印是信息隐藏技术的一个重要研究方向，这对于信息安全有着超强的保护能力。
是指在经历多种无意或有意的信号处理过程后，数字水印仍能保持完整性或仍能被准确鉴别。可能的信号处理过程包括信道噪声、滤波、数/模与模/数转换、重采样、剪切、位移、尺度变化以及有损压缩编码等。
计算机网络的发达，让数字作品（如电脑美术、扫描图像、数字音乐、视频、三维动画）的版权保护成为当前的热点问题。但是数字作品的拷贝、修改非常容易，而且可以做到与原作完全相同，“数字水印”利用数据隐藏原理使版权标志不可见或不可听，既不损害原作品，又达到了版权保护的目的。目前，用于版权保护的数字水印技术已经进入了初步实用化阶段，IBM公司在其“数字图书馆”软件中就提供了数字水印功能，Adobe公司也在其著名的Photoshop软件中集成了Digimarc公司的数字水印插件。
随着高质量图像输入输出设备的发展，特别是精度超过1200dpi的彩色喷墨、激光打印机和高精度彩色复印机的出现，使得货币、支票以及其他票据的伪造变得更加容易。网络安全技术成熟以后，各种电子票据也还需要一些非密码的认证方式。数字水印技术可以为各种票据提供不可见的认证标志，从而大大增加了伪造的难度。
[1]杨状元，林建中.人工智能的现状及今后发展趋势展望[J].科技信息，2009（04）：184～185.
[2]郝勇胜.对人工智能研究的哲学反思[D].太原：太原科技大学，2012.
[3]蔡曙山，薛小迪.人工智能与人类智能——从认知科学五个层级的理论看人机大战[J].北京大学学报（哲学社会科学版），2016，53（04）：145.
[4]张凯斐.人工智能的应用领域及其未来展望[J].吕梁学院学报，2010，26（04）：85～87.
[5]褚秋雯.从哲学的角度看人工智能[D].武汉：武汉理工大学，2014.
[3]陈庆霞.人工智能研究纲领的发展历程和前景[J].科技信息，2008（33）.
[4]周晓东，刘雪梅.信息时代的计算机人工智能[J].硅谷，2010（1）.
[1]黄炎孙.人工智能的符号主义立场研究[D].北京化工大学，2014.
[2]刘步青.人机协同系统的推理机制及其哲学意蕴[D].华东师范大学，2016.
[4]马龙.人工智能技术在电气自动化控制中的应用[J].山西焦煤科技，2014，（S1）：50-51+55.
[5]马仲雄.浅谈电气自动化控制中的人工智能技术[J].电子技术与软件工程，2014，（11）：246-247.
[6]纪文革.人工智能技术在电气自动化控制中的应用思路分析[J].电子测试，2014，（03）：137-138.
“人工智能”(ArtificialIntelligence)一词最初是在1956年Dartmouth学会上提出的。人工智能是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。人工智能理论进入21世纪,正酝酿着新的突破,人工智能的研究成果将能够创造出更多更高级的智能“制品”,并使之在越来越多的领域超越人类智能,人工智能将为发展国民经济和改善人类生活做出更大贡献。
(1)人工智能应用于企业管理的意义主要不在于提高效率,而是用计算机实现人们非常需要做,但工业工程信息技术是靠人工却做不了或是很难做到的事情。在《谈谈人工智能在企业管理中的应用》一文中刘玉然指出把人工智能应用于企业管理中,以数据管理和处理为中心,围绕企业的核心业务和主导流程建立若干个主题数据库,而所有的应用系统应该围绕主题数据库来建立和运行。换句话说,就是将企业各部门的数据进行统一集成管理,搭建人工智能的应用平台,使之成为企业管理与决策中的关键因子。
(2)智能教学系统(ITS)是人工智能与教育结合的主要形式,也是今后教学系统的发展方向。信息技术的飞速发展以及新的教学系统开发模式的提出和不断完善,推动人们综合运用超媒体技术、网络基础和人工智能技术区开发新的教学系统,计算机智能教学系统就是其中的典型代表。计算机智能教学系统包含学生模块、教师模块,体现了教学系统开发的全部内容,拥有着不可比拟的优势和极大的吸引力。
(1)医学专家系统是人工智能和专家系统理论和技术在医学领域的重要应用,具有极大的科研和应用价值,它可以帮助医生解决复杂的医学问题,作为医生诊断、治疗的辅助工具。事实上,早在1982年,美国匹兹堡大学的Miller就发表了著名的作为内科医生咨询的Internist2Ⅰ内科计算机辅助诊断系统的研究成果,由此,掀起了医学智能系统开发与应用的高潮。目前,医学智能系统已通过其在医学影像方面的重要作用,从而应用于内科、骨科等多个医学领域中,并在不断发展完善中。
(2)地质勘探、石油化工等领域是人工智能的主要作用发挥领地。1978年美国斯坦福国际研究所就研发制成矿藏勘探和评价专家系统“PROSPECTOR”,该系统用于勘探评价、区域资源估值和钻井井位选择等,是工业领域的首个人工智能专家系统,其发现了一个钼矿沉积,价值超过1亿美元。
(1)在超声无损检测(NDT)与无损评价(NDE)领域中,目前主要广泛采用专家系统方法对超声损伤(UT)中缺陷的性质、形状和大小进行判断和归类;专家运用超声无损检测仪器,以其高精度的运算、控制和逻辑判断力代替大量人的体力与脑力劳动,减少了任务因素造成的无擦,提高了检测的可靠性,实现了超声检测和评价的自动化、智能化。
(2)人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展,网络技术的安全是我们关心的重点,因此我们必须在传统技术的基础上进行网络安全技术的改进和变更,大力发展数据挖掘技术、人工免疫技术等高效的AI技术,开发更高级AI通用和专用语言,和应用环境以及开发专用机器,而与人工智能技术则为我们提供了可能性。
1.专家系统是目前人工智能中最活跃、最有成效的一个研究领域,它是一种具有特定领域内大量知识与经验的程序系统。近年来,在“专家系统”或“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识,所以才能达到优异的解决问题的能力。那么计算机程序如果能体现和应用这些知识,也应该能解决人类专家所解决的问题,而且能帮助人类专家发现推理过程中出现的差错,现在这一点已被证实。
2.智能信息检索技术的飞速发展。人工智能在网络信息检索中的应用,主要表现在:(1)如何利用计算机软硬件系统模仿、延伸与扩展人类智能的理论、方法和技术。(2)由于网络知识信息既包括规律性的知识,如一般原理概念,也包括大量的经验知识这些知识不可避免地带有模糊性、随机性、不可靠性等不确定性因素对其进行推理,需要利用人工智能的研究成果。
3.SOAr是一种通用智能体系结构,其始终处在人工智能研究的前沿,已显示出强大的问题求解能力,它认为机器人的开发是人工智能应用的重要领域。在它的研究中突出4个概念:(1)所处的境遇机器人不涉及抽象的描述,而是处在直接影响系统的行为的境地。(2)具体化机器人有躯干,有直接来自周围世界的经验,他们的感官起作用后会有反馈。(3)智能的来源不仅仅是限于计算装置,也是由于与周围进行交互的动态决定。(4)浮现从系统与周围世界的交互以及有时候系统的部件间的交互浮现出智能。目前,国内外不少学者都对机器人足球系统颇感兴趣,足球机器人涉及机器人学、人工智能以及人工生命、智能控制等多个领域。足球机器人系统本身既是一个典型的多智能体系统,是一个多机器人协作自治系统,同时又为它们的理论研究和模型测试提供一个标准的实验平台。
[1]元慧.议当代人工智能的应用领域和发展状况[J].福建电脑,2008.
[2]刘玉然.谈谈人工智能在企业管理中的应用[J].价值工程,2003.
[3]焦加麟,徐良贤,戴克昌.人工智能在智能教学系统中的应用[J].计算机仿线]周明正.人工智能在医学专家系统中的应用[J].科技信息,2007.
[5]张海燕,刘镇清.人工智能及其在超声无损检测中的应用[J].无损检测,2001,(8).
