認知計算是什麼？與人工智慧、機器學習這些概念有什麼區別？
現在只要是一個電子設備就要加上智能的稱號，只要是互聯網和科技的企業都要提一些人工智慧、深度學習之類的概念，好像沒有這些標籤都不好意思。近期國外許多媒體和科技企業都在提認知計算這個概念和技術，還沒完全弄清楚前面幾個說法，又來一個新的。請問這個算是新的技術嗎？有沒有什麼來源？與平常我們經常聽到的深度學習、人工智慧、機器學習有什麼聯繫和區別？認知計算工作原理是什麼？未來可能對我們的生活有什麼影響？
看知乎上也沒有什麼討論，所以希望能有各路老師和專家來講講。非常感謝各位老師和大拿的關注與回答！裡面有些資料和論文，甚至有興趣小組，無意間為關注的人開了一些路，希望大家能邀請認識的相關領域學者和專家來一起討論！感謝
認知計算的應用，大的有IBM
Watson，小的也有一些圈內人在嘗試了。認知計算的優勢在於其能夠「理解」非結構化數據，就包括語言、圖像、視頻。網上有很多例子，比如認知計算識圖，能夠識別圖中的物體（分辨植物、動物、人），人的位置，甚至關係。
說點實在的應用，Linkedin上有一篇文章，就是說應用的，保護方言，挺有意思的（至少證明理工男也是有文化底蘊的），分享一下（他說求轉的啊，不能算侵權吧。。。）
現代傳媒正在摧毀語言多樣性，認知計算能救嗎？--
求轉
From Linkedin, by Haibin Dai
語言多樣性正在減少
我會3種漢語，純正的淳安話 （大概20萬人會說）、上海話 （大概1000萬人會說）、和分不清s,sh,c,ch,z,zh,en,eng,in,ing 的普通話 （大概13億人會說）。但我女兒只會普通話。淳安話、上海話連聽都有困難。 這是個普遍現象。且不說淳安話這種小眾語言，就連上海話這種有上千萬人口基數，且集中在1000平方公里大都市的語言也在過去的20年迅速消亡。20年前，我基本說上海話。15年前，我對上海人說上海話，非上海人說普通話。10年前開始，公開場合只說普通話了。現在，我女兒的學校開始教上海話了。當一種語言需要教的時候，那就說明它已經不是母語了。當沒有足夠的人把一門語言作為母語，那它就死了。按目前的趨勢，上海話也許還有20年，最多40年的壽命吧。現代傳媒技術是語言多樣性減少的重要推手
語言多樣性消亡的原因多種多樣，比如國家推廣普通話做的太好了。但最重要的技術原因還在於現代傳媒的威力。當所有的廣播、電視都是普通話的時候，當孩子看著普通話的電視長大的時候，他們也就只會或只願意說普通話了。 而最最難以反抗的原因就是13億人需要交流，只用一種語言被推許為是最有效率的方式。
保護語言的多樣性
尊重、保持多樣性應當是某種最優策略，也應當是人類的核心價值觀。我們喜歡不同。比如我們保護生物圈的多樣性、保護各種各樣的人類非物質遺產、而在文化藝術領域，多元的原生態藝術始終愉悅著我們並成為藝術演變進步的源泉。如果40年後，中國只有普通話，80年後，世界只有英語的話，那個世界太可怕了。 不要覺得匪夷所思，普通話如何消滅其他漢語，英語就能用同樣的方法消滅普通話。我不希望淳安話，上海話消失。我也不希望其他人的小眾語言消失。一個多樣性的世界更美好。保護一門語言很難
保護一門語言很難。成本太高，對小眾語言來說幾乎不可能。1）因為要保留一個足夠大的將其作為母語的的人口基數。2）足夠的人口基數還要聚集在一起 3）還要防止這種語言會受其他語言的污染。語言是很容易被污染的。比如，上海話中「喂，圍」的發音是和普通話的「魚」發音是一樣的，這也是古漢語的發音。20年前，上海人說「圍巾」的發音是「魚巾」，沒有人發「圍巾」的音，但現在我經常聽到上海人用上海口音發「圍巾」的音，而不是「魚巾」。認知計算能救嗎?
我有個想法，能不能構造一個智能實體來代替人來保留母語。不同的人可以和它用各自不同的母語對話，更進一步提供不同語言的翻譯，再進一步用對話的方式幫助人學習語言。如果能這樣，且不說他是否能幫助小眾語言的保留，即使說這門語言的人沒有了，這個智能實體仍然能幫助某個有意願的人，或小孩重建這門語言。
這應該是可能的，比如IBM
的 Waston 就有很好的自然語言處理能力。Siri 也不錯。當前的語音識別，深度學習，基於認知的語音語言系統，自然語言處理，語音合成都相當不錯了。只不過，更多的是基於英語和普通話的。在漢語內的小眾語言沒人重視罷了。
我覺得構造這麼個系統蠻有意義的。我的圈子都基本是搞IT的，如果有興趣大家一起啊！1）如果有已知的，靠譜的開源的項目，那介紹下，加入。2）如果沒有，能不能自己搞一個。
如果自己搞一個，那需要：
1）語言採集。有多種選項：a）自己開發個Mobile App, 可以嵌入在微信APP 號或其他的流行社交軟體中，讓志願者說一段標準文本並提供其年齡，籍貫，出生的，母語等信息。缺點：如何保證足夠的志願者，如何選取標準文本並保證標準文本足夠豐富。b)
和微信等合作，把語音消息作為消息來源。缺點：隱私問題。微信根本不甩我們。c)
開發個Mobile App, 記錄志願者的全程語音通信。缺點：如何消除隱私顧慮。2) 語音的保存，分析。語音識別系統的構建，訓練。有什麼靠譜的SDK 推薦？3) 語音合成。
現代傳媒正在摧毀語言多樣性，認知計算能救嗎？-- 求轉
MIT經濟學家David Autor分析了100多個認知技術的應用，並將這些應用分為三大類：產品類、流程類和分析類。每類應用都對工作和工人產生了深遠影響。
· 產品類應用將認知技術嵌入到產品內，來實現智能行為、自然交流（比如說和看）以及自動化。該類應用對工人的影響從沒有影響（機器人玩具或智能溫控器）到有些影響（能承擔家居清潔工作的掃地機器人）再到影響重大：自動駕駛汽車正取代採礦卡車司機和火車駕駛員，某天它們將會取代計程車或貨車司機的工作；機器人還會取代泥瓦匠和磚瓦工。下一步，公司就可以將使用認知技術的產品部署到各個業務流程中。
· 流程類應用使用認知技術來提高、擴大或自動化業務流程。比如自動化數據輸入、自動化手寫識別、使用演算法的自主規劃與調整以及使用語音識別、自然語言處理和問答技術的自動化客戶服務。通過定義流程類應用會讓工人的工作實現全自動或半自動化。
· 分析類應用使用認知技術來揭示模式、做出預測以及指導更有效的行動。如，英特爾採用機器學習向其銷售團隊展示客戶的進一步需求以及他們該向客戶提供什麼。某些分析類應用可以看作自動化的形式：接下來做什麼是基於特定情境由機器而不是人所做出的決定。
當前，許多科技企業已經開始嘗試使用認知計算來提升企業業務水平，或者幫助其他企業轉型，創造出越來越多的認知商業和認知企業成功的案例。
蟹妖這個回答已經解釋的很清楚了：認知計算 (Cognitive Computing) 近年發展情況如何？與人工智慧有什麼區別和聯繫？ - 高山的回答
最近被人工智慧，類腦計算，認識計算，神經元計算刷屏，感覺各個概念之間好像交叉和差別都存在，求大師們解惑
按照我直觀的理解，認知計算是大數據時代的產物，這個說法應該是站得住的。由於互聯網、移動互聯網、移動智能設備的不斷繁榮，數據的爆發之勢勢不可當；不僅如此，數據的類型也發生了巨大的變化，由原來機器可以理解的數據，變成了包含語音、圖像、視頻、以及其他各類紛繁複雜的內容，甚至包括情緒和體征，因此，原有的計算技術已經無法解讀這部分的數據，這部分的數據被稱為「暗數據」，也被稱為非結構化數據，而且這部分數據佔據了80%之多的份額。
所以，這些數據的解讀，需要一種全新的技術，能夠像人的大腦一樣，來分析這些之前「機器的大腦」無法理解，只有人的大腦能夠理解的數據。由此產生的計算技術，就是認知計算了。
以下這個內容，但是還是有參考的價值，可做感興趣的人入門用：
困擾大數據的一個難題就是沒有足夠的大數據專業人才去處理這些數據。的確，數據科學家已然成為熱門職業，但每年數據科學家的增長遠遠無法滿足海量數據增長對於人才的要求。如今，大數據的發展催生了很多優秀的大數據處理平台，但人才短缺的嚴重阻礙了其發展。從某種意義上說，認知計算提供了一種解決思路——那就是讓機器像數據科學家解決大數據難題。
那什麼是認知計算呢？簡而言之，認知計算就是一種自我學習系統，可以像人類大腦那樣通過數據挖掘、圖像識別以及自然語言處理來進行學習。認知計算的目標是建立一種能夠擺脫人類干預的並自行解決複雜問題的計算系統。
認知計算對於大數據又有哪些意義？首先，認知計算能夠帶來更快速度的分析流。
由於自然語言處理方面的進展，人與機器之間的交流也變得越來越簡單。很多並不熟悉數據語言和數據處理的人仍然可以操作大數據方面的應用。
通過提供一種簡單的命令以及使用自然語言，基於人工智慧的大數據分析平台可以將這些語言轉化為機器能夠理解的數據索引，並實時提供普通人都能看懂的回復，這將極大方便那些沒有相關背景的人從事數據工作。
畢竟，我們現在最缺的是大數據相關的人才，看起來面向未來的解決方案不會對我們產生多大的影響。但實際上，人工智慧和機器學習這些技術已經有了諸多令人眼前一亮的成果，比如IBM的Watson，Google的DeepMind公司和高通的Zeroth平台。
IBM的Watson也是一種認知計算系統，由自然語言處理、假設生成和進化以及動態學習等多種技術構成。Watson比人們手機上運行的數字虛擬助理要高級一些，至少Watson已經在jeopardy比賽中證明了自己，它在這和比賽里打敗了所有人類選手。
認知計算如何解決大數據人才短缺的難題？
同意上面關於認知計算與數據關係的闡述，很平實也很清楚。另外，如果關注了今年的CES，可以發現，其實IBM今年對於認知計算的重視和研究都超越了其他的其他廠商，這不難理解，IBM對認知計算的投入也應該算是歷史相當長久，成果比較豐富的，從Google上一搜cognitive computing, 基本每一頁中，10挑有6-7條都是IBM的新聞和研究成果。
當然，今年認知計算即便不是爆發的一年，也將是蓬勃發展的一年。
IBM行政總裁羅梅蒂（Ginni
Rometty）在今年的CES發表演講，提及我們正步入認知的年代。過去10年，IBM一直在推進名為Watson的認知計算（Cognitive Computing）項目。該項目曾於2011年參加智力競賽節目《危險邊緣》，並成功力挫群雄而一舉成名。IBM等一眾科技公司推斷，認知計算將為人類帶來革命性改變，其獨特之處在於通過大數據 的方式，利用數據採擷、模式識別和自然語言處理，令機器可以像人腦一樣自行學習。
如果說到應用的領域，其實從文獻和新聞來看：醫療、金融、客服服務、保險、交通，包括情報工作，都可以應用認知計算。以IBM來看，現有新聞顯示：
目前，IBM重點在醫療、金融和客戶服務三個領域推行認知計算。在醫療行業，認知計算提供個性化服務，協助醫生搜索和分析，擔任醫生的諮詢助手；在金融行業，它可以解讀財務、法規、經濟和社會數據等信息，提高商業洞察力；至於客戶服務方面，它通過分析客戶行為，提供更好的體驗與互動。
以醫療行業為例，目前全球糖尿病患者超過4億人，每年花於糖尿病管理的費用就超過6000億美元。自我管理對於糖尿病患者既可能是一種釋放，同時也伴隨著風險，不小心就會讓他們成為急症室常客；因此能否提前3小時預測糖尿病發作，就成為關鍵。
最近，Watson與醫療科技公司Medtronic合作，開發出一款應用產品，能夠持續監測用戶消耗的卡路里、血糖含量以及精確到以克計算攝食量。例如在餐廳中，糖尿病患者可在進餐前計算他擬點的菜肴會對這一天的攝入有什麼影響，便能在3小時前預測到病發機會。
(新聞可查看：Business
Insider ——IBM Watson and Medtronic can predict a diabetic"s low blood sugar hours before it occurs)
