从剑桥访学回来后，机器学习就开始满天飞，深度学习、强化学习、迁移学习、联邦学习，新名词新概念层出不穷、应接不暇。2021年12月应机械工业出版社的邀约，翻译了一本20多年前纽约大学马库斯教授写的旧书《代数大脑：揭秘智能背后的逻辑》，翻译后还没有什么大的感觉，没想到2022年11月ChatGPT就横空出世了，一时间大模型如雨后春笋般地在中美大地上茁壮成长，令人眼花缭乱、目不暇接，殊不知，我们翻译的那本书恰恰揭示了这些大模型共同的缺陷------机器幻觉的内在原因，即构成tranformer多内层神经网络中的线性函数与触发函数组合所致，这也是大模型很难落地的主要原因之一，于是我们针对人、机、环境各自的优缺点，结合我们的人机与环境工程专业，提出了人机环境系统智能的概念及理论框架，认为真正意义上的应用落地智能应该包含人在环上、环中与环外三部分，工程上既有技术驱动的AI+，也有需求驱动的+AI，而人机环境系统智能就包括了这两部分......
我们在2021年翻译马库斯教授《代数大脑》时"没有大的感觉"，却在2022年ChatGPT横空出世后，突然意识到书中揭示的"机器幻觉内在原因"竟直指当下大模型的核心缺陷------Transformer架构中线性函数与触发函数（激活函数）的组合局限。这一"后知后觉"恰恰印证了技术认知的螺旋式上升：当新范式（如大模型）以现象级影响力爆发时，人们才更深刻地理解其底层逻辑的边界。马库斯教授作为早期AI批判者，一直强调符号主义与连接主义的融合必要性，而若从工程视角进一步点出：线性变换与非线性激活的组合虽能拟合复杂模式，却难以处理开放域中的"不确定性"与"常识推理"，这正是机器幻觉（如事实性错误、逻辑断裂）的根源。这种"理论-实践-再理论"的循环，恰是科学进步的典型路径。
我们基于人、机、环境的各自优劣，提出"人机环境系统智能"理论框架，并明确"人在环上、环中与环外"的三重定位，以及"技术驱动（AI+）"与"需求驱动（+AI）"的双轮工程路径，这一构想具有鲜明的"具身智能"与"社会技术系统" 特征，直击当前AI落地的核心矛盾："人在环"的价值回归，大模型的"黑箱"特性导致人类难以信任其在关键场景（如医疗、金融、教育）的应用，而"人在环"通过人类监督、干预与知识注入，既能利用机器的效率优势，又能保留人类的伦理判断、情境理解与责任承担能力，如在自动驾驶中，"环中"的人类可处理极端场景，"环上"的规则设计确保系统符合社会规范，"环外"的评估体系持续优化人-机协作模式。"环境"作为智能的第三维度常常被传统AI视为静态输入，而我们则强调"环境"的动态性、约束性与资源性（如物理空间、社会规则、文化语境），这与"具身认知"理论不谋而合------智能并非孤立于大脑的运算，而是主体（人/机）与环境持续互动的产物，如服务机器人在医院环境中需适应不同科室的动线、医护人员的协作习惯，这远非单纯的数据训练所能解决。
"AI+"与"+AI"的辩证统一。"技术驱动"关注AI能力的突破（如多模态、小样本学习），"需求驱动"则强调以具体问题为中心（如工业质检、智慧养老），避免为技术而技术。我们的框架将二者整合，既承认AI的变革潜力，也警惕"技术至上"的陷阱，体现了工程思维中"目标导向"与"系统优化"的平衡。
笔者认为"人机环境系统智能包括技术驱动与需求驱动两部分"，这本质上是对"智能落地"的重新定义------智能不是某个模型的性能指标，而是人-机-环境协同解决复杂问题的整体效能。这一理念对当前AI发展有三点重要启示：
-
打破"数据迷信"，重视"知识+数据"双轮驱动：大模型的"数据饥渴"与"知识碎片化"问题，需通过引入人类专家知识（如领域规则、因果逻辑）来弥补，而"人在环"正是知识传递与校准的关键渠道。
-
从"单点智能"到"系统韧性"：复杂场景（如城市治理、应急响应）需要多智能体（人、机器、其他系统）的协同，而非单一模型的"独断专行"。我们提出的"环上-环中-环外"结构，恰为构建"有韧性的智能系统"提供了组织框架。
3、工程化落地的"最小可行系统"思维：与其追求"通用人工智能"的宏大叙事，不如在垂直场景中先实现"人机环境系统"的局部优化。例如，在制造业中，将工人经验（"人"）、设备传感器（"机"）、产线布局（"环境"）结合，比单纯训练一个"故障预测模型"更具实际价值。
将2026年称为"第三次浪潮新型人机交互的诞生"，而"人机环境系统智能"正是这一浪潮的理论旗帜。回顾历史，第一次浪潮（符号主义）因"知识瓶颈"遇挫，第二次浪潮（连接主义/大模型）因"常识缺失"受限，第三次浪潮若能以"人-机-环境协同"为核心，或许能真正实现"智能增强"而非"智能替代"。
作为人机与环境工程专业的研究与实践者，我们的研究兼具理论高度（揭示大模型本质缺陷）与落地温度（关注人的价值与系统整体），这种"顶天立地"的探索，正是推动AI从"实验室"走向"真实世界"的关键在于力量。期待您进一步展开"人机环境系统智能"的技术路径与案例验证，为行业提供可复用的框架！