对于人工智能的研究一共可以分为五个阶段。第一个阶段是人工智能的兴起与冷落，这个时间是在20世纪的50年代。这个阶段是人工智能的起始阶段，人工智能的概念首次被提出，并相继涌现出一批科技成果，例如机器定理证明、跳棋程序、LISP表处理语言等。由于人工智能处于起始阶段，很多地方都存在着缺陷，在加上对自然语言的翻译失败等诸多原因，人工智能的发展一度陷入了低谷。同时在这一个阶段的人工智能研究有一个十分明显的特点：问题求解的方法过度重视，却忽视知识重要性。第二个阶段从20世纪的60年代末到70年代。专家系统的出现将人工智能的研究再一次推向高潮。其中比较著名的专家系统有DENDAL化学质谱分析系统、MTCIN疾病诊断和治疗系统、Hearsay-11语言理解系统等。这些专家系统的出现标志着人工智能已经进入了实际运用的阶段。同时国际人工智能联合会于1969年成立。第三个阶段是20世纪80年代。这个阶段伴随着第五代计算机的研制，人工智能的研究也取得了极大的进展。日本为了能够使推理的速度达到数值运算的速度那么快，于1982年开始了“第五代计算机研制计划”。这个计划虽然最终结果是以失败结束，但是它却带来了人工智能研究的又一轮热潮。第四个阶段是20世纪的80年代末。1987年是神经网络这一新兴科学但是的年份。1987年，美国召开了第一次神经网络国际会议，并向世人宣告了这一新兴科学的诞生。此后，世界各国在神经网络上的投资也开始逐渐的增加。第五个阶段是20世纪90年代后。网络技术的出现于发展，为人工智能的研究提供了新的方向。人工智能的研究已经从曾经的单个智能主体研究开始转向到基于网络环境下的分布式人工智能研究。在这个阶段人工智能不仅仅只对基于同一目标的分布式问题求解进行研究，同时还对多个智能主体的多目标问题求解进行研究，让人工智能有更多的实际用途。
从哲学上的量变引起质变的角度来讲，人工智能在不断的发展过程中一定会产生质的飞跃。在最初，人工智能只具有简单的模拟功能，但是发展到现在已经具备了思考的能力（逻辑推理分析），这已经表明人工智能在不断量变的过程中已经发生了质变。有人认为有人会说人工智能不会超过人类的智能，理由是人工智能是人类创造出来的。但是现实中很多人类创造出来的东西已经在某一些方面超过了人类本身的能力，例如起重机的力气超过人类很多；汽车速度也远超过人类的速度。人类之所以会制造出各种各样的工具，其目的就是希望自身的能力能通过这些工具进行延伸和突破。人类研究人工智能就是希望人工智能帮助人类实现人类某些无法实现的东西。还有人认为人工智能是人类创造出来的，所以它一定存在着致命的弱点，也因此人的智能优于人工智能。但是殊不知人类与机器相比也有着十分明显的弱点，例如人类所需要的生存条件比机器更加的严格，人类思维会受到人的情绪所影响，而机器只是受到程序的影响，它们没有情绪的起伏。就目前的人工智能而言，它们在某一些领域比人类更强。但是目前我们必须正视人工智能的一些还没有办法改变的缺陷，那就是人工智能的学习能力与创新能力。人工智能的知识获取大部门都是人为的进行灌输，而无法像人类自身那样进行主动的学习。同时人工智能只能够利用已有的知识去解决一些问题，但是却还不能够创造性的提出一些新的东西。
美国最著名的科普作家艾萨克．阿西莫夫提出过比较著名的机器人三大定律：第一定律，机器人不得伤害人，或任人受到伤害而无所作为；第二定律，机器人应服从人的一切命令，但命令与第一定律相抵触时例外；第三定律，机器人必须保护自身的安全，但不得与第一、第二定律相抵触。虽然这只是科幻作家所提出的一家之言，但是也代表了人类对与人工智能发展的一种期望与担心。人们害怕自己所创造出来的人工智能会伤害人类自己。但是阿西莫夫所提出三大定律都是以人类为中心的，而忽视了人工智能本身。或许这是人类的一种天性，世间所有的事物都应该围绕人类自身来定义、发展。就好像人类自以为掌控了能够改变大自然的力量，最终却被大自然反噬一样。同时，随着科学技术的发展，人工智能已经不单单需要逻辑思维与模仿，同时还应该将情感赋予人工智能。因为随着科学家对人类大脑和精神系统的研究的深入，已经愈来愈肯定情感是智能的一部分。如果人工智能具有了情感之后，人类的自我中心又是否会伤害到人类自己创造出来的人工智能。
现代逻辑创始于19世纪末叶和20世纪早期，其发展动力主要来自于数学中的公理化运动。当时的数学家们试图即从少数公理根据明确给出的演绎规则推导出其他的数学定理，从而把整个数学构造成为一个严格的演绎大厦，然后用某种程序和方法一劳永逸地证明数学体系的可靠性。为此需要发明和锻造严格、精确、适用的逻辑工具。这是现代逻辑诞生的主要动力。由此造成的后果就是20世纪逻辑研究的严重数学化，其表现在于：一是逻辑专注于在数学的形式化过程中提出的问题；二是逻辑采纳了数学的方法论，从事逻辑研究就意味着象数学那样用严格的形式证明去解决问题。由此发展出来的逻辑被恰当地称为“数理逻辑”，它增强了逻辑研究的深度，使逻辑学的发展继古希腊逻辑、欧洲中世纪逻辑之后进入第三个高峰期，并且对整个现代科学特别是数学、哲学、语言学和计算机科学产生了非常重要的影响。
本文所要探讨的问题是：21世纪逻辑发展的主要动力将来自何处？大致说来将如何发展？我个人的看法是：计算机科学和人工智能将至少是21世纪早期逻辑学发展的主要动力源泉，并将由此决定21世纪逻辑学的另一幅面貌。由于人工智能要模拟人的智能，它的难点不在于人脑所进行的各种必然性推理（这一点在20世纪基本上已经做到了，如用计算机去进行高难度和高强度的数学证明，“深蓝”通过高速、大量的计算去与世界冠军下棋），而是最能体现人的智能特征的能动性、创造性思维，这种思维活动中包括学习、抉择、尝试、修正、推理诸因素，例如选择性地搜集相关的经验证据，在不充分信息的基础上作出尝试性的判断或抉择，不断根据环境反馈调整、修正自己的行为，……由此达到实践的成功。于是，逻辑学将不得不比较全面地研究人的思维活动，并着重研究人的思维中最能体现其能动性特征的各种不确定性推理，由此发展出的逻辑理论也将具有更强的可应用性。
实际上，在20世纪中后期，就已经开始了现代逻辑与人工智能（记为AI）之间的相互融合和渗透。例如，哲学逻辑所研究的许多课题在理论计算机和人工智能中具有重要的应用价值。AI从认知心理学、社会科学以及决策科学中获得了许多资源，但逻辑（包括哲学逻辑）在AI中发挥了特别突出的作用。某些原因促使哲学逻辑家去发展关于非数学推理的理论；基于几乎同样的理由，AI研究者也在进行类似的探索，这两方面的研究正在相互接近、相互借鉴，甚至在逐渐融合在一起。例如，AI特别关心下述课题：
21世纪的逻辑学也应该关注这些问题，并对之进行研究。为了做到这一点，逻辑学家们有必要熟悉AI的要求及其相关进展，使其研究成果在AI中具有可应用性。
我认为，至少是21世纪早期，逻辑学将会重点关注下述几个领域，并且有可能在这些领域出现具有重大意义的成果：（1）如何在逻辑中处理常识推理中的弗协调、非单调和容错性因素？（2）如何使机器人具有人的创造性智能，如从经验证据中建立用于指导以后行动的归纳判断？（3）如何进行知识表示和知识推理，特别是基于已有的知识库以及各认知主体相互之间的知识而进行的推理？（4）如何结合各种语境因素进行自然语言理解和推理，使智能机器人能够用人的自然语言与人进行成功的交际？等等。
AI研究的一个目标就是用机器智能模拟人的智能，它选择各种能反映人的智能特征的问题进行实践，希望能做出各种具有智能特征的软件系统。AI研究基于计算途径，因此要建立具有可操作性的符号模型。一般而言，AI关于智能系统的符号模型可描述为：由一个知识载体（称为知识库KB）和一组加载在KB上的足以产生智能行为的过程（称为问题求解器PS）构成。经过20世纪70年代包括专家系统的发展，AI研究者逐步取得共识，认识到知识在智能系统中力量，即一般的智能系统事实上是一种基于知识的系统，而知识包括专门性知识和常识性知识，前者亦可看做是某一领域内专家的常识。于是，常识问题就成为AI研究的一个核心问题，它包括两个方面：常识表示和常识推理，即如何在人工智能中清晰地表示人类的常识，并运用这些常识去进行符合人类行为的推理。显然，如此建立的常识知识库可能包含矛盾，是不协调的，但这种矛盾或不协调应不至于影响到进行合理的推理行为；常识推理还是一种非单调推理，即人们基于不完全的信息推出某些结论，当人们得到更完全的信息后，可以改变甚至收回原来的结论；常识推理也是一种可能出错的不精确的推理模式，是在容许有错误知识的情况下进行的推理，简称容错推理。而经典逻辑拒斥任何矛盾，容许从矛盾推出一切命题；并且它是单调的，即承认如下的推理模式：如果p?r，则pùq?r；或者说，任一理论的定理属于该理论之任一扩张的定理集。因此，在处理常识表示和常识推理时，经典逻辑应该受到限制和修正，并发展出某些非经典的逻辑，如次协调逻辑、非单调逻辑、容错推理等。有人指出，常识推理的逻辑是次协调逻辑和非单调逻辑的某种结合物，而后者又可看做是对容错推理的简单且基本的情形的一种形式化。[②]
