AI的概念自1956年首次提出以来，已有60多年的发展历史。在相关理论和技术不断创新的今天，人工智能在数据、算力和算法“三要素”的支持下，越来越多地走进我们的日常生活。然而，这一系列惊喜的背后，是大多数AI在语言理解、视觉场景理解、决策分析等方面的难点：这些技术仍主要集中在感知层面，即用AI模拟人的听觉，视觉等感知能力，但不能解决推理、计划、联想、创造等复杂的认知智能任务。现在的人工智能缺乏信息进入“大脑”后的处理、理解和思考。它所做的是比较简单的比较和识别，只停留在“感知”阶段而不是“认知”阶段。它主要基于感知智能技术，人工智能离人类智能还有很远的距离。究其原因，人工智能面临着制约其发展的瓶颈：大规模的常识性知识库和基于认知的逻辑推理。基于知识图谱、认知推理、逻辑表达的认知图谱被越来越多的国内外学者和行业领袖认为是“目前能够突破这一技术瓶颈的可行方案之一”。近日，英特尔实验室副总裁、人工智能领域50位全球思想领袖和影响者之一的GadiSinger发表了一篇题为《认知人工智能的崛起》的文章，讨论人工智能的第三次浪潮：认知人工智能的兴起.学术头条在不改变原文大意的情况下，对文章进行了精心整理如下：深度学习（DL）正在我们生活的方方面面取得巨大进步并彻底改变整个行业，包括医疗保健、零售、制造、自动驾驶汽车、安全欺诈预防和数据分析。然而，为了构建人工智能（AI）的未来，推动下一代技术更进一步，我们需要设定一套目标和期望——到2025年，人工智能将有质的飞跃，机器将发生改变显著地。变得更聪明。目前，许多基于深度学习算法的应用解决了相关的感知任务，例如对象识别、自然语言处理（NLP）、翻译和其他涉及广泛的数据关联处理的任务（例如推荐系统）。深度学习系统依靠差分编程和基于复杂数据的关联来取得优异的成绩，有望在未来几年内推动整个行业的转型。但与此同时，我们必须克服深度学习本身固有的局限性，以进一步帮助机器学习或更广泛的人工智能发挥其潜力。要实现非增量创新，需要以下三个方面的共同努力：大幅提高模型的效率（例如，在不降低其准确性的情况下，将参数数量减少2-3个数量级）；大大增强模型的Robustness、scalability、scalability；全面提升机器认知能力。图|基于深度学习的语言模型的参数数量呈指数级增长（来源：微软）虽然剪枝、稀疏性、压缩、蒸馏和图神经网络（GNN）等技术可以提高模型效率，但最终也产出渐进式改进。在不影响结果的情况下按数量级减小模型大小可能需要对捕获和表示信息本身的方法以及深度学习模型的学习能力进行更根本的改变。此外，持续的进步将需要计算效率更高的深度学习方法或转向其他机器学习方法。现在，一类很有前途的人工智能系统通过在二级信息存储库中检索来取代大量事实和数据的嵌入而迅速受到青睐。同时，统计机器学习方法基于这样的假设，即训练样本的分布代表了推理过程中必须处理的内容，这在现实生活中存在重大缺陷。特别是当训练数据集样本稀疏甚至缺乏样本时，深度学习模型将受到挑战。除此之外，迁移学习和少样本/零样本推理的结果令人失望。模型的低效扩展阻止了AI扩展到数据集和数据科学家缺乏的许多领域。此外，深度学习也很容易受到数据变化的影响，导致分类置信度低，但可以通过提高模型的鲁棒性和可扩展性来解决这个问题。最后，在大多数情况下，神经网络无法正确提供认知、推理和可解释性。深度学习缺乏认知机制来推理抽象、上下文、因果关系、可解释性和可理解性。下一阶段：认知人工智能人工智能有望达到人类理解的水平。依托DanielKahneman在《快思慢想》(Thinking,FastandSlow)中定义的范式，YoshuaBengio将当代深度学习的功能等同于他所描述的“系统1”的特征——直觉、快速、无意识、习惯和完全处于自愿控制的状态。相比之下，他指出，人工智能系统的下一个挑战在于实现“系统2”功能——缓慢的、逻辑的、顺序的、有意识的和算法的，例如规划和推理所需的功能。