導讀
DeepMind的阿爾法go、zero、fold中的阿爾法，alpha，即α，是希臘字母表的第一個字母，有第一個、開端、最初的含意。
連接時間與空間的是速度，
連接能量與質量的也是速度，
連接事實與價值的會是什麼呢？
連接人與機的又會是什麼呢？
是不斷修正的推理規則？
還是不斷修正的規則推理呢？
DeepMind的阿爾法go、zero、fold中的阿爾法，alpha，即α，是希臘字母表的第一個字母，有第一個、開端、最初的含意。
如果
計算是溝通事實與價值、態勢與感知的渠道，
那麼
算計則是聯繫主客觀、感理性、意形化的蟲洞
人工智慧中的「人」並不是一個「人」
一般而言，對於一個具體的任務態勢而言，事物的價值量常常圍繞其事實（顯著性）量而發生變化，但不是確定性的變化，而是不確定性的彌聚變化，時大時小，彌散聚合富有彈性，這與我們通常生活中的價值觀相似，不斷同化順應、修正平衡。就像費曼所說：事物在微小尺度上的行為完全不像大尺度上的行為。反之，也相似。有時，變化態勢中事物的事實量與價值量不是線性變化的，而是像電影裡的鏡頭一樣按照自己的邏輯線索改變，不需要日常的中間時空，既可以無中生有，也可以有中生無。某些特定的態勢下事物的事實性與價值性即便相距的再遠，也能瞬間互相識別，形成自動模式匹配效應。
人工智慧中的「人」不是真「人」。自主並不代表智能，或者說自主是智能的必要而非充分條件，只有具備了價值觀的自主體，才能說它是智能體。所以說，事實性自主僅是自動化，價值性自主才是智能化，洞察性自主更是智慧化。真的人常常是沒有主體性或本體性的，會隨著系統和體系而變化。
人機互蕩，機器處理線性，人處理非線性。
一部好的作品，是眾人創造的結果，比如《平凡的世界》是路遙寫的，是李野墨說的，是演員演的，是無數讀者/聽眾想的，是各種媒介傳的……；一個好的智能產品或系統，也是眾人創造的結果，比如「阿爾法狗」或「阿爾法元」是Deep Mind開發的，是前人棋譜訓練出的，是群眾想像出的，是各種媒介傳的……
有人說：「感性是複雜的模式模糊計算，是最節能與最高效的平衡」。其實不然，感性智能不是計算，而是加了算計的計算計機制，這才是複雜的模式模糊計算計，是最節能與最高效的平衡。計算計機制時常在不一定了解發生事情的確切過程時能給出一個滿意的答案，儘管這些過程是不透明的，而且很難清晰的證明可以做什麼，不可以做什麼。對感性智能而言，規則是可以被修正的，如果它產生了我們不願意接受的推理；推理可以被拒斥的，如果它違反了我們不願意修改的規則。事實轉換為價值的過程就是在規則與被接受的推理之間進行相互調整的一種微妙的過程；最終確定的價值就存在於他我或自我達成的協議中。也許，真的不能用人工智慧的基本規律去解釋人類智能的規律。
連接時間與空間的是速度，連接能量與質量的也是速度，那麼連接事實與價值的會是什麼呢？即用什麼指標來衡量值不值得做某件事的問題。這也許是連接真實與虛擬、現實與虛構、結構與功能等平行世界的問題吧！
人機融合的矛盾在於：人發散，機收斂，人辯證，機規則，一彌一聚，一動一靜。再有我們面對的常常不是一個問題，而是交織在一起的一群不同問題！所以運用單純的數理邏輯方法很難實現解決的目的，所以還需要同時使用形式邏輯、辯證邏輯，甚至非邏輯手段。
機器學習甚至人工智慧的不確定性和不可解釋性主要緣於人們發現發明的歸納、演繹、類比等推理機制確實有可能導致某種不完備性、不穩定性和相悖矛盾性，而且隨著計算規模的不斷擴大，這些不確定性和不可解釋性越大。而人類的反事實推理、反價值推理可以從虛擬假設角度提前預防或預警這些形式化的自然缺陷。把人機融合體當做一個認知主體，更有利於解決複雜性問題，只是需要解決在不同任務下的如何融合的問題。另外，一人一機的單一融合與多人多機的群體融合從根本機理上也會很不相同，正可謂：三個臭皮匠頂個諸葛亮。
命題邏輯的關鍵點在於它是二進位的。每個句子（也稱為命題）假定為真和假。沒有中間答案，也不接受不確定性和概率，只允許兩個「真值」，即真和假。熱力學比邏輯更接近大腦的功能。邏輯學被統計學取代，單一單元被集合取代，確定性純度被概率噪音取代。