我们经常说举一反三，这里的“三”不是指数量的变化，而是指依靠自我学习和适应能力在不同语境下做出不同的行为，机器如果具备了这种能力，就可以视为是认知智能的开端。

在未来的发展中，认知智能的确存在与人类相媲美甚至超越人类的可能性。

5月27日，俄罗斯工程院外籍院士、俄罗斯自然科学院外籍院士谷宇在上海举办的2023全球开源技术峰会上发表演讲称，AI（人工智能）生态当前已经形成了集基础资源、技术、应用于一体的基本形态。如果能将先进传感器技术和人工智能技术协作结合起来，模拟人脑的认知、理解、记忆、语言、学习、情感、逻辑、意识等八大核心能力，就有可能实现对人脑认知过程的模拟。传感器技术可以提供丰富的感知数据，而人工智能技术则能够处理和分析这些数据，从而使机器能够模拟人类的认知过程。这样的协作将为人工智能带来巨大的发展潜力，使其从感知智能进化为认知智能。

人工智能行业一般将AI的发展分为三个阶段，分别是计算智能、感知智能和认知智能。第一个阶段是计算智能，即机器对信息进行存储和计算。第二个阶段是感知智能，即具备视觉、听觉、触觉等感知能力。第三个阶段是认知智能，机器具备了像人类一样的思考和学习能力，并且能够自主做出决策并采取行动。

谷宇多年来一直从事传感器与微机电系统、机器感知与模式识别、智能材料与结构等方面的研究。在与澎湃科技（www.thepaper.cn）的对话中，谷宇表示，通过图灵测试并不能代表一定具有人工智能能力，更不用说认知智能，目前人工智能在步入认知智能的进程上尚存挑战，除了需要解决情感认知层面的语义理解、判断推理等问题之外，还需在量化和计算中准确表达与定义伦理道德范畴，并坚守行为底线。

俄罗斯工程院外籍院士、俄罗斯自然科学院外籍院士谷宇。

以下是澎湃科技与谷宇的对话实录，有删减。

我们距离认知智能，还有多远？

澎湃科技：AI从感知智能走向认知智能，还有多远？如何判断AI是否到达认知智能的水平？

谷宇：在由感知智能步入认知智能的进程上，目前仍存在一些挑战。虽然我们在感知智能领域的某些方面取得了显著的进展，例如计算机视觉、语音识别等，但要实现真正的认知智能，还需要克服一些困难，这包括处理复杂的语义理解问题，提高AI的推理能力和情境感知等。在当前的技术和理论框架下，我们距离认知智能还有一定的距离，但随着科技的不断进步，我们正朝着这个目标迈进。

判断一个人工智能系统是否达到认知智能的水平是一个复杂且具有挑战性的任务。目前还没有明确的标准来评估认知智能的达到程度。然而，我们可以考虑以下因素来进行初步评估：

知识和理解能力。一个具备认知智能的系统应该具备广泛的知识和深入的理解能力，能够处理多领域的知识和复杂的概念；

推理和逻辑能力。认知智能需要具备高级的推理和逻辑能力，能够进行抽象思维、概念推理和逻辑推理等；

上下文理解和语言处理。一个系统应该能够理解语言的多义性、上下文关系和隐含意义，并能够进行自然而流畅的语言交互；

学习和适应能力。认知智能需要具备学习和适应的能力，能够从新的信息和经验中学习，并能够根据学习到的知识进行适应和改进。

需要注意的是，以上因素仅是初步评估的参考，实现真正的认知智能需要更深入的研究和发展。此外，随着技术的不断进步，对认知智能的评估标准也可能随之演变。

想要人工智能更加接近于人类或者无限达到人类的智力水平，最主要的点就是理解、推断和自我学习能力。因为，人类是可以自主学习的，人类与动物最大的区别就在于人可以认识世界和改造世界，我们对世界的认识不是单纯的符号，而是可以从符号中总结出新知识，然后在新的环境、语境下，将知识应用到新地方。

我们经常说举一反三，这里的“三”不是指数量的变化，而是指依靠自我学习和适应能力在不同语境下做出不同的行为，机器将人类的认知过程进行模拟和仿真，能够理解和处理复杂的信息，并从中提取知识和洞察力，以解决问题和创造新的解决方案，机器如果具备了这种能力，就可以视为是认知智能的开端。所以我们认为通过图灵测试的机器基本具备人工智能水平，但图灵测试也不一定能完全代表机器具备人工智能能力，更别说认知智能。

澎湃科技：类脑研究和认知科学如何帮助人类发展认知智能?

