智能传播时代的人机融合思考

【关键词】智能传播  人机混合智能  深度态势感知

【中图分类号】TP18                              【文献标识码】A

【DOI】10.16619/j.cnki.rmltxsqy.2018.24.002

智能传播的发展演进与未来趋势

随着智能终端和平台技术的快速发展，“人人都是报道者”“人人都是主播”“人人都是网红”的梦想，正在成为现实，传媒业的生产方式、传播方式、运行方式、消费方式正在发生着巨大改变，未来，“眼观六路，耳听八方”也将被赋予新的内涵和外延，人类的感和知都会衍生出不一样的味道，对同一事物的看、听、触、嗅、味、思都会呈现出与先前不一样的秩序，这种新的认知机制将会变得更快、更立体、更饱满、更富有多样性（包含负面性、欺骗性）。对此，我们要加快智能传播的发展，不仅要继续深化智能技术的研究和应用，还要提高新形势下传播理论和用户体验的分析和创新，唯此才能更好地应对新闻传播行业颠覆性竞争格局的出现。

无论是纵观古今，还是展望未来，各种智能传播系统始终都是一个完整的人机环境系统，大数据、智能化、移动网络、云计算等各种智能传播技术都不可能是完全无人的，人只不过是由前置转为后置，由体力变为智慧，由具体执行变为筹划操作，其中必将涉及复杂的人机交互及混合问题。对于未来的智能传播变化趋势而言，单纯的人工智能或人类智能都不能使其发挥到最大效能，而两者的结合——人机智能的融合终将是其发展的主要方向。客观地说，智能传播是一种加快、加深人自我认知的新途径、新方式。它的出现使得人们主动、被动地突破各种旧我边界的速度提高了，实现了更多时空下新我的态、势、感、知之间的相互作用。它使得数据与信息（有价值的数据）、知识更加有机地结合在一起，甚至出现了数+信+知的新型混合输入形式，进而使得知识图谱（知识就是用理性区别事物的是非曲直，鉴于知识忽略了对感性的使用，所以知识图谱仅是局部的理性世界反映）中的对象、属性、关系从静止不变的标量变成了随机动态的矢量，并不断衍生出新的知识、活的知识来。未来智能传播的最优存在形态可能不是个别的传播平台，而是系统网络性的平台，更有可能是横跨各不同人机环境系统的综合联动体系，并且该体系还会不断地自主优化升级。

智能传播中人机环境系统融合的关键还将包括：有灵活弥聚的表征达成、公理与非公理混合的推理方式、直觉与“间觉”交融的决策机制。首先，通过人的价值取向有选择地获取各种数据，在这个输入过程中不仅是客观数据与主观信息的融合，还应该结合人们的先验知识和條件;其次，在人机信息/数据融合处理过程中，人加工的非结构化信息框架（如自然日常语言）会渐变得结构化一些，而机处理的结构化数据语法则会变得非结构化一些，这个过程不但要使用基于公理的推理，而且还需兼顾非公理性的推理（如情感、意向性等），使得整个智能传播过程更加缜密合理且富有人性化;最后，在决策输出阶段，人常常是通过将脑中若干记忆碎片与感觉接收到的信息综合在一起，跳过逻辑层次，直接把这些信息中和的结果反射到思维之中，形成所谓的“直觉”，其结果的准确程度，在很大方面取决于一个人的综合判断能力，而机器则是对通过计算获得的结果——“逻辑”进行间接评价，这种把直觉与“间觉”相结合的独特决策过程将是人机融合智能传播输出的突出特点。

如同人工智能当前还没有共识的定义一样，智能传播除了应用领域比较明确之外，现在也没有共同一致的概念，将来可能也很难产生一致公认的普适概念，因为人本身就是一个极其不容易归纳概括的名词，凡是涉及人的行为，尤其是智能行为，更是变化多端、很难预测;另外，未来传媒的传播方式、机理、手段也会日新月异，所以智能传播可能是一个非定义项，其确切的含义无法通过三言两语描述清楚。