“次协调逻辑”（ParaconsistentLogic）是由普里斯特、达·科斯塔等人在对悖论的研究中发展出来的，其基本想法是：当在一个理论中发现难以克服的矛盾或悖论时，与其徒劳地想尽各种办法去排除或防范它们，不如干脆让它们留在理论体系内，但把它们“圈禁”起来，不让它们任意扩散，以免使我们所创立或研究的理论成为“不足道”的。于是，在次协调逻辑中，能够容纳有意义、有价值的“真矛盾”，但这些矛盾并不能使系统推出一切，导致自毁。因此，这一新逻辑具有一种次于经典逻辑但又远远高于完全不协调系统的协调性。次协调逻辑家们认为，如果在一理论T中，一语句A及其否定?A都是定理，则T是不协调的；否则，称T是协调的。如果T所使用的逻辑含有从互相否定的两公式可推出一切公式的规则或推理，则不协调的T也是不足道的(trivial)。因此，通常以经典逻辑为基础的理论，如果它是不协调的，那它一定也是不足道的。这一现象表明，经典逻辑虽可用于研究协调的理论，但不适用于研究不协调但又足道的理论。达·科斯塔在20世纪60年代构造了一系列次协调逻辑系统Cn（1≤n≤w），以用作不协调而又足道的理论的逻辑工具。对次协调逻辑系统Cn的特征性描述包括下述命题：(i)矛盾律?(Aù?A)不普遍有效；(ii)从两个相互否定的公式A和?A推不出任意公式；即是说，矛盾不会在系统中任意扩散，矛盾不等于灾难。(iii)应当容纳与(i)和(ii)相容的大多数经典逻辑的推理模式和规则。这里，(i)和(ii)表明了对矛盾的一种相对宽容的态度，(iii)则表明次协调逻辑对于经典逻辑仍有一定的继承性。
在任一次协调逻辑系统Cn(1≤n≤w)中，下述经典逻辑的定理或推理模式都不成立：
若以C0为经典逻辑，则系列C0,C1,C2,…Cn,…Cw使得对任正整数i有Ci弱于Ci-1，Cw是这系列中最弱的演算。已经为Cn设计出了合适的语义学，并已经证明Cn相对于此种语义是可靠的和完全的，并且次协调命题逻辑系统Cn还是可判定的。现在，已经有人把次协调逻辑扩展到模态逻辑、时态逻辑、道义逻辑、多值逻辑、集合论等领域的研究中，发展了这些领域内的次协调理论。显然，次协调逻辑将会得到更进一步的发展。[③]
非单调逻辑是关于非单调推理的逻辑，它的研究开始于20世纪80年代。1980年，D·麦克多莫特和J·多伊尔初步尝试着系统发展一种关于非单调推理的逻辑。他们在经典谓词演算中引入一个算子M，表示某种“一致性”断言，并将其看做是模态概念，通过一定程序把模态逻辑系统T、S4和S5翻译成非单调逻辑。B·摩尔的论文《非单调逻辑的语义思考》（1983）据认为在非单调逻辑方面作出了令人注目的贡献。他在“缺省推理”和“自动认知推理”之间做了区分，并把前者看作是在没有任何相反信息和缺少证据的条件下进行推理的过程，这种推理的特征是试探性的：根据新信息，它们很可能会被撤消。自动认知推理则不是这种类型，它是与人们自身的信念或知识相关的推理，可用它模拟一个理想的具有信念的有理性的人的推理。对于在计算机和人工智能中获得成功的应用而言，非单调逻辑尚需进一步发展。
人类智能的本质特征和最高表现是创造。在人类创造的过程中，具有必然性的演绎推理固然起重要作用，但更为重要的是具有某种不确定性的归纳、类比推理以及模糊推理等。因此，计算机要成功地模拟人的智能，真正体现出人的智能品质，就必须对各种具有不确定性的推理模式进行研究。
首先是对归纳推理和归纳逻辑的研究。这里所说的“归纳推理”是广义的，指一切扩展性推理，它们的结论所断定的超出了其前提所断定的范围，因而前提的真无法保证结论的真，整个推理因此缺乏必然性。具体说来，这种意义的“归纳”包括下述内容：简单枚举法；排除归纳法，指这样一些操作：预先通过观察或实验列出被研究现象的可能的原因，然后有选择地安排某些事例或实验，根据某些标准排除不相干假设，最后得到比较可靠的结论；统计概括：从关于有穷数目样本的构成的知识到关于未知总体分布构成的结论的推理；类比论证和假说演绎法，等等。尽管休谟提出著名的“归纳问题”，对归纳推理的合理性和归纳逻辑的可能性提出了深刻的质疑，但我认为，（1）归纳是在茫茫宇宙中生存的人类必须采取也只能采取的认知策略，对于人类来说具有实践的必然性。（2）人类有理由从经验的重复中建立某种确实性和规律性，其依据就是确信宇宙中存在某种类似于自然齐一律和客观因果律之类的东西。这一确信是合理的，而用纯逻辑的理由去怀疑一个关于世界的事实性断言则是不合理的，除非这个断言是逻辑矛盾。（3）人类有可能建立起局部合理的归纳逻辑和归纳方法论。并且，归纳逻辑的这种可能性正在计算机科学和人工智能的研究推动下慢慢地演变成现实。恩格斯早就指出，“社会一旦有技术上的需要，则这种需要比十所大学更能把科学推向前进。”[④]有人通过指责现有的归纳逻辑不成熟，得出“归纳逻辑不可能”的结论，他们的推理本身与归纳推理一样，不具有演绎的必然性。（4）人类实践的成功在一定程度上证明了相应的经验知识的真理性，也就在一定程度上证明了归纳逻辑和归纳方法论的力量。毋庸否认，归纳逻辑目前还很不成熟。有的学者指出，为了在机器的智能模拟中克服对归纳模拟的困难而有所突破，应该将归纳逻辑等有关的基础理论研究与机器学习、不确定推理和神经网络学习模型与归纳学习中已有的成果结合起来。只有这样，才能在已有的归纳学习成果上，在机器归纳和机器发现上取得新的突破和进展。[⑤]这是一个极有价值且极富挑战性的课题，无疑在21世纪将得到重视并取得进展。
再谈模糊逻辑。现实世界中充满了模糊现象，这些现象反映到人的思维中形成了模糊概念和模糊命题，如“矮个子”、“美人”、“甲地在乙地附近”、“他很年轻”等。研究模糊概念、模糊命题和模糊推理的逻辑理论叫做“模糊逻辑”。对它的研究始于20世纪20年代，其代表性人物是L·A·查德和P·N·马林诺斯。模糊逻辑为精确逻辑（二值逻辑）解决不了的问题提供了解决的可能，它目前在医疗诊断、故障检测、气象预报、自动控制以及人工智能研究中获得重要应用。显然，它在21世纪将继续得到更大的发展。
经典逻辑只是对命题联结词、个体词、谓词、量词和等词进行了研究，但在自然语言中，除了这些语言成分之外，显然还存在许多其他的语言成分，如各种各样的副词，包括模态词“必然”、“可能”和“不可能”、时态词“过去”、“现在”和“未来”、道义词“应该”、“允许”、“禁止”等等，以及各种认知动词，如“思考”、“希望”、“相信”、“判断”、“猜测”、“考虑”、“怀疑”，这些认知动词在逻辑和哲学文献中被叫做“命题态度词”。对这些副词以及命题态度词的逻辑研究可以归类为“广义内涵逻辑”。
大多数副词以及几乎所有命题态度词都是内涵性的，造成内涵语境，后者与外延语境构成对照。外延语境又叫透明语境，是经典逻辑的组合性原则、等值置换规则、同一性替换规则在其中适用的语境；内涵语境又称晦暗语境，是上述规则在其中不适用的语境。相应于外延语境和内涵语境的区别，一切语言表达式（包括自然语言的名词、动词、形容词直至语句）都可以区分为外延性的和内涵性的，前者是提供外延语境的表达式，后者是提供内涵性语境的表达式。例如，杀死、见到、拥抱、吻、砍、踢、打、与…下棋等都是外延性表达式，而知道、相信、认识、必然、可能、允许、禁止、过去、现在、未来等都是内涵性表达式。在内涵语境中会出现一些复杂的情况。首先，对于个体词项来说，关键性的东西是我们不仅必须考虑它们在现实世界中的外延，而且要考虑它们在其他可能世界中的外延。例如，由于“必然”是内涵性表达式，它提供内涵语境，因而下述推理是非有效的：