（来源：Pixabay）以类似的方式，FrancoisChollet在广泛概括的基础上描述了人工智能（“灵活人工智能”）发展的新兴阶段，它可以适应广泛领域的未知事件。这两个特点都符合DARPA（美国国防高级研究计划局）“第三次人工智能浪潮”的内容，其特点是情境适应、抽象、推理和可解释性。实现这些能力的一种可能途径是将深度学习与符号推理和深度知识相结合。下面，我将使用术语“认知人工智能”（CognitiveAI）来指代人工智能的这一新阶段。虽然我们对开放式通用人工智能（AGI）遥不可及，但具有更高认知能力的人工智能也可以在技术和商业中发挥更大的作用。一旦人工智能能够在不可预测的环境中做出可靠的决策，它最终将获得更大的自主权，并在机器人技术、自主交通以及物流、工业和金融系统中的控制点等领域发挥重要作用。结构化知识在认知人工智能中的作用在人工智能领域，一些人认为可以通过进一步发展深度学习来实现更高水平的机器智能，而另一些人则认为这需要结合其他基础机制。在这方面，我同意后者，原因如下：深度学习掌握了从多维结构化输入到嵌入空间中预测输出的基于统计的映射。这使得它非常擅长区分宽数据和浅数据（例如图像中的单词或像素/体素序列）。此外，深度学习在索引维基百科等资源和从语料库中最接近的匹配项中检索答案方面同样有效——正如NaturalQA或EfficentQA等基准所证明的那样。根据Bengio的定义，系统1的任务依赖于训练期间创建的统计映射函数。深度学习可以帮助完成这些任务。相比之下，结构化、明确和可理解的知识可以为更高级的机器智能或System2功能提供途径。知识构建的一种基本类型是能够捕获有关元素和概念的声明性知识并对抽象进行编码（例如，类之间的层次属性继承）。例如，关于鸟类的知识，加上关于雀形目动物的信息，再加上关于麻雀的详细信息，即使没有具体说明，也提供了很多关于栗麻雀的隐含信息。除此之外，其他知识结构包括因果模型和预测模型。这种构造依赖于明确的概念和明确定义的关系，而不是潜在空间中的嵌入式机制，因此由此产生的模型将具有更广泛的解释和预测潜力，远远超过统计地图的能力。（来源：Pixabay）人脑具有以一种经验或观察都无法比拟的方式“想象”、模拟和评估潜在的未来事件的能力。同时，这些特征为人类智能提供了进化优势。在不受明确规则约束的环境中，基于世界动力学基本模型的未来可能事件的心理模拟在规划和解决问题方面具有很大的适应性价值。基于隐含的数学、物理或心理学原理而不是从输入到输出的可观察统计相关性的过程建模机制对于实现更高的认知能力至关重要。例如，物理模型可以捕捉滑水现象，并对汽车在各种条件下的运动做出简单的预测。这种过程模型可以与基于深度学习的方法结合使用，以扩展当前人工智能的能力。知识库可以捕获（或隐含地）常识性假设和底层逻辑，这些假设和底层逻辑并不总是公开出现在深度学习系统的训练数据中。这表明了解世界及其动态可以帮助解决更高级别机器智能的任务。最后，结构良好的知识可以在上下文上下文和聚合内容方面消除歧义（将“俱乐部”的属性分类为棒球、武器、纸牌或聚会场所）。认知人工智能和知识时代未来几年，随着浅层映射功能变得更加丰富，计算处理变得更加经济和快速，基于深度学习的系统1有望取得重大进展。认知型人工智能也会带来越来越多的高级功能。总而言之，我相信到2025年，将会出现一种新型的认知人工智能，它不仅具有更强的解释力，而且比目前基于深度学习的系统更接近人类水平的自主推理。我们在英特尔实验室成立了认知计算研究部，推动英特尔在机器智能和认知交叉领域的创新，不断提升新兴认知人工智能的能力。我们努力将深度学习的最新技术与知识构建和神经符号AI的集成相结合，以构建能够在复杂场景中做出明智决策的自学习AI。深度学习使人工智能系统能够在识别、感知、翻译和推荐系统任务方面表现出色。下一波机器学习和人工智能技术的兴起，将创造出一种理解能力和认知能力更强的新型人工智能，给我们的生活带来更大的便利。