但是世界再复杂，情境再捉摸不定，也总有蛛丝马迹呈现。美国、欧洲各国在新财年的预算中将持续加大对自主系统、情报数据分析、大数据分析、机器人、自动化及情感计算技术的投资力度，研究出支撑智能传播技术应用的算法，提升人工智能、自主技术的水平，这将成为决定上述各主要方向技术在智能传播领域发展的关键。从众多公开信息分析不难看出，当前世界综合实力排名第一的美国对智能传播领域的重视程度也很高，其主要着力于两部分：一是机器学习，二是自主系统。机器学习就是形式化的（程序规范性的）代表，描述一个规则的事态;自主系统具有意向性的（非形式化、事实经验性的）特点，描述一个可能的事态。形式化推理就是将命题的逻辑联接符号化，然后规定变形规则，进行公式间的转化变形，可以用来表达理性推理。非形式化的推理就是不借助符号，而是直接通过自然需要来进行语句间的变换，这部分主要涉及感性判断，研究初期这两部分可能会各自为战、分头突进，但假以时日，这两项研究的真实意图可能就会和未来科技的发展趋势越发一致起来：人机融合智能系统。这也说明了智能传播的可见未来既不是单纯的机器学习，也不是可爱的自主系统，而很可能是结合人机各自优势的融合智能，若凝炼成科学问题，本质上就是要回答认知和计算的关系，以及人类智慧和机器的类人智能之间的关系问题。

人与人交流的语言是能指与所指混合的复合载体，而目前的人机交互则是能指型单一通道，所以这就导致了当前的智能传播还没有出现弦外之音和言外之意。也许不远的未来，人机智能传播在能指和所指之间还会形成一种能指+所指的折中交互方式，以利于联系人与机的智能传播体系发展。另外，当前人机融合的智能传播面临的一个难题是：如何在多样性中寻求一致性表达。

人既有确定性的一面也有不确定性的一面，机（机器、机制）同样如此，如何把不确定性的一面转为相对稳定的确定性加以使用，这是智能传播中人机融合的一个重要问题。人的确定性+机的确定性比较好理解，人的不确定性+机的确定性、人的确定性+机的不确定性、人的不确定性+机的不确定性难度会依次递增，解决好这些问题就是智能传播中的人机之间的有机融合过程。

智能传播大环路中的机器常常是基于大量的正确样本进行训练的，而人类则是基于少量的正确或错误样本进行学习的。机器学习的结果比较容易产生局部最优（也许这也是数学本身的不足，如蚁群算法），而人更擅长把握整体最优。机器学习（形式化）调参很难，人类（使用意向性）相对比较自如。更重要的是，在智能传播过程中，人类的学习不但能建立起一种范围不确定的隐性知识，还能建立起一种范围不确定的隐性秩序/规则，人因此所起的作用是“创造意义”，而非“获得意义”。虽然，机器学习也可以建立一定范围的隐性知识、秩序，但这种范围比人类学习建立的范围要小得多，而且可解释性更差，容易出现理解盲点。知识的默会性足已造成很多不确定性，规则的内隐更使得交互复杂加倍，其根源主要在于智能传播过程中各个交互对象（人、机、环境）具有“自己能在不确定和非静态的环境中不断自我修正”的能力。

智能传播的不确定性是由表征与推理的可变性造成的。其机制背后都隐藏着两个假设：程序可变性和描述可变性。这两者也是造成期望与实际判断不一致的原因之一。程序可变性表明对前景和行为推导的差异，而描述可变性是对事物的动态非本质表征。2018年8月11日，2011年诺贝尔经济学奖获得者Thomas J. Sargent在世界科技创新论坛上表示：“人工智能就是统计学，只不过用了一个很华丽的辞藻。”在智能传播过程中，这表现在构成人工智能+传播的两大基础：人类和机器的感知/推理根本上都是统计概率性的，即各种归纳、演绎、类比等逻辑推理过程里面存有大量的漏洞和缺失，所以归纳、演绎、类比等推理机制都有升级的空间和余地。