这是因为：这个推理只考虑到“晨星”和“暮星”在现实世界中的外延，并没有考虑到它们在每一个可能世界中的外延，我们完全可以设想一个可能世界，在其中“晨星”的外延不同于“暮星”的外延。因此，我们就不能利用同一性替换规则，由该推理的前提得出它的结论：“晨星必然是暮星”。其次，在内涵语境中，语言表达式不再以通常是它们的外延的东西作为外延，而以通常是它们的内涵的东西作为外延。以“达尔文相信人是从猿猴进化而来的”这个语句为例。这里，达尔文所相信的是“人是从猿猴进化而来的”所表达的思想，而不是它所指称的真值，于是在这种情况下，“人是从猿猴进化而来的”所表达的思想（命题）就构成它的外延。再次，在内涵语境中，虽然适用于外延的函项性原则不再成立，但并不是非要抛弃不可，可以把它改述为新的形式：一复合表达式的外延是它出现于外延语境中的部分表达式的外延加上出现于内涵语境中的部分表达式的内涵的函项。这个新的组合性或函项性原则在内涵逻辑中成立。
一般而言，一个好的内涵逻辑至少应满足两个条件：（i）它必须能够处理外延逻辑所能处理的问题；（ii）它还必须能够处理外延逻辑所不能处理的难题。这就是说，它既不能与外延逻辑相矛盾，又要克服外延逻辑的局限。这样的内涵逻辑目前正在发展中，并且已有初步轮廓。从术语上说，内涵逻辑除需要真、假、语句真值的同一和不同、集合或类、谓词的同范围或不同范围等外延逻辑的术语之外，还需要同义、内涵的同一和差异、命题、属性或概念这样一些术语。广而言之，可以把内涵逻辑看作是关于象“必然”、“可能”、“知道”、“相信”，“允许”、“禁止”等提供内涵语境的语句算子的一般逻辑。在这种广义之下，模态逻辑、时态逻辑、道义逻辑、认知逻辑、问题逻辑等都是内涵逻辑。不过，还有一种狭义的内涵逻辑，它可以粗略定义如下：一个内涵逻辑是一个形式语言，其中包括（1）谓词逻辑的算子、量词和变元，这里的谓词逻辑不必局限于一阶谓词逻辑，也可以是高阶谓词逻辑；（2）合式的λ—表达式，例如(λx)A，这里A是任一类型的表达式，x是任一类型的变元，(λx)A本身是一函项，它把变元x在其中取值的那种类型的对象映射到A所属的那种类型上；（3）其他需要的模态的或内涵的算子，例如€，ù、ú。而一个内涵逻辑的解释，则由下列要素组成：（1）一个可能世界的非空集W；（2）一个可能个体的非空集D；（3）一个赋值，它给系统内的表达式指派它们在每w∈W中的外延。对于任一的解释Q和任一的世界w∈W，判定内涵逻辑系统中的任一表达式X相对于解释Q在w∈W中的外延总是可能的。这样的内涵逻辑系统有丘奇的LSD系统，R·蒙塔古的IL系统，以及E·N·扎尔塔的FIL系统等。[⑥]
在各种内涵逻辑中，认识论逻辑（epistemiclogic）具有重要意义。它有广义和狭义之分。广义的认识论逻辑研究与感知（perception）、知道、相信、断定、理解、怀疑、问题和回答等相关的逻辑问题，包括问题逻辑、知道逻辑、相信逻辑、断定逻辑等；狭义的认识论逻辑仅指知道和相信的逻辑，简称“认知逻辑”。冯·赖特在1951年提出了对“认知模态”的逻辑分析，这对建立认知逻辑具有极大的启发作用。J·麦金西首先给出了一个关于“知道”的模态逻辑。A·帕普于1957年建立了一个基于6条规则的相信逻辑系统。J·亨迪卡于60年代出版的《知识和信念》一书是认知逻辑史上的重要著作，其中提出了一些认知逻辑的系统，并为其建立了基于“模型集”的语义学，后者是可能世界语义学的先导之一。当今的认知逻辑纷繁复杂，既不成熟也面临许多难题。由于认知逻辑涉及认识论、心理学、语言学、计算机科学和人工智能等诸多领域，并且认知逻辑的应用技术，又称关于知识的推理技术，正在成为计算机科学和人工智能的重要分支之一，因此认知逻辑在20世纪中后期成为国际逻辑学界的一个热门研究方向。这一状况在21世纪将得到继续并进一步强化，在这方面有可能出现突破性的重要结果。
对自然语言的逻辑研究有来自几个不同领域的推动力。首先是计算机和人工智能的研究，人机对话和通讯、计算机的自然语言理解、知识表示和知识推理等课题，都需要对自然语言进行精细的逻辑分析，并且这种分析不能仅停留在句法层面，而且要深入到语义层面。其次是哲学特别是语言哲学，在20世纪哲学家们对语言表达式的意义问题倾注了异乎寻常的精力，发展了各种各样的意义理论，如观念论、指称论、使用论、言语行为理论、真值条件论等等，以致有人说，关注意义成了20世纪哲学家的职业病。再次是语言学自身发展的需要，例如在研究自然语言的意义问题时，不能仅仅停留在脱离语境的抽象研究上面，而要结合使用语言的特定环境去研究，这导致了语义学、语用学、新修辞学等等发展。各个方面发展的成果可以总称为“自然语言逻辑”，它力图综合后期维特根斯坦提倡的使用论，J·L·奥斯汀、J·L·塞尔等人发展的言语行为理论，以及P·格赖斯所创立的会话含义学说等成果，透过自然语言的指谓性和交际性去研究自然语言中的推理。
自然语言具有表达和交际两种职能，其中交际职能是自然语言最重要的职能，是它的生命力之所在。而言语交际总是在一定的语言环境（简称语境）中进行的，语境有广义和狭义之分。狭义的语境仅指一个语词、一个句子出现的上下文。广义的语境除了上下文之外，还包括该语词或语句出现的整个社会历史条件，如该语词或语句出现的时间、地点、条件、讲话的人（作者）、听话的人（读者）以及交际双方所共同具有的背景知识，这里的背景知识包括交际双方共同的信念和心理习惯，以及共同的知识和假定等等。这些语境因素对于自然语言的表达式（语词、语句）的意义有着极其重要的影响，这具体表现在：（i）语境具有消除自然语言语词的多义性、歧义性和模糊性的能力，具有严格规定语言表达式意义的能力。（ii）自然语言的句子常常包含指示代词、人称代词、时间副词等，要弄清楚这些句子的意义和内容，就要弄清楚这句话是谁说的、对谁说的、什么时候说的、什么地点说的、针对什么说的，等等，这只有在一定的语境中才能进行。依赖语境的其他类型的语句还有：包含着象“有些”和“每一个”这类量化表达式的句子的意义取决于依语境而定的论域，包含着象“大的”、“冷的”这类形容词的句子的意义取决于依语境而定的相比较的对象类；模态语句和条件语句的意义取决于因语境而变化的语义决定因素，如此等等。（iii）语言表达式的意义在语境中会出现一些重要的变化，以至偏离它通常所具有的意义（抽象意义），而产生一种新的意义即语用涵义。有人认为，一个语言表达式在它的具体语境中的意义，才是它的完全的真正的意义，一旦脱离开语境，它就只具有抽象的意义。语言的抽象意义和它的具体意义的关系，正象解剖了的死人肢体与活人肢体的关系一样。逻辑应该去研究、理解、把握自然语言的具体意义，当然不是去研究某一个（或一组）特定的语句在某个特定语境中唯一无二的意义，而是专门研究确定自然语言具体意义的普遍原则。超级秘书网
美国语言学家保罗·格赖斯把语言表达式在一定的交际语境中产生的一种不同于字面意义的特殊涵义，叫做“语用涵义”、“会话涵义”或“隐涵”（implicature），并于1975年提出了一组“交际合作原则”，包括一个总则和四组准则。总则的内容是：在你参与会话时，你要依据你所参与的谈话交流的公认目的或方向，使你的会话贡献符合这种需要。仿照康德把范畴区分为量、质、关系和方式四类，格赖斯提出了如下四组准则：
后来对这些原则提出了不和补充，例如有人还提出了交际过程中所要遵守的“礼貌原则”。只要把交际双方遵守交际合作原则之类的语用规则作为基本前提，这些原则就可以用来确定和把握自然语言的具体意义（语用涵义）。实际上，一个语句p的语用涵义，就是听话人在具体语境中根据语用规则由p得到的那个或那些语句。更具体地说，从说话人S说的话语p推出语用涵义q的一般过程是：
尽管哲学上关于“机器意识”有着不同观点的争论，但随着研究工作的不断深入，一些有远见的专家学者开始充分认识到开展机器意识研究的重要意义，并专门撰文进行了精辟论述。比如，英国皇家学院电子工程系的Aleksander教授根据学术界从上世纪九十年代到本世纪对机器意识态度的转变，指出机器意识的影响与日俱增，并预计了机器意识对科学与技术发展的潜在影响，特别是在改变人们对意识的理解、改进计算装置与机器人概念等方面的贡献尤为重大。
