1. 计算：算法式致知
计算（尤其是指通过算法进行的计算）通常是指基于明确规则和步骤的知识获取过程。这种致知方式主要依赖于理性推理、逻辑结构和严密的步骤。算法式致知是一种从已知出发，通过预设规则和步骤来达到目标的过程。例如，数学公式、程序设计中的算法、机器学习中的模型训练等，都是计算的体现。在这种方式下，知识的获取和应用遵循清晰的规则，不容许过多的模糊性或不确定性。它强调的是精确性、系统性和可重复性。同样，这种模式产生的智能往往是确定性的，即从一定的输入出发，通过确定的过程，能够得出确定的输出。其核心特点是逻辑的推演和结构的层次性。如在计算数学问题时，我们通常遵循某个算法步骤，严格按照规则一步步推导，结果是明确且唯一的。
2. 算计：联想式致知
相比之下，“算计”或“联想式致知”则是一种更加灵活、非线性和富有创造性的方式。它强调的是在不完全的信息下，依靠直觉、经验和潜在的联想来得出结论。算计式致知或“联想式致知”更多是依赖于灵感、直觉、模糊推理以及对各种信息之间关系的感知和联想。艺术创作、复杂问题的解决、策略规划等往往涉及大量的直觉推测和信息之间的联想致知。这种致知方式常常不能精确预测或按照固定步骤执行，而是通过联想和类比，将不同领域的知识和经验组合起来，发现潜在的关联和解决方案。算计式致知强调的是在复杂、不确定的环境中，通过对经验、背景和隐性信息的整合来达成目的。其核心特点是灵活性和创造性，能够在不完全的条件下找到合理的路径或答案，如战略家在分析形势时，不仅依赖于数据和规则，也要结合对局势的直觉和对历史经验的联想，做出决策。这种方式往往是高度个人化和情境化的。
3. 计算与算计的区别和互补性
尽管这两种方式有显著的不同，但它们并非完全对立。事实上，计算和算计往往是相辅相成的，计算的规则性使得我们能够在已知环境中获得明确答案和系统性解决方案，尤其在面对结构化、重复性较强的问题时，计算模式更为高效。算计的联想性则能帮助我们应对更复杂、更不确定的情况，在面对模糊的、缺乏足够数据或完全确定答案的问题时，算计式的联想式致知尤为重要，它能够推动创新、解决新的难题，甚至在没有完备信息的情况下找到出路。因而，算计与计算的结合，可以在不同情境下形成强大的智能表现。例如，人工智能中的深度学习模型在训练过程中，虽然大量依赖计算（算法式致知），但模型训练的优化过程、参数选择等，也涉及一定的联想与假设。
4. 从计算到算计的智能拓展
“计算”与“算计”代表了两种非常不同但又互为补充的致知路径。计算强调结构和规则，追求精确和可重复性，而算计则侧重于模糊性和创造性，推崇灵感和联想。
在真实世界中，我们的智能行为往往是这两者的交织。计算式的致知能为我们提供明确的解答和系统性框架，而算计式的联想式致知则能带来创新和应对复杂问题的能力。这两者的结合，不仅是个体智慧的体现，也可能是人工智能未来发展的一个重要方向。