前段时间的“人机大战”——谷歌的Alpha Go战胜人类棋手的新闻甚嚣尘上，不禁有人会想起1997年IBM自主研发的深蓝战胜卡斯帕罗夫的事件。“人工智能”这个词再次被推上风口浪尖，而“认知计算”却鲜有人听说，同样是人类模拟机器思索，让机器具有自主思考能力，都是具有跨时代意义和里程碑式的存在。

      认知计算更加强调机器或人造大脑如何能够主动学习、推理、感知这个世界，并与人类、环境进行交互的反应。它会根据环境的变化做出动态的反应，所以认知更加强调它的动态性、自适应性、鲁棒性、交互性。

      计算机在体系架构上的发展历史主要体现在两个方面：

• 计算能力的增强
• 计算规模的增大

     随着计算机计算能力的大幅增强，具备了处理海量数据的能力；另一方面，日常生活中所产生的数据规模日益扩大，所拥有的数据源驱动了深层次分析的需求；同时大数据、云计算技术的不断完善，都促进了对数据进行深度挖掘，提取数据的特征，利用特征让机器具有自主学习与思考的能力。

     按照计算方式的不同，可以分为三个计算时代：

• 1990s~1940s  打卡阶段（The Tabulating Era）       机械式
• 1950s~现在     编程阶段（The Programming Era）   自主输入
• 2011~将来      认知计算阶段（The Cognitive Era）    自动思考

     “大脑”项目：Think & Learn

• 2006     IBM        Watson      利用自然语言分析，让机器自动推理事件与回答问题；涵盖医疗、数据分析、“危险游戏”等。
• 2011     Google    谷歌大脑     通过神经网络，能够让更多的用户拥有完美的、没有错误的使用体验；谷歌无人驾驶汽车、谷歌眼镜等。
• 2012     Baidu      百度大脑     融合深度学习算法、数据建模、大规模GPU并行化平台等技术，构造起深度神经网络。

一、认知计算的概念：

1. 人工智能与认知计算的区别：

• 人工，以人为主导；认知，机器对事物与外界的理解，交互的能力
• 编程能力；学习与推理的能力
• 确定性结果；概率性结果
• 人并未参与；人、机器、环境之间的交互
• 图灵测试或仿造人测量；实际应用中的测试

     2.  认知计算所涉及的技术领域：

• 神经科学：机器模拟人脑神经元的思考过程；
• 超计算：超级快速计算和处理能力；
• 纳米技术：芯片、系统等底层架构设计。

     3. 认知计算系统的组成：

     需要一个能够理解、学习、推理的“大脑”，一个物物相连的外部环境，大脑与环境之间互相感知与交互。

    4.  认知计算的应用：

• 典型系统特征：大规模、复杂、人与外界交互、大量非结构化数据、输出结果不定的系统；
• 生命科学领域：医疗、保险；
• 社会机构领域：金融银行、政府、能源、教育、商业、交通等。

   5.  案例：Watson-历史上第一个认知系统

• 自然语言处理
• 问答技术
• 高性能计算
• 知识的表达和推理
• 机器学习
• 非结构化信息管理

   6.  认知系统的五个核心功能：

• 创造更深的人工参与
• 测量和提升专业知识
• 认知融入产品和服务
• 实现认知过程和操作
• 加强探索和发现

   7.  认知计算系统的挑战与要求：

   8.  认知计算系统的架构：

• 底层架构：芯片设计（GPU、FPGA、ASIC、POWER8）
• 基础设施：云环境、超级计算节点
• 组织构架：caffe、Theano、Torch等
• 库文件：数据库、工具、包等
• 应用层：信息采集的有效性、人机交互界面、搜索引擎等

 二、人工智能的概述：

     人的大脑科学&计算机科学——>可视化、心理学、神经元组成、深度学习

    1. 人工智能发展过程：

    2. 机器学习的概述：

     两种分类：

• 监督学习：已知label来对事物进行分类；
• 无监督学习：未知label来学习事物特征。

     应用领域：图像识别、计算机视觉、语音识别、生物监控、机器人控制、经验科学、智能医疗等。

     机器学习的流程图：

     分类算法：

• 支持向量机
• 神经网络
• 朴素贝叶斯
• 贝叶斯网络
• 逻辑回归
• 随机森林
• 决策树
• k近邻
• RBMs

     泛化问题：过拟合、欠拟合

    3. 深度学习的概述：

     典型的深度学习：卷积神经网络CNN

认知计算概论