1.6.3 认知智能

在数据、算力和算法“三要素”的支撑下，人工智能技术越来越多地走进人们的日常生活。但是，这一系列惊喜的背后，却是大多数人工智能技术在语言理解、视觉场景理解、决策分析等方面的举步维艰。因为这些技术依然主要集中在感知层面，即用算法模拟人类的听觉、视觉等感知能力，可以说是解决了如何使机器“耳聪目明”的问题，却无法使其完成推理、规划、决策、联想、创作等复杂的认知任务。

认知智能是指使机器具有类似人的逻辑推理、理解、学习、语言、决策等高级智能。机器认知智能将使机器具有感知智能所不具备的语言语义理解、自然场景理解、复杂环境适应等能力。认知智能主要研究的内容包括问题求解、逻辑推理与定理证明、知识图谱、决策系统、机器学习、自然语言处理等。

1.问题求解

问题求解是由早期下棋程序中应用的一些技术发展而来的，主要指知识搜索和问题归约等基本技术，包括盲目搜索、启发式搜索等多种搜索方法。有一种问题求解程序善于处理各种数学公式符号，人们基于这类方法开发了很多数学公式运算软件。截至目前，人工智能程序已经能够对要解决的问题采取合适的方法和步骤进行搜索和解答，在这一方面其甚至要比人类做得更好。

2.逻辑推理与定理证明

早期的逻辑推理与问题和难题求解关系相当密切，是人工智能研究中最持久的子领域。推理包括确定性推理和不确定性推理两大类。定理证明主要包括消解原理及演绎规则等方法。

3.知识图谱

认知智能的核心在于机器的辨识、思考以及主动学习。其中，辨识指能够基于掌握的知识进行识别、判断和感知；思考强调机器能够运用知识进行推理和决策；主动学习突出机器进行知识运用和学习的自动化、自主化。将这3方面概括起来就是强大的知识库、强大的知识计算能力及计算资源。而知识图谱就是一种理解人类语言的知识库，通过为机器构建人类的知识图谱，可以极大地提升机器的认知智能水平。

4.决策系统

决策系统是利用计算机面向不同应用领域建立模型并提供策略、方案等的系统。比较典型的计算机棋类博弈问题就是一种决策系统，从20世纪80年代的西洋跳棋开始，到20世纪90年代的国际象棋，再到2016年的围棋等博弈系统，决策系统的能力不断取得飞跃性提升。除了棋类博弈，决策系统还在自动化、量化投资、军事指挥等方面被广泛应用。

5.机器学习

学习是人类智能的主要标志和获得知识的基本手段，但人类至今对学习的机理尚不清楚。机器学习试图通过对人类学习能力进行模拟，使机器直接对数据及信息进行分析和处理而产生智能。机器学习是使计算机具有认知智能的重要途径，也是目前重要的机器智能方法之一。

机器学习有很多具体技术，这些技术并不都是通过模仿人类的学习能力发展而来的。实际上，机器的学习方式与人类的学习方式有很大的区别。二者之间最主要的区别在于，目前的机器都不具备自主学习、持续学习的能力。目前机器学习的成功主要得益于深度学习技术与大数据的结合，实际上还需要人类对数据进行大量标注和对算法事先进行训练等。机器需要发展自主、持续、经验和互动性的学习能力。

6.自然语言处理

语言是人类区别于其他动物所具有的高级认知智能。从机器翻译开始，人工智能领域发展出了自然语言处理（natural language processing,NLP）这一研究内容。因为处理自然语言的关键是要让计算机“理解”自然语言，所以自然语言处理又称为自然语言理解（natural language understanding,NLU），俗称人机对话。

自然语言处理研究用电子计算机模拟人的语言交流过程，使计算机能理解和运用人类社会的自然语言（如汉语、英语等）实现人机之间的自然语言通信，以代替人的部分脑力劳动，包括查询资料、解答问题、摘录文献、汇编资料以及一切有关自然语言信息的加工处理工作。

目前，基于自然语言处理技术开发的一些对话问答程序已经能够根据内部数据库回答人们提出的各种问题，并在机器翻译、文本摘要生成等方面取得了很多重要突破，但现有自然语言处理方法还不具备上下文语境分析和语义理解能力，在类人的认知智能方面的表现还不够出色。