对智能传播中的人而言，机就是延伸自我的一种工具，同时也是认知自我的一种手段，通过机的优点来了解自己的缺点，通过机的缺点来明了自己的优点，然后进行相应的补偿或加强。种种迹象表明，目前人机融合智能传播还不是一见钟情，这是因为缺乏双向性的感知与觉察，更多是主从相声似的人机交互，尽管还不那么尽人意，捧逗还存在失调失配，但未来仍值得期待：人在发明机器、传播信息的同时也在发现着人本身。

简而言之，要解决智能传播中人机融合问题，首先要打破各种认知惯性，突破传统的时空关系，进而把人、机各自的感知图谱、知识图谱、态势图谱融合在一起思考。

智能传播中人机融合理论体系建构

恩格斯在《路德维希·费尔巴哈和德国古典哲学的终结》中曾不无深意地说道：“全部哲学，特别是近代哲学的重大的基本问题，是思维和存在的关系问题。”其实这不仅是近代哲学的重大基本问题，对智能传播而言，也是极其重要的基本问题。哈耶克在其1952年出版的名著《感知的秩序》（The Sensory Order）一书的序言中也曾写道：“完全解释我们心智形成的外部世界图景的不可能性，意味着永远不可能完全解释现象的外部世界。”这段话说明了思維问题的重要性，进而深刻地揭示了人类思维的难解释性和存在的不稳定性。18世纪英国哲学家大卫·休谟在《人性论》中提出的一个著名问题，简称休谟问题，即所谓从“是”能否推出“应该”，也即“事实”命题能否推导出“价值”命题。这个问题在西方近代哲学史上占据重要位置，许多著名哲学家纷纷介入，但终未有效破解。如果说休谟之问中的事实（being）是很难推出价值（should）来的，那么人机的结合则可以打破这个困扰多年的哲学和智能命题：人意向性认知所形成的价值观与机器形式化计算产生的事实性交互所迸发出的火花足以照亮主客观之间黑暗的通道。

1968年图灵奖获得者理查德·哈明就说过：“计算的目的不在于数据，而在于洞察事物。”计算机的本质就是通过数理反映心理和物理规律。玻尔也说过：“完备的物理解释应当绝对地高于数学形式体系。”认知的核心是智能，是洞察事物，所以计算属于认知，但认知却不等同于计算。智能传播的目的也不在于数据，而在于洞察事物，其中人机融合就是要自然地生成这种洞察机制，进而实现人类通过符号和媒介交流信息以期发生相应变化的活动。

从知识角度看，波兰尼曾把知识分为显性和隐性两大类。显性知识（Explicit Knowledge）可以表述，属于格式化的符号系统。隐性知识（Tacit Knowledge），可体验领悟，属于非格式化的意念系统。借用麦克利兰的“冰山模型”一词，我们不难看到，在人类知识中，科学部分（尤其是技术）在水面上，必定是显性的，可考核衡量;人文部分在水面下，显性中包含隐性，其价值由隐性知识决定，是不可衡量的，最核心部分在无意识层次，当事人自己都难以觉察。隐性知识在技术层面为“秘诀”，在认知层面为心智。人机思维可以在发现和体验显、隐性知识结合方面起到重要作用。对智能传播而言，无论显性知识学习还是隐性知识理解，都不外乎是为了精确地感知、正确地推理和准确地预测，这就涉及一个大家司空见惯又望之兴叹的智能核心概念——态势感知。

