感知、认知与人工智能

在我的脑子里，“感知”和“认知”不是被严格定义的学术概念。两个概念常常被混用，而有时则希望能将它们分开。分开的时候，两者的边界又有一点模糊。一件小事，让我似乎明白了一点。

昨天骑车买菜前，发现轮胎快没气了。而家里的打气筒却也找不到了。等我骑着沉重的车子走到小区北门，发现保安正在用打气筒帮人打气。于是我眼前一亮......

过去，我似乎见过小区门口“提供打气筒”这种字眼。但是，我家里有自己的打气筒，即便见到这样的字眼，脑子里也几乎没有留下痕迹。但是，这次看到打气筒，却产生了一系列的联想和计划：马上在这里打气；以后没气了，可以过来打气；以后可以到更近的门去打气；家里不必再去找打气筒了......这种转变，其实就是“感知”到“认知”的转变——对“提供打气筒”的“视而不见”可以理解为单纯的感知，而通过与其他知识和需求的结合、认识到这条信息的价值则可称之为认知。

对人类老说，感知和认知往往是瞬间发生的，人们甚至意识不到它的区别。在自动控制系统中，“感知”和“认知”往往也是同时发生的：系统采集到一个数字，就知道它代表温度、压力还是流量，就知道它的大小、甚至知道它是否正常。所以，人们往往不太注意区分这样的概念。

但是，在大数据分析的场景下，感知并不等于认知——人们采到一大批的数据，希望知道这些数据意味着什么。比如，设备正常吗？运行合规吗？ 研究AI的时候，更要区分这两个概念：采集到“提供打气筒”的图像，只是图像信息。要知道它的含义，先要转化成文字信息，再转化成语义信息。这个时候，就有必要区分感知和认知了。

人的认知水平，很大程度上反映了人的智力和能力。

智利发生大地震时，有人就意识到铜的价格可能要升了（因为智利有大铜矿），趁机买入铜的期货；开车时，看到前面车子的速度变化、意识到要变道，于是提前应对；领导说了某句话，赶紧改变资金配置、以降低风险.......这些其实都是认知上的能力。在我看来，认知就是从一种信息中提取或者发现更加深层次的知识，以便于更好地决策。

从感知到认知，或许应该是AI的重要研究方向。但这种研究应该是和目的与手段相结合的。一条信息是否触发认知的深入，因人而异：如果我家的打气筒不坏，我就想不到这么多；如果不是搞金融的，恐怕也想不到智利地震可以用来赚钱。换句话说，认知是与需求和条件相关联的，而不是漫无目的的胡乱联想。

马云最近说，人工智能不等于模仿人的智能，因为机器的智能可能比人更强大。其实，这个观点并不新鲜：几十年前，人类就认识到不要和计算机竞争计算速度和存储能力了。但AI领域关心的是：对人类很简单的问题，计算机却难以处理。比如，看到“提供打气筒”图像信息，人类立刻就知道它的含义。这个过程让计算机去做，就会很难。换句话说，传统AI学科研究的重点是针对计算机不如人的这一部分。对于这一部分问题，人类想不出别的更好的办法（或者说传统算法不行），才会想到模拟人的思维或学习机制。

“计算机不如人类”的本质，或许是机器的认知能力差。认知能力差的本质，或许是计算机拥有的知识不足。传统上，计算机拥有的知识都是由人类通过编码写进去的。“计算机不如人类”这种现象的本质，是人类自身的知识难以用程序语言编码。所谓机器学习，就是让机器自己从数据中得到这些知识，而不用人类去编码。

“机器学习”虽然取得了很大的成绩，但背后的关键之一却是人类给出的学习算法。人类还是要告诉计算机怎么学、学什么，这些还是要人编码的。而要搞好学习算法，往往需要回过头来深入理解或模仿人类的思维过程，尤其是认知的过程。

   再回到“人工智能”与“机器智能”之辨问题：当感知和认知接近的时候，机器的“智能”完全有能力超过人类；当感知不等于认知时，机器和人之间存在差距。我认为，推进智能化的过程，一般是先把人做事的逻辑想清楚，再采用智能技术去优化。某种意义下，就是要发挥人在认知方面的优势。这样思考问题的好处，是容易得到人和机器都能扬长补短的技术路径，以取得更好的技术和经济可行性。

   纯粹个人瞎想，欢迎批评指正。