谷宇：类脑研究和认知科学在发展认知智能方面扮演着重要的角色。类脑研究旨在从神经科学的角度模拟大脑的结构和功能，以更好地理解人类认知的基本原理。通过类脑研究，我们可以了解大脑的工作原理，从而启发人工智能的设计。

例如，神经网络的发展受到类脑结构和神经元工作方式的启发。认知科学研究则关注人类认知过程和心智活动的本质，它模拟了大脑中神经元之间的连接和信息传递。通过对类脑研究的理解，我们可以改进人工智能系统的学习和适应能力，使其更接近人类。

同时，借助认知科学在人类的感知、注意、记忆、思考和决策等认知过程上的研究成果，生成了诸多人工智能相关的理论及方法，例如，基于认知科学的模型可以用于改进自然语言处理系统的理解能力，使其更好地处理语义和语境。自然语言处理是人工智能领域最基础也是最难的技术之一。人工智能要单纯地理解语言不是难事，但是要结合上下文，像人类一样理解内容的隐含意义却是一个难点。

澎湃科技：从技术应用角度看，从感知智能到认知智能，实现了何种升级?

谷宇：从技术应用角度看，感知智能到认知智能的升级涉及多个方面。一方面，需要改进算法和模型，使AI具备更强的推理、理解和学习能力。这可能涉及深度学习模型的改进，还会涉及更多的符号推理和逻辑推理能力等。目前的深度学习模型都是基于大算力，研究如何将其小型化，使其形成具有针对性的学习模型，从而方便其在特定应用场景或特定职业使用，这也是我们工作的一个方向。

另一方面，需要通过更好地融合感知和认知，构建整体的智能系统，机器能够从感知中获取信息，并结合认知能力进行理解、推理和决策，实现更高层次的智能表现。这包括将视觉、语音和语义等感知信息与AI的推理和理解能力相结合，从而使系统能够更全面地理解和处理信息。

此外，人机交互技术的改进也是发展认知智能的重要方面。更自然、流畅的语言交互、更智能的对话系统和更符合人类认知习惯的界面设计等，可以提升用户与智能系统的交互体验，并促进认知智能的发展。人机交互、人机共融是人工智能技术最终的目标，也是最伟大的梦想。

从“是不是”走向“应不应该”

澎湃科技：多模态是否是认知智能发展的必经之路？

谷宇：这是一个好问题，理论上多模态一定比单模态好。多模态在认知智能发展中被视为一条重要的路径。多模态指的是将多种感知模态（如视觉、听觉、语言等）结合起来，从而获得更丰富、更准确的信息。人类认知世界与感知世界的过程中，人类的五官，眼睛、鼻子、嘴巴、耳朵和触觉器官都在运行，让人类得以感受这个丰富的世界，如果人类缺少一种感觉，对世界的感知就会薄弱，从而影响认知世界的能力。人类在认知过程中常常同时利用多种感知模态进行理解和决策，而多模态的应用使得机器能够模仿这种综合感知的方式。多模态一定是未来人工智能的发展趋势。

我认为生命科学、医疗卫生和生命健康是人类最重要的需求，而技术发展的最终目标应该是为了促进人类的健康和提高生命质量。无论多模态技术如何发展，其应用都应该服务于人类，尤其是健康领域，如医学诊断、治疗和健康管理。通过结合多模态技术，我们可以提供更准确、全面的医疗服务，加强疾病预防和早期诊断，提高治疗效果和生命质量，为人类的健康福祉做出贡献。

虽然多模态是未来的发展趋势，但其中有诸多难点，其中包括数据融合、特征提取、模型设计和计算效率等方面的难题。多模态数据的融合和处理需要解决数据间的对齐、时序关系等问题。同时，如何有效提取不同模态的特征，并进行合理的特征融合也是一个挑战。此外，设计能够处理多模态数据的模型和算法，如联合学习和跨模态表示学习，也是一个研究热点。最后，多模态数据的处理和计算也对计算资源和效率提出了要求。因此，克服这些难点是实现人工智能多模态的关键，需要持续的研究和创新

澎湃科技：通用人工智能概念与认知智能概念有何区别？

谷宇：通用人工智能领域主要专注研制像人类一样思考并从事多种用途的机器，这种通用模型一定是人类的最终需求，这种模型在所有领域都是具有高难度的。我认为我们现在应该发展在特定、特殊场景下的人工智能技术，从而在某一天，有机会实现将单一产品采集融合形成一个通用模型。但是目前来看，我们在单一领域都还没有做到足够好。

