自 1956 年 AI 的概念首次被提出 ， 至今已有 60 多年的发展史 。 如今 ， 随着相关理论和技术的不断革新 ， AI 在数据、算力和算法 “三要素” 的支撑下越来越多地走进我们的日常生活 。
>>>>
但是 ， 这一系列惊喜的背后 ， 却是大多数 AI 在语言理解、视觉场景理解、决策分析等方面的举步维艰：这些技术依然主要集中在感知层面 ， 即用 AI 模拟人类的听觉、视觉等感知能力 ， 却无法解决推理、规划、联想、创作等复杂的认知智能化任务 。
当前的 AI 缺少信息进入 “大脑” 后的加工、理解和思考等 ， 做的只是相对简单的比对和识别 ， 仅仅停留在 “感知” 阶段 ， 而非 “认知” ， 以感知智能技术为主的 AI 还与人类智能相差甚远 。
究其原因在于 ， AI 正面临着制约其向前发展的瓶颈问题：大规模常识知识库与基于认知的逻辑推理 。 而基于知识图谱、认知推理、逻辑表达的认知图谱 ， 则被越来越多的国内外学者和产业领袖认为是 “目前可以突破这一技术瓶颈的可行解决方案之一” 。
近日 ， 英特尔实验室副总裁、被评为 AI 领域 50 位全球思想领袖和影响者之一的 Gadi Singer 发表了一篇题为 The Rise of Cognitive AI 的文章 ，探讨了人工智能的第三次浪潮：认知人工智能的兴起 。
在不改变原文大意的情况下 ， 学术头条对文章进行了精心的编译 ， 内容如下：
深度学习（DL）正取得巨大的进步 ， 并在我们生活的各个方面革新整个行业 ， 包括医疗保健 ， 零售 ， 制造业 ， 自动驾驶汽车 ， 安全和防诈骗以及数据分析 。 但是 ， 为了构建人工智能（AI）的未来 ， 推动新一代技术进一步发展 ， 我们要对其设定一组目标和期望 —— 到 2025 年 ， 人工智能将会发生质的飞跃 ， 机器也将明显变得更加智能 。
目前 ， 基于深度学习算法的很多应用都解决了相关的感知任务 ， 如对象识别、自然语言处理（NLP）、翻译以及其他涉及数据广泛关联处理的任务（比如推荐系统） 。 深度学习系统依靠微分编程和复杂的基于数据的相关性做出了出色的成果 ， 并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限制 ， 以进一步帮助机器学习或者更广泛地说是人工智能离实现其潜力 。 要实现非增量创新 ， 需要在以下三个方面共同努力：

• 实质性地提高模型效率（例如 ， 在不降低其精确度的前提下 ， 将参数数量减少 2-3 个数量级）；
• 大大增强模型的稳健性、可扩展性和可伸缩性；
• 全面提高机器的认知能力 。

文章图片

图｜基于深度学习的语言模型中参数数量呈指数级增长（来源：microsoft）
虽然剪枝（pruning）、稀疏性（sparsity）、压缩（compression）、蒸馏（distillation）和图神经网络（GNN）等技术可以提高模型效率 ， 但最终也同时产生了增量改进 。 在不影响结果的前提下 ， 将模型大小降低几个数量级 ， 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中的学习能力方面进行更根本的改变 。 此外 ， 持续性进步也需要更具计算效率的深度学习方法或者转向其他机器学习方法 。 现在 ， 一类具有前景的人工智能系统正通过在辅助信息库中进行检索来代替大量事实和数据的嵌入 ， 从而迅速受到人们的青睐 。
【认知AI的兴起：2025年AI将会发生质的飞跃】与此同时 ， 统计机器学习方法基于这样的假设 —— 训练样本的分布代表了推理过程中必须处理的内容 ， 在现实生活的使用中存在重大缺陷 。 尤其在遇到训练数据集采样稀疏 ， 甚至缺乏样本的情况时 ， 深度学习模型就会受到挑战 。