认知社会计算

应该对个人的处事方面有帮助吧，比如说你从别人的表情，手势，话语或者是当下的状况能够推理出自己下一步应该做什么，或做什么对自己有利，另一方面认知能力应该是在工作中有一定帮助，比如说你到一个新的环境，需要接触一些你从来都没有接触过的工作，那么你需要通过自己的能力来进行学习。还有，交朋友的时候，你能通过他们的谈吐，行为，兴趣爱好等方面判断他们是不是值得深交的朋友等等。这应该属于个人素质和个人魅力的一方面。

“认知计算”这个概念的核心是类脑计算。或者换种说法，狭义的认知计算就是类脑计算。认知计算的终极目标，就是完全的类脑计算。人工智能是一个很大的概念，个人认为从终极目标的角度来说，认知计算是实现人工智能的一条重要途径。人脑仅凭几十瓦的功率，能够处理种种复杂的问题，怎样看都是很神奇的事情。更重要的是，人脑认知的一个关键点在于能够处理情感，这一点是现有人工智能所难以企及的。以神经网络的观点来看，情感就是一种计算的产物，即脑神经网络计算的产物。那么我们以后能否建立初能够认知情感的模型？或者说部分认知情感的模型？这都是认知计算要重点解决的问题。但个人认为，如果要从技术角度去讲认知计算和人工智能两者的关系，那就要非常谨慎。通常的研究者恐怕难以到达这个高度。进一步讲，能够从技术角度单把人工智能讲清楚，都是一件水平很高的事情。至于与机器学习的关系，在现阶段，两者的相当一部分技术、算法都是重合的，但两者的服务目标则有所区别。具体来讲，认知计算更强调“类脑”。现今付诸实践的机器学习方法，离类脑计算尚有相当远的一段距离。深度学习的确在计算机视觉等领域取得了巨大的成功，最近还击败了人类专业围棋手。但个人认为深度学习在现阶段还不能说是类脑计算，最多达到仿生层面。例如，撇开刚才讲到的情感问题不谈，如果我们关注一下神经元激活函数，就会发现实际生物体神经细胞中的input-output关系基本上是sigmoid [1]，但在deep learning中，激活函数sigmoid不一定好用，后来就出现了ReLU，大家发现ReLU比sigmoid好用得多。但ReLU的提出实际上是离生物体神经元越走越远，因此Deep Learning是否还走在类脑的道路上，现在还不能给出肯定的结论。另外，由于Deep learning目前还没有严格的数学理论支撑，同时人们对脑的理解还十分有限，所以完全的类脑计算还会是一个很长远的目标。这正是认知计算需要解决的问题，要解决这个问题，就必须在研究方法论上将计算机科学和认知神经科学摆到同等的地位。简单地说，一个没有系统地学过认知神经科学的人，完全可以做机器学习，并发出高水平的paper，但却很难做好真正的认知计算。探索、学习、模拟人脑，正是认知计算的魅力所在。

认知不是一个可以脱离具体身体的精神性存在，认知依赖于有机体的物理性身体。身体在认知加工中是构成性的(constitutive)的，身体状态可以导致认知状态。身体的物理结构对认知具有直接的塑造作用。身体的感觉—运动系统经验及其心理模拟在认知加工中扮演着关键角色。认知表征并非由一些无意义的符号构成。神经科学的研究从来没有证实神经系统具有将感官刺激转换成抽象符号的能力。