我们研究发现：态，形也;势，上也;态势，形而上，道也;感，觉也;知，察也;感知，觉而察，可道也;态势感知，道可道非恒道也（默会的道）;深，大也;深度态势感知，即大道无形也。弗雷格曾区分了观念（ideas）和含义（senses）两个概念的含义，他认为观念是心理的、主观的和私人的，本质上不能用于交际，因此不是通过语言交际所公用的共享意义的一部分。他还认为，一起构成思想的含义与人类心理没有关系，是远离主观的。含义和思想是非心理的、公用的、客观的，并且可用于交流的，它们都能成为语言表达的意义。这一区分是达米特所谓的“从心智中挤压出思想”，它实际上也是所有欧美语言哲学的根由。摆脱心智的思想是客观的，它们可以根据与世上事物的直接对应关系加以描述。态势感知中最困难的两部分，一是怎样把主观私人心理的“势”（如生成、传播“围魏救赵”之势）转化为客观公用非心理的“态”（如围、魏、救、赵的各种状态参数）;二是怎样把主观私人心理的“知”（我与赵、魏之间的关系）变换成客观公用非心理的“感”（围、救所需要的数据/信息）。从态空间进入势空间，就是从数据特征空间进入信息（特征）向量空间，就是从逻辑空间进入非逻辑空间，就是从形式空间进入意向性空间，也即从语法空间进入语义空间，这种不同空间的进入所产生的误差表达公式，就是未来要建立的智能传播中人机融合—深度态势感知理论体系。

《孙子兵法》云：“转圆石于千仞之山者，势也。”智能传播中的深度态势感知关键有三处，一是深，二是知，三就是这个势。所以深度态势感知可以简称为：深知势。这里的势不是状态（参数）的样子，而是带有意图指向的加速度变化过程，就像那块千仞之山上的圆石一般。这种态势感知包括人的态势感知和机的态势感知两部分，对人而言，一般是态势交融，态中有势，势中有（新）态，感中有知，知中有感。在众多的智能传播情境中，不可能什么都知道了再进行，如何以偏概全，以局部解全局，见滴水之冰而知天下之寒，窥斑知豹，以小映大，是深度态势感知研究的瓶颈之一。深度态势感知同时也体现在把平台、系统、体系各级别态势感知融合在一起形成的，可控的智能传播是从势到态的管理，不可控的智能传播是单纯的从态到势的感知。汉语里的态势与英文不同，situation=state+trendy，态里的客观性、逻辑性多些，如车马炮、上下左右、天时地利等;势里的主观性、非逻辑多些，如塞翁失马、围魏救赵、人和众拥等。当然，人对相同态和势的感、知都会不太一样，而且人的态可能就包括了机器的势，即进行了相应的预处理。目前，在智能传播中的人机融合过程里，态面临的困难是形式化符号如何准确表征，势对应的瓶颈为意向性如何完整抽象提炼;感遇到的麻烦在如何反身性主动获取，知直面的阻碍于局部—全面关系如何转换，以及人的态、势、感、知如何与机器的态、势、感、知相融相合？！

智能传播中，对“态”而言本质是表征的问题，尤其是静态的表达，侧重于感形（客观存在，being），感己感彼;对“势”而言本质是理解（构建联系）的问题，尤其是动态的会意，侧重于知义（值得、应该，should），知己知彼;由态到态的交互过程，没有智能的出现，得“形”失意;由态到势的交互过程，亦即数据在流动中生成信息知识（形成价值性）的过程，也就是智能的产生过程，得意忘形。态势如同散文一般，散文“形散而神不散”，态散而势不散，态散势聚，得意忘形，得势忘态。所以智能传播中人机融合理论体系建构的基本核心就是建立起智能的人的情、境、意、识+机的态、势、感、知协同机制。

智能传播的主体性与伦理

智能（包括人工智能），本质上是“人”学，就是从人的智能模仿开始，具体表现为：输入是模拟人的各种感觉的传感器信息处理，处理是仿真人的各种推理方法，输出是师法人的决策行为过程，而在整个的智能程序中，最终还是人起作用、为人服务、向人学习！

智能的实质就是适应性交互（不一定是自适应，还包括他适应的混合），传播是指两个相互独立的系统之间，利用一定的媒介和途径所进行的、有目的的信息传递活动。传播的实质是一种信息分享过程，双方都能在传递、交流、反馈等一系列过程中分享信息，在双方的信息沟通的基础上取得理解，达成共识。把两者结合起来看，智能传播的实质就是颠覆以往的交流交互方式，包括自我、人人、人物（机）、人物（机）环境等方面，历次革命，蒸汽机、电动机、计算机（网络）、智能机、人+机，莫不如此……

