深度学习与认知计算

度学习 ( Deep Learning ) 是当下很热的话题,笔者在大学课堂上介绍沃森是不止一次地被问到深度问答 ( DeepQA,沃森的架构技术) 是否也采用了深度学习的方法。笔者的回答可能令一部分听众失望,简单的回答是没有直接用到。借今天这个机会,笔者希望谈一谈深度学习与沃森,或者更大一点的题目认知计算之间的关系。

在完成《危险边缘》节目的挑战之后，沃森被用于其它的任务，比如辅助医疗诊断。众所周知，建造一个能够快速适应不同领域的智能系统实际上是一个更大的挑战。沃森在建造之初即考虑过将来在其它领域的适应性问题，也通过AdaptWatson工具重新训练完成TREC QA的任务并取得优异的成绩。但是对于跨度更大的其它领域内的任务，很有可能不仅评分器需要重新训练，证据的维度也可能非常不同。这时候，就需要进一步发展包括沃森在内的智能系统的架构以得到适用范围更加广泛的成果。

2.重新定义认知计算

认知计算(Cognitive Computing) 是对新一代的智能系统的特点的概括。这其中既包括沃森这样在功能层面具备人类的某些认知能力，能够出色完成特定的认知任务的系统；也包括在结构层面借鉴人类的大脑的构造，重新设计出非冯-诺依曼体系架构的计算机，更有效地进行认知所需的运算。后者的一个代表，便是SyNAPSE项目。

SyNAPSE项目的目标是最终建立1010个神经元和1014个突触的认知计算架构，而且功耗降至1kW左右，体积缩小到两升左右。这一目标主要是受到耶鲁大学的神经生物学教授Gordon Shepherd和加州理工学院的认知和行为生物学教授Christof Koch的研究结果的启发，他们分别估计人类的大脑大约有0.6x1014和2.4x1014个突触。为此需要开发新型、超低功耗、紧凑型、模块化的架构，目前一个被称为TrueNorth的架构就是模仿人脑的组织和功能而设计的，用CMOS电路器件组成生物学中的神经元的轴突，树突和突触。另外，IBM和LBNL已经在一台具有1,572,864个处理器核心, 1.5 PB 的内存, 98,304 个MPI进程, 以及6,291,456 个线程的蓝色基因超级计算机上完成了53x1010个神经元和1.37x1014个突触的仿真计算。[3]

从不同的方向上，我们大致可以勾画未来的认知计算的特点：自然的人机接口；学习能力；探索或问题求解能力。

认知系统需要和人类一样具有接收、处理和理解声音、图像和语言的能力。沃森和Siri所代表的自然语言处理的能力还需要进一步深化，将来的系统能够更加聪明的和人类进行对话。语音识别和合成将更加准确，使用起来也更加方便。图像和视频的理解将来能够识别出物体、人物甚至异常情况。

认知系统的学习能力非常关键，因为建造专门的认知系统成本非常的高。建立通用的具有学习能力的系统具有特别现实的意义，特别是当我们处在当前大数据的时代，可供学习的数据和知识越来越丰富。无论是监督学习、无监督学习、半监督学习还是强化学习，目前看来对认知系统的构造都非常有用。

认知系统能够进行探索和问题求解，这是在复杂环境下完成任务的要求。假设生成-假设检验的框架能够适用于很多复杂任务。知识的表示和推理依然是核心问题，但我们可以期望知识获取能够取得突破，特别是计算机直接从人类积累的各种文献中获取知识。

这三个方面的进展是密不可分，而且能够相互促进。例如学习能力的提高可以加强语言处理的能力，而如果能够通过语言的理解来获得问题求解所需要的知识将会带来解决问题能力上的飞跃。提出认知计算的意义更在于我们希望将来的计算机不仅通过编程的方式来具备