什么是认知计算？
认知计算是计算机科学的一个新兴领域，它使用计算机模型来细致模拟人类认知或其他类型的人类思维过程，以解决可能具有模糊、不确定或非特定答案的复杂问题。
认知计算基于人工智能 (AI) 与信号处理的广阔计算框架，认知计算融合了多种机器学习 (ML) 技术、人机交互原理、对话及叙事生成技术，旨在创造出能像人类一样学习、推理与理解的机器。高效的认知计算系统可处理海量数据，识别超出人类能力范围的模式与关联关系。
尽管计算机在许多领域可以超越人类，但即使是先进的 AI 系统在执行某些任务时仍然显得困难重重，例如理解自然语言和识别特定对象。认知计算试图模拟人类大脑的认知系统（例如，模式识别、语音识别等）以改善决策。认知计算系统在设计上可以实时使用动态数据集，并结合使用多种信息源，包括视觉、手势、听觉或传感器提供的数据等感官输入。
认知计算的现实应用场景包括情感分析、风险评估以及图像识别（如面部与物体检测）。该技术在机器人、医疗健康、银行金融及零售领域具有特殊价值。
认知计算的核心目标是开发能够解决通常需要人类认知能力的复杂多步骤问题的系统。这类问题往往涉及高度依赖上下文的模式识别任务。在语言或图像解读等领域，人类擅长识别上下文线索以支撑精准决策。而这对于基于规则的计算机系统则更具挑战性。
与传统系统不同，认知计算机旨在分析各种来源的大量非结构化数据，其具体目标是通过更复杂的模式识别产生准确、有价值的洞察分析。有效的认知计算系统可以解释文本（规则和不规则字体）、图像和语音，甚至能够在相异类型的数据之间建立联系。这些类型的系统也能够随着时间的推移而改进，模仿人类的学习方式。
认知计算模型通常基于人工神经网络——这种受人类大脑神经通路启发的人工智能技术，通过多层节点（即人工神经元）构建。此类网络能够通过持续学习输入数据来优化决策过程，随时间推移不断提升性能。
虽然神经网络对于特定类型的任务非常有效，但认知系统也经常会结合其他类型的 AI 驱动或 AI 相关的技术，例如自然语言处理 (NLP) 和机器学习，以更好地理解和解释各种输入和信号。
认知计算系统专为整合多源海量数据而设计。为分析和权衡不同（有时相互冲突）的输入，并基于学习到的上下文做出智能推断，这类系统采用多种旨在模拟人类智能的自学习技术。这些方法包括预测性分析、数据分析、大数据挖掘及各类模式识别模型，以优化决策过程。
认知系统需要能够根据信息的变化做出反应和适应，并且需要足够灵活，以应对不同类型的挑战。系统必须能够处理实时、动态的数据，根据信息和环境的潜在变化进行调整。
认知计算平台需具备迭代能力——即能够识别特定问题或问题类型。此外，系统应能提出澄清性问题，或懂得从新型或不同来源获取补充信息。为解决此类多步骤问题，系统必须具有状态保持能力：这意味着它能存储与既往相似情境相关的信息，并能回溯历史状态。
理解上下文信息是人类认知的关键组成部分。要使认知系统实现类人类的问题解决能力，它们必须能够挖掘和识别语法、时间、地点、领域等上下文信息，以及用户特定的画像、任务和需求。认知系统不仅要理解数据呈现的语境，还需把握问题形成的背景脉络。
认知计算系统通过整合多种计算模型构建混合系统，以更贴近人类思维过程与智能水平。这些模型包含各类人工智能及人工智能相关技术，例如：
- 狭义人工智能：涵盖所有现有人工智能形式，狭义人工智能（亦称弱人工智能）是当前唯一实现的技术形态。尽管学界已假设出更强大的理论 AI 形式，但狭义人工智能仅能被训练执行单一或特定任务。 虽然狭义人工智能适用范围有限，但其执行特定任务的速度通常超越人类，且准确度持续提升（虽未达完美）。然而，狭义人工智能无法超越其预设任务范围运行。狭义人工智能始终针对认知能力的特定子集。即使如苹果 Siri、亚马逊 Alexa 或 ChatGPT 等看似先进的 AI 系统，仍被归类为狭义人工智能。