智能传播的重点是人的变化而不是僵化，即加快了人的反身性（就是人与传播的相互影响）和自否定（进化迭代的过程），自否定（自由）和反身性（反思）构成了人机智能传播的人文性，包括能动的创造性。机器从不会自否定和反身性，人会！人的态、势、感、知中都包含隐性的自否定和反身性成分，机器没有这种机制，一根筋。人可以既是又不是，是“关系”而不是“属性”。罗素也曾指望通过对“既是又不是”的两个“是”字的语义区分来排除悖论、矛盾，如说“苏格拉底是人”，“苏格拉底又不是人”（不等同于人），此中前一个“是”意味着具有某种“属性”，后一个“是”则意味着“等同”，两个命题讲的不是一回事，构不成逻辑矛盾。若“态”为“是”（being），那么“势”即“应”（should），从认识论角度，“态”或“是”就是从描述事物状态与特征的参量（或变量）的众多数值中取其任意值，“势”或“应该”就是从描述事物状态与特征的参量（或变量）的众多数值中取其最大值或极大值。从价值论角度，“态”或“是”就是从描述事物价值状态与价值特征的参量（或变量）的众多数值中取其任意值，“势”或“应该”就是从描述事物的价值状态与价值特征的众多数值中取其最大值或极大值。

价值是智能传播中人机态势感知的核心，其体现的已不再是原有的产生过程，而是由人机环境系统的共同作用而生成的显性和隐性部分，隐性部分更值得深思。抽象符号间的联系不能产生知识和意义，形式符号系统的语义解释和知识建构何以内在于系统而不依赖于人的定义，应该是未来智能传播研究的核心问题。这涉及一个主体的生成。势是（人物、环境）各部分之间的一种价值秩序和结构，是一种主观方面“内外相应”的心理作用，所以有人说，“势不是事物本身的属性，它只存在于观察者的心里。每一个人心里见出一种不同的势”。不过这并不否认势与“对象各部分之间的秩序和结构”有关，只是肯定对象的形式因素要适应人心的特殊构造，才能产生势觉。势的本质为事物的杂多状态与它的内在本质的协调一致性表征。势产生的原则不在于客观的规则逻辑和状态的概率计算，而只來自于个性方面有意义和显出特征的东西。其最高原则是从显出特征的东西开始，达到意蕴——小信息弱概率的大反映强运筹，能够用感性表达理性，用虚拟诱导现实，用should实现being。总之，势是人们理念的感性价值显现。

伦理一词，英文为ethics，源自于希腊文“ethos”，其意义与拉丁文“mores”差不多，表示风俗、习惯的意思。西方的伦理学发展流派纷呈，比较经典的有叔本华的唯意志主义伦理学流派、詹姆斯的实用主义伦理学流派、斯宾塞的进化论伦理学流派，还有海德格尔的存在主义伦理学流派。其中存在主义是西方影响最广泛的伦理学流派，始终把自由作为其伦理学的核心，认为“自由是价值的唯一源泉”。

在我国，伦理的概念要追溯到公元前6世纪，《周易》《尚书》已出现单用的伦、理。前者即指人们的关系，“三纲五伦”“伦理纲常”中的伦即人伦;后者则指条理和道理，指人们应遵循的行为准则。与西方相似，不同学派的伦理观差别很大，儒家强调仁、孝、悌、忠、信与道德修养，墨家信奉“兼相爱，交相利”，而法家则重视法治高于教化，人性本恶，要靠法来制约。

一般而言，伦理是哲学的分支，是研究社会道德现象及其规律的科学。我们对其研究是很必要的。因为伦理不但可以建立起一种人与人之间的关系，而且可以通过一种潜在的价值观来对人的行为产生制约与影响。很难想象，没有伦理的概念，我们的社会会有什么人伦与秩序可言。

