认知计算与 AI：核心差异

从最基本的层面上讲，AI 系统专为独立“思考”和决策而构建。同时，认知计算则用于模拟更接近人类的思维过程，为人类决策提供信息，而非取代人类决策。

举个例子，不妨将 AI 设想为可服务于特定用途的工具。相比之下，认知计算机更像是数字助理，可为整个决策过程提供信息，从而实现更广泛的目标。

如果说 AI 是可以提供 A 和 B 之间最快路线的 GPS，那么认知计算机更像是旅行指南。AI 可以参考现有的地图和交通数据，提供它“认为”最佳的路线。

然而，认知系统与用户一起工作，以了解他们的偏好并响应与上下文更相关的信息。当天气好且存粹的效率不是首要考虑因素时，它可能会突出显示沿途的有趣景点或选择风景更优美的路线。

一般来说，AI 可以视作专业的问题解决工具。AI 系统擅长快速分析大量数据，识别模式并根据预定义规则做出决策。认知系统旨在发挥拟人化思维能力，它基于 AI 功能而构建，但更善于理解复杂的非结构化数据。它们可学习交互行为，并提供解释和建议。

AI 作为统称，更常用于指代特定类型的有限计算机模型，例如神经网络和大语言模型 (LLM)。相反，最好将认知计算视为混合方法。它能结合认知科学和计算机科学，建立有助于增强和辅助人类决策过程的系统。

认知系统通常使用机器学习 (ML) 或深度学习等 AI 技术来提高模式识别或语音识别能力。此外，这类系统还能实时处理、采集和响应大量数据。它们可以从各种潜在数据或输入源（例如视觉、手势或听觉提示）中提取信息。

尽管任何单个 AI 模型的范围都可能受到限制，导致其难以超出预期范围，但认知计算系统的设计却有所不同。它们非常适合解决涉及模棱两可、不确定性或非具体答案的复杂问题。

换句话说，AI（正如我们今天所知的那样）旨在弥合差距，为平凡或具有挑战性的任务提供捷径。认知计算更大程度上是一种增强人类认知以做出更明智决策的尝试。认知计算将 AI 与人机交互、对话和叙述生成技术等补充学科相结合，创造出能像人类一样学习、推理和理解的机器。这种方法可以帮助用户做出更好的决策。

虽然一些 AI 模型可能非常熟练，甚至超越了人类的能力，但即使是最先进的 AI 系统，也只能执行狭窄范围的任务。尽管广泛使用的 AI 系统似乎功能广泛，但基于规则的指令限制了它们掌握人类认知的灵活性和精细度。

在涉及情境的任务中，例如理解自然语言或识别特定对象，AI 无法完全取代或复制人类智能，至少现在还不能。”

认知计算的目的并不是取代人类的决策。相反，它试图模仿负责人类思维过程的认知系统类型，改善用户的决策。

虽然具体系统可能存在无数独特差异，但从广义上讲，以下几点凸显了 AI 与认知计算之间的部分核心差异。

AI 系统适用于自动执行重复性或高难度任务。

认知计算则可用于增强并辅助人类决策。

AI 系统在特定的数据集上进行训练，擅长处理可以找到具体答案的问题。例如，AI 系统可以根据客户服务手册进行训练，以根据现有的员工培训来提供答案。

认知计算机更注重情境，可从不同类型的输入中提取信息并做出响应。因此，AI 系统更擅长解决存在具体答案的问题，而认知计算对于解决开放式问题和挑战更具价值。

AI 系统旨在尽其所能解决问题。它们可以快速提供解决方案，但其输出可能存在局限、不够准确或不完全可靠。

认知计算机旨在帮助人类更快地找到更好的解决方案。认知系统并非旨在提供最终结果或独立完成任务。因此，认知系统可以帮助用户找到比 AI 系统可能立即提供的解决方案更好的解决方案。

AI 系统受到其训练数据范围的限制。因此，AI 系统可以构建为高度专业化的系统，但这种专业化是以灵活性为代价的。

认知系统的适应性更强。认知计算机旨在从更广泛的变量输入中提取信息，从而能够更好地应对动态情况。

人工智能这种技术使计算机和机器表现出与人类智能相似的特征。这些特征包括学习和保留新信息、理解、解决问题、决策、创造力和自主性。

AI 作为一门可以追溯到 20 世纪 50 年代的研究领域，可以看作是一系列随着时间推移而不断发展的嵌套概念。在过去的 70 年里，它从理论模型发展到机器学习，然后是深度学习，现在发展到生成式 AI。

近期的科技进步使 AI 成为全球关注的焦点。许多令人兴奋的 AI 应用，从工业供应链优化到消费级生成式 AI 艺术生成器和聊天机器人，吸引了大量投资者和爱好者的关注。尽管 AI 的潜在影响怎么强调都不为过，但在当前的迭代中，AI 仍然难以完成某些任务。

