1、引言

提起百年老字號這個詞大家的第一反應或許是同仁堂、全聚德等有歷史底蘊、文化傳承的傳統行業，很難使其與互聯網聯系在一起，但在智能行業里面也有百年老字號，它就是藍色巨人——IBM（International Business Machines Corporation），出生于1911年的IBM沒有像我們人類那樣白發蒼蒼滿臉皺紋，反而越活越年輕，之所以這樣說是因為它總是站在時代的前列，引領一個時代的到來，它是智能行業里經驗豐富的“老船長”在復雜的人工智能海洋里位我們指引前進的方向。在由中國人工智能學會發起主辦、CSDN承辦的2015中國人工智能大會（CCAI 2015）上IBM中國研究院大數據及認知計算研究總監蘇中發表了題為《從WATSON到認知計算》的主題報告，報告介紹了IBM在認知計算領域所做的工作和取得的成果； 2016年1月7日IBM宣布，將轉型成“CognitiveSolution &Cloud Platform Company” （認知解決方案和云平臺公司），相信IBM的這次轉型也是這位“老船長”為互聯網“航海”行業的又一次迷津指點。

作為人工智能的一個重要領域——認知計算，已經有國內外諸多學者在這個領域耕耘努力，今天為大家介紹的是卡耐基梅隆大學心理學和計算機科學教授約翰·羅伯特·安德森（John RobertAnderson），安德森教授在2016年1月16獲得了美國國家科學院（National Academy of Sciences）獎以表彰其在研究我們學習規律上的革命化的成就，安德森的代表性的研究成果是理性思維的自適應控制系統ACT-R(AdaptiveControl of Thought—Rational)。下面我們將以安德森的ACT-R認知框架為基礎探討認知智能。

2、ACT-R

ACT-R模型是一個人類認知理論，由美國人工智能專家和心理學家安德森(JohnR.Anderson)等人建立。該理論試圖理解人類如何獲得和組織知識以及如何產生智力活動。其研究進展基于神經生物學研究成果并從中得以驗證。ACT-R已成功地為許多不同認知現象建立起合理的模型，包括感覺和注意、學習和記憶、問題解決和制定決策、語言加工、智力動因(intelligentagents)、智力教師系統(intelligenttutor systems)和人機交互等。

2.1  發展歷程

ACT-R理論起源于人類聯想記憶模型理論（human associative memory HAM）。起初該理論只涉及陳述性知識的表征以及這些表征如何影響行為,并沒有討論程序性知識。而后，安德森提出了陳述性知識和程序性知識的區別。通過借鑒紐厄爾(Newell)的思想，他提出程序性知識由產生式規則實現。于是體現程序性和陳述性結合理論的產生式系統模型ACTE問世了。經過7年的發展,他們建立起了一個稱為ACT的理論，該理論包含一系列關于該系統在神經學上如何實施的假設，以及產生式規則如何獲得的物理學上的假設。這個認知系統持續了10年時間，直到安德森提出了一個新系統ACT-R。該系統反映了過去十年技術上的發展,現在作為一小部分研究團體的計算機模擬工具。該版本系統的關鍵想法是，在環境的統計學結構下，系統為了給出適應性的表現，知識的獲得和調用過程會隨環境而發生改變。

ACT-R已經經歷了好幾次版本的升級。1998年，《思維的微小組成》（Theatomic components of thought）一書的出版標志著ACT-R4.0的推出。以安德森和Lebiere的觀點,ACT-R4.0是ACT-R多個版本中第一個真正實現紐厄爾關于認知統一化理論夢想的版本。在ACT-R4.0中，ACT-R為紐厄爾確定的統一認知領域(即問題解決,決策制定,常規行動、記憶、學習和技能)中的前兩個領域的認知現象建立了成功的模型。而在隨后的ACT-R5.0版本中建立起了知覺——動力系統ACT-R/PM，后又成功地為第三組領域(知覺和動力行為)建立了模型。最近,ACT-R6.0版本也已經發布。

2.2  理論基礎

作為一種認知理論，ACT-R主要建立在兩個假設之上：一是對人類認知的理性分析；二是陳述性知識和程序性知識的區分。從后面的介紹中我們可以看到，關于ACT-R理論的論述主要基于理性分析和三個簡單的二分法。