- 专家系统：专家系统的设计目的是充当受过高度训练的主题专家的狭义 AI 替代品。它们接受包含事实信息和独特规则的综合数据集的训练，并配备经过调整以最准确地应用规则的推理引擎。专家系统的目标是像人类专家一样提供建议或解决方案。这些系统可用于发现趋势和模式，并且通常用于帮助企业预测未来事件或更好地了解过去发生的事件。
- 机器学习：作为人工智能的分支，机器学习 (ML) 致力于使计算机系统能像人类一样学习。ML 算法帮助计算机系统自主执行任务，并随着数据量及 正负反馈的增加，持续提升性能与准确度。
- 神经网络：神经网络模型是机器学习模型的一个子集，它使用强化学习来做出决策。这些类型的网络使用层来模仿生物神经元协同工作以权衡选择和识别现象的方式。
- 深度学习：深度学习同属机器学习子领域，采用称为深度网络的多层神经网络来近似人类复杂的决策能力。深度学习与机器学习的主要区别在于网络架构的复杂度提升。传统机器学习模型使用仅含一至两个计算层的简单神经网络，而深度学习模型通常包含数百至数千个计算层。
- 自然语言处理 (NLP)：自然语言处理融合基于规则的计算语言学与统计建模、机器及深度学习，使计算机能够理解自然语言并以语音或文本回应。NLP 还包含自然语言理解 (NLU) 与自然语言生成 (NGU) 两大子学科，共同构建完整的用户体验。
- 自动语音识别 (ASR)：语音识别，也称为计算机语音识别或语音转文字，是指允许计算机程序将人类语音转换为书面格式的技术。不可与话音识别混淆；话音识别是一种允许计算机识别单个用户的声音并将其与其他用户区分开来的技术。
- 物体检测：作为计算机视觉的组成部分，物体检测通过神经网络定位图像中的物体并按语义类别进行分类。物体检测在自动驾驶汽车、视觉搜索和医学影像等众多行业与应用中发挥着重要作用。
- 机器人：认知系统在应用中经常结合机器人技术。配备认知系统的机器人可以使用狭义 AI 执行重复性和日常性的任务，从消费级家用吸尘器到医疗级手术助手。在农业中，机器人技术帮助认知系统参与自主修剪、移动、疏果、播种和打药等任务。
AI 技术的最新进展对认知计算应用产生了重大影响，从 ChatGPT 和 Midjourney 等生成式 AI 程序到自动驾驶汽车等。认知计算的一些常见实际应用包括几个方面，例如：
虚拟助理
诸如 Alexa、Siri 和 Google Assistant 等主流虚拟 AI 助手，依托认知计算通过自动化与交互性提升其实用价值。这类助手运用机器学习系统处理自然语言，并通过个性化建议为用户提供更精准的结果。
财务
认知计算系统已被证明对许多银行和金融应用很有价值。认知系统用于监控供应链变量和市场趋势等经济状况，以预测和模拟未来的机遇和潜在危机。
网络安全
认知计算系统已被证实在深度数据分析和模式识别方面表现卓越。这种能力尤其在网络安全领域得到有效应用。 专家利用其分析用户行为（如金融交易），以标记潜在欺诈与风险模式。
零售业
认知系统在零售应用中非常有用。Amazon 和 Netflix 等先进的零售商利用认知计算来更深入地了解用户的购买历史，并针对个人兴趣提供更好的产品推荐。
认知系统在各个行业的客户服务中也发挥了重要作用，它使先进的聊天机器人能够充当虚拟代理。这些代理以比以往更快的速度和更大的规模提供详细和明智的支持。
IBM watsonx
作为最著名的认知系统之一，IBM Watson 因参与益智节目 Jeopardy 而声名鹊起，其前身 Deep Blue 更成为首个击败国际象棋世界冠军的计算机系统震惊世界。
现今的迭代版本 (IBM watsonx) 与应用程序更为令人惊叹。医疗健康领域的应用尤为突出——watsonx 已成功辅助医疗机构提升诊疗水平。Watsonx 能够整合解读最新医学研究成果与复杂病历数据，并通过推导个性化治疗方案显著增强患者护理质量。