通過建立特殊領域知識分類技術，令認知系統能夠充分理解問題，並可給出被人類理解的答案，這個把思維過程模擬為計算模型的突破非同小可。與其說這是建立一套模擬人類思考的科學，不如說它可以加強我們對這個世界的認知，從而增強人類的智力和決策能力。特別是在那些牽涉複雜情感和推理的問題上，認知計算將發揮不凡威力，雖然不能代替人類決策，但可為人類提供決策的建議以及背後的理由。
目前，Watson等眾多認知計算項目都只在起步階段，距離「終極演算法」還很遙遠。若想要它們接近「終極」，我們就必須不斷給它們餵食，食物就是「大數據」。演算法是否更聰明，重點就在誰吃下的數據更多。例如微軟搜索很努力想追上谷歌，而且技術上未必遜色，卻始終無法動搖谷歌的地位。原因很簡單，因為谷歌「吃」的數據遠多於微軟。
華盛頓大學教授Pedro
Domingos在去年出版的《終極演算法》中，如此描述認知計算的終點：「終極演算法」就是通過機器學習的方式，自動發現和創造其他所有演算法的「主演演算法」。
部分內容來源：車品覺：2016是認知計算元年？
「認知計算」的定義
「認知計算」一詞由來已久，早在1979年，認知科學就已經在美國成為了一門獨立學科，並擁有自己的協會，在國內，清華大學也為認知科學設立了相應的專業，但對於普羅大眾而言，認知科學依然還是帶著神秘面紗的前沿科技，直到2016年初，科技巨頭IBM提出「認知商業」，才把認知科學推向大眾市場。
那麼，如何定義「認知計算」呢？
認知計算指的是機器通過與人的自然語言交流及不斷學習從而幫助人們做到更多的系統，通過技術與多個學術領域的結合，使人們更好地從海量複雜的數據中獲得更多洞察，從而做出更為精準的決策。
如果用人話說的話，認知計算就是一個能夠自主學習、獨立思考，並且為人們提供類似「智庫」能力的一個系統，他在不同領域模仿、學習人類的認知能力，甚至可能發展到超越人類的認知能力，從而為人類決策提供更多建議。諸如人工智慧（AI）、雲計算、大數據、機器學習等領域都與認知計算密不可分，即使是基因測序、無人駕駛、AR/VR等，細說起來都與認知計算有著千絲萬縷的關係。
認知計算的來龍去脈
雖然認知計算已經有幾十年的歷史，但認知計算真正發展起來，依然還是近幾年才開始的。為什麼會這樣呢？因為對於認知科學來說，大數據在其中會起到十分關鍵的作用，而大數據飛速發展、以及人們對他重要性的認識，都是在最近幾年才開始的。
不妨回想下計算機誕生的原因。
最初，人們製造電腦用它來儲存計算資料，隨後用于軍事領域，以及到後來轉為民用，可以說，計算機的發展過程都是在人類的控制下，處理枯燥、重複的計算工作，「全心全意為人類服務」是對他極為恰當的評級。
但隨著計算機的日趨進化，它開始處理更加繁雜的內容，但它是否能扭轉長久以來的人機之間的關係呢？
隨著時間的推移，越拉越多的人相信計算機可以變得更加智能，這種思想上的轉變也是導致認知計算、人工智慧的發展。
根據IBM的觀點，人類進入計算時代以來，在先後經歷了三個時代：
·19世紀的製表時代(Tabulating Computing)
·20世紀40年代的可編程計算時代(Programming Computing)
·2011年起的認知計算時代(Cognitive Computing)
在過去，專家系統需要由人類專家將規則硬編碼到其中，而現在，隨著大數據的普及，各種形式的數據都在不斷積累成一種等待被利用的資源，尤其是像醫學案例等非結構化數據，然而，豐富資源的對面卻同樣面臨著技術難題——80%的數據無法被目前的IT系統處理或理解。此時，認知計算的重要性就顯現出來了，它能採用與人類相同的方式處理自然語言和非結構化數據，並從經驗中進行學習，根據最佳的可用數據，幫助人類專家制定更有效的決策。
（IBM推出的人工智慧系統Watson，曾在2011年參加美國綜藝節目《Jeopardy》中打敗人類而受到廣泛關注）
與人工智慧的區別
與認知計算相比，人工智慧更為人們所熟知，事實上，兩者就像是兩個部分重疊的圓圈，彼此聯繫又有所差異。
下表從四個方面舉例了他們的差異性：
總結來說，人工智慧的終極目的是讓計算機、機器系統表現的更像人、近似於人，而認知計算，雖然借鑒了人工智慧的技術，卻希望機器能提供更加專業化的思考，為人類的決策出謀劃策。
回答部分參考網易雲課堂上IBM中國研究院的「IBM認知計算課程體系」相關課程內容、IBM認知計算資料、以及其他學術資料。
「認知計算」這個概念的核心是類腦計算。或者換種說法，狹義的認知計算就是類腦計算。認知計算的終極目標，就是完全的類腦計算。
人工智慧是一個很大的概念，個人認為從終極目標的角度來說，認知計算是實現人工智慧的一條重要途徑。人腦僅憑几十瓦的功率，能夠處理種種複雜的問題，怎樣看都是很神奇的事情。更重要的是，人腦認知的一個關鍵點在於能夠處理情感，這一點是現有人工智慧所難以企及的。以神經網路的觀點來看，情感就是一種計算的產物，即腦神經網路計算的產物。那麼我們以後能否建立初能夠認知情感的模型？或者說部分認知情感的模型？這都是認知計算要重點解決的問題。但個人認為，如果要從技術角度去講認知計算和人工智慧兩者的關係，那就要非常謹慎。通常的研究者恐怕難以到達這個高度。進一步講，能夠從技術角度單把人工智慧講清楚，都是一件水平很高的事情。
至於與機器學習的關係，在現階段，兩者的相當一部分技術、演算法都是重合的，但兩者的服務目標則有所區別。具體來講，認知計算更強調「類腦」。現今付諸實踐的機器學習方法，離類腦計算尚有相當遠的一段距離。深度學習的確在計算機視覺等領域取得了巨大的成功，最近還擊敗了人類專業圍棋手。但個人認為深度學習在現階段還不能說是類腦計算，最多達到仿生層面。例如，撇開剛才講到的情感問題不談，如果我們關注一下神經元激活函數，就會發現實際生物體神經細胞中的input-output關係基本上是sigmoid [1]，但在deep learning中，激活函數sigmoid不一定好用，後來就出現了ReLU，大家發現ReLU比sigmoid好用得多。但ReLU的提出實際上是離生物體神經元越走越遠，因此Deep Learning是否還走在類腦的道路上，現在還不能給出肯定的結論。另外，由於Deep learning目前還沒有嚴格的數學理論支撐，同時人們對腦的理解還十分有限，所以完全的類腦計算還會是一個很長遠的目標。這正是認知計算需要解決的問題，要解決這個問題，就必須在研究方法論上將計算機科學和認知神經科學擺到同等的地位。簡單地說，一個沒有系統地學過認知神經科學的人，完全可以做機器學習，並發出高水平的paper，但卻很難做好真正的認知計算。
探索、學習、模擬人腦，正是認知計算的魅力所在。
Reference[1] F H Eeckman, The sigmoid nonlinearity in prepyriform cortex, NIPS1987.簡單來說，普羅大眾接觸最多的概念應該是人工智慧，因為怎麼說也看過一兩篇電影……
機械公敵/我，機器人（I，Robot）
超驗駭客（Transcendence）
人工智慧（Artificial Intelligence）
她（her）
終結者（The
Terminator）
機器紀元（Autómata）
機器人總動員（WALL·E）
機械姬Ex Machina
個人最愛Will
Smith的I, Robot， 當然，宅男可關注機械姬Ex Machina，就知道你以後的人生道路了。你懂你就是宅男。
說普通人能理解的人工智慧，就是Siri、小冰（太凶，太傲嬌），談到企業級的業務的就是IBM Watson（在Jeopardy，美國版最強大腦第一次出現），算是幾個叫得出名字的吧。
人工智慧有點被泛化了，不過這個詞簡單易懂，所以說的多，但是比較專業的人一般都會提技術，就是踢主提到的認知計算、機器學習，其實還有什麼機器人學之類。認知計算和機器學習（包括深度學習）算是支持人工智慧發展的技術的吧。
愛看科幻電影，順便看過一些資料，等大神來答。
我趕腳認知計算（CC: Cognitive Computing）與人工智慧（AI: Artificial Intelligence)、機器學習(ML: Machine Learning）並沒有本質上的區別，通俗來講都是讓計算機系統、物理設備等能像人類大腦一樣去思考、理解以及處理問題，之所以有這麼多不同的概念，是因為隨著研究的深入，人們對這個領域的認識也更深刻，其涉及的範圍也變得更加廣泛。
當然，以上純粹是我自己業餘的想法，下面我把維基百科上對cc、AI以及ML的介紹摘抄給大家，你們自己感受下吧。
Cognitive computing (CC) makes a new class of problems computable. It addresses complex situations that are characterized by ambiguity and uncertainty; in other words it handles human kinds of problems. To respond to the fluid nature of users』 understanding of their problems, the cognitive computing system offers a synthesis not just of information sources but of influences, contexts, and insights. To do this, systems often need to weigh conflicting evidence and suggest an answer that is 「best」 rather than 「right」.
Cognitive computing systems make context computable. They identify and extract context features such as hour, location, task, history or profile to present an information set that is appropriate for an individual or for a dependent application engaged in a specific process at a specific time and place. They provide machine-aided serendipity by wading through massive collections of diverse information to find patterns and then apply those patterns to respond to the needs of the moment.
Artificial intelligence (AI) is the intelligence exhibited by machines or software. It is also the name of the academic field of study which studies how to create computers and computer software that are capable of intelligent behavior.
Machine learning is a subfield of computer science that evolved from the study of pattern recognition and computational learning theory in artificial intelligence.
