认知智能的研究和落地是人工智能研究的终极目标之一，也是最近几年的研究热点，而近40年的认知体系研究和实践亦为其提供了启发，因此本文对文献[1]进行了摘译和推荐，以期引起大家对“认知体系”研究的更多关注。
从“感知”到“认知”，人工智能的下一个进阶阶段中，认知智能将模拟人类的“大脑”，进行信息的深度处理、理解和反馈，或将在恶劣环境、特殊时期（如疫情爆发），更好地为人类保驾护航。
摘要：
本文回顾了近40年认知体系研究和应用的进展，虽然存在的认知体系工程至少300多个，但本文主要涉及其中84个认知体系（而这84个中的49个处在活跃更新中），并以此为代表综述了认知体系的核心认知功能：感知、注意力机制、行动选择、存储、学习和推理。（全文将分为多次连载）关键词：认知体系，感知，注意，认知功能
摘译说明
本文主要内容摘译或参考了文献《A Review of 40 Years in Cognitive Architecture Research——Core Cognitive Abilities and Practical Applications》[1]。一般来说，任何一个相对成熟的人工智能产品，其核心部分都必须包含一个所谓的认知体系或其子集。
本文及认知体系项目的相关资讯可参见原文作者维护的一个网站：http://jtl.lassonde.yorku.ca/project/cognitive_architectures_survey/。本文对原文献[1]的参考文献引用进行了重新编号和引用。
1 引言
本文聚焦于介绍认知体系（cognitive architecture）的核心功能：感知、注意力机制、行动选择、存储、学习和推理。本文调研和统计的84个认知体系至少具有一个应用项目。
2 什么是认知体系
认知体系研究属于起源于1950s的通用人工智能（General Artifical Intelligence Or Artifical General Intelligence）的一个研究分支，其终极目标是对人类心智进行建模并构建与人类智能相当的人工智能。Russel and Norvig [2]认为人工智能实现的四种可能方式是: 像人类一样地思考、理性地思考、像人类一样地行动、理性地行动。
这四种方式在认知体系研究中有不同程度的体现。像人类一样的思考和行动的模式起源于认知建模，参照了人类思维和行动的习惯，允许犯与人类类似的错误；而理性地思考和行动的模式则强调了绝对理性和行动的一致性，常常基于数理逻辑建模，但这种模式往往很难对人类情绪和感情进行建模。
由于不存在“认知”的统一理论和明确的定义，各种认知体系往往基于不同的假设组合，这导致难以进行有意义的横向比较。在已有文献中，相对突出的是Ron Sun的关于认知体系的设计【3】和Newell的功能标准【7,8】。其中，Sun的设计涉及生态、认知和生物进化现实主义、适应、模块化、程序化和协同互动，而Newell的标准包括灵活的行为、实时的操作、合理性、大知识库、学习、发展、语言能力、自我意识和大脑实现。Ron Sun相关工作可参考文献【4-6】，Newell功能标准的最新版本可参考文献【9】。
关于智能，与其寻找明确的定义，不如将其界定为一个系统所具备的功能和表现的组合。在认知体系领域，虽然没有全面的功能（capabilities）清单，但已经有几个具有指导意义的工作路线和领域。例如，Adams等人提出了诸如感知、记忆、注意力、驱动力、社会交互、计划、动机、情感等领域，这些领域被进一步划分为子领域【10】。
毫不奇怪的是，一些认知体系项目明确强调自己追求的目标是实现人工通用智能（AGI），这包括Soar、ACT-R、NARS、LIDA、SiMA（原ARS）、Sigma和CogPrime。其他一些则关注认知，例如注意力（ARCADIA，STAR），情感（CELTS），对称感（认知对称引擎）或问题解决（FORR，PRODIGY）。也有狭隘的专门为特定应用而设计的体系结构，如用于视觉检查的ARDIS，用于理解和产生音乐的MusiCog。
在工程实践中并不受术语“认知结构”一词的限制，实践者通常将认知结构看作智能的蓝图，或者说是一个关于心理表征和计算的探索框架。通常不会去证明所采用的认知架构的合理性，如Soar、ACT-R、EPIC、LIDA、CLARION、ICARUS等。许多仿生学和神经科学启发的认知结构在神经元水平上模拟认知过程（如CAPS、BBD、BECCA、DAC、SPA）。
而一些面向工程的设计追求一个类似的目标，因为它们有一套用于感知、推理和行动的结构组件，以及它们之间的交互，这符合Newell呼吁的“统一认知理论”的精神。而通常也被看作AGI架构的知识库系统CYC，却没有强调通用智能的架构【11】。
近10年，以Google为代表的一些研究团体鼓吹深度学习可解决AI问题。无独有偶，FaceBook AI 研究院和其他公司研究团体也积极尝试这个方向的研究。那么，深度学习在认知体系研究中的地位如何？总的来说，深度学习在特定环境下特定任务（自然语言处理中的分词和图像处理中的感知处理等）中表现出了卓越的能力，但这并不是一个通用的认知模型。
另外，需要注意的是，一些架构在其整个开发过程中经历了结构和概念上的变化，特别是长期运行的项目，如Soar、ACT-R、CLARION等。例如，SOAR9及其后续版本增加了一些非符号元素和CAPS4与之前的3CAPS和CAPS相比，它们更好地解释了认知的时间过程和个体差异。有的认知体系对变化有很好的文档记录（如CLARION、Soar），但更多的时候却没有。一般来说，我们使用最新的体系结构进行分析，并假设以前版本的功能和能力保留在新版本中，除非有矛盾的证据。
