前期回顧
作為人工智能的一個重要分支，認知體系的研究和應用經過了近40年的發(fā)展，已取得了可見的成果。上期內容對認知體系的概念進行了闡述，本期將繼續(xù)就認知體系的分類和感知部分進一步展開。譯者希望通過摘譯的內容，引起大家對“認知體系”研究的更多關注。摘譯：認知體系研究綜述（一）
1 引言
2 什么是認知體系
3 認知體系的分類 （Taxonomies of Cognitive Architectures）
關于認知體系的分類，目前相對主流的三大范式是：符號（也稱為認知）、涌現（也稱為聯結）和混合。到底哪一個正確地反映了人類的認知過程，仍然是一個懸而未決的問題，在過去的30年里一直在爭論［12，13］。
符號范式通常使用預定義指令集等符號來表示概念。指令通常以if－then的規(guī)則形式執(zhí)行，例如ACT－R， Soar等產生式體系。這是一種自然而直觀的表示方式，因此符號操作仍然是一種公認的表示方式之一。雖然符號范式擅長計劃（規(guī)劃）和推理，但不具有處理環(huán)境變化和感知所需要的靈活性和魯棒性。
涌現范式通常建立大規(guī)模并行模型來解決適應性和學習問題，例如神經網絡模型，其數據來自輸入節(jié)點。然而，由于信息或知識不再是一組可解釋的符號實體，而往往分布在整個網絡中，這導致模型不再透明。在涌現模式中，傳統(tǒng)意義上的邏輯推理似乎成為不可能。
自然地，每種范式都有優(yōu)缺點。一方面，任何符號體系結構創(chuàng)建初始知識庫需要大量工作，可一旦完成，體系結構就完全功能性。另一方面，涌現體系結構更易于設計，但它們必須經過大量訓練才能產生有用的行為；此外，他們的現有知識可能隨著新行為的學習而惡化。
由于符號和涌現范式都不能解決認知的所有問題，混合范式試圖結合符號和涌現的元素，這樣的混合體系在我們選擇的架構中是最常見的。一般來說，混合方式沒有限制，而且已經探索了許多可能性。除了考慮表示，還考慮系統(tǒng)是單模塊還是多模塊、異構還是同質，或考慮混合的粒度（粗粒度還是細粒度）、符號和子符號組件之間的耦合性。此外，并不是所有的混合架構都明確地解決了所謂的符號和次符號元素以及將它們組合起來的問題。只有少數幾個體系結構，例如ACTR、CLARION、DUAL、CogPrime、CAPS、SiMA、GMU－BICA和Sigma，認為這種集成是必要的。我們將重點放在表示和處理上。
圖1顯示了分類分組的組織結構。在頂層分成了：符號的、涌現的和混合的。關于這些術語的界定也是模糊的，即使對于最著名的架構（例如Soar和ACT－R）也不能達成一致。盡管兩者都將符號和次符號元素結合起來，ACT－R的作者明確地表達為混合模式，而Soar沒有。各位學者的觀點也不一致，Soar和ACT－R在［14，15］中都被稱為符號主義者，而［16］將它們列為混合體。
圖1
為了避免分組的不一致性，我們假設顯式符號是符號表示的原子，可以組合成有意義的表達式。這些符號用于推理或句法分析。子符號表示通常與神經元的隱喻聯系在一起，這種表示的一個典型是神經網絡。在神經網絡中，知識被編碼為分布在神經元之間的數值模式，與單元相關聯的權重影響處理，并通過學習獲得。
對于我們的分類，我們假設任何非顯式符號和處理（句法操作除外）都是子符號（例如數值數據、像素、概率，傳播激活、強化學習等）。結合了兩種表示中的任意組合都被當作混合模式。給定這些定義，將標簽分配給所有架構并將它們可視化為圖1。
我們區(qū)分了兩類涌現類別：實現類生物神經元的神經元模型和更接近人工神經網絡的連接（邏輯）模式。在混合模式中，我們將符號子處理（其中符號模式與執(zhí)行子符號計算模塊相結合）作為混合模式的一個子類，符號子處理組中的架構至少包括一個用于感知處理的子符號模塊，而其余的知識和處理是符號的，例如3T， ATLANTIS， RCS， DIARC， CARACaS and CoSy。雖然存在其他類型的功能組合（例如協(xié)同處理、元處理和鏈處理），但是難以歸類。因此，其他的都歸類為完全集成的混合模式。完全集成的體系結構使用多種方法來組合不同的表示。ACT－R、Soar、CAPS、Copycat／Metacat、CHREST、CHARISMA、CELTS、CoJACK、CLARION、REM、NARS和Xapagy將符號概念和具有次符號元素（如激活值、擴散激活、隨機選擇過程、強化學習等）的規(guī)則結合起來。
綜上所述，混合架構是數量最多的一組，并顯示出增長趨勢?；旌霞軜嫺鶕柡痛畏柦M件的比例和扮演的角色，在涌現范式和符號范式之間形成一個連續(xù)統(tǒng)。例如，CogPrime和Sigma在概念上更接近于涌現系統(tǒng)，因為它們與神經網絡有許多共同的屬性。而REM、CHREST和RALPH以及3T和ATLANTIS，在很大程度上屬于符號范式；因為這些架構主要是符號化的，雖然可以利用概率推理和學習機制。
4 感知（perception）
雖然早期的認知結構主要側重于高層次的推理，但同樣重要的是感知和行為。
感知可以定義為將原始輸入數據轉換為系統(tǒng)內部表示以執(zhí)行認知任務的過程。根據輸入數據的來源和性質可以區(qū)分多種感知模式。例如，最常見的五種是視覺、聽覺、嗅覺、觸覺和味覺；其他的感覺包括本體感覺、熱感、痛覺、時間感等。
當然，認知結構也實現了其中的一些與人類感官無關的符號輸入（使用鍵盤或圖形用戶界面（GUI））和各種傳感器（激光雷達、激光、紅外等）。根據其認知功能，智能系統(tǒng)可以將各種數量和類型的數據作為感知輸入。
因此，本節(jié)將研究使用各種數據輸入，從這些數據源中提取信息以及如何應用這些信息的認知體系。圖4中的將調研結果進行了可視化。
圖2：視覺（V）、聽覺（A）、觸覺（T）、嗅覺（S）、本體感覺（P）、數據輸入（D）、其他傳感器（O）和多模態(tài)（M）
從圖2的可視化中可以觀察到如下情況。例如，視覺是最常用的實現方式，然而，超過一半的體系使用模擬進行視覺輸入，而不是攝像機。觸覺和本體感覺等方式主要用于物理體現的設計。有些感知未被充分探索，例如嗅覺只在三種體系中出現（GLAIR、DAC和PRS0）?？偟膩碚f，符號范式在設計上具有有限的感知能力，并且傾向于使用直接的輸入數據作為唯一的信息來源（參見圖的左側）。另一方面，混合范式和涌現范式（主要位于右半部分圖中的）使用模擬和物理傳感器實現更廣泛的感知模式。然而，不管其來源如何，傳入的感知數據通常不能以原始形式使用（除了符號輸入之外），往往需要進一步處理。下面將討論在認體系中如何進行有效且充分的感知處理。
12下一頁>（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