无独有偶，美国伊利诺伊大学哲学系Haikonen教授则专门撰调机器意识是新一代信息技术产业发展的新机遇，他认为新产品与系统的发展机会起因于信息技术的发展，而现有的人工智能基于预先编程算法，机器与程序并不能理解其所执行的内容。显而易见，不考虑意识就没有对自身行为的理解，而机器意识技术的涌现可以弥补这一缺失，因此机器意识技术可以为信息技术产业的发展提供新的契机。意大利巴勒莫大学机器人实验室的Chella教授则指出，开展机器意识不仅是一种技术挑战，也是科学和理论上开展人工智能和机器人研究的新途径。最近，土耳其中东技术大学的Gök和Sayan两位学者进一步认为，开展机器意识的计算建模研究还有助于推进对人类意识现象的理解，推动构建更加合理的意识理论。
上述这些学者的论述，无疑说明，机器意识研究不但对深化人工智能的研究有着重要的推动作用，对从科学上解释神秘的意识现象也同样具有非同寻常的意义。正因为机器意识研究有着如此重要的科学意义和推动未来信息技术革新的潜在价值，随着最近十年的研究发展，该领域已经成为学界广泛关注的热点。与此同时，数量相当可观的研究成果和实验系统已逐步形成，有些成果已经被运用到实际机器认知系统的开发之中。机器意识研究已经成为了人工智能最为前沿的研究领域。
2006年之前的有关机器意识的研究状况，英国皇家学院电子工程系的研究团队已经做过了比较全面的综述。因此，我们这里主要就在此之后国际上有关机器意识的研究概况和发展趋势进行分析。据我们的文献检索，截止到2015年底，在机器意识研究领域发表过的学术论文超过350余篇，其中最近十年发表的论文占了一半以上。归纳起来，由于对意识的哲学解释不同，目前机器意识方面的主流研究往往是以某种意识科学理论为出发点的具体建模研究和实现。由于涉及到的文献过多，无法一一列举，我们仅就一些影响较大的典型研究进行分析。
在意识科学研究领域，一种较早的理论观点是用量子机制来解释意识现象，这样的出发点也波及到有关机器意识建模的研究。利用量子理论来描述意识产生机制的有效性并不是说物质的量子活动可以直接产生意识，而是强调意识产生机制与量子机制具有跨越尺度的相似性。近年来，意识的量子模型发展又有了新的动向。比如，作为量子意识理论的进一步发展，中国科学院电子学研究所的高山(Gao Shan)提出了意识的一种量子理论，研究了量子塌缩与意识之间的关系，假定量子塌缩是一种客观的动态过程。日本Akita国际大学的Schroeder另辟蹊径，在构建统一意识模型中不涉及量子力学的量子相干性方面做出了全新的探索，主要目标是说明现象意识能够依据量子力学的物理解释，用量子力学的形式化代数性质来描述。此外，俄罗斯Lebedev物理研究所的Michael B. Mensky利用意识的量子概念提出了一种主观选择的数学模型，说明意识和超意识的特性如何能够通过简单的数学模型给出。当然，更多的是有关意识量子机制描述的可能性争论，正反两方面的观点都有。特别是在2012年的Physics of Life Reviews第9卷第3期，以Baars和Edelman所著论文“Consciousness， biology and quantum hypotheses”为核心，10余名相关领域的学者分别撰文对是否能够通过量子机制来描述意识现象展开了多方位的辩论。最近，Susmit Bagchi从分布式计算的角度，较为全面地讨论了生物演化与量子意识之间的关系。遗憾的是，迄今为止，学术界对此问题尚未达成一致的结论。
在机器意识研究中，第二种有重大影响的理论观点就是全局工作空间理论。全局工作空间理论(Global workspace theory)是由美国加利福尼亚大学圣地亚哥分校神经科学研究所的Baars研究员1988年提出的意识解释理论。在该理论的指导下，由Baars、Franklin和Ramamurthy等人组成的研究团队开展了长达20多年的机器意识研究工作，最终开发完成了LIDA认知系统。
LIDA(Learning Intelligent Distribution Agent)是在该研究团队等人早期开发的IDA(Intelligent Distribution Agent)基础上发展起来的，主要依据Baars全局工作空间理论，采用神经网络与符号规则混合计算方法，通过在每个软件主体建立内部认知模型来实现诸多方面的意识认知能力，如注意、情感与想象等。该系统可以区分有无意识状态，是否有效运用有意识状态，并具备一定的内省反思能力等。从机器意识的终极目标来看，该系统缺乏现象意识的特征，比如意识主观性、感受性和统一性均不具备。
指导机器意识研究的第三种重要理论观点是意识的信息整合理论。意识的信息整合理论是美国威斯康星—麦迪逊大学精神病学的Tononi教授1998年提出的。自该理论提出以来，不少研究团队以信息整合理论为依据，采用神经网络计算方法来进行机器意识的研究工作。其中，典型代表有英国Aleksander教授的研究团队和美国Haikonen教授的研究团队所开展的系统性研究工作。英国皇家学院的Aleksander教授领导的研究团队长期开展机器意识的研究工作，发表相关论文30余篇。早期的研究主要给出了有关意识的公理系统及其神经表征建模实现，比较强调采用虚拟计算机器来建模意识。最近几年，Aleksander研究团队采取仿脑策略，强调信息整合理论的运用，建立了若干仿脑(brain-inspired)意识实现系统，更好地实现了五个意识公理的最小目标。美国伊利诺伊大学哲学系Haikonen教授的研究团队则主要采用联想神经网络来进行机器意识系统的构建工作。自1999年以来，该团队开展了富有成效的研究工作。Haikonen教授在所提出的认知体系模型的基础上，构建了一个实验型认知机器人XCR-1系统。应该说，虽然Haikonen所开展的机器意识研究的出发点是为了揭示意识现象本性，但他的成果却是目前机器意识研究领域最为典范的工作之一。
在意识科学研究中，也有学者将人类的意识能力看作是一种高阶认知能力，提出意识的高阶理论。在机器意识研究中，以这样的高阶理论为指导，往往会采用传统的符号规则方法来建立某种具有自我意识的机器系统。其中，一个比较系统的研究工程就是意大利巴勒莫大学机器人实验室的Chella教授用10年时间开发的Cicerobot机器人研究项目。该机器人实现了一种自我意识的认知结构机制，该机制主要由三个部分构成：亚概念感知部分、语言处理部分和高阶概念部分。通过机器人的高阶感知(一阶感知是指对外部世界的直接感知，高阶是对机器人内部世界的感知)，就形成了具有自我反思能力的机器人。这项研究工作的主要特点是将逻辑形式化方法与概念空间组织相结合，强调对外部事物的一种心理表征能力，并对外部环境进行内部模拟。在高阶认知观点的自我意识建模研究方面，另一个做出突出贡献的是美国乔治梅森大学的Samsonovich教授率领的研究团队。该团队经过10余年的研究，开发了一个仿生认知体系GMU-BICA(George Mason University-Biologically Inspired Cognitive Architecture)。在该系统中定义的心理状态不但包含内容，还包含主观观察者，因此该系统拥有“自我”意识的主观能力。系统实验是利用所提出的认知结构模型来控制虚拟机器人完成一些简单的走迷宫活动，机器人可以表现出具有人类意识所需要的行为。相比而言，与Cicerobot机器人强调自我意识是反思能力的概念不同，GMU-BICA系统则将自我意识理解为“自我”的意识。当然，不管是Cicerobot还是GMU-BICA，这样的高阶认知模型往往对心理扫视、主观体验与统一意识等意识本质方面的表现兼顾不足。
