自 1956 年 AI 的概念首次被提出，至今已有 60 多年的发展史。如今，随着相关理论和技术的不断革新，AI 在数据、算力和算法 “三要素” 的支撑下越来越多地走进我们的日常生活。
但是，这一系列惊喜的背后，却是大多数 AI 在语言理解、视觉场景理解、决策分析等方面的举步维艰：这些技术依然主要集中在感知层面，即用 AI 模拟人类的听觉、视觉等感知能力，却无法解决推理、规划、联想、创作等复杂的认知智能化任务。
当前的 AI 缺少信息进入 “大脑” 后的加工、理解和思考等，做的只是相对简单的比对和识别，仅仅停留在 “感知” 阶段，而非 “认知”，以感知智能技术为主的 AI 还与人类智能相差甚远。
究其原因在于，AI 正面临着制约其向前发展的瓶颈问题：大规模常识知识库与基于认知的逻辑推理。而基于知识图谱、认知推理、逻辑表达的认知图谱，则被越来越多的国内外学者和产业领袖认为是 “目前可以突破这一技术瓶颈的可行解决方案之一”。
目前，基于深度学习算法的很多应用都解决了相关的感知任务，如对象识别、自然语言处理(NLP)、翻译以及其他涉及数据广泛关联处理的任务(比如推荐系统)。深度学习系统依靠微分编程和复杂的基于数据的相关性做出了出色的成果，并有望在未来几年内推动整个行业的转型。但与此同时，我们必须克服深度学习本身固有的限制，以进一步帮助机器学习或者更广泛地说是人工智能离实现其潜力。要实现非增量创新，需要在以下三个方面共同努力：
实质性地提高模型效率(例如，在不降低其精确度的前提下，将参数数量减少 2-3 个数量级);
大大增强模型的稳健性、可扩展性和可伸缩性;
全面提高机器的认知能力。
由 dawei
【声明】：毕节站长网内容转载自互联网，其相关言论仅代表作者个人观点绝非权威，不代表本站立场。如您发现内容存在版权问题，请提交相关链接至邮箱：bqsm@foxmail.com，我们将及时予以处理。