AI 系统需要大量的训练数据来了解特定主题。这些庞大的数据集被输入到 AI 中，AI 使用模式识别来建立联系并产生洞察分析。

当收到问题时，AI 系统会参考从训练数据中学到的内容，并根据概率提供最佳答案。这样，根据训练数据和算法的质量，AI 能力可能会较强或较弱，或者受到的限制可能会增多或减少。

虽然现代 AI 看似无所不能，但 AI 最好是部署为执行针对性任务，即专为满足特定目的而调整的专用模型。认知系统同样应针对特定目的进行调整，尽管此类系统可以结合多种 AI 来提高灵活性和响应能力。

认知计算中所用的各类 AI 和 AI 关联或 AI 相关模型包括：

• 狭义 AI：当今最先进的 AI，即狭义 AI 或弱 AI，在解决具有明确、具体目标的定义清晰的问题方面非常有效。Apple 的 Siri、Amazon 的 Alexa 甚至 ChatGPT 等智能助手都属于狭义 AI。

• 机器学习 (ML)：机器学习是 AI 的一个子类别，它支持数字系统以模仿人类学习的方式理解数据。借助 ML 算法，AI 系统能够自主执行任务，并随着时间的推移不断提高准确性。机器学习可帮助计算机从错误中汲取经验教训，并根据用户反馈优化其输出。

• 神经网络：神经网络将节点层和机器学习方法相结合，以模拟人脑通过神经元处理信息的方式。神经网络可提高 AI 解决问题的能力，并根据具体情况权衡解决方案的利弊。

• 深度学习：深度学习通过增加层密度，让神经网络走得更远。简单的神经网络有一层或两层。相比之下，深度神经网络可以有三层到数千层，使其能够模拟类似于人类大脑功能的复杂决策。

认知计算技术有时被称为 AI 的一种类型，但更准确的说法是，认知系统通常包含各类 AI。认知计算将机器学习 AI 系统与其他常见的认知计算技术相结合，例如不同类型的用户界面（如语音、文本）和机器人。

认知系统通过采集大型数据集来增强 AI 功能。这些数据集可以是结构化或非结构化数据，且来自各种不同的来源。

这些类型的自学习系统使用数据科学实时处理输入，权衡上下文信息以帮助用户做出最终决定。通过这种方式，人类可以让认知系统处理繁重的数据挖掘和数据分析，并做出数据驱动的决策，而无需自己掌握复杂的数据科学知识。

认知计算的实际用例包括情感分析、风险评估和优化等一般任务。

虽然认知计算系统的确切参数暂无严格定义，但系统必须满足特定标准才能视作认知系统。认知计算系统必须具备以下特性：

• 适应性：认知系统必须能够灵活应对动态多变、日新月异的数据。随着信息的变化，它们还必须能够适应持续演进的任务目标和使命。

• 互动：虽然 AI 系统可以自主运行，但认知系统的建立目的是为了响应。因此，它们必须能够与用户和信号输入进行交互并做出响应。

• 迭代和有状态：为了模拟认知，这类系统必须是迭代的。他们使用模式识别来识别独特的问题或问题类别，并在适当的时候提出问题要求澄清。

• 情境化：虽然 AI 系统能够出色地解决简单且明确的问题，但现实场景通常取决于上下文。在某一特定情境下解决问题的正确方法，并不一定适用于其他场景。认知计算系统是针对需要根据上下文解决问题的挑战而开发的。这类系统不仅要理解所提供信息的上下文，还要洞察相关解决方案的潜在应用情境。

认知计算的工作原理是向基础神经网络或深度网络添加多个 AI 或 AI 关联解决方案。为了实现适应性、交互性、状态性和情境理解能力，认知系统将机器学习算法与各类技术相结合，例如：

• 专家系统：专家系统是在特定领域或主题中经过详尽训练的狭义 AI。专家系统的目标是创建一个尽可能能够替代人类专家的人造主题专家。专家系统可以提供建议或指导，帮助人类理解复杂问题并做出更明智的决策。这些系统通常用于商业领域，以预测市场趋势或了解过去发生的事件。

• 自然语言处理 (NLP)：自然语言处理将计算语言学（一种基于规则的语言建模方法）与统计建模相结合，使计算机能够理解自然语音或文本并使用自然语音或文本进行响应。NLP 还结合了自然语言理解 (NLU) 和自然语言生成 (NGU) 的子集学科，以提供整体的用户体验。

• 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本，可支持计算机将人类语音转换为书面文本。

• 语音识别：请勿与 ASR 混淆，语音识别能让计算机系统识别不同的嗓音并区分不同的用户，这是虚拟助理和其他物联网 (IoT) 设备的常见功能。

• 对象检测：计算机视觉的主要组成部分，对象检测是一种使用神经网络来根据语义类别来定位和分类图像中对象的方法。对象检测和图像识别对于自动驾驶汽车、视觉搜索和医疗诊断很有用。

• 机器人技术：认知计算系统通常采用机器人技术来执行简单和重复的任务，例如农业修剪、播种和喷洒。虽然简单的 AI 系统可以支持机器人执行此类基本任务，但在医疗保健领域，与机器人相结合的认知系统甚至可以协助精细的手术。