通过以上的讨论与分析，笔者认为，人工智能还远没有伦理的概念（至少是现在），有的只是相应的人对于伦理的概念，是人类将伦理的概念强加在机器身上。在潜意识中，人们总是将机器视为合作的人类，所以赋予机器很多原本不属于它的词汇，如机器智能、机器伦理、机器情感等。在笔者看来，这些词汇本身无可厚非，因为这反映出人们对机器很高的期望，期望其能够像人一样理解他人的想法，并能够与人类进行自然的交互。但是，当务之急是弄清楚人的伦理中可以进行结构化处理的部分，因为这样下一步才可以让机器学习，形成自己的伦理体系。而且伦理，正如前面讨论的，是由伦和理组成的，每一部分都有自己的含义，而“伦”，即人伦，更是人类在长期进化发展中所逐渐形成的，具有很大的文化依赖性。更重要的是，伦理是具有情景性的，在一个情景里的伦理是可以接受的，而换到另一种情景里，就變得难以理解，所以，如何解决伦理的跨情景问题，也是需要考虑的。

值得一提的是，就智能传播的人机环境交互而言，“机”不仅仅是机器，更不是单纯的计算机，还包括机制与机理。而环境不仅仅单指自然环境、社会环境，更涉及人的心理、体验环境。单纯地关注某一个方面就会以偏概全。智能传播技术的发展，不仅仅是技术的发展与进步，更加关键的是机制与机理的与时俱进。因为两者的发展是相辅相成的，技术发展过快，而机制并不完善，就会制约技术的发展。现在的智能传播的伦理研究就有点这个意味。现在的人类智能的机理尚不清楚，更不要提机器的智能机理了。而且，目前研究机器大多数关注于人的外在环境，即自然环境与社会环境，根据机器从传感器得到的环境数据来综合分析人所处的外在环境，但是却很难有相应的算法来分析人的内部心理认知环境，人的心理活动具有意向性、动机性，这也是目前机器所不具备的，也是不能理解的。所以对于智能传播的发展而言，机器的发展不仅仅是技术的发展，更是机制上的不断完善。研究出试图理解人的内隐认知行为的机器，则是进一步的目标。只有达到这个目标，智能传播中的人机环境交互才能达到更高的层次。

智能传播的伦理研究是智能科学技术发展到一定程度的产物，它既包括人工智能的技术研究，也包括机器与人、机器与环境及人、机、环境之间关系的探索。与很多新兴学科一致，它的历史不长，但发展速度很快。尤其是近些年，依托着深度学习的兴起，以及一些大事件（AlphaGo战胜李世石）的产生，人们对人工智能本身，以及智能传播的伦理研究的兴趣陡然上升，对其相关研究与著作也相对增多。但是，可以预期的是，人工智能技术本身离我们设想的智能程度还相去甚远，且自发地将人的伦理迁移到机器中的想法本身实现难度就极大。而且如果回顾过去的话，人工智能总是在起伏中前进，怎样保证无论是在高峰还是低谷的周期中，政府的资助力度与人们的热情保持在同一水平线，这也是一个很难回避的问题。这些都需要目前的人工智能伦理专家作进一步的研究。

总之，智能传播的伦理研究不仅要考虑机器技术的高速发展，更要考虑交互主体——人类的思维与认知方式，让机器与人类各司其职、互相促进，这才是智能传播的伦理研究的前景与趋势。

智能传播的法律规制

动物的智能更多是生理性的，人类的智能除此之外还有心理性和社会性。德国有句谚语：“秩序是生命的一半。”生命的另一半就是非秩序。现代电工学有个名词叫作“击穿”，就是在高电压下绝缘体会变成导体，人类也有一种逻辑击穿能力，即在一定的情境下，把理性的逻辑思维变成感性的非逻辑直觉行为。在韦伯那里，道德被视作局限于一定时空情境中的德性;它不可能超越时空而凭借逻辑被证明为普适原则。在现代西方的法学和哲学中，普适主义vs特殊主义，法律vs德性，其实是一个最基本的分歧。