朋友，我只能幫你到這裡了。。。泛化的概念了， 商家所謂的智能能信么！認知這個問題人還在探索中， 而機器人的認知充其量也就是建立在人的認知之上。機器學習那也真就是學習，這要有個界定它是怎樣學習？是認知學習、還是機械化學習或是思考學習。認知學習看圖 看看客觀事物認識這A知道A的信息。機械學習看到 和知道A並且能快速複製構建另一個A。思考學習這個可以扯點懸的。思考學習運用已知的大量信息和素材，它可能會得到一個客觀利己的答案，任何對資源的浪費的物種都會被進化排除掉而擁有絕對感知的物種將延續這就是「真理」。
從看過的論文來說，認知計算，定義比較模糊，可以認為是人工智慧中偏向用演算法模擬心理學認知過程，或用認知科學理論來構建演算法的流派。
認知計算是通過與人的自然語言交流及不斷地學習，從而幫助人們做到更多的系統，是從硬體架構到演算法策略、從程序設計到行業專長等多個學術領域的結合，能夠使人們更好地從海量複雜的數據中獲得更多洞察，從而做出更為精準的決策。
在IBM，把它簡化歸納為，具備規模化學習、根據目標推理以及與人類自然互動能力的系統。雖然認知計算包括人工智慧的一些要素，但前者是一個更寬泛的概念。認知計算不是製造「為人們思考」的機器，而是與「增加人類智慧」有關，能夠幫助我們更好地思考和做出更為全面的決定。
人工智慧的概念已經有二十多年了，人工智慧從歷史和研究角度來講主要目的是為了讓機器表現得「更像人」，我們稱之為Intelligent
Behavior。IBM的認知計算從技術角度上來講和人工智慧是有很多共性的地方，比如機器學習(Machine Learning)、深度學習(Deep
Learning)等方面都很類似。但是，IBM的認知計算目的並不是為了取代人，而Intelligent
Behavior也只是認知計算的一個維度。認知計算除了要能夠表現人和計算機的交互更加自然流暢之外，還會更多地強調推理和學習，以及如何把這樣的能力結合具體的商業應用、解決商業的問題。
人工智慧 佛學 認知科學理解的認知過程 人工智慧院士理解的人類認知過程 人類認知模型與佛學八識 認知哲學
【修行人的解讀 人工智慧的技術以及該領域的院士，首先就把人類的認知過程簡化了，定義了人工智慧的人類認知是如何的。
人工智慧的院士對於人類認知表述如下
人腦是我們所知道的最有效的生物智能系統,它具有感知、識別、學習、聯想、記憶、推理等功能。人類大腦皮層的結構具備了複雜精確的分析與綜合的能力並適應人類抽象邏輯思維的需要。深入研究認知過程的信息處理和基於人類感知與認知機理的智能化信息處理將對整個自然科學和技術科學產生深遠和重大的影響。
此段表達十分重要。院士只強調了人類的複雜精確的分析與綜合的能力，人類的抽象邏輯思維能力，只是著重於人類的認知過程的信息處理。
人工智慧的院士對於人類具有的情感與情緒的心理活動，人類具有的道德倫理的秩序觀念，人類具有追求公正、平等、理想、心靈的安寧等等哲學意義以及生命意義的追求活動，完全是避而不談。而心理活動、人類的社會性、人類的心靈活動、哲學意義的追求，恰恰是人類可以稱之為人類的關鍵因素。
人工智慧的院士定義的人類認知過程，是比人類更低級的生物，比如尼安特人也具備此種認知過程。尼安特人也符合專家定義的人類認知過程。尼安特人大腦是我們所知道的最有效的生物智能系統,它具有感知、識別、學習、聯想、記憶、推理等功能。尼安特人大腦皮層的結構具備了複雜精確的分析與綜合的能力並適應抽象邏輯思維的需要。
但是4萬年前的岩畫證實了，人類的祖先智人，恰恰是擁有了強大的心靈能力，擁有的強大的心理溝通能力、社會屬性，智人追求心靈活動的完美以及擁有藝術品的製造能力，人類才可以在4萬年以來的進化過程中，適應了地球大冰期的嚴寒而存活下來，尼安特人卻消滅了。
至於院士說的， 人的語言、表情、姿態等都將被機器所理解,並轉化成一系列指令,從而實現信息的獲取與轉送。這裡面有重大的省略。
首先要強調，院士還是不敢把人類的心理活動、心靈活動、哲學活動，也列入將被機器所理解,並轉化成一系列指令,從而實現信息的獲取與轉送。這就是院士也知道人工智慧的極限就在這裡。 】
【修行人解答 院士提出的人類認知模型，意義十分重大。他就是佛學阿賴耶識的現代人工智慧技術的轉化版、簡化版。人類智能的發展經歷著已有認知結構與不斷發展的認知進行交互並互為因果的超循環過程。人類的阿賴耶識就是人類認知的種子，人類的前七識對阿賴耶識不斷熏習而形成種子功能，並在阿賴耶識存儲下來。種子又是前七識形成的種子依。阿賴耶識與轉識同時生滅。
人腦通過對多通道信息的相互監督(self-supervision)完成學習,從而獲得對外部事物的知識;通過對多感測信息的融合,實現對目標的識別與理解;並可以根據已有知識對各感測器實行控制。這種前饋和反饋過程的完美結合,使人腦具有極高的智能水平。
這段話就是再談五識與第六識第七識第八識的作用相互過程。
眼耳鼻舌身之五識，他要發生作用，首先要在第七識末那識第八識阿賴耶識的指揮下，才會與外部境界發生作用，所謂的監督就是指第六識意識的分別，所謂的已有知識就是種子，所謂的前饋與反饋過程、多感測信息的融合就是阿賴耶識與轉識的相互作用。
院士的佛學唯識學功夫極深呀！】
===========================================================================
第一部分 人工智慧技術對於認知過程的解答
1.《人工智慧的視覺認知系統平台》
人體通過聽覺、視覺、嗅覺、味覺、觸覺、意覺等來認識世界和自我，其感知、認知、理解、表達也是綜合性的，語言和視覺等認知不是絕對獨立的，是交融在一起的。
人工智慧技術知覺系統，實際上是分開來研究的，並首先建立了獨立的語言語音智能平台，但是，相信視覺智能平台需要在語言語音智能技術基礎上建立，也就是說知覺智能的融合是基礎，綜合智能通過信息化來實現，眼耳鼻舌身意都要實現信息轉化並處理。
科大訊飛從上市時的一家小公司，發展到現在的大公司，語言語音的智能研究已經達到較好水平，語言語音智能的應用平台已經建立，是世界先進的語言語音智能系統。
但是，在視覺智能方面，絕大多數研發公司都處在圖像識別階段上，圖像理解也只是處於對比性分析水平，相信人工智慧的視覺認知技術會加快發展步伐。將來，大型通用的視覺認知平台也會出現的。
視覺智能不是簡單的圖片識別，它存在圖像的感知、認知、理解、以及視覺思維等層次。例如，機器人看見一個冰箱，首先要感知到是一個冰箱，然後能夠具體認知到這是一個什麼冰箱、具體功能是什麼、跟其它冰箱有什麼不同與相同之處，如果機器人不太理解這個冰箱，它還可以走過去親自了解這個冰箱，這也是個視覺認知的學習積累。機器人，看見一些人，不僅僅感知是個人、穿著打扮如何、在幹什麼，它還要認出這些人是誰，個人的具體情況以及過去的性格特點和品行等，這才是高級的視覺智能，一定是包括視覺感知、認知、理解、邏輯和聯想思維的。實際上視覺智能、語言語音智能通過信息化連接、交融到一起了。
所以，視覺互聯網、視覺智能平台，有可能是建立在語言語音智能平台基礎之上的視覺與語言綜合智能平台。不排除，初級層次的視覺識別系統平台的獨立建立，但視覺智能的中高級系統平台會是視覺與語言的綜合智能平台。
視覺智能的建立，需要機器自己學習，但是也需要人類給它提供信息資料。只是依賴視頻網路大數據的智能學習是不夠的，許多知識、信息資料需要人來直接提供。機器人大腦或者虛擬機器人超級大腦的視覺、語言等綜合智能知覺系統的建立，其實，在感知、認知、思維方面是需要建立空間、時間的坐標的，否則，永遠只會是沒有自主能力的東西。
人工智慧對於視頻內容的識別，主要是有兩種學習方法。一種學習方法，就是象我們在小學裡學習一樣，通過建立對應的抽象概念來學習，看著一張小狗圖片，明確文字和語音，記憶這是小狗，再學習小狗的特徵、習性和相關狗知識。第二種方法，是高級學習法，先建立對應的概念和類別特徵等，再通過人工智慧自主地去看各種資料和圖片，進行統計歸類和理解、記憶。語音文字識別與視頻內容識別，在人工智慧大腦中應該是結合在一起的。
2.