2.2.1  理性分析

所謂理性原則(rationalprincipal)，就是指認知系統在其運算限制的前提下,其每個成分都盡可能使來自環境中的要求達到最佳的滿足。如果我們想知道認知結構某個特定方面如何運轉，我們首先需要考慮這個方面如何運轉才能盡可能地在環境中達到最優化。無論選擇使用什么策略或選擇提取什么記憶元素，ACT-R會選擇有著最高期望獲得值的一個，也就是有著最低期望代價同時有著最高期望成功概率的一個。

2.2.2  三個二分法

ACR-R理論建立的另一基礎是如下三個簡單的二分法：

（1）兩類知識：關于事實的陳述性知識(declarativeknowledge)和關于如何完成各種認知活動的程序性知識(procedural knowledge)；

（2）兩個假設：關于ACT-R如何運用已有知識去解決問題的操作假設(performanceassumptions)和關于如何獲得新知識的學習假設(learning assumptions)；

（3）兩個水平：有關離散知識結構的符號水平(symboliclevel)和有關神經系統激活過程的亞符號水平(sub-symboliclevel),這一水平決定符號結構的可用狀態。

2.2  理論架構

ACT-R系統是一個混合型認知體系結構，由symbolic系統和sub-symbolic系統兩部分組成。因為subsymbolic系統構成的是模塊內部的工作方式，所以無法顯式地在圖中表達。從圖 1中可以看到ACT-R的symbolic系統內部結構，整個系統由若干不同模塊組成，其中最重要的過程性模塊通過緩沖塊將其他所有模塊連接成一個整體。symbolic系統本身可以看作由一個產生式系統驅動的模型，通過過程性模塊中的產生式規則來對不同模塊的緩沖塊進行操作。運行在外部結構后臺的sub-symbolic 系統通過一系列的數學方法對symbolic系統中模塊內部的操作進行控制。

3、應用與思考

3.1  ACT-R認知框架應用

3.1.1 在教育、學習方面的應用

Anderson及其團隊多年來致力于有關學習、記憶與大腦神經的研究，才在長時間的探索中孕育出了ACT-R理論體系。因此，該理論在有關教育、學習的領域得到廣泛的關注與應用。其中，又以學習遷移為該理論與應用主要的契合點。遷移是一種長期受到人們關注的心理現象，它的基本含義是:在先前的學習(或訓練)中獲得的知識和技能，對學習新知識、新技能或解決新問題所產生的影響，Singley和Anderson曾指出“學習遷移的研究是對所有的綜合性認知學習理論的一個嚴格的也是必要的檢驗”。關于遷移，安德森等人提出了“共同要素理論”。這一理論實質上是桑代克的相同要素理論在信息加工心理學中的新版本，它的特點是以產生式規則取代了相同要素。理解知識如何在領域間遷移關鍵取決于認知任務分析(檢查一個領域中已獲得的知識結構，并評估對另一領域的應用性)[8]。按照“共同要素理論”，兩種技能之間發生遷移的條件是，它們之間必須共用相同的程序性知識，并且，兩種技能之間的遷移量，可以通過計算它們共用的程序性知識的數量來作出估計：(1)如果兩種技能共用較多的程序性知識,它們之間將產生顯著的遷移；(2)如果兩種技能共用較少的程序知識，即使它們共用相同的陳述性知識，它們之間也將產生很少的遷移或者沒有遷移。第一個假設得到了有力的實驗支持。例如，在使用不同編輯器進行文字編輯的技能和用不同計算機語言進行編程的技能的實驗研究中，都發現共用程序性知識的數量與遷移的有規律的關系，即共用產生式的數量越多，遷移量越大。對于第二個假設，在幾何證明和計算機編程等領域的研究中，也有一些實驗證據。例如，在一項研究中,Neves和Anderson發現，被試花了10天時間進行“解釋幾何證明”的訓練后，并沒有對解決需要相同知識的幾何證明題產生遷移。在另一項研究中，McKendree和Anderson首先讓被試完成150個LISP程序的評價任務，然后完成16個LISP程序的編寫任務；接著，又讓這些被試完成450個LISP程序的評價任務，然后再完成16個LISP程序的編寫任務。他們發現，被試第二次完成LISP程序的編寫任務的成績并沒有提高。

然而，以上實驗結果受到一些研究結果的挑戰。例如Kersney的研究表明，在編寫LISP程序和調試LISP兩種技能之間，存在著顯著的遷移。Pennington等也在“編寫LISP程序”和“評價LISP程序”之間發現了顯著的遷移。在對這些實驗結果進行討論時，Pennington認為，“編寫LISP程序”和“評價LISP程序”之間的遷移不是一種“程序性遷移”(procedural transfer)，而是一種“陳述性遷移”(declarative transfer)。也就是說，在對其中一種子技能進行訓練的過程中，被試對訓練前獲得的陳述性知識進行了精細加工，從而使得在完成另一種技能的任務時，能夠更快地將陳述性知識轉化為程序性知識，并減少了錯誤。對于片面強調程序性知識的作用的“共同要素理論”來說，這一觀點是一個重要的補充。