把数据变成信息的过程就是产生定向理解的过程，而把信息变成知识的过程就是更小范围的定向理解过程，这是一个聚合过程;反之，把知识溶解为信息、把信息转化为数据的过程，就是一个泛化联系、弥散理解的过程。这一来一往就是一个弥散聚合过程（简称弥聚过程），人与外部世界交互的过程就是一个认知弥聚过程。去掉数据的物理性是一个瞬间的极其复杂的过程，其意义不亚于石头变猴的过程：把一个死沉沉的物体转为一个活生生的生物，把无价物化为有价物，把有限变为无限，把无味道生成有意义，翻天覆地、万象更新、一元复始，不可谓不巨大！这也是人类主观形成的过程，即：人可以发现未来的动向并利用过去影响它现在的进程。犹如去掉人身上的动物性一般，不是简单的刺激—反应，而是刺激—选择—反应，中间的那个选择就是主观产生的源头，智能也许就是人性—非动物性。有些动物身上也有人性。

感/知的不是该物的自然属性之和，而是展现着该物时间性、历史性的“意义”。“界限”是让交互更有秩序，于是规则、概率、知识、信息、数据、规范、法律、道德都是这种“界限”的秩序表达。例如，“张三把李四打了，他进了医院”与“张三把李四打了，他进了监狱”两个事实，存在着人机不同的理解“界限”，某域的“态势感知”服从于局部的“界限”，遵守了某一种“秩序”，才能进入另一个时空中的“界限”。那种建立“统一”“跨域”的理想，其实是打破局部领域的“界限”“秩序”，成为“深度态势感知”。很多态是形不成势的，态形成势的过程就是智能元素成分浮现的过程。

在不久的将来，随着科技发展以及人工智能技术的不断完善，人们将很容易“操纵信息”，且不留痕迹，在军事领域，信息操纵并不是什么新鲜事，但如今的不同点在于，随着科技发展，信息操纵的规模会更强。法国《欧洲时报》2018年9月6日报道称，法国国防部在当地时间9月4日发布一份报告，指出信息操纵将会造成极大的混乱。法国武装力量部长弗洛朗丝·帕利表示，“整个社会和政治体制都有可能被撬动”。报告尤其提醒注意图片、音频和视频编辑软件带来的威胁，称这些软件“能让任何人讲出任何话，而且不容易辨识”。报告指出，通过数码修改视频里的人物面部，按照修改人的意愿，让他们讲话或做事，这样的加强版假视频，已经达到了极高的可信度。报告还指出，修改公众人物的言论将变得很容易，并能发送20多个修改后的版本，“跟真的混在一起，能混淆视听”。报告预计，因为制作成本低，而且被抓住的风险也低，操纵信息的行为会越来越多。平心而论，“界限”是让这个世界更有秩序，于是规范、法律、道德都是这种“界限”的秩序表达。“自我”有必要服从于这一个“界限”，即遵守了某一种“秩序”，才能进入另一个时空中的“界限”。

在哈耶克的浩繁著述中，也许“自发秩序”四个字最为重要。重要何在？自发秩序是社会秩序的主要源泉，也就是说社会秩序是自发产生的，而不是人为创造的。想象一下远古时期，没有国家，也没有今天这么复杂的社会秩序，质朴的人们只根据对自己是否有利来决定行为，他们在长期的互动和磨合中形成了习俗和惯例，如家庭之礼或乡规民约，这就是最初的社会秩序。习俗和惯例的特点是，它们是芸芸众生创立的。当然此“创立”非彼创立。哈耶克曾划分“人之行动”和“人之设计”。几乎所有习俗或惯例都不是人们有目的地创立的，却是他们“非目的行动”的结果。所谓“人为”不是指人的行动，而是指人的设计。人的非目的的行动也是自然的。海德格尔有句名言，叫“不是我说话，而是话让我说”。这里的“话”，不应从普通语言学意义上来理解，它不是语言学的形式规则，也非语言学的意义，而是有内容（什么）的“话”。智能传播的法律一定要顺应自然制定，才能更好地保障整个社会秩序和自由的秩序。

（本文系国家社科基金重大项目“智能革命与人类深度科技化前景的哲学研究”的阶段性成果，项目批准号：17ZDA028）

参考文献

M. Anderson， S. Anderson ， C. Armen， 2005， "Towards Machine Ethics： Implementing Two Action-Based Ethical Theories"， In M. Anderson， S. Anderson，  C. Armen（Eds.）， Machine Ethics： AAAI Fall Symposium， Technical Report FS-05-06， Menlo Park， CA： AAAI Press， pp. 1-7.