中科院院士鄭南寧
經典回顧: 認知過程的信息處理和新型人工智慧系統
2016-10-05
認知過程的信息處理和新型人工智慧系統
摘要：本文對認知過程的信息處理進行了較為深入的討論。闡述了智能機器原型與認知模型的關係,討論了新型人工智慧系統的研究方法,提出了認知科學和信息科學交叉的若干重要基拙研究內容,並進一步提出用混沌吸引子實現聯想記憶的思想和新型人工智慧系統結構。深入研究認知科學及其信息處理對發展我國21世紀的知識經濟具有重大科學意義和應用前景。
一、引言
知識創新是對未被人類認識的客觀物質世界的正確描述,感知與認知的科學問題與之密切相關。人腦是我們所知道的最有效的生物智能系統,它具有感知、識別、學習、聯想、記憶、推理等功能。研究人腦的這些功能並以機器來實現一直是科學發展中最有意義和極具挑戰性的重大問題。
人類大腦皮層的結構具備了複雜精確的分析與綜合的能力並適應人類抽象邏輯思維的需要。深入研究認知過程的信息處理和基於人類感知與認知機理的智能化信息處理將對整個自然科學和技術科學產生深遠和重大的影響。
由於社會生產和實踐的需要,人們對認知問題日益感興趣。腦科學、信息科學、計算神經學和神經生理學等學科的發展,使得認知科學與信息科學相結合成為可能,形成了多學科交又研究的特點。基於認知機理的智能信息處理在理論與方法上的突破,有可能帶動未來信息科學突破性的發展。因此將認知科學與信息科學領域密切結合,加強我國在這一交叉學科領域的基礎性、獨創性的研究,解決認知科學和信息科學發展中重大基礎理論問題,形成智能信息處理技術的科學基礎,帶動我國經濟與社會發展中基礎技術科學乃至國家安全所涉及的智能信息處理關鍵技術的發展,並且為人類探索腦科學中的重大基礎理論問題做出貢獻都是非常迫切和必要的。
經驗主義和理性主義的模型與解釋在很大程度上影響著人類的認知過程。
因此,對於智能和機器的關係,應該合理地發揮經驗的作用,從進化的角度把智能活動看成動態發展的過程。智能理論所面對的課題一般具有「環境一問題一目的一求解」的形式,將聯結主義的神經網路理論、基於符號主義的專家系統理論和基於進化論的人工生命這三大研究領域有機地結合起來,有可能實現一類新型人工智慧系統和智能化信息處理方法。
新一代媒體(next media)和以計算機網路為基礎的智能化通訊(intelligent communication)系統的研究與應用將成為21世紀信息科學與技術領域劃時代的重要標誌。
人的語言、表情、姿態等都將被機器所理解,並轉化成一系列指令,從而實現信息的獲取與轉送。
隨著機器的語言、圖像等識別能力的提高,也會為信息系統提供新的安全技術。這些以自然語言和圖像的理解為基礎的認知過程的信息處理理論與實現技術的研究已引起了許多國家的政府和科學家的廣泛關注。
近年來,國際信息科學界非常重視認知科學與智能信息處理的研究,許多著名刊物紛紛出專輯探討基於感知、認知的智能信號處理的理論和方法,比如:1997年Neural Networks雜誌出專輯討論「意識與神經網路」;1997年IEEE電路與系統彙刊討論了非線性混沌理論、混沌信號處理與控制方法;1999年IEEE神經網路彙刊出專輯討論將神經網路模型、模糊推理和表示、概率推理等相結合的混合計算智能模型。特別是一批諾貝爾獎獲得者(Circk F H, Eccles J C,Edelman G M,Josephson B D)和著名的人工智慧創始人Minsky M,他們在從事各自領域的研究的同時,也都在探討意識和認知問題。可見國際學術界對認知科學與信息科學的結合和交叉,以及智能化信息處理新理論研究的重視,也表明認知過程的信息處理和新型人工智慧系統的研究和應用正處於一個新的發展時期的開端。我國的學者近幾年也以極大的熱情關注和正在從事這一前沿科學的研究問題,並取得具有一定特色的研究成果,國家自然科學基金委員會給予了極大的重視。
【修行人的解讀 人工智慧的技術以及該領域的院士，首先就把人類的認知過程簡化了，定義了人工智慧的人類認知是如何的。
人工智慧的院士對於人類認知表述如下
人腦是我們所知道的最有效的生物智能系統,它具有感知、識別、學習、聯想、記憶、推理等功能。人類大腦皮層的結構具備了複雜精確的分析與綜合的能力並適應人類抽象邏輯思維的需要。深入研究認知過程的信息處理和基於人類感知與認知機理的智能化信息處理將對整個自然科學和技術科學產生深遠和重大的影響。
此段表達十分重要。院士只強調了人類的複雜精確的分析與綜合的能力，人類的抽象邏輯思維能力，只是著重於人類的認知過程的信息處理。
人工智慧的院士對於人類具有的情感與情緒的心理活動，人類具有的道德倫理的秩序觀念，人類具有追求公正、平等、理想、心靈的安寧等等哲學意義以及生命意義的追求活動，完全是避而不談。而心理活動、人類的社會性、人類的心靈活動、哲學意義的追求，恰恰是人類可以稱之為人類的關鍵因素。
人工智慧的院士定義的人類認知過程，是比人類更低級的生物，比如尼安特人也具備此種認知過程。尼安特人也符合專家定義的人類認知過程。尼安特人大腦是我們所知道的最有效的生物智能系統,它具有感知、識別、學習、聯想、記憶、推理等功能。尼安特人大腦皮層的結構具備了複雜精確的分析與綜合的能力並適應抽象邏輯思維的需要。
但是4萬年前的岩畫證實了，人類的祖先智人，恰恰是擁有了強大的心靈能力，擁有的強大的心理溝通能力、社會屬性，智人追求心靈活動的完美以及擁有藝術品的製造能力，人類才可以在4萬年以來的進化過程中，適應了地球大冰期的嚴寒而存活下來，尼安特人卻消滅了。
至於院士說的， 人的語言、表情、姿態等都將被機器所理解,並轉化成一系列指令,從而實現信息的獲取與轉送。這裡面有重大的省略。
首先要強調，院士還是不敢把人類的心理活動、心靈活動、哲學活動，也列入將被機器所理解,並轉化成一系列指令,從而實現信息的獲取與轉送。這就是院士也知道人工智慧的極限就在這裡。 】
二、認知模型(信息融合)本身就可作為一種智能機器的原型
人類智能的發展經歷著已有認知結構與不斷發展的認知進行交互並互為因果的超循環過程。
研究表明,人類大腦皮層的結構具備了複雜精確的分析與綜合的能力並適應人類抽象邏輯思維的需要。人對外部世界的認知過程,本質上是一個多感測信息的融合過程。人腦通過對多通道信息的相互監督(self-supervision)完成學習,從而獲得對外部事物的知識;通過對多感測信息的融合,實現對目標的識別與理解;並可以根據已有知識對各感測器實行控制。這種前饋和反饋過程的完美結合,使人腦具有極高的智能水平,即使在雜訊環境下或感測信息不可靠時,人腦也能有效地完成其智能活動。這為構造智能系統提供了完美的典範。認知模型本身就可作為一種智能機器的原型,並能為新型的人工智慧系統的設計提供新的科學依據和理論指導。
【修行人解答 院士提出的人類認知模型，意義十分重大。他就是佛學阿賴耶識的現代人工智慧技術的轉化版、簡化版。人類智能的發展經歷著已有認知結構與不斷發展的認知進行交互並互為因果的超循環過程。人類的阿賴耶識就是人類認知的種子，人類的前七識對阿賴耶識不斷熏習而形成種子功能，並在阿賴耶識存儲下來。種子又是前七識形成的種子依。阿賴耶識與轉識同時生滅。
人腦通過對多通道信息的相互監督(self-supervision)完成學習,從而獲得對外部事物的知識;通過對多感測信息的融合,實現對目標的識別與理解;並可以根據已有知識對各感測器實行控制。這種前饋和反饋過程的完美結合,使人腦具有極高的智能水平。
這段話就是再談五識與第六識第七識第八識的作用相互過程。
眼耳鼻舌身之五識，他要發生作用，首先要在第七識末那識第八識阿賴耶識的指揮下，才會與外部境界發生作用，所謂的監督就是指第六識意識的分別，所謂的已有知識就是種子，所謂的前饋與反饋過程、多感測信息的融合就是阿賴耶識與轉識的相互作用。
院士的佛學唯識學功夫極深呀！】
長期以來,人們在信息處理中的認知模型和基於感知的智能化信息處理研究領域做了不少工作,取得了很大進展,但其水平距人們所期望的還相差甚遠。這主要是由於所使用的方法與人腦的認知信息處理過程有著重大差別,如頻譜分析方法、統計學方法和句法分析以及傳統的人工智慧方法等,不具有開放性、動態性和靈活性等智能信息處理方法所應有的特徵,因而它們只在特殊的應用領域內取得有限的成功。
目前認知科學所取得的成就主要集中在認知心理學理論和認知基本過程兩方面。在認知心理學理論方面,將人腦看作類似於計算機的信息加工系統,將心理過程看作是符號序列的信息加工過程,由此提出「物理符號系統」和「平行分布加工」的觀點。這兩種觀點極大地促進了信息科學的計算理論的發展。認知是由三個基本要素組成:記憶、注意和意識。關於「記憶」,Baddly和Tulving分別提出了「工作記憶」和「多重記憶系統」的思想;關於「注意」,Trasman提出了「特徵綁定理論」;而關於「意識」,Baars提出了「整體工作空間理論(劇院模型)」。
認知的載體是大腦,腦是一個複雜系統。腦的複雜性不僅表現在它是由大量的神經元(約1000億個神經元)組成,更重要的是神經元間存在著異常複雜的聯繫,這些聯繫在方向上以多重前饋和反饋,在分布上以會聚和發散等多種形式,形成一個複雜的網路—腦。另一方面,腦的整體結構和功能也是複雜的。在結構上有分子、亞細胞、細胞、核團、系統等。而在功能上有不同層次、不同部位的神經元功能存在著區別。如視覺系統中不同的神經元,它們分別對由簡單到愈來愈複雜的視覺圖像(如運動、邊緣、形狀、顏色和紋理等)產生刺激和反應,並在腦皮層由這些反應得出外部世界的描述(圖1)。生物視覺系統中這些功能不同的細胞已在動物中被揭示。而對人腦來說還可以有對不同抽象級別的概念響應的細胞。人類具有完善的視覺系統可以在瞬息感知外部世界, 這是智能化視覺信息處理系統的一個典範,其物質基礎就是人的完美的視覺器官和複雜而完善的以神經元為基本組成單元的中樞神經系統。
腦的基本功能即認知的信息處理功能是對環境信息作合適的處理和存貯,並作出決策或反應。而腦功能的實現依賴於多個腦區大量神經元共同活動和整合(iintelligent),即作為一個系統而發揮作用。例`如人腦與鼠腦在分子層次上是相當一致的,但其高級功能有很大差別,這些差別是由於在神經元以上層次的組織與聯繫的差別造成的,即是屬於系統水平上的問題。因此,我們很難用分子生物學來解釋感知、記憶和思維等腦的高級功能。目前,儘管腦科學和腦功能成像的研究已有了很大的進展,但要進一步了解腦的多樣性和其信息處理的靈活性,揭示腦的性能和工作原理,我們在理論和實踐上仍然面臨著巨大的困難。
當前的發展趨勢是將認知科學、信息科學、神經科學交叉,探索人類複雜認知活動的神經和遺傳學基礎,研究人類認知過程的信息表達和整合,以及複雜社會和信息環境中的認知問題,從而為新的計算理論、信息處理的認知模型奠定科學基礎。
三、 正確認識當代腦研究中的方法學和理論
正確認識當代腦研究中的方法學和理論問題,對於認知過程中的信息處理和新型人工智慧系統的發展具有十分重要的理論和現實意義。