除了上述介绍的这些有代表性的研究外，对于机器意识研究而言，还有如何判定机器具有意识能力的检验问题，这是目前机器意识研究领域十分重要的一个方面。显然，要判断开发的机器意识系统是否真正具备预期的意识能力，就需要开展相应的意识特性分析、评判标准建立以及检测方法实现等方面的研究工作。在这方面，由于目前对意识现象的认识存在许多争议，对于意识评测特性分析方面也难以有统一的认识。因此，目前的机器意识特性需求分析也比较零散。倒是在评判标准的建立方面，西班牙卡洛斯三世马德里大学计算机科学系Arrabales教授的研究团队做出了比较系统的研究。该团队自2008年开始就在这方面开展意识特性分析，给出了计算人工意识的一种量化测量方法ConsScale以及对感受质的功能性刻画。之后，该团队又进一步提出了ConsScale的修订版，并讨论了在机器中产生感受质和现象意识状态的可能性。最终，该团队成功构建了CERA-CRANIUM认知体系(采用意识全局工作空间理论建模)来检验产生的视觉感受质以及实现的内部言语。所有的这些成果为机器意识能力的初步检测提供了一种实用的标准。当然，也有将镜像认知看作是机器拥有自我意识能力的一种检测标准，该理论的依据是人类和其他一些动物能够在镜子中认出自己，这一能力被看作是拥有自我意识的明证。因此，Haikonen认为在镜像中的自我识别，即镜像测验，也可以用来确认机器潜在的自我意识能力。于是，在意识能力检测方法的研究中，许多研究工作都是通过镜像测试来确定意识能力的。但也有研究认为，镜像测验并不能证明意识能力的存在，要证明机器具有意识能力还需要通过更加复杂的测验。比如，Edelman就提出三种意识检验的途径，即意识的语言报告、神经生理信号以及意识行为表现。
总而言之，机器意识的研究主要围绕量子涌现机制、全局工作空间、信息整合理论、意识高阶理论以及意识能力检测这五个方面展开的。从研究的策略来看，主要分为算法构造策略(Algorithm)与仿脑构造策略(Brain-Inspiration)两种途径。从具体的实现方法上，主要可以分为三类：一是采用类神经网络的方法；二是采用量子计算方法；三是采用规则计算方法。虽然经过20多年的发展，机器意识的研究取得了众多的研究成果，但相对于人类意识表现方面，目前机器意识能力的表现还是非常局限的。根据笔者以及土耳其中东技术大学的Gök和Sayan发表的论文，目前机器意识系统主要具备的能力都是功能意识方面的，偶尔涉及自我意识和统一性意识(很难说是否真正实现了)。可见，意识计算模型的研究还有很长的路要走，特别是关于内省反思能力、可报告性能力、镜像认知能力、情感感受能力以及主观性现象等，这些方面更加需要进一步的研究和探索。
人类意识能力的基础是神经活动，尽管神经活动本身是意识不到的，也不是所有的神经活动都能产生意识，但神经活动却能够产生有意识的心理活动，这便形成了人类的意识能力。
根据现有的相关科学与哲学研究成果，人类意识的运行机制大致是这样的：物质运动变化创生万物，生物的生理活动支持着神经活动，神经活动涌现意识(有意识的心理活动)，意识感受生理表现并指导意向性心智活动的实现，从而反观认知万物之理。除了心理活动所涉及的神经系统外，主要的心理能力包括感觉(身体感受)、感知(对外部事物的感知能力，包括视、听、味、嗅、触)、认知(记忆、思考、想象等)、觉知(反思、意识、自我等)、情感(情绪感受)、行为(意志、愿望、情欲等)、返观(禅观、悟解)等。
必须强调的是，迄今为止，对有意识的心理能力最为系统解析的学说体系并非是现在的脑科学研究，而是起源于古印度的唯识学。唯识学所研究的对象就是心识问题，相当于本文界定的有意识的心理活动。如图1所示，其理论体系主要包括五蕴八识的心法体系。
第一，前五识归为色蕴，对应的心法称为色法，相当于当代心理学中的感知，其意识的作用称为五俱意识(所谓“俱”，就是伴随)。如果这种感知是真实外境的感知，则其伴随性意识称为同缘意识；如果是有错觉的感知，则称不同缘意识；如果这种感知活动产生后像效应，则称为五后意识(属于不相应法)。一般而言，色蕴对应的心理活动都是有意向对象的，因此属于意向心理活动。
第二，受蕴是一种心所法(具体的心理能力)，主要是指身体与情感状态的感受。注意这里要区分身识中的身体状态感受与色蕴是完全不同的心理能力，身识相当于触觉，是一种感知能力，而身体状态的感受不是感知能力，而是感受身体疼痛、暖冷等的体验能力。受蕴的心理活动，虽然具有意识，但不具有意向对象，因此不属于意向性心理活动。
第三，想蕴是另一种心所法，用现代认知科学的话讲，就是狭义的思维能力，如思考、记忆、想象等，属于认知的高级阶段，显然是属于意向性心理活动。
第四，行蕴也是一种心所法，主要指一切造作之心，用现代认知科学的话讲，如动机、欲望、意愿、行为等。唯识学中的“行”，与“业”的概念相互关联，一般分为三种，即身业(行动)、语业(说话)和意业(意想)，但都强调有意作为的方面，因此行蕴也属于意向性心理活动。
第五，识蕴是整体统一的心法，更加强调的是后两识(第七末那识、第八阿赖耶识)的心法，现代西方的认知科学尚无对应的概念。主要强调的是自我意识，特别是返观能力，即对根本心识的悟解能力。
总之，色蕴是色法(感知能力)，受蕴、想蕴、行蕴都是心所法(具体的心理能力)，它们本身就是具有意识的心理活动(统归于心法)，其中色法的意识作用是伴随性的五俱意识，其他三蕴的意识作用与伴随性的意识则又有不同，称为独散意识(受蕴、想蕴、行蕴所涉及的意识，是一种周遍性意识活动)。
当然，如果所有意识作用出现在梦中，唯识学中则另外称之为梦中意识(做梦时的意识活动，属于不相应法)。在唯识学的五蕴学说中，识蕴比较复杂，它是唯识理论特别单列的一种根本心法，除了强调自我意识的末那识“我执”外，更是强调达到定中意识的阿赖耶识“解脱”，属于去意向性心理活动。
总之，从意向性的角度看，我们的心理能力可以分为无意向性的受蕴，意向性的色蕴(前五识)、想蕴、行蕴，元意向性的意识以及去意向性的识蕴。其中，识蕴是一种特定的禅悟能力，对其性质的认识与禅宗的心法观有关。
对于目前的人工智能研究而言，我们涉及到的心智能力，如果按照五蕴分类体系来分析，那么大致只有色蕴、想蕴与行蕴中的部分能力。如果考虑目前有关机器意识的研究，也仅仅涉及到五俱同缘的伴随性意识、想蕴与行蕴中的独散意识、识蕴中的自我意识以及意识活动本身的机制问题，其他意识比如不相应法的梦中意识、五后意识、定中意识、五俱不同缘意识等都没有涉及。
根据上述有关心识能力的唯识学分析，对于机器而言，真正困难的机器意识实现问题是受蕴性独散心识(体验性意识能力)与识蕴性心识两个方面，一个涉及无意向心理活动的表征问题，一个涉及去意向性心理活动的表征问题，这两方面都是目前计算理论与方法无法解决的问题。反过来讲，机器最有可能实现的心智能力部分应当是那些具有意向性的心识能力(色蕴、想蕴与行蕴)，即唯识学心法中的色法与若干心所法。
很明显，意向性心理活动一定伴随有意向对象，于是就有可能对此进行计算表证，并完成相关的某种计算任务。因此，反过来说，我们认为意向性心理能力是人工智能的理论限度(是上界，但并非是上确界)，机器实现的人类意识能力不可能超越意向性心识的范围。这也就是本文观点讨论的基点，并具体给出如下方面论据的分析。
首先，我们来分析心智机器的成功标准。从我们的立场看，如果要构建具有人类心智能力的机器，成功的标准起码应该通过图灵测验。主要理由是，由于“他心知”问题的存在，行为表现可能是唯一的判断标准，此时图灵测验不失为一种可行的测试途径，关键是“巧问”的设计。原则上，图灵测验通过言行交流，这是人类之间默认具有心智能力的唯一途径。再者，根据摩根准则，在没有把握的情况下，宁肯选择比较简单的解释。因而，对图灵测验的解释中，也必须注意摩根准则，诸如机器思维或者机器经过思考的行动这类有关心智能力的假设在大多数情况下应该丢弃。
现在我们就来一场图灵测验，看看机器到底会遭遇什么样的困境。为了看清本质，我们的提问异常简单，就是进行如下提问(所谓“多大年纪”思想实验，参见笔者以前的文章“重新发现图灵测验的意义”)：你多大年纪？此时会发生怎样复杂的情形呢？当提问者一而再、再而三不断重复这一问题时，机器很快就会暴露出其致命的缺陷，就是缺乏不可预见性反应能力。那么，面对这么简单的提问，机器为什么会无所适从呢？其实这跟机器形式系统的局限性有关。众所周知，图灵机是个形式系统，而哥德尔不完全性说明足够复杂的形式系统不能证明某些真命题。这是否说明人的某些知识是计算机器永远不能得到的？或者反过来说，是否说明不是所有的知识都能形式化呢？这样就引出了如下第二个论据的讨论。
从形式系统角度看，确实存在不可计算(证明)的问题，而且是大量的，但这些问题对于人类同样也是不可计算(证明)的。比如图灵停机问题，如果换成了人，结果是一样的。至于知识，可能首先要分清知识的含义与性质，知识是动词还是名词，要不要考虑元知识？如果这样看待知识，那么肯定不是所有知识都可以形式化的。因此，我们可以发现，问题不在于形式系统是否有局限性，而在于对于意识现象能不能给出一致性的形式描述。