Collobert R， Weston J， Bottou L， et al.， 2011， "Natural language processing （almost） from scratch"， Journal of Machine Learning Research， 12（Aug）， pp. 2493-2537.

Helmstaedter M， Briggman K L， Turaga S C， et al.， 2013，  "Connectomic reconstruction of the inner plexiform layer in the mouse retina"， Nature， 500（7461） ， p. 168.

Hinton G， Deng L， Yu D， et al.， 2012，  "Deep neural networks for acoustic modeling in speech recognition： The shared views of four research groups"，  IEEE Signal processing magazine， 29（6）， pp. 82-97.

LeCun Y， Bengio Y， Hinton G， 2015， "Deep learning"， Nature， 521（7553）， p. 436.

Krizhevsky A， Sutskever I， Hinton G E， 2012，  "Imagenet classification with deep convolutional neural networks"， Advances in neural information processing systems， pp. 1097-1105.

Sutskever I， Vinyals O， Le Q V， 2014， "Sequence to sequence learning with neural networks"， Advances in neural information processing systems， pp. 3104-3112.

Pearl J， Mackenzie D， 2018， "The Book of Why： The New Science of Cause and Effect" ， BasicBooks， 36（6405）， p. 855.

Stone P， Brooks R， Brynjolfsson E， et al.， 2016， "Artificial intelligence and life in 2030"， One Hundred Year Study on Artificial Intelligence： Report of the 2015-2016 Study Panel.

Silver D， Huang A， Maddison C J， et al.， 2016， "Mastering the game of Go with deep neural networks and tree search"，  Nature， 529 （7587）， p. 484.

Tegmark M， 2017， "Life 3.0： Being human in the age of artificial intelligence"，  Knopf，  548（7669）， pp. 520-521.

Wu Z， Zhou Y， Shi Z， et al. Cyborg， 2016， "intelligence： Recent progress and future directions"，  IEEE Intelligent Systems， 31（6）， pp. 44-50.

Wang Y， Lu M， Wu Z， et al.， 2015， "Visual cue-guided rat cyborg for automatic navigation [research frontier"， IEEE Computational Intelligence Magazine， 10（2）， pp. 42-52.

劉伟、厍兴国、王飞，2017，《关于人机融合智能中深度态势感知问题的思考》，《山东科技大学学报（社会科学版）》，第19卷第6期，第10～17页。

刘伟，2018，《智能与人机融合智能》，《指控信息系统与技术》，第9期，第1～7页。

王绍源、崔文芊，2013，《国外机器人伦理学的兴起及其问题域分析》，《未来与发展》，第6期，第48～52页。

迟萌，2009，《机器人技术的伦理边界》，《机器人技术与应用》，第3期。

江晓原，2004，《人权：机器人能够获得吗？——从〈机械公敌〉想到的问题》，《中华读书报》，12月1日。

唐昊沫、舒心，2007，《人工智能与法律问题初探》，《哈尔滨学院学报》，第1期。

毕彦华，2010，《何谓伦理学》，北京：中央编译出版社。

吴朝晖、郑能干，2012，《混合智能：人工智能的新方向》，《中国计算机学会通讯》，第8期，第59～64页。

[美]维纳，2010，《人有人的用处：控制论与社会》，陈步译，北京大学出版社。

[美]哈里·亨德森，2011，《人工智能——大脑的镜子》，侯然译，上海科学技术文献出版社。

责 编/周于琬