傳統的人工智慧研究在類比人類智能活動的研究中已取得一系列成果。80年代初,美國MIT的Marr教授結合圖像處理、心理物理學和神經生理學的研究成果,從信息處理系統的角度提出了第一個較為完整的視覺系統框架理論。近20年來,人們對Marr基本理論框架中所提出的各個研究層次與視覺系統的三個不同階段(初級、中級和高級)中的各種功能模塊進行了大量的研究。儘管Marr的這一理論已被大量的實踐證明是不完善的,但在一些應用的層次上還是被廣大的從事計算機視覺研究的學者們基本接受。
迄今為止,腦認知功能研究的一些基本理論概括為以下要點:(l)認知功能與腦結構間存在著定位關係,這已被腦功能成像的實驗結果所證實;(2)腦細胞精細分工,檢測外間世界的特徵並以某種調頻式編碼表達這些特徵;(3)對離散符號表徵的信息加工由底至頂逐層進行,在高層中樞內實現著特徵整合,大量特徵的初期檢測是並行性的,而特徵整合是串列的,從並行到串列的變換由選擇性注意機制加以控制;(4)腦與計算機異構同功,儘管兩者的結構及物質基礎具有巨大的區別,但進行智能活動的符號處理過程是相似的,因此人類智能是可計算的;(5)認知科學理論上可概括為物理符號論、亞符號論和模塊論。
近年來一些學者根據腦認知功能研究的新進展,對上述基本理論要點提出了不同的觀點。如Gibson的生態心理學理論。他認為視覺認知過程不是被動地對環境的響應,而是一種主動行為。人們在環境信息的刺激下,通過眼動、走動,改變觀察點,從動態的信息流中抽取不變性,在交互作用下產生知覺。這種觀點被應用於近年來提出的主動視覺系統中(如圖2)。生態理論或環境依存的認知理論提出:人的認知過程或智能並不是每個孤立個體腦內發生的符號加工過程;它不僅制約於生物界系統演化和人類個體發育、發展,還制約於人類社會文明發展。因此人腦與計算機無論就其結構還是功能過程而言都有巨大差別。對人類認知活動用現有的任何圖靈計算以及簡單的並行分布處理都無法揭露其全部實質。由此可見,生態理論強調人腦與電腦的本質差異,對認知科學理論發生了重大衝擊作用。
人腦是一個非完整信息處理系統,這一特徵在感知的層次上是非常明顯的。如視網膜上光感受器的分散式不均勻的。大部分光感受器位於中央黃斑區,以黃斑區為中心,隨離心率的增長,光感受的分布密度迅速下降,呈現出一種形狀擴散的格式(如圖a3所示,Y. Zeevi等)。同時,對從視網膜到皮層的傳輸通路的研究也表明,視網膜是以一種拓撲方式投影到視覺皮層的,即特定的皮層區僅有其特定的感受野。皮層相當大的區域與中央視覺皮層有關。從圖3a中可以清楚的看到以下特點:(l)視網膜中央凹的黃斑區內錐體細胞密度最大,有最高的光採樣密度;(2)隨著離心率的增大,錐體細胞分布密度降低,對形狀和顏色的視覺信息處理能力也隨之降低。以上說明了高等動物的視覺感知採樣是非均勻的,形成一個非完整信息處理系統。圖3b給出了應用小波變換實現的非均勻採樣,這種採樣方法使初期視覺計算模型更符合生物視覺機理,可真實模擬生物視網膜對視覺信息非均勻採樣及生物視覺系統所具有選擇注意能力的特徵,能進一步降低視覺計算複雜度。這種方法是建立在對生物視覺的實驗和觀察的基礎之上的。
事實上,人類的許多科學成就都來自對自然界中相應事物的觀察和深人研究,例如人類研究了鳥類的飛行從而發明了飛機。同樣,對信息的加工處理自然界也給我們提供了一個非常完美的範例—人腦。因而智能信息處理系統的研究離不開對大腦認知功能深人全面的研究。自從人工智慧形成一個學科以來,科學家們遵循著一條明確的指導思想,即研究和總結人類思維的普遍規律,並用計算機模擬它的實現。正如飛機並不是簡單模擬鳥而發明的,因此智能信息處理系統的研究也不應該機械照搬人腦認知模式。
人腦對單一感測信息的處理也表現出獨特的性能。例如,在視覺信息處理中,人可以根據一些抽象描述(概念化符號)結合已有知識,經邏輯推理自頂向下準確地把握外部事物,這種通過對事物特徵信息的整合來感知事物的綁定(bingding)機制,使人可以有選擇地處理視覺信息。大腦在處理視覺信息的過程中,表現出高度的並行性(雖然這與通常意義的並行可能有很大的不同),可以有效地劃分視覺任務,通過對局部信息的時一空整合(感舜野逐級綜合)實現視覺感知,這是一個自底向上的過程,該過程具有明顯的多尺度(scaling)特徵。同時,串列計算在局部特徵整合和邏輯推理中也起著重要的作用。大腦的選擇性注意機制使視覺系統只注意景物中感興趣的視覺激勵而淡化背景,同時對一系列場景的變化也僅關注場景中的目標。人類認知的自底向上和自頂而下的閉環多層反饋式信息處理機制(如圖4所示)和多感測信息的融合,並行與串列的相互交織,保證了大腦能高效準確地感知外部世界。
目前人對其自身智能活動的認識還處在較低的水平上,但隨著神經生物學和神經生理學研究的不斷深人,正逐步揭示出可供機器智能研究借鑒的物質結構和信息處理機制。人的視覺、聽覺、觸覺等感覺器官分別接收外部世界的不同信息,這些信息經大腦處理後,獲得對場景的理解。不同的感覺系統分別敏感於不同的信息,如視覺系統對景物或目標的空間位置、空一時對比度、形狀和顏色等敏感,聽覺則對信號的頻率敏感,而觸覺對物質或物體的材質和表面結構敏感,這些信息又在認知過程中相互印證(監督)。研究在智能機器系統中如何進行多感測信息的處理與融合是當前智能信息處理中所面臨的非常重要的課題。
大腦的思維能對信息進行創造性的加工,產生出人類的新信息、新知識。人的認知是從具體到抽象,從簡單到複雜,從低級到高級的發展過程。這對探討利用機器從浩瀚雜亂的網路環境中挖掘所需要的知識具有重要的借鑒意義。
四、重要的基礎研究內容
1.複雜系統和信息環境中認知模型和行為控制
在真實的複雜背景下,對認知過程進行整體、系統研究。根據人的認知所依賴的物質基礎,建造類似的網路模型已成為研究者所追求的目標。網路的拓撲結構和系統規模都會直接制約其信息處理能力,如何實現網路結構的自動生長,建造適度規模的多模塊系統是首先要解決的問題。要解決的另一個問題是如何控制各功能模塊間的信息通訊和整合,使整個系統協調一致地工作。在複雜工業系統的故障快速處理、系統重構和修復,複雜環境中仿人機器人的設計和製造,社會系統中重大事變(戰爭、自然災害、金融危機等)的應急指揮和組織系統等都存在著如何適應外部世界不確定性的動態變化的問題。應用傳統的人工智慧方法解決這類問題遇到了無法逾越的障礙。而人類的行為特徵,充分反映了對外界環境的反應和自適應能力。研究基於人類行為特徵的信息處理原理和方法,即研究系統在不確定性動態環境中的反應能力和對外界事物充分感知的能力。
(1)行為控制
複雜系統的自動運行需要有效的控制機制來保證。基於傳統人工智慧方法的控制策略已不能適應真正意義的自動系統。關於集感覺、認知和操作能力於一體的類人機器人(humanoid robots)的研究在國際上已受到了廣泛的關注。這樣的系統可以採用人機對話的方式接受任務,人的語言、手勢、面部表情等都可以被機器所理解,並把它們轉化為一系列控制指令。系統與人和環境的交互將成為該領域發展的突破口。人的肢體運動控制所依賴的認知基礎的研究也對建造自治系統有重要的參考價值。
(2)適應性行為機制與超維數學習
用於信息處理的適應性行為機制與超維數學習(trans-dimensional leaning)演算法的研究是當前人工智慧學科正在形成的一個新的分支。在利用神經網路完成某種模式識別任務時,往往需要確定究竟哪種網路結構最適合於給定的模式識別問題,同時還需要給出網路的最小結構。此外,對於自治模式識別演算法來說自身必須具備如何表示知識、如何學習新的知識的能力,而不需要人為干預。
(3)自然語言加工的腦機制
人類學習語言的能力或辨認他人面孔的能力是人腦的一種高級認知功能。人腦中一定存在著一套極其複雜的普遍語法規則,它以某種方式內化於人的大腦中,構成了人類認知能力的基礎。創造和使用自然語言是人類高度智能的表現,對自然語言理解的研究有助於探索人類智能的奧秘和認識大腦思維的本質。
(4)逆問題—病態問題求解
人腦通過感覺器官感知外部世界,獲取相應的知識;又根據有限的知識,經分析、判斷、決策等思維活動進一步指導其感知過程。僅根據有限的知識去推知客觀實在,實際上是一個病態問題。人可以根據其所處環境中的其它外部信息(約束條件)或啟發獲得問題的完滿解答。在機器智能研究中經常遇到的數據恢復、模式識別等問題都是病態問題。尋求基於知識的逆問題求解演算法將推動智能化信息處理理論與實現技術的研究。
(5)信息環境的生態問題
隨著網際網路的普及,數字媒體的版權保護成為一個迫切需要解決的問題。另外,有用和無用信息的指數級增長,人們對多媒體數據的檢索、存儲、加工等提出了更高的要求。通過知覺和學習功能來編寫智能化軟體;按需求獲取散佈於全球互聯網的多媒體信息;通過視覺、聽覺,自我判斷外界情況,交互進行信息處理,理解信息內容;自動清除諸如網路上的有害信息;信息隱含,基於知識的圖像理解,自然語言理解,通過自動學習並毫無矛盾地整理知識庫的基礎理論等。
2.認知過程中的交互行為與選擇注意機制
人類感知的經驗表明:人具有從複雜環境中搜索特定目標,並對目標信息進行有選擇處理的能力。這種搜索與選擇的過程被稱為注意力集中(focus attention)。在信息爆炸的時代,快捷有效地獲取所需的信息是人類所面臨的一大難題。如何將人的感知覺系統所具有的環境聚焦(enviroment focus)和自聚焦(self-focus)機制應用於多模塊系統的學習,根據處理任務確定注意網路的輸人,使整個系統在注意子系統的控制之下有效地完成信息處理任務,有可能為上述問題的解決提供新的途徑。
在主動計算機視覺中,選擇注意可分為兩個層次:由數據驅動、自底向上的獨立於內容和語義的低級視覺注意;由知識驅動、自頂向下的基於內容和語義的高級視覺注意。對於基於純數據驅動的視覺注意,感興趣區域的選擇與邊緣、角度、曲率、對稱性等特徵的提取和整合有關;而基於內容語義的高級視覺注意則與視覺任務、物體和環境的知識有關,並且與模式識別和匹配密不可分,高級注意建立在低級注意的基礎上並對低級注意具有反饋作用。然而以往的一些相關人工視覺研究主要都集中在低級視覺注意上,而在高級視覺注意以及低級注意與高級注意的互動方面所做的研究工作甚少。視覺注意機制應建立在高級注意和低級注意交互的基礎上,從自底向上和自頂向下兩個方向同時實現視覺注意。一些基礎的研究問題有:選擇與注意力集中機制;視覺皮層的反饋機制;感受野與非線性視覺處理等。
交互行為理論是這樣看待視覺問題的:首先視覺不是孤立地起作用,而是複雜的行為系統的一部分;其次,視覺計算是動態的,通常並不需要一次將所有的問題都計算清楚,而是對所需要的信息加以計算;第三,視覺計算應該是自適應的,視覺系統的特性應該隨著與外界的交互而變化。因此,交互行為理論認為,視覺計算是外界環境和視覺感知器共同作用的結果,兩者缺一不可。一旦行為被認為是視覺計算的基本要素,通常表示就顯得不重要了,有了行為的參與,一些計算問題如光流、表面方向和深度的計算通過行為假設就成為受約束的而變得易於解決。
