1.6.3 認知智能

在數據、算力和算法“三要素”的支撐下，人工智能技術越來越多地走進人們的日常生活。但是，這一系列驚喜的背后，卻是大多數人工智能技術在語言理解、視覺場景理解、決策分析等方面的舉步維艱。因為這些技術依然主要集中在感知層面，即用算法模擬人類的聽覺、視覺等感知能力，可以說是解決了如何使機器“耳聰目明”的問題，卻無法使其完成推理、規劃、決策、聯想、創作等復雜的認知任務。

認知智能是指使機器具有類似人的邏輯推理、理解、學習、語言、決策等高級智能。機器認知智能將使機器具有感知智能所不具備的語言語義理解、自然場景理解、復雜環境適應等能力。認知智能主要研究的內容包括問題求解、邏輯推理與定理證明、知識圖譜、決策系統、機器學習、自然語言處理等。

1.問題求解

問題求解是由早期下棋程序中應用的一些技術發展而來的，主要指知識搜索和問題歸約等基本技術，包括盲目搜索、啟發式搜索等多種搜索方法。有一種問題求解程序善于處理各種數學公式符號，人們基于這類方法開發了很多數學公式運算軟件。截至目前，人工智能程序已經能夠對要解決的問題采取合適的方法和步驟進行搜索和解答，在這一方面其甚至要比人類做得更好。

2.邏輯推理與定理證明

早期的邏輯推理與問題和難題求解關系相當密切，是人工智能研究中最持久的子領域。推理包括確定性推理和不確定性推理兩大類。定理證明主要包括消解原理及演繹規則等方法。

3.知識圖譜

認知智能的核心在于機器的辨識、思考以及主動學習。其中，辨識指能夠基于掌握的知識進行識別、判斷和感知；思考強調機器能夠運用知識進行推理和決策；主動學習突出機器進行知識運用和學習的自動化、自主化。將這3方面概括起來就是強大的知識庫、強大的知識計算能力及計算資源。而知識圖譜就是一種理解人類語言的知識庫，通過為機器構建人類的知識圖譜，可以極大地提升機器的認知智能水平。

4.決策系統

決策系統是利用計算機面向不同應用領域建立模型并提供策略、方案等的系統。比較典型的計算機棋類博弈問題就是一種決策系統，從20世紀80年代的西洋跳棋開始，到20世紀90年代的國際象棋，再到2016年的圍棋等博弈系統，決策系統的能力不斷取得飛躍性提升。除了棋類博弈，決策系統還在自動化、量化投資、軍事指揮等方面被廣泛應用。

5.機器學習

學習是人類智能的主要標志和獲得知識的基本手段，但人類至今對學習的機理尚不清楚。機器學習試圖通過對人類學習能力進行模擬，使機器直接對數據及信息進行分析和處理而產生智能。機器學習是使計算機具有認知智能的重要途徑，也是目前重要的機器智能方法之一。

機器學習有很多具體技術，這些技術并不都是通過模仿人類的學習能力發展而來的。實際上，機器的學習方式與人類的學習方式有很大的區別。二者之間最主要的區別在于，目前的機器都不具備自主學習、持續學習的能力。目前機器學習的成功主要得益于深度學習技術與大數據的結合，實際上還需要人類對數據進行大量標注和對算法事先進行訓練等。機器需要發展自主、持續、經驗和互動性的學習能力。

6.自然語言處理

語言是人類區別于其他動物所具有的高級認知智能。從機器翻譯開始，人工智能領域發展出了自然語言處理（natural language processing,NLP）這一研究內容。因為處理自然語言的關鍵是要讓計算機“理解”自然語言，所以自然語言處理又稱為自然語言理解（natural language understanding,NLU），俗稱人機對話。

自然語言處理研究用電子計算機模擬人的語言交流過程，使計算機能理解和運用人類社會的自然語言（如漢語、英語等）實現人機之間的自然語言通信，以代替人的部分腦力勞動，包括查詢資料、解答問題、摘錄文獻、匯編資料以及一切有關自然語言信息的加工處理工作。

目前，基于自然語言處理技術開發的一些對話問答程序已經能夠根據內部數據庫回答人們提出的各種問題，并在機器翻譯、文本摘要生成等方面取得了很多重要突破，但現有自然語言處理方法還不具備上下文語境分析和語義理解能力，在類人的認知智能方面的表現還不夠出色。