認知圖譜：第三代AI的“大”機遇

{"type":"doc","content":[{"type":"blockquote","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"近年來，人工智能（AI）依靠深度學習、計算機視覺、自然語言處理等技術突破與落地應用，不斷顛覆着人類的既有認知——"},{"type":"text","marks":[{"type":"strong"}],"text":"AlphaGo 通過自我強化學習擊敗了人類的頂尖圍棋選手；而近日 Alphafold 更是破解了一項過去 50 年生物學領域的重大挑戰——蛋白質分子摺疊問題"},{"type":"text","text":"。"}]}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"自 1956 年 AI 的概念首次被提出後，AI 至今已有 60 多年的發展史。如今，隨着相關理論和技術的不斷革新，AI 在數據、算力和算法“三要素”的支撐下越來越多地走進我們的日常生活，比如我們常見的語音識別、人臉識別和機器翻譯等，都已經在手機、電腦等智能設備上有所應用。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","marks":[{"type":"strong"}],"text":"但是，這一系列驚喜的背後，卻是大多數 AI 在語言理解、視覺場景理解、決策分析等方面的舉步維艱：這些技術依然主要集中在感知層面，即用 AI 模擬人類的聽覺、視覺等感知能力，卻無法解決推理、規劃、聯想、創作等複雜的認知智能化任務。"},{"type":"text","text":"當前的 AI 缺少信息進入“大腦”後的加工、理解和思考等，做的只是相對簡單的比對和識別，僅僅停留在“感知”階段，而非“認知”，以感知智能技術爲主的 AI 還與人類智能相差甚遠。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","marks":[{"type":"strong"}],"text":"究其原因在於，AI 正面臨着制約其向前發展的瓶頸問題：大規模常識知識庫與基於認知的邏輯推理。"},{"type":"text","text":"而基於知識圖譜、認知推理、邏輯表達的認知圖譜，則被越來越多的國內外學者和產業領袖認爲是“目前可以突破這一技術瓶頸的可行解決方案之一”。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}}]}