初級視覺中的全局和局部感知同樣存在著交互行為。生物視覺感知中一個富有爭議而尚無定論的重要問題是:生物對外部世界的感知過程中,全局性結構的感知先於局部性結構的感知還是反之。認為全局先於局部的研究者們以大量的紋理感知實驗為例,例如當我們觀察圖5(a)時,首先感覺到的是在大面積的紋理背景上有一塊「補丁」,而不是局部紋理本身,視覺處理中由粗到細的多解析度分析也反映了這一觀點;而認為局部感知優先於全局感知的視覺研究者認為,視覺感知從局部區域的特徵提取開始,對它們的分析合成最終獲得全局特徵圖,Marr視覺計算理論的2.5維要素圖的構造框架反映了這一觀點。Treisman的特徵整合理論也體現了這一思想。全局性和局部性實質反映了尺度的大小,由於上述兩種觀點都有成功的仿生實驗。正如Gestalt學派認為的那樣,整體制約著部分的性質和意義,部分因整體的影響而變得準確。因此我們有理由認為,全局性和局部性感知是互動的,小尺度和大尺度感知是並行的、相互作用的。另一方面,生物視覺具有小範圍競爭、大範圍協作的特點,例如觀察圖5(b)時,局部競爭將使∩和∪區分開,而大範圍協作將使「T」形從背景中提取出來。生理學的研究發現,在貓和猴的視覺皮層中,簡單細胞的感受野具有一個中央正瓣,兩邊是兩個較小的負瓣,而再往兩邊是兩個更小的正瓣,圖5(c)是用三個不同尺度但具有相同形狀的2D高斯濾波器的疊加而成的競爭協作濾波器的響應曲面。這種競爭協作機制結構體現了不同尺度之間的相互作用。也恰好說明了小範圍竟爭與大範圍協作。Grossberg的知覺組織理論認為小範圍競爭和大範圍協作是神經計算的重要原理。小範圍競爭包括兩種情形:相鄰位置、相同定向神經細胞之間的競爭,以及同一位置、不同定向神經細胞之間的競爭,信號在經過小範圍競爭處理的同時,要輸人到一個空間大範圍的協作過程中,通過協作產生全局性感知,例如形成物體的完整邊界、形狀等。
3.分散式認知(distribute cognition)
分散式認知的概念源於現場認知(situated cognition)和信息加工理論(information-processing theory),它的核心思想是:人腦認知系統的加工和表徵一直延續到外部世界中的加工和表徵,這是與環境交互的過程。Malsburg曾從理論角度推測分布在腦內不同部位的神經元之間的聯繫可能建立在同步振蕩的方式上。感覺通道(特別是視覺通道)中對同一物體的不同特徵敏感的神經元,可能通過低頻的同步振蕩把它們整合(綁定)起來,形成一個完整的物體概念。同樣,在信息處理中,我們經常面臨的問題是:已知具有不同屬性的特徵信息,這些信息怎樣被組合或整合去生成一個統一場景的感知經驗?各個信息感測系統提供的目標特徵具有各自結構的獨立性,如何從分散式表示的特徵集中提取關於目標知識,並形成高層語義來正確解釋目標正是一個有效的智能信息處理系統應具備的能力。研究這種綁定機制還要解決的另一問題是:如果給出了一個目標的描述,是否可能有另一個目標也符合這些描述?對於上述問題,特別是要解決敏感於內容的多模式(圖像、聲音等)特徵的表示與綁定問題,我們無法利用傳統的模式識別理論中的距離測度來解決。必須提出有別於傳統分析方法的模式識別理論。
(l)特徵綁定與信息融合
在視覺感知理解中,組合通常在空間上或時間上發生。因此,有兩種可能方法把信息組合在一起:一種方法是各個信道的信息在視覺系統的某個位置上被組合在一起;另一種方法是考慮信息在時間上的綁定。實際上,在信息處理中,「綁定」有兩層意思,一方面信息怎樣被「綁定」,另一方面是信息處理的方法如何「綁定」。基於生物計量學(ibometircs)的身份認證系統的研究就是一種有益的嘗試。在這種系統中,人臉、聲音、虹膜、指紋等數據通過不同的感測器進行記錄,經處理後進行融合來實現身份的建立和認證。
(2)信息編碼方法
人類及其他生物適應環境生存與發展依賴於生命的遺傳信息編碼、存儲和傳輸。尋求基於生物特徵的信息編碼、存儲和傳輸理論與方法,探尋基於非線性機制和生物特徵的信息編碼、複製和解碼規則,信息壓縮和增擴的非線性本質,具有十分重大的理論價值和工程應用前景,甚至有可能對信息科學帶來革命性的貢獻。神經放電節律、基因表達順序和演化、經絡映射表現了生物信息的編碼的完美過程,完整地包含了生物活動高度複雜的信息與非線性。揭示這種信息編碼機制和編碼結果與生物活動特徵間的對應關係,是長遠而重大的科學任務。其中結合非線性科學最新成就,揭示基於生物特徵的信息編碼的非線性機制和信息編碼結果與生物非線性行為之間的聯繫是重要的一步,它將更能如實、有效地進行智能化信息處理。
4.學習和記憶的神經生理機制與信息處理模型
所謂學習就是對經驗作出反應而改變行為的能力,而記憶則是把學習所得的信息加以存儲的能力。兩者之間既有區別,又有關聯。無論是從巴甫洛夫的兩種信號系統學說,還是從對學習、記憶的解剖結構、通路的實驗研究來看,腦中確實存在幾個重要的部位與學習和記憶有著密切的關係。這些研究成果對具有學習功能的人工神經網路特別有啟示。
從環境中學習,並通過學習來改善性能是人工神經網路的主要性質。簡單地說,學習是神經網路的自由參數由於網路所處的環境(網路的輸人)的刺激而被調整的過程。參數改變的方式來確定學習的形式。因此,「學習演算法」就是一個事先定義好的用於學習問題解的規則集。對於學習和記憶的人工神經網路設計不存在唯一的學習演算法。收斂速度和全局收斂能力是衡量各種學習演算法的兩個主要數學指標。大多學習演算法的研究都是圍繞這兩點進行的。
(1)學習
無監督學習理論和演算法:自組織網路學習的Bayesian方法,無監督學習的變分原理,主動學習和側抑制競爭機制,矢量量化的地形結構,自編碼機等。
隨機學習理論:模擬退火演算法,確定性退火演算法,Boltzmann機,Belief機,Helmholtz機,均值場理論。
學習的資訊理論模型:獨立主元分析,獨立因子分析,自然梯度學習理論和信息幾何等。
統計學習理論:支撐向量機,核學習,稀疏逼近,正則化網路等。
(2)聯想記憶
在人的神經系統中,信息的傳遞與處理表現出很強的非線性特徵。人的記憶與聯想活動就是如此。人的記憶過程可大致分為三個階段:編碼(encdoing)、儲存(storage)和恢復(retrieval),這也正是機器進行聯想記憶的主要步驟。借鑒生物信息的群體編碼機制,研究新型的模式編碼方法並將編碼結果儲存於具有生物學特性的非線性系統(神經網路)之中,通過對非線性系統的控制實現自動聯想,有可能開創新的模式識別理論。
(3)混沌神經網路與認知過程中的聯想記憶機器模型
混沌可以體現人的一類感知現象或認知過程,同時感知的混沌態充分反映了認知過程的生物特徵。因此,結合混沌理論構造新的聯想記憶模型,模仿人的感知所依賴的生物學結構,有可能實現具有生物特徵的模式信息處理。目前,已有不少學者討論具有複雜動力學性質的認知模型。其中有些是研究非線性網路中出現的分岔、混沌等現象;有些是利用混沌的偽隨機性;有些將混沌系統作為黑箱使用。然而這些都沒有利用混沌的豐富結構,不涉及它在信息處理中深刻的物理意義,缺少與人類的感知和認知過程不確定性的聯繫。利用混沌吸引子存儲模式或信息融合實現機器的自動聯想記憶是個嶄新的學術思想,但其如何實現仍面臨著理論與實踐上的困難,如可計算性和計算複雜度。
5.認知神經科學與計算神經科學
神經系統內的電信號和化學信號是怎樣被用來處理信息的,仍然是一直困擾人們的重大問題。用計算方法對神經系統信息處理規律進行探索,即計算神經科學的方法,對闡明腦的工作原理具有十分深遠的意義。
(l)意識與意念解讀
意識是腦的一種基本狀態,它作為人腦執行高級、複雜功能的基礎,是我們進行精神活動或產生行為的前提。隨著PET、fMRI、EG和MEG等先進的非創傷或非進入人體儀器的發明,使得意識問題成為認知神經科學的前沿方向,由此為新的信息處理技術的提出奠定基礎和啟迪。如根據意念(intention),機器能判斷出人的需求進而產生控制行為。
(2)計算神經科學的核心是對神經系統狀態作計算解釋。神經系統的狀態代表了外部和內在世界的事件及狀態,計算神經科學是把腦的這種狀態映射到求解一個計算問題的抽象演算法攜帶信息的狀態。
腦認知神經科學和計算神經科學的研究成果將為具有生物特徵的視覺和聽覺信息處理方法奠定理論和實踐的基礎。
6.智能信息處理與軟計算方法
隨著基於圖靈機和Von Neumann體系概念的數字計算機出現,以符號運算推理的人工智慧信息處理有了一定發展,包括智能儀器、自動跟蹤監測儀器系統、自動控制與制導系統、自動診斷系統等。在傳統人工智慧系統中,它們具有模仿或代替與人的思維有關的功能,通過邏輯符號處理系統的推理規則來實現自動診斷、問題求解以及專家系統的智能機器人。這體現了人類的邏輯思維方式,主要用串列工作程序按照一些規則一步一步進行計算和操作。串列計算機能處理數字和符號,它們至少在原理上被認為是可以廣泛應用的。然而,實際上它們是有一些局限性的,尤其當用這類計算機完成某些特定任務時,局限性就更加明顯。例如,在視覺方面,如果進行實時處理,就需要處理數量相當巨大的二進數碼,即便我們使用現在最快的計算機也顯得太慢。這嚴重製約了信息處理系統的智能性和實時性,其發展速度已不太適應社會信息量迅速增大的需求。然而很明顯,生物學已征服了這個問題。儘管神經元的運行速度是慢的,處理指令的時間約在毫秒級,我們卻能在不到一秒鐘的時間內識別出模式。這是因為人腦是一個複雜的巨系統,其信息處理的方式既不完全是並行的,也不完全是串列的,而是各種方式相互交織,使其具有極高的智能信息處理能力。因而促使人們從認知的角度來關注新型智能信息處理系統的出現。
提高系統的智能度主要有兩種途徑:一是在基於古典精確邏輯的基礎上,通過增加並行度來加快系統的演化速度,從而提高系統的智能;二是開發新的高智能的邏輯形式。前者,主要是考慮計算速度,這同樣有兩種途徑:一方面在原有演算法基礎上開發相應的並行演算法;另一方面是設計出更高效且具有高並行度的新型演算法。後者,主要是從系統本身出發來提高它的智能度,其主要手段是通過對人或高等動物以及自然界的研究,從中得到一些啟示,並應用於新系統的設計中。因而人腦和大自然給了我們很好的啟示去解決信息處理的智能性和實時性問題。綜合智能信息處理將以神經網路並行分布處理和基於專家系統的人工智慧符號邏輯推理為兩種重要的基本方式,並與模糊邏輯、進化計算、混沌動力學、信號處理與變換等方法綜合集成,如軟計算:神經網路、模糊邏輯和概率推理等;不確定性推理與自組織;仿生計算:進化演算法、模擬退火等。
研究智能模擬、人一機結合的信息處理,將傳統的認知觀點即「物理符號系統假設」轉向以「與環境進行交互」為基本點的現場認知,深人研究知覺與選擇性注意機制的表述,研究學習和記憶過程的信息處理及整合。這些新的學術觀點將對信息科學與技術產生重大影響。目前將認知科學與智能信息處理和新型人工智慧系統研究的結合在國際上尚屬起步階段,正向「蓬勃發展」階段邁進。要使我國的信息科學與技術在21世紀取得突破性的進展,我們應當重視認知科學與信息學科的交叉學科研究,抓住當前息科學所面臨新的機遇和挑戰,為未來信息科學的發展做出我們的貢獻。
==============================================================================
妙境法師 瑜伽師地論卷1課件彙集版