图1显示84种认知体系的生命周期。每一行对应一个认知体系。按开始日期排序，因此最早体系绘制在图的底部。颜色对应于不同类型的体系：符号（绿色）、涌现（红色）和混合（蓝色）。根据这些数据，从20世纪80年代中期到90年代初，人们对符号体系有着特别的兴趣，但是在21世纪后，大多数新开发的体系都是混合的。涌现范式，其中许多是受生物启发的，在时间线上分布相当均匀，但仍然是一个相对较小的群体。
图1
3 认知体系的分类
关于认知体系的分类，目前相对主流的三大范式是：符号（也称为认知）、涌现（也称为联结）和混合。到底哪一个正确地反映了人类的认知过程，仍然是一个悬而未决的问题，在过去的三十年里一直存在争论[12，13]。
符号范式通常使用预定义指令集等符号来表示概念。指令通常以if-then的规则形式执行，例如ACT-R, Soar等产生式体系。这是一种自然而直观的表示方式，因此符号操作仍然是一种公认的表示方式之一。虽然符号范式擅长计划（规划）和推理，但不具有处理环境变化和感知处理所需要的灵活性和鲁棒性。
涌现范式通常建立大规模并行模型来解决适应性和学习问题，例如神经网络模型，其数据来自输入节点。然而，由于信息或知识不再是一组可解释的符号实体，而往往分布在整个网络中，这导致模型不再透明。在涌现模式中，传统意义上逻辑推理似乎成为不可能（尽管并非完全不可能）。
自然地，每种范式都有优缺点。一方面，任何符号体系结构创建初始知识库都需要大量工作；可一旦完成，体系结构就完全功能性了。另一方面，涌现体系结构更易于设计，但它们必须经过大量训练才能产生有用的行为；此外，他们的现有知识可能随着新行为的学习而恶化。
由于符号和涌现范式都不能解决认知的所有问题，混合范式试图结合符号和涌现的元素，这样的混合体系在我们选择的架构中是最常见的。一般来说，混合方式没有限制，而且已经探索了许多可能性。除了考虑表示，还考虑系统是单模块还是多模块、异构还是同质，或考虑混合的粒度（粗粒度还是细粒度）、符号和子符号组件之间的耦合性。
此外，并不是所有的混合架构都明确地解决了符号和次符号元素以及将它们组合起来的问题。只有少数几个体系结构，例如ACTR、CLARION、DUAL、CogPrime、CAPS、SiMA、GMU-BICA和Sigma，认为这种集成是必要的。我们将重点放在表示和处理上。
图2显示了分类分组的组织结构。在顶层分成了：符号的、涌现的和混合的。关于这些术语的界定也是模糊的，即使最著名的架构（例如Soar和ACT-R）也不能达成一致。尽管两者都将符号和次符号元素结合起来，ACT-R的作者明确地表达为混合模式，而Soar没有。各位学者的观点也不一致，Soar和ACT-R在文献[14，15]中都被称为符号主义者，而文献[16]将它们列为混合体。
图2
为了避免分组的不一致性，我们假设显式符号是符号表示的原子，可以组合成有意义的表达式。这些符号用于推理或句法分析。子符号表示通常与神经元的隐喻联系在一起，这种表示的一个典型是神经网络，在神经网络中，知识被编码为分布在神经元之间的数值模式。与单元相关联的权重影响处理，并通过学习获得。
对于我们的分类，我们假设任何非显式符号和处理（句法操作除外）都是子符号（例如数值数据、像素、概率，传播激活、强化学习等）。结合了两种表示中的任意组合都被当作混合模式。给定这些定义，将标签分配给所有架构并将它们可视化为图2。
我们区分了两类涌现类别：实现类生物神经元的神经元模型和更接近人工神经网络的连接（逻辑）模式。在混合模式中，我们将符号子处理（其中符号模式与执行子符号计算模块相结合）作为混合模式的一个子类，符号子处理组中的架构至少包括一个用于感知处理的子符号模块，而其余的知识和处理是符号的，例如3T, ATLANTIS, RCS, DIARC, CARACaS和CoSy。
虽然存在其他类型的功能组合（例如协同处理、元处理和链处理）但是难以归类。因此，其他的都归类为完全集成的混合模式。完全集成的体系结构使用多种方法来组合不同的表示。ACT-R、Soar、CAPS、Copycat/Metacat、CHREST、CHARISMA、CELTS、CoJACK、CLARION、REM、NARS和Xapagy将符号概念和具有次符号元素（如激活值、扩散激活、随机选择过程、强化学习等）的规则结合起来。
综上所述，混合架构是数量最多的一组，并显示出增长趋势。混合架构根据符号和次符号组件的比例和扮演的角色，在涌现范式和符号范式之间形成一个连续统一。例如，CogPrime和Sigma在概念上更接近于涌现系统，因为它们与神经网络有许多共同的属性。而REM、CHREST和RALPH以及3T和ATLANTIS，在很大程度上属于符号范式；因为这些架构主要是符号化的，虽然可以利用概率推理和学习机制。
未完待续
4 感知(Perception)5 注意力(Attention)6 行动选择(Action selection)7 存储（Memory）8 学习（Learning）9 推理（Reasoning）10 元认知（Meta-cognition）11 应用及讨论
