人工智能|时间的力量——1991 人工智能大辩论 30 周年纪念：主义不再，共融互生｜GAIR 2021( 五 ) 检查|外卖|重庆|江北区|市场监

然而，感知智能对智能发展的推动作用有限，所以越多越多的人开始寄希望于认知智能，从目前的趋势来看，在深度学习时代，大数据和知识双轮驱动是认知智能取得新突破的一个颇有潜力的路径。
林方真教授认为，在深度学习流行的今天，我们仍然需要坚持对知识表示和推理技术的研究。人工智能是个渐进发展的和交叉学科，需要通过不同的方法解决不同的问题。知识表示和推理是智能的重要基石，而逻辑则是推理的数学基础。事实上，人类从古希腊时期就开始尝试使用逻辑来形式化人类的推理，这是众多哲学家和数学家上千年来的研究结晶。在林方真教授看来，用神经网络取代逻辑推理的方式并不可行，应结合各种 AI 工具，而不是用某种工具取代其它的工具。
2. 感知、认知智能的融合
如今，感知、认知融合技术的融合已渐渐成为了一种趋势。如何实现感知信号、认知推理、行为决策之间的递进是融合各个主义学说的关键问题。
对此，周志华教授认为，作为计算机学科出发的人工智能研究者，更关心的是受智能行为的启发解决实际问题，而不必过分拘泥于“认知”“感知”等概念和说法。从技术方法论上看，传统基于逻辑的人工智能主要是基于自顶向下的“演绎”，比较容易利用领域专家知识，而目前机器学习主要是基于自底向上的“归纳”，比较容易利用数据事实，现在差不多是考虑将自顶向下的演绎和自底向上的归纳结合起来的时候了，或许可以解决当前的人工智能技术所不能解决的一些问题。
赵峰教授指出，我们需要从两个方面考虑各种主义的融合：（1）人与动物的差别。从感知角度来看，有些动物在某种感知模型里，比人更加敏感。但是人能够把经验总结下来，形成体系化知识，并且在人与人之间互相传播和交流这些知识，所以从这个角度来讲，认知行为理论是值得借鉴的。（2）机器学习。目前机器学习的知识挖掘仍然局限在基础的“关联”层面，未有效地触及因果关系。如今，学术界和工业界对可解释的 AI、可信 AI 技术的需求与日俱增。相比于 30 年前，如今的算力基础和数据准备达到了前所未有的高度，如果把机器学习、结构化知识、认知行为理论有机的结合起来，或许有望突破模型推理的黑盒挑战。
3. 知识从何而来？
“知识”是人工智能系统发挥作用的重要基础，在周志华教授看来，我们大致可以通过以下两种方式获取知识：（1）将人类的一些常识和经验总结下来形成知识。该过程通常需要用逻辑表达的方式实现。（2）借助庞大的互联网，作为人工智能获取知识的来源。通过以上两种方式获取知识的方法各有千秋。人类基于逻辑关系的知识表达精确性高，对人工智能系统非常友好，从互联网中挖掘出的知识，不可避免地会存在大量的噪声和冲突。而互联网中蕴含的知识量往往更大，获取知识的成本较低。为了将二者结合起来，可能在某种程度上会牺牲互联网知识的灵活性，以及逻辑知识的精确性。机器学习或许可以作为结合二者的“粘合剂”。
杨强教授认为，从迁移学习的角度来看，以人类为例，人类在儿时获取的知识的主要来源于父母，相当于给小孩赋予了一个预训练模型。经过教育后，人类在“调参”过程中掌握了学习的规律和方法。长大后，人类不需要接触很多案例，就可以通过迁移学习训练模型，适配新的场景，学会很多新知识。如今，“预训练+调优”的范式在人工智能领域被广泛应用，这一方向前景十分光明。
张成奇教授指出，认知知识和感知知识的结合是很一个长远的研究课题。人类不需要大数据感知，基于小样本数据就可以完成学习任务，但对于人工智能系统而言，这是一项非常有挑战的事情。对于一辆自动驾驶汽车来说，为了了解道路周围的环境，它需要用到感知智能。在行驶过程中，为了避免道路拥堵，规划两个位置之间的路径，需要用到认知智能技术。在掌握了认知和感知知识后，它还需要学习驾驶技术，实现具体的动作，这本身是一件非常难的事情。从现阶段来看，我们可以尝试分开研究感知和认知知识。