問：即色離色的識是怎麽運作的，也就是前五識、六識、七識、八識是怎麽樣的程序？
答：識的運作次序，這下面倒是有解釋。如果由前五識，其實下面一段就在解釋了，這個識的運作程序，先是由作意心所開始。這個在唯識的經論上說呢？這個第七識它是內緣，它是緣阿賴耶識；只有六識是外向攀緣，所以六識當然也要依止阿賴耶識和末那識，它發覺有境界的時候，就是作意心所。作意心所的時候，它先開始來警覺自己，我有事情了，警覺應該生起的心去接觸外面的境界，先有這個作意心所，它來警覺一下，就像是看門口有個人，現在有人來找你了，他通知你一下，就是等於是這樣子。
這樣子這個作意，所以也提到有如理作意、或者不如理作意，那麽它引來的心理作用，就受到了決定了。那麽這個一警覺了以後，這個眼識就先發動，先去。如果是屬於色，就是眼識；屬於聲音，那麽就是耳識，這個就是—這個警覺，警覺是耳識要去，或者是眼識、鼻識、舌識、身識，這樣子。這個前五識和外面境界一接觸，一剎那，這個第六意識就開始了，就開始活動了，那麽第六識開始活動的時候就會去，或者是熟悉的境界，或者是生疏的境界，這還不一樣。這個若是熟悉的境界，一下子就決定了，是怎麽回事情，就處理了。若是生疏，第六識就要經過尋求的階段，尋求一下。尋求，就是觀察、思惟一下，是怎麽一回事情，尋求，先要考慮一下，所以第一個活動叫做率爾。
這個率爾，就是一下子就和境界接觸了，這就是那個作意心所，他引導應該生起的心理，接觸那個生疏的境界的時候，叫做率爾。不是有預謀的、不是有預謀的，叫做率爾。這個若是發覺這個事情是熟悉的，那麽就不經過尋求就決定了。說我一看這是我父親，心情立刻就決定了。這一看這人不認識，他姓什麽？他怎麽回事情？那麽就是要經過尋求了。尋求以後，就決定了，決定這件事是怎麽回事。決定以後，就開始行動了；或者是合乎如理作意，就是淨、清淨的。不如理作意，就是染污的了。這是有善惡的分別了。我們一般的人，不是沒有宗教信仰的，不是佛教徒，或者沒有宗教信仰的人，就只是去分別是利害的關係，對我有利，或對我有害，然後再決定怎麽處理。若是有宗教信仰的人，先要分別是道德的、不道德的、是善的、是惡的，我要做善，不可以作惡。所以有染淨，是染污的，是清淨的，是決定的時候有這樣的分別。有宗教信仰、沒有宗教信仰，在這個地方有分別，染淨。
染淨以後，一剎那間這樣做了以後，就等流，就相續下去，就叫做等流。這個等，就是前後一樣的叫做等。流，是相續下去，等流。在這裡邊由第六意識來決定，前五識同他配合。這尋求也好，決定也好，染淨也好，等流也好，就是六個識互相合作的，有各式各樣的行動。這個尋求這個地方，也可能要經過很長的時間。也有可能的，經過很長的時間；也可能時間不長，這是不一定的，是這樣子。這個識的運作程式，就是這樣子。
無始以來的樂著戲論，就是這樣子，樂著戲論，熏習了阿賴耶識的種子，由種子再發出來果報，得了果報，還是這樣子率爾、尋求、決定、染淨，等流，還是這樣子，就是無窮無盡的延續下去。除非你遇見佛、法、僧了，遇見三寶了，改變自己的思想了，那就起變化了。但你還是你沒成功以前，你還是率爾、尋求、決定、染淨、等流，你還不能超過這範圍的。
問：那個見道的聖人，他那個程序怎麽樣？
答：見道的聖人，他是有明，他在率爾、尋求、決定的時候，有明相應觸。就是有般若的智慧，有般若的智慧，那和我們一般的道德、不道德善、惡的境界又不同，就是超越了一般的道德、不道德善、惡的境界。他有這樣的想法，他有了大悲心、慈悲心，智慧的作用，那又和凡夫的境界不同了。這個我們凡夫有宗教信仰，有佛法的信仰，但是還是凡夫的時候，一方面要考慮利害關係，同時也考慮善、惡的關係，考慮道德、不道德的關係；然後斟酌處理，儘量減少過失，積集功德，儘量的做。但是其中還是不免有貪、瞋、痴的作用的，可能輕微一點，已經就是不錯了。要是聖人的明相應觸，是沒有貪、瞋、痴的活動，沒有這件事。
因為聖人，當然他也不做無義苦行。除了無義苦行之外，他是不怕死的，聖人是這樣子，實在他不在乎，他不介意這件事，所以他能夠保持住，對於他人一點不傷害，他不傷害別人。寧可自己死掉了，也不傷害任何人，也就是初果聖人都能做到這一點，寧可我死了，也不做惡事，這是嚴重的。初果聖人，輕微的會喝斥人的事情，也可能會有，但是嚴重殺、盜、淫的事不做，嚴重的事情不做。
=====================================================================
認知、認知科學與認知哲學
轉載2016-06-02 17:34:54
標籤：採擷
意識的認知理論甚為複雜，此處簡單介紹三個名詞：認知、認知科學與認知哲學。
認知（cognition ）
認知是腦和神經系統產生心智的過程和活動（如形成概念、知覺、判斷或想像）,是個體認識客觀世界的信息加工活動。習慣上將認知與感覺、情感、意志相區別。
認知在不同的學科中意義相近，但不盡相同。心理學、語言學、邏輯學、人類學、宗教學、歷史、生態學、社會學、哲學、人工智慧、腦科學都是研究認知的重要手段。
認知是過程，知識是認知的結果。（荷）巴魯赫·斯賓諾莎（baruch de spinoza，1632.11.24 ~ 1677.2.21）是西方近代哲學史重要的理性主義者，與笛卡爾和萊布尼茨齊名。他將認知分為三個等級：第一等的認知是由第二手的意見、想像和從變幻不定的經驗中得來的認知構成，這種認知承認虛假；第二等的認知是理性，它尋找現象的根本理由或原因，發現必然真理；第三等即最高等的認知，是直覺認識，它是從有關屬性本質的恰當觀念發展而來的，達到對事物本質的恰當認識。
認知科學（cognitive science）
認知科學是20世紀70年代中期興起的一門前沿性、交叉性和綜合性學科。旨在研究人類認知過程和智力本質及規律，具體涉及知覺、注意、記憶、動作、語音、推理、思維、意識乃至情感動機在內的認知和智力活動。因此，語言和心理、腦和神經是認知科學的重要研究內容。
認知科學的發展首先產生6大學科分支，心智哲學、認知心理學、認知語言學(或稱語言與認知)、認知人類學(或稱文化、進化與認知)、人工智慧和認知神經科學。然後這6個支撐學科之間互相交叉，又產生出11個新興交叉學科：①控制論；②神經語言學；③神經心理學；④認知過程模擬；⑤計算語言學；⑥心理語言學；⑦心理哲學⑧語言哲學；⑨人類學語言學；⑩認知人類學；（11）腦進化。
認知哲學（philosophy of cognition）
認知哲學的迅猛發展，使得科學哲學發生了認知轉向。認知哲學是一門旨在對認知這種極其複雜的心理現象進行多學科、多視角、多維度的整合研究的新興哲學研究領域。，其研究對象包括認知科學（認知心理學、計算機科學、腦科學）、人工智慧、心靈哲學、認知邏輯、認知語言學、認知現象學、認知神經心理學、進化心理學、認知動力學、認知生態學等涉及認知現象的各個學科中的哲學問題，它涵蓋和融合了自然科學和人文科學的不同分支學科。
認知哲學不是直接與認知現象發生聯繫，而是通過研究認知現象的各個學科與之發生聯繫，即它以認知本身為研究對象，如同科學哲學是以科學為對象而不是以自然為對象，因此它是一種「元研究」。
認知哲學的核心主張是：本體論上，主張認知是物理現象和精神現象的統一體，二者通過中介如語音、文化等相互作用產生客觀知識；認識論上，主張認知是積極、持續、變化的客觀實在，語境是事件或行動整合的基底，理解是人際認意識的認知知互動；方法論上，主張對研究對象進行層次分析、語境分析、行為分析、任務分析、邏輯分析、概念分析和文化網路分析，通過綱領計劃、啟示法和洞見提高研究的創造性；價值論上，主張認知是負載意義和判斷的，負載文化和價值的。
========================================================================
認知過程
在普通心理學中，認識過程指人腦通過感覺、知覺、記憶、思維、想像等形式反映客觀對象的性質及對象間關係的過程。[1]
中文名認知過程外文名cognitive process釋 義人認識客觀事物的過程所屬學科心理學
目錄
- 1 三種基本過程
- 2 其它解釋
- 3 採用形式
- ? 感覺
- ? 知覺
- ? 記憶
- ? 思維
- ? 想像
三種基本過程
編輯
H.西蒙認為，人類認知有3種基本過程：
（1）問題解決：採用啟發式、手段-目的分析和計划過程法。
（2）模式識別能力：人要建立事物的模式，就必須認識各元素之間的關係。如等同關係、連續關係等。根據元素之間的關係，就可構成模式。
（3）學習：學習就是獲取信息並將其貯存起來，便於以後使用。學習有不同的形式，如辨別學習、閱讀、理解、範例學習等。[2]
其它解釋
（1）皮亞傑學派用語：指通過對原有的認知結構(圖式)對刺激物進行同化和順應達到平衡的過程。這是結構主義認知心理學的觀點。
（2）信息加工認知心理學的用語：指個體接受、編碼、貯存、提取和使用信息的過程。它通常由感知系統(接受信息)、記憶系統(信息編碼、貯存和提取)、控制系統(監督執行決定)、反應系統(控制信息輸出)等4種成分構成的模式。[2]
採用形式
感覺
感覺是指客觀事物的個別屬性在人腦中的直接反映。客觀事物直接作用於人的感官，引起神經衝動，由感覺神經傳導至腦的相應部位，便產生感覺。
它分為兩大類： (1)外部感覺，指接受外部刺激，反映外界事物屬性的感覺。包括視覺、聽覺、嗅覺、味覺、膚覺。(2)內部感覺，指接受機體內部刺激，反映身體的位置、運動和內臟器官不同狀態的感覺，包括運動覺、平衡覺、機體覺等。感覺不僅是人的心理活動的開端和來源，而且也是人從事各種實踐活動的必要條件。[2]
知覺
知覺是指腦對直接作用於感覺器官的客觀事物的各種特性或各個部分的綜合反映。感覺提供客觀事物的個別屬性、個別方面、個別部分的信息，而知覺則把這些分散、片斷的信息結合起來，形成事物的完整映象。一般說來，感覺的材料愈豐富和精確，知覺映象也愈完整和正確。知覺不是感覺材料簡單的堆砌，而是按照一定關係將這些材料有機地統一起來。只要這些特性或部分的關係不變，知覺映象也不變;關係改變，知覺映象也改變。
知覺是多種感覺器官協同活動的結果。如對物體形狀的知覺是視覺和觸覺、動覺等協同活動的結果。知覺過程受到主體以往的知識經驗和當前需要、情緒等多種因素的影響，有明顯的主觀性和個別差異。
知覺具有四種基本特性，即整體性、選擇性、理解性和恆常性。知覺有不同的分類，按哪種感覺器官在知覺中起主導作用，而分為視知覺、聽知覺、觸知覺、嗅知覺和味知覺等，按知覺對象的不同性質，分為空間知覺、時間知覺和運動知覺;按知覺過程與主觀意識聯繫程度的不同，又可分為無意知覺和有意知覺(觀察)。[3]
記憶
記憶是指人腦對過去經驗的反映。包括識記、保持、回憶或再認三個基本過程。從信息加工的觀點來看，記憶是人腦對外界輸入的信息進行編碼、儲存和提取的過程。對信息的編碼相當於識記過程，對信息的提取相當於回憶或再認過程。存在於人腦中的信息在應用時不能提取或提取發生錯誤則為遺忘現象。記憶不僅在人的心理活動中具有基石的作用，而且在人的各種實踐活動中具有積累和借鑒經驗的作用。[2]
思維