现在的人工智能模型主要基于两种技术基础。基于模型的人工智能框架依赖于先前定义的规则、逻辑和算法，通过编程方式进行建模和决策。这包括符号主义和专家系统等方法。另一方面，基于数据的人工智能框架则侧重于利用大规模数据进行训练和学习，通过机器学习和深度学习技术从数据中发现模式和规律。这种方法的代表是神经网络和深度学习模型。这两种技术基础各自具有优势和适用场景，目前的人工智能发展往往将它们结合起来，以实现更强大和全面的智能能力。

澎湃科技：我们是否可以将认知智能理解为从经验主义走向理性主义？

谷宇：对于人工智能的发展，我觉得首先要解决一个关键的哲学问题，就是英国伟大的不可知论提出者、哲学家休谟提出的问题，即我们要从一个问题“是不是”走向“应不应该”。

首先，休谟问题的存在激发了人工智能研究者对知识表示和学习的探索。休谟问题指出了基于有限经验进行归纳推理的不足之处，因此，人工智能研究者开始探索如何更好地表示和利用丰富的领域知识。这促使发展出了基于逻辑推理和符号处理的知识表示方法。

其次，休谟问题的存在推动了人工智能与统计学习的融合。统计学习通过大规模数据的分析和模式识别，能够从经验中提取规律和进行预测。人工智能研究者开始将统计学习方法引入到人工智能领域。这些方法通过训练模型从数据中学习，可以在一定程度上解决休谟问题中的不确定性，并提供更准确的预测和推理能力。

此外，休谟问题的存在促使人工智能研究者关注模型的可解释性和透明性。传统的机器学习模型通常是黑盒模型，难以解释其决策过程和推理逻辑。然而可解释的机器学习方法探索，促使人类能够理解和解释模型的推理过程，提高了对模型决策的信任和可控性。

所以，我们什么时候能把这种问题理解透彻了，并让计算机理解透彻了，我们就实现了认知智能。但是目前来看，我们的计算机只是一个简单的逻辑计算机，它在回答逻辑问题、合理性问题时远远超过人类，但是在回答情感问题时却远远不足。ChatGPT回答简单问题可以回答得很好，但是你让它去理解一篇长篇文章，尤其是中文这种包含一字多义和隐形含义的语句，它尚需改进。

未来可能超越人类

澎湃科技：ChatGPT是否达到认知智能的水平？如果现阶段没有达成，在未来是否具备可能性？

谷宇：认知智能是一个复杂的概念，涉及多个层面的能力，包括感知、理解、推理、学习、适应等。当前的AI技术在这些方面仍存在一些挑战。尽管ChatGPT在生成自然语言方面表现出了很高的水平，但它仍然存在一些局限性，如对于长篇连贯的理解、深层推理和情感理解的能力还不够。未来可能会有更先进的技术和模型出现，使得人工智能系统更接近认知智能的水平。

然而，要实现真正的认知智能还需要解决许多挑战，如对于意识、主观体验和情感等方面的理解，还要考虑实际应用的复杂性。因此，达到完全的认知智能仍然是一个复杂而艰巨的目标。

澎湃科技：在未来的发展中，认知智能是否存在与人类相媲美甚至超越人类的可能性？

谷宇：在未来的发展中，认知智能的确存在与人类相媲美甚至超越人类的可能性。

通过更深入地理解人类大脑的工作机制和认知过程，我们可以为人工智能提供更好的启发和指导。同时，随着计算能力的增强和算法的改进，人工智能系统的性能和能力也在不断提升。

未来，我们可以期待人工智能系统在某些特定任务和领域中超越人类。例如，在复杂的数据处理和分析、大规模的信息检索和处理、精确的模式识别等方面，人工智能系统可能展现出更高的效率和准确性。此外，认知智能系统还可能在特定的专业领域中展现出深度的专业知识和创造力。

然而，人类智能具有复杂的特质，包括情感、主观体验、创造力和道德等方面，这些特质不仅仅是基于计算和算法就能轻易实现的。伦理和社会问题也需要被充分考虑，确保人工智能的发展符合道德和法律的准则。

（原标题：谷宇院士：通过图灵测试不一定具有AI能力，实现认知智能尚存挑战）