AI人工智能认知智能，AI 的下一个十年 | AI Procon 2020( 三 ) |行业互联网|

本文插图
在此之中，算法是核心，计算、数据是基础。不过，需要强调的是，场景更为重要。
同样以一个简单的例子为据：
在认知智能研究中，核心是基于知识图谱之上，并在认知推理、机器学习算法做逻辑表达。下述案例中，是一个较为经典的使用认知图谱做算法和认知的结构的问题：
在洛杉矶的 Quality Cafe 的咖啡店中，于 2003 年拍过电影的导演是谁？
如果人想要得到答案，或许会从洛杉矶或 Quality Cafe 地点着手，盘点在这个咖啡厅中拍过的电影有哪些，进而查找电影的导演是谁，在根据 2003 年的年份去判断，最终找到答案。
如果是机器，它会怎么完成？
在这里，倘若我们采用传统方法或深度学习如 BIDAF、BERT、XLNet 等算法，那么需要构建一个冗长的预训练上下文，从而进行推理匹配。这样做其实弊端很多，一方面，它是一个黑盒子，缺乏可解释性。另一方面，缺乏在知识上面的推理能力，所以未必会得出的最终结果。
针对这一问题，或许可以从关键点入手。首先可以从维基百科进行相应地查询，找到相关的实体，通过实体再做下一个选择，如从 Old school 找到 Todd Phillips ，最终人脑进行一个推理决策，判断最终的答案。
在这个过程中涉及非常简单的两个阶段：
快速匹配。比如给定 Quality Cafe ，我们会迅速找到维基百科的结果，或从大脑中的一个记忆系统中找到相关的记忆；
另外，我们会做决策推理，也就下面的这个过程，人脑进行思考，不过这个过程相对比较慢。

本文插图
因为认知推理过程中，人脑在思考的时候，会有两个系统，被称之为双系统理论：
System 1 为直觉匹配，它具有无意识性，会快速地进行知觉匹配；
System 2 为逻辑分析，具有规划推理，带有意识的生产过程，做最后的决策。
时下的深度学习大部分针对 System1 也就是在做无意识的匹配，而未来的深度学习，更应该进行逻辑、规划、推理学习。那么，该双系统理论如何与上述的问题结合？对此，可以通过认知图谱的推理模型，与双系统对接，在这一过程中， System 1 做知识匹配，简单地将知识节点和知识正文匹配起来， System 2 进行决策。

本文插图
根据上述案例，当问题出现后，我们首先突出两个实体， Quality Café 和 Los Angeles，对 Quality Cafe 做快速匹配，从而找到相应的文档，并从中抽出新的实体，比如 Old School、Gone in 60 seconds ，这两个实体都是两个电影的名字， System2 会做决策，会判断 Old School是我们要的答案吗？或者 Gone in 60 seconds 是我们要的。
在判断后，如果不是正确答案，那么它会将当前这个作为一个新的线索，放到 System1 中，这就和人脑推理的过程一模一样， System1 就会进一步做知识或实体的抽取，比如快速找到 Old school 对应的页面，从里面再抽出新的实体，像 Dodd Phillips ，或者其他实体， System2 再做决策，于是这两个过程就变成抽取决策。

本文插图
细分而言，对于 System1 实现，可以用 BERT 进行预训练，在预训练的基础上，我们可以做一个快速的匹配，而对于 System2 该如何实现？