思維是指人腦對客觀事物的間接的和概括的反映，是藉助於語言揭示事物本質特徵以及內部規律的理性認識過程。不同的心理學派對思維提出了不同的主張，其中符茨堡學派強調無意象思維;構造主義者強調錶象的作用;機能主義者強調適應目的;早期行為主義者強調肌肉活動的作用;皮亞傑強調運算和概念。根據不同標準，可以將思維分為許多類別。其中包括經驗思維與理論思維，直覺思維與分析思維(邏輯思維)，常規(習慣)性思維與創造性思維，發散思維與輻合思維，動作思維與形象思維等關於思維與語言的關係。有三種不同觀點： (1)主張語言決定思維，思維離不開語言，沒有語言就沒有思維; (2)主張思維和語言各自獨立，否認兩者有必然聯繫; (3)主張語言和思維是一回事，否認兩者有任何區別。[2]
想像
想像是指在外界現[4] 實刺激物影響下，在頭腦中對過去形成的若干表象進行加工改造而建立形成的心理過程。[4]
======================================================================
心理過程包括認知過程、情緒情感過程和意志過程三個方面
心理過程是指在客觀事物的作用下，心理活動在一定時間內發生、發展的過程。通常包括認知過程、情緒情感過程和意志過程三個方面。認知過程指人以感知、記憶、思維等形式反映客觀事物的性質和聯繫的過程；情緒情感過程是人對客觀事物的某種態度的體驗；意志過程是人有意識地克服各種困難以達到一定目標的過程。三者有各自發生髮展的過程，但並非完全獨立，而是統一心理過程中的不同方面。[1]
中文名心理過程學 科心理學
目錄
- 1 釋義
- 2 分類
- ? 基本分類
- ? 高級與低級的心理過程
- ? 對傳統心理過程分類的置疑
釋義
編輯
心理過程是指在客觀事物的作用下，心理活動在一定時間內發生、發展的過程。通常包括認知過程、情緒情感過程和意志過程三個方面。認知過程指人以感知、記憶、思維等形式反映客觀事物的性質和聯繫的過程；情緒情感過程是人對客觀事物的某種態度的體驗；意志過程是人有意識地克服各種困難以達到一定目標的過程。三者有各自發生髮展的過程，但並非完全獨立，而是統一心理過程中的不同方面。[1]
分類
基本分類
心理過程是指心理現象發生、發展和消失的過程。它具有時間上的延續性。
1、認知過程（知）：人在認識客觀世界的活動中所表現的各種心理現象。
簡要介紹概念：感覺、知覺、記憶、思維、想像。
2、情感過程（情）：人認識客觀事物時產生的各種心理體驗過程。
3、意志過程（意）：人們為實現奮鬥目標，努力克服困難，完成任務的過程。在意志過程中產生的行為就是意志行為（行）。
4、知、情、意、行的關係：認知是產生情、意的基礎；行是在認知的基礎上和情的推動下產生的，它能提高認識，增強情感，磨練意志；行為控制、調節情感，提高認知。
心理過程著重探討人的心理的共同性。主要包括認知、情緒和意志三個方面，即：常說的知、情、意。知是人腦接受外界輸入的信息，經過頭腦的加工處理轉換成內在的心理活動，進而支配人的行為的過程；情是人在認知輸入信息的基礎上所產生的滿意、不滿意、喜愛、厭惡、憎恨等主觀體驗；意是指：推動人的奮鬥目標並且維持這些行為的內部動力。知、情、意不是孤立的、互相關連的一個統一的整體，它們相互聯繫、相互制約、相互滲透。[2]
高級與低級的心理過程
根據認知加工水平或受意識調節水平的不同，分為低級心理過程和高級心理過程。在不同的認知水平上，低級心理過程是指反映事物的外部特點和外部聯繫的過程，包括感覺、知覺；高級心理過程是指反映事物內在特點和內在聯繫的心理過程，包括思維、解決問題、學習等。根據意識調節水平的不同，低級心理過程是指不受意識指導和調節的無目的、無計劃、無意識狀態下發生的心理過程，如夢、無意注意等；高級心理過程是指受意識指導和調節的有目的、有計劃的心理過程，如思維、有意識注意、有意記憶等。[1]
對傳統心理過程分類的置疑
傳統的心理現象分類理論中的心理過程，包括認識過程、感情過程和意志過程，但意志過程又是包含於心理學中狹義的意識概念之中的。所謂意志是自覺地確定目的，並據此支配和調節自己行動、克服種種困難、實現預定目的的心理過程，心理學狹義的意識是指個體對環境刺激及自身心理活動的覺知與注意。意識具有自覺性、目的性和能動性[3] ，其中意識的自覺自知性產生了人期間性的慾望、需求、願望等內在意向，意識的目的目標性是產生人的清醒、糊塗、注意力集中與分散等外在意識，而意識的能動性則才是支持在一定行為任務目標上使內在意向與外在意識能夠相應結合的意志過程。
意識過程由於其能動性而包含了意志過程，所以心理過程更準確的分法應該是認識過程、感情過程、意識過程三分法。正因傳統心理過程分類理論中只含有意志過程，這就將意識過程中的內在意向與外在意識被刨除於心理過程之外，致使很多本應屬於心理過程的心理現象無所歸屬，或只有被強硬地分配入心理特徵之中。比如許多心理理論中往往就將「慾望需求」簡單地就歸屬於個性中的個性心理傾向，這就使得許多可定義為只具有短暫一時特徵的，個體滿足後就可緩解乃至解除的，本應是歸屬於心理過程中的意識過程的「對食物需求」等需求慾望，和真正是應歸屬於心理特徵中具有長期穩定性的 「興趣、嗜好、成癮」等需求慾望在心理現象分類中就無法分辨歸置清楚。另外，如「注意」本應歸屬於心理過程中的意識過程，而有些心理理論因之會影響認識過程就將之歸屬於認識過程，但注意顯然也會影響人們情緒情感的變化，且注意又顯然沒有對信息進行加工處理的認知功能；而有些心理理論則就將」注意「歸屬於具有長期穩定性的心理特徵，但注意力的集中與分散等現象顯然表明了注意是與「注意力障礙」等這一類長期性的心理特徵又不同的，它只是一種隨需關注目標任務的變化而只具有一定期間性的應屬於心理過程的心理現象。
人工智慧——機器所賦予的人的智能
早在 1956 年夏天的會議上，人工智慧先驅者的夢想是建立一個由新興計算機啟用的複雜的機器，具有與人的智能相似的特徵。這是我們認為的「強人工智慧」（General AI），而神話般的機器則會擁有我們所有的感知，甚至更多，並且像人類一樣思考。你已經在電影中見過這些機器無休止地運動，像朋友如 C-3PO，或者敵人如終結者。一般的人工智慧機器仍然只是出現在電影和科幻小說中。
我們目前可以實現的還是局限於「弱人工智慧」（Narrow AI）。這些技術能夠像人類一樣執行特定的任務，或者比人類做的更好。像 Pinterest 上的圖像分類，Facebook 上的人臉識別等。
這些都是弱人工智慧實踐中的例子。這些技術展示了人類智力的一些方面。但如何展示？這些智力是從哪裡來的？這些問題促使我們進入到下一個階段，機器學習。
機器學習——一種實現人工智慧的方法
機器學習最根本的點在於使用演算法來分析數據的實踐、學習，然後對真實的事件作出決定或預測。而不是用一組特定的指令生成的硬編碼軟體程序來解決特定任務，機器是通過使用大量的數據和演算法來「訓練」，這樣就給了它學習如何執行任務的能力。
機器學習是早期人工智慧人群思考的產物，多年來形成的演算法包括決策樹學習、歸納邏輯編程、聚類、強化學習、貝葉斯網路等等。正如我們所知，所有這些都沒有實現強人工智慧的最終目標，而早期的機器學習方法甚至連弱人工智慧都沒有觸及到。
事實證明，多年來機器學習的最佳應用領域之一是計算機視覺，儘管仍然需要大量的手工編碼來完成這項工作。人們會去寫手工編碼分類器，如邊緣檢測濾波器，以便程序可以識別一個目標的啟動和停止；進行形狀檢測以確定它是否有八個側面；同時確保分類器能夠識別字母「s-t-o-p.」從那些手工編碼分類器中，機器就會開發演算法使得圖像和「學習」更有意義，用來確定這是否是一個停止標誌。
結果還算不錯，但這還不夠。特別是在霧天當標誌不那麼清晰，或有一棵樹掩蓋了標誌的一部分時，就難以成功了。還有一個原因，計算機視覺和圖像檢測還不能與人類相媲美，它太脆弱，太容易受到周圍環境的影響。
隨著時間的推移，學習演算法改變了這一切。
作為前18摸員工，我可以負責的告訴你，不要去糾結這些辭彙。這東西大概就是把機器學習，人工智慧，雲計算應用到實踐中。所謂重新定義，無非就是自己在某些領域做不過別人以後，換個名字而已。
曾經想讀研走的方向，馬克一下，我就是來看看這題會有多少人寫瀉藥，看看知乎上到底有多大的牛～
最近一陣子谷歌的AlphaGo圍棋程序打敗歐洲圍棋冠軍職業二段樊麾的事件在AI界和圍棋界掀起了巨大的波瀾。
從AlphaGo開始，感覺AI能夠開始像人一樣處理問題了。這是不是有些讓人後怕。
其實上世紀90年代IBM深藍戰勝人類國象頂級高手就已經預示了AI戰勝人腦這一天的最終到來，但據說當時深藍並沒有加入更多機器學習的能力。而神經網路的加入更讓AlphaGo如虎添翼。
科技總是以人類意想不到的方式顛覆人類。看了Google DeepMind團隊答記者問的內容，得知他們未來重點在諸如醫療和數據建模等領域。聯繫到IBM最近反覆提到的認知計算，似乎業界的巨頭都在布局這個領域。幾年後又不知道會有什麼樣的一番景象。
或許IBM也應該站出來做個什麼程序，一起來看看AI的潛能到底會到哪裡。
感覺很多答案都只是談這三者的技術區別。
從概念的範圍大小來講：人工智慧&> 認知計算 &> 機器學習
人工智慧是很大的概念，可以理解為一切通過人工創造類人智能產品的手段或技術，包括機械領域的各類機器人產品、無人汽車、智能家居產品、使用深度學習的AlphaGo、各類語音識別產品等等，都可以歸類為人工智慧領域的產品。
認知計算是人工智慧的一個應用領域分支，從名字也可以看出強調的是對認知的理解和計算，什麼是認知，這裡特指的是人的認知，認知計算也就是要計算和理解人的認知，人有哪些認知？餓了、困了、累了等感覺認知，人之間溝通交流等語義認知，高興、悲傷、憤怒等情感認知，都是人的認知，因此認知計算強調的是如何讓機器理解人的這些認知，以及如何通過這種理解與人進行更好的交互。所以認知計算會是深坑，什麼時候認知計算真的實現了和人的認知的理解，那其實也就意味著圖靈機的實現和人工智慧的實現。這樣解釋你就應該明白了為什麼IBM Watson 是認知計算代表而AlphaGo不是， Watson 能上節目答題能聽、說、讀、寫和人進行類似認知與認知的互動，而AlphaGo只是會下棋的高級演算法，沒有對人的感知做任何交互。
最後機器學習，不嚴格的講機器學習就是一系列實現人工智慧（含認知計算，因為它也不過是AI的某個分支）產品的演算法簡稱，什麼實現AlphaGo的深度學習演算法、什麼圖像識別演算法、什麼聚類分類演算法。。。。。要實現人工智慧產品要用的演算法而已。
認知計算的相關知識，大家可以關注認知計算聯盟的相關工作：下面是鏈接，認知計算聯盟
同關注。徹底的外行最近稀里糊塗投了一篇該主題雜誌，被要求描述results和cognitive computation的關係，主編解釋是要寫architecture，至今還沒搞明白T.T
推薦閱讀：
※中國象棋AI實現?
※兩個 AlphaGo 互相下，誰會贏？
※AlphaGo 2.0 與其 1.0 相比有哪些提升？
※顯卡、顯卡驅動、cuda 之間的關係是什麼？
TAG:人工智慧 | 機器學習 | 認知科學 | 深度學習DeepLearning |