我國有學者在“共同要素理論”的基礎上提出了遷移的四因素理論，認為兩種技能之間的遷移，受程序性知識之間的關系、對陳述性知識的精細加工、對程序性知識的精細加工、被試的先前認知能力四個因素的綜合影響。近年來，問題解決中的遷移成為認知心理學的關注熱點。有大量的證據表明，被試的早期問題解決技能深受與相似例子的類比的影響。問題解決中的類比策略表現了學習遷移在問題解決中的作用。顯然，樣例在問題解決和遷移中起著重要的作用，因此，樣例學習研究的價值和重要性就不言而喻了.大量的研究都證實了樣例學習的諸多優點，但也有一些研究表明，樣例學習有許多弊端。如何設計樣例結構或創設樣例學習系統減少負面影響，更好地發揮樣例的作用是值得我們研究的課題。

3.1.2 ACT-R 駕駛認知行為建模應用

駕駛認知的描述主要有3個組成部分：駕駛任務中具體化的駕駛認知(embodied cognition) 、駕駛執行的任務(task)以及完成駕駛任務駕駛員所使用的操作部件(artifact)，把它們簡稱為ETA。

駕駛建模的目標是對ETA 部分嚴格意義上的描述, 即使模型能夠處理盡可能多的駕駛相關任務,同時融入實時控制及車輛動力學, 通過實時感知與運動過程交互的認知過程執行駕駛任務。已有的多數成功的駕駛行為模型證實: 嚴格意義建模無論對于駕駛員行為的理解還是模型理論本身在實際系統開發中的實踐應用都是非常重要的。

基于前面對ACT-R 體系以及駕駛ETA 的描述, 可以想象ACT-R 認知體系上的駕駛行為模型必須是一個產生規則的執行系統, 同時能夠處理外部輸入并產生輸出, 在特定約束下執行諸如控制、監測和決策的駕駛任務。

為了突出認知行為建模，必須把精力集中在認知體系上；重點強調認知體系的駕駛模型的開發。認知體系是人類認知能力針對特定計算行為模型的通用框架。模型把人作為系統所具有的行為能力和受限制具體化。人的行為能力是指記憶、回憶、學習、感知以及完成動作等能力；人受到的限制如記憶力的減退、視網膜對周圍信息編碼的錯覺以及運動能力的限制等。認知體系必須保證基于其開發的認知模型是嚴密的并且在心理學上沒有歧義, 因此體系應完全遵循人作為一個有機體時所滿足的所有限制。選擇ACT-R 認知行為體系作為駕駛模型框架, 是因為它是包含由知識單元組成的說明性知識庫、作用于知識單元的條件響應產生規則構成的產生系統。

前面提到ETA 是駕駛最重要的組成部分, 事實上，基于ACT-R 的駕駛認知行為的開發特別適合對ETA 所有3 個組成部分的表述。 ACT-R 具備從基本的實驗室工作到復雜動態任務中的高層認知和決策、適用范圍較廣的建模能力, 可以完全或幾乎完全模擬人與其所處真實的環境交互。因此, 基于ACT-R體系的模型必須遵守與人真實認知同樣的輸入/ 輸出限制和真實環境所具有的動態性。為了做到這點, 模型通過感知過程和運動行為來同時表達或描述人認知的內在工作和感知的外部表現這兩個方面。顯然, 這些特征使認知體系特別適合于對駕駛員許多重要方面的行為進行模擬。

3.2  關于認知智能的思考

認知計算，我們指的是自然語言處理、分析學、機器學習及其他的混合體。大數據分析離不開認知計算，所以構建認知計算框架對大數據分析很重要。ACT-R作為一種對人的認知理性分析的認知計算框架，建立在前面敘述的一些假設上面，對真實的人的認知行為進行了簡化假設。人的認知過程中還涉及到人的情感因素、創造因素，現在人工智能領域研究的認知計算均未涉及到人的情感和創造兩個因素，就連人工智能航海“船長”——IBM雖然宣稱轉型做認知解決方案，但是其認知解決方案代言人Watson也沒有涉及到這兩個因素，我們認為這或許可以作為認知計算的一個切入點突破點。（人機與認知實驗室）