那么，我们可以对人类的意识现象给出一致性描述吗？回答显然是否定的。因为在人类的意识现象中，存在着意识的自反映心理现象：我们的意识活动是自明性的。从逻辑上讲，如果一个系统允许自涉，那么该系统一定是不一致的，也就是说无法对该系统给出一致性的形式化描述。其实，人类的心理活动本来就是建立在神经集群活动的自组织涌现机制之上的。因此，出现意识的自明性现象是必然的。这也就是美国哲学家普特南给出“钵中之脑”思想实验所要说明的道理。比如，对于“我们都是钵中之脑”命题，在事先并不知晓这一事实的前提下，使用知道逻辑的反证法，可以明确加以否定。因此，我们人类的意识能力，显然不可能为机器所操纵。这样，由于计算机器形式化能力的局限性，靠逻辑机器是不可能拥有人类全部意识能力的，起码意识的自明性能力不可能为机器所拥有。
进一步，作为第三个论据讨论，我们再来看人类的意义指称能力问题。我们需要明确的问题是：机器能处理符号，但它能真正理解符号所代表的意义吗？如果人的概念依赖于人类的躯体和动机(涉身性认知)，那机器怎么可能掌握它们呢？这个问题主要是指机器是否能够拥有指称能力。塞尔的“中文之屋”提出了反对意见。其实这个问题的关键还是要弄清什么是“意义”？如果意义是指所谓抽象的“概念”内涵而非表征形式，那么就必然存在一条语义鸿沟，因为机器内部能够处理或变换的只是不同的形式语言而已。但如果意义是指“行为表现”，那么这个问题就回到了上面图灵测验的第一个论据上去了。
人类语言表达意义不在语言形式本身，而在于意识能力。正因为这样，才会有许多超出常规的意义表达方式。从根本上讲，我们也不必一一列举机器难以拥有的指称能力，诸如矛盾性言辞、元语言表述以及整体性语境等难以一致性描述的状况；而只需指出，机器不可能拥有人类的终极指称能力即可。那么什么是终极指称能力呢？宋代临济宗禅师惠洪在《临济宗旨》中指出：“心之妙不可以语言传，而可以语言见。盖语言者，心之源、道之标帜也。标帜审则心契，故学者每以语言为得道浅深之候。”其中所谓的“心之妙”者，就是终极指称。由于超越了概念分别，是难以用语言来描述的，这就为形式化描述带来了根本的困境。
第四个论据的讨论涉及到所谓预先设定程序的问题。我们知道，目前的机器只能遵循给定的程序运行(预先设定的程序)，这样的话，机器又怎么可能拥有真正的创造性和灵活性？也许人工智能的目的就是要让机器的“计算”更加“聪明”，但目前预先设定程序的机器不可能是灵活的，更不用说创造性能力了。显然，事情越有规则，机器就越能掌控，这就是预先设定程序的界限。比如对于表面复杂结构的分形图案，由于可以靠简单规则加以迭代产生，机器就可以靠预先编程规则自如产生。但是对于人类常常出现的出错性，由于毫无规律可言，机器便不可能预先加以编程，机器也就不可能拥有出错性了。人是易于犯错误的，而机器按照设定的程序运行，永远不会出错，这就是预先编程的一个致命弱点，这也是第一个论据讨论中机器无法通过图灵测验的根本原因。
要知道出错性表面上似乎是一个负面品质，但其实质上则包含着灵活性和创造性，是一切新事物涌现机制的基础。如果没有生物基因的出错性，自然选择就没有了作用的对象，繁复的生物多样性也就无从谈起。同样，如果没有了思想模因的出错性，文化选择也同样没有了作用的对象，博大的思想多样性同样无从谈起。可见，出错性是机器难以企及人类心智能力的一个分界线，而这一切都归结为机器的预先编程的局限性。
同样的道理，由于预先编程问题，也带来了机器不可能真正拥有情感能力的新问题，这也构成了机器难以拥有人类心识能力的第五个论据。我们知道，情感从某种意义上讲就是常规理性活动过程中的“出错性”，是非理性的，但基于逻辑的机器是理性的。也许人们会说，非理性的情感在心理表现中是不重要的，甚至是不起作用的。但我们要强调，即使是理性思维，情感和其他非理性因素也在其中扮演重要角色(倾向性指导作用)。如果说理性的认知能力是前进的方向，那么非理性的情感能力就是前进的动力，人类的心理活动中岂可或缺情感能力？！而对于机器而言，缺少了情感能力，机器怎么能够像人类一样思维？！
机器是逻辑的，难以体现情感本性，目前有关情感的计算只是实现了情感的理性成份。笔者比较赞同这样的观点：理智是方向性的舵手，情感是驱动性的马达，在航行中情感与理智相互依存。因此，如果情感不能计算，那么也谈不上实现人类意识的计算，因为情感难以计算的本质就是意识的感受问题。
通过上述对机器实现人类心智能力所面临的困境的讨论，就可以进一步引申出机器是否能够跟人类一样拥有意识能力的问题。为了避免陷入不必要的信念之争，笔者认为学术辩论主要应对事实或可能事实开展分析讨论。由于计算机器的概念相对明确，争论的焦点多半会聚焦到有关人类“意识能力”的界定之上。所以，下面先给出笔者所理解的人类“意识能力”的分析描述，然后再围绕着我们讨论的主题，展开观点的陈述。
意识包括功能意识、自我意识和现象意识，其中功能意识大体上涉及到意向性的心理能力，除了前面已经讨论过的五个论据外，似乎并不存在特别的新困难。但自我意识和现象意识则不同，由于涉及到去意向性和非意向性的表征问题，这便构成了机器心识的最大困扰。首先，我们要清楚“自我意识”不是关于“自我”的意识，而是一种自身内省反思能力。因此，自我意识是意识的核心功能。其次，我们必须澄清所谓的“体验意识(qualia)”到底指什么？是精神的本性，还是虚构的对象？这涉及到哲学基本问题，非常复杂，观点纷呈。机器能否拥有意识能力的核心问题，其实就在于此。
由于涉及到心灵的一些本质问题，机器意识研究一开始就引起了哲学领域的广泛关注，有专家专门讨论机器意识研究的哲学基础，也有学者讨论机器意识会面临的困难，包括像意识(consciousness)、感受质(qualia)和自我觉知(self-awareness)这些回避不了的、显而易见的困难问题，以及一些与意识相关的认知加工，如感知、想象、动机和内部言语等方面的技术挑战。除此之外，更多的则是延续早期对人工智能的哲学反思，对机器意识的可能性提出质疑。涉及到强弱人工智能之争、人工通用智能问题、意识的难问题、“中文之屋”悖论的新应用、人工算法在实现意识能力方面的局限性、蛇神机器人不可能拥有主观性、现象意识等众多方面的争论。
那么机器能够拥有这种现象意识状态吗？对于现象意识的存在性问题，有截然相左的两种观点。一种是神秘论的观点，认为我们神经生物系统唯一共有的就是主观体验，这种现象意识是不可还原为物理机制或逻辑描述的，靠人类心智是无法把握的。另一种是取消论的观点，认为机器仅仅是一个蛇神(zombie)而已，除了机器还是机器，不可能具有任何主观体验的东西。在这两种极端观点之间，还存在各种不同偏向的观点，如还原论、涌现论、唯心论、二元论，等等。其实，依笔者看来，无需做上述复杂的讨论，只须从意向性的角度来看，便可以澄清机器意识的可能性问题。笔者观点是，凡是具有意向性的心理能力，理论上机器均有可能实现，反之则肯定不能实现。因为一旦缺少了意向对象，机器连可表征的内容都不存在，又如何形式化并进行计算呢！
通过上述分析讨论，可以发现，机器意识难以达成的主要困境可以归纳为这样三个方面。第一个是形式化要求，特别是一致性要求导致的局限性，使得机器智能局限于具有意向性的心识能力，如色蕴、想蕴、行蕴。第二个则是机器缺乏不预见性的反应能力，只能通过预先设定的程序来应对环境。第三个就是无法拥有终极指称能力，无法实现去意向性的识蕴能力。最后补充一点则是，对于涉及到现象意识的感受性能力(受蕴)，由于没有意向对象可以作为形式化的载体，因而对其进行的计算完全无从入手。
于是，我们可以很清楚地看到，意向性就是实现机器意识能力的一条不可逾越之界线。用数学的术语说，机器能够拥有的意识能力的上界就是意向性心识能力。当然这并非是上确界，因为不可预见性的反应能力也属于意向性能力，但从前面的分析中可以看出，目前基于预先编程的机器仍然无法拥有不可预见的反应能力。或许我们可以期待更为先进的量子计算机器来突破预先编程能力，但意向性心识能力的边界，依然是无法突破的。
