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：
- 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
