不可否认和值得注意的是，人们对使用人工智能(AI)作为解决特定问题的首选技术的热情。但是，尽管监督学习或强化学习等最流行的人工智能方法每天都在取得长足进步，但使用这些经典方法的通常单一的方式也可能阻碍人工智能的发展。虽然人工智能在越来越多的领域取得了越来越大的成功，但它仍然主要用作执行狭窄任务的工具，或者作为一种简单的自动化形式，而不是作为与人类用户建立关系的工具。支持伙伴。它在很大程度上依赖于经过整理或注释的数据，其中大部分是历史数据，并且只能非常间接地从人类用户那里学习。人工智能在某些情况下具有非凡的预测能力，但它无法具备人类从婴儿时期就具有的适应能力。它只是不能（还）能够从它从未遇到过的数据中推断出人类可以做到的方式。此外，对更高精度的需求导致越来越大和复杂的模型、计算密集型训练以及阻碍可信性、可移植性和可扩展性的工程挑战。实现我们的AI目标需要改变当前的数据范式；是时候将人类置于AI训练过程的中心了。您不必相信我们的话：将人力和人工智能资源从设计到部署相结合的好处在其他独立研究中得到了回应，例如麻省理工学院斯隆商学院2020年人工智能全球高管研究项目的发现，以及The由此产生的协作在DeloitteInsights中甚至被称为“超级团队”。与标准人工智能方法相比，设计、培训和部署混合人类用户和人工智能代理的解决方案提供了新的成功途径。模仿学习、课程学习和其他更新的技术已经展示了通过利用人类专业知识、反馈和指导来训练人工智能的其他方法。我们可以拥有一切，而不是将自己局限于一种方法，并将所有这些不同的方法结合在一起，与人类一起构建新的智能系统，这些系统不再局限于任何特定的方法、模型或算法。鉴于人类和AI各自的优势和劣势，人类和AI的这种伙伴关系将产生超过其各部分之和的成果，利用互补的能力来实现仅靠其中一个或另一个不可能或难以实现的结果。然而，为了让AI代理与人类尽可能紧密地合作，特定的方法、方法和技术是必要的。值得注意的是，它需要一种自然有利于多代理、多人、与技术无关的分布式方法的架构设计，在研究、原型设计和运营之间进行快速、无摩擦的迭代。这些是Cogment背后的指导原则，Cogment是一种新的开源框架，旨在实现人类与AI代理之间的这种伙伴关系。如今，它已在人机协作、自适应学习和关键决策支持系统等复杂环境中得到应用，并已为迎接未来的挑战做好了准备。