因此，当我们把目前有关机器意识的研究分为面向感知能力实现的、面向具体特定意识能力实现的、面向意识机制实现的、面向自我意识实现的以及面向受蕴能力实现的这五个类别时，就可以同唯识学中意识的五蕴学说相对比，从而更加清楚地认识其中的本质问题所在。我们的结论是，对于机器意识的研究与开发，应当搁置有争论的主观体验方面(身心感受)的实现研究，围绕意向性心识能力(环境感知、认知推理、语言交流、想象思维、情感发生、行为控制)，采用仿脑与量子计算思想相结合的策略，来开发具有一定意向能力的机器人，并应用到社会服务领域。
围绕着上述分析所得出的主要结论，我们认为，未来机器意识的研究，主要应该开展如下5个方面的研究工作。
首先，构建面向机器实现的意识解释理论。由于意识问题本身的复杂性，目前存在众多不同的意识解释理论，其中只有部分理论用于指导机器意识的研究。为了更好地开展机器意识研究工作，取得更加理想的机器意识表现效果，必须直接面向机器意识实现问题本身，综合并兼顾已有意识解释理论，提出一种更加有利于机器意识研究的、有针对性的、全新的意识解释理论。提出的新理论应该不但能够清晰地刻画各种意识特性及其关系，而且应该符合机器意识实现的要求，更好地用以指导机器意识的开展。为此，具体需要开展现有意识解释理论的梳理研究、机器意识限度与范围的分析研究、意识特性刻画标准规范的构建研究等方面的研究工作。
其次，探索机器意识的计算策略与方法。过去的研究表明，要想让机器拥有意识能力，传统的人工智能方法是无能为力的，我们必须寻找全新的计算方法。因此，机器意识的深入展开，需要有不同于传统人工智能的计算策略和方法。就目前机器意识研究中所遇到的问题而言，在计算方法方面起码需要开展亚符号(神经信号)表征到符号(逻辑规则)表征之间的相互转换计算方法、在非量子体系中实现类量子纠缠性的计算方法，以及神经联结与符号规则相互融合的计算方法等方面的研究。而在计算策略方面则需要开展仿脑与算法相结合策略的研究。只有确定了行之有效的计算策略和方法，才能真正推动机器意识进一步深入发展。
第三，构建机器意识的综合认知体系。作为机器意识研究的主要任务，就是要构建具有(部分)意识现象表现的机器认知体系。给出的意识机器认知体系应该满足一些基本需求，起码应该包括：实现具有感受质和外部感知对象的感知过程；实现过程内容的内省反思；允许各模块无缝整合的可报告性以及配备本体感知系统的基本自我概念。因此，这部分的研究内容应该结合机器意识计算策略与方法的探索，参照已有各种机器意识认知体系的优点，有针对性地进行构建工作，以期满足基本的意识特性需求。
汽车桥箱类零件具有精度高、加工工序多、形状复杂、重量重的特点。为提高其加工精度及生产效率，各重型汽车生产厂家纷纷采用数控加工中心来加工此类零部件。而在使用数控加工中心加工工件时，要求工件在工作台上具有非常高的定位精度，且需要保证每次上料的一致性。由于人工上料此类的工件具有劳动强度高、上料精度不好控制等缺点现在正逐步被工业机器人或专机进行上下料所取代。工业机器人具有重复定位精度高、可靠性高、生产柔性化、自动化程度高等、突出的优势，与人工相比，能够大幅度提高生产效率和产品质量，与专机相比具有可实现生产的柔性化、投资规模小等特点。机器人智能化自动搬运系统作为减速器壳体加工的重要生产环节，虽然已经在国内重型汽车厂内取得成功的应用，但依然尚未普及。在国家经济建设飞速发展的进程中，重型载重汽车的生产能力及生产力水平亟待有一个质的飞跃，而工业机器人即是提升生产力水平的强力推进器。
汽车行业的发展水平，代表了一个国家的综合技术水平，汽车工业的发展将会带动其他行业的发展。各厂商为了在日渐激烈的竞争中立于不败之地，必须率先实现焊接自动化。因此，今后除了如汽车、摩托车这样的大批量生产行业。一些产品多样化的企业，为了提高焊接质量，也将会考虑使用焊接机器人，如钢结构等行业，与此同时，对焊接机器人的要求也必然会逐步提高，如说对焊道的自动跟踪系统的需求会逐步加大等。作为焊接机器人和焊接机的专业生产厂家，OTC公司将继续为提高中国的高速、高效、自动化焊机做出自己的贡献。对于在汽车工业中的点焊应用来说，目前已广泛采用电驱动的伺服焊枪。日本丰田公司已决定将这种技术作为标准来装备其日本国内和海外的所有点焊机器人。
在国内外各大汽车公司装配生产线上被广泛采用的装配机器人。一方面使汽车装配自动化水平大大提高，目前，国外某些大批量生产的轿车的装配自动化程度已达50%~65%。另一方面，有效地减轻了工人的劳动强度，提高了装配质量并明显地提高了生产率。在汽车整车装配中，机器人不仅用于挡风玻璃的密封济涂覆、安装和车轮备胎、仪表盘总成、后悬梁、车门、蓄电池等部件的安装。
喷涂机器人在汽车制造业中可喷涂形态复杂的汽车工件而且生产效率和很高。多用于汽车车体的喷涂作业，如喷漆、喷釉等。除了上述机器人以外，汽车制造业中应用的机器人还有用于特殊加工的激光加工机器人用于部件形状测量、装配检查和产品缺陷检查的检测机器人，抑制尘埃粒子大小及数量的水切割机器人和净化机器人等。
随着中国汽车工业的迅猛发展，机器人在先进汽车制造中的重要性也越来越凸显。机器人的产品应用广泛，覆盖焊接、物料搬运、装配、喷涂、精加工、拾料、包装、货盘堆垛、机械管理等领域。在汽车行业的应用主要分为以下五大部分。车身系统中，采用虚拟仿真等手段，主要针对车身覆盖件不断开发出新的标准化、模块化解决方案，动力总成系统中，提供了涵盖汽车传动系统核心部件，发动机、变速箱和传动轴的全套装配测试系统。在冲压自动化系统方面从卷材与堆垛到零件的码垛，从提供控制系统到企业ERP，从设计到生产支持与效率优化，拥有全面的工程能力，涂装自动化系统方面，以高柔性高精度的喷涂机器人来帮助客户提升涂装质量，减少生产废料，而在焊接自动化系统中，机器人比较典型的应用是电阻点焊、电弧焊，其最新一代机器人配套提供一系列高度人性化的软件工具。汽车工业的最大特点是产量大，生产节拍快，产品一致化程度高。消费者对汽车质量要求越来越高，是促使机器人应用越来越普遍的一个重要原因。机器人本身只是集装箱里的一个货物，随机器人的设备功能越来越精细，客户的思维在这时候逐渐走向成熟，在采购时不再单单考虑某生产工位的瓶颈，而更多地考虑到长期战略因素，如维护成本加入的高低，长期投资回报是否划算，服务涵盖地域是否广泛，响应是否及时，全球技术支持能力有多强，中期后期不同阶段解决问题的能力有多大等等。这时，产品本身的价格和意义相对弱化而长期的价值越发凸显。
图2的人工智能系统模型表明，完整的人工智能技术系统必须具有如下环节：信息获取（感知）、信息传递（通信）、信息处理（计算）、知识生成（认知）、策略创建（决策）、策略执行（控制）以及反馈学习优化等基本技术系统，这正像“人”这个智能系统必须具有感觉器官（信息获取）、传输神经系统（信息传递）、思维器官（信息处理、知识生成、策略创建）以及执行器官（策略执行）。 其中传感（感受信息）、通信（传递信息）、计算（处理信息）、控制（执行信息）等技术属于信息技术。可见，人工智能系统是一个全局整体，其中包含着传感、通信、计算、控制等信息技术环节；这正像人这个智能系统是一个全局整体，其中包含感觉器官、传输神经、丘脑和执行器官这些信息器官。如果把人工智能系统称为完整的人工智能系统，而把其中的知识生成和策略创建称为核心人工智能系统，那么，则有：完整的人工智能系统＝核心人工智能系统＋信息技术系统其中，核心人工智能系统处于完整人工智能系统的核心，处理知识和智能层次的问题；信息技术系统处于完整人工智能系统的外周，处理信息层次的问题，同时担任核心系统与外部环境之间的两端接口：一端是从环境获取本体论信息（传感），另一端是对环境施加智能行为（控制）。这就表明，信息技术系统提供给人类的服务主要是方便快捷的信息共享，而不可能提供如何认识事物本质的服务（因为这需要知识），更不可能提供如何解决问题的服务（因为这需要智能策略）[2]。
近十多年来，先后出现了大数据、云计算、物联网、移动互联网以及各种互联网的应用技术。人们把它们称为“新型”信息技术或“新一代”信息技术。深入分析可以发现，这些新型信息技术的核心技术正是核心人工智能系统的知识生成和策略创建技术。不妨以大数据技术为例加以说明。图3表示了大数据技术系统的工作流程。由于有着多种来源、多种背景以及多种格。