参考文献【1】Iuliia Kotseruba, John K. Tsotsos ，40 Years of Cognitive Architecture Research: Core Cognitive Abilities and Practical Applications Artificial Intelligence Review (2018), pp 1-78。【2】Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach. Prentice Hall, 1995.【3】Ron Sun. Desiderata for cognitive architectures. Philosophical Psychology, 17(3):341–373, 2004.【4】. Ron Sun. The importance of cognitive architectures: An analysis based on CLARION. Journal of Experimental and Theoretical Artificial Intelligence, 19:159–193, 2007.【5】. Ron Sun. Memory systems within a cognitive architecture. New Ideas in Psychology, 30(2):227–240, 2012.【6】. Ron Sun. Anatomy of the Mind: Exploring Psychological Mechanisms and Processes with the Clarion Cognitive Archi-tecture. Oxford University Press, 2016.【7】. Allen Newell. Physical symbol systems. Cognitive Science, 4(2), 1980.【8】. Allen Newell. Pr. Lucis of Unified theories of cognition. Behavioral and Brain Sciences, 15:425–492, 1992.【9】John R Anderson and Christian Lebiere. The Newell Test for a theory of cognition. The Behavioral and Brain sciences,26(5):587–601, 2003.【10】Sam Adams, Itmar Arel, Joscha Bach, Robert Coop, Rod Furlan, Ben Goertzel, J. torrs Hall, Alexei Samsonovich,Matthias Scheutz, Matthew Schlesinger, Stuart C. hapiro, and John Sowa. Mapping the Landscape of Human-Level Artificial General Intelligence. AI Magazine, 33(1):25–42, 2012.【11】Ben Goertzel, Cassio Pennachin, and Nil Geisweiller. Brief Survey of Cognitive Architectures. In Engineering General Intelligence, Part 1, pages 101–142. Atlantis Press, 2014.【12】Ron Sun and Lawrence A. Bookman, editors. Computational architectures integrating neural and symbolic processes: A perspective on the state of the art. Springer Science & Business Media, 1994.【13】Troy D. Kelley. Symbolic and Sub-Symbolic Representations in Computational Models of Human Cognition: What Can be Learned from Biology? Theory & Psychology, 13(6):847–860, 2003.【14】David Vernon, Giorgio Metta, and Giulio Sandini. A Survey of Artificial Cognitive Systems: Implictions for the Autonomous Development of Mental Capbilities in Computational Agents. IEEE Transactions on Evolutionary Computation, pages 1–30, 2007.【15】Ben Goertzel, Ruiting Lian, Itamar Arel, Hugo de Garis, and Shuo Chen. A world survey of artificial brain projects, Part II: Biologically inspired cognitive architectures. Neurocomputing, 74(1-3):30–49, 2010.【16】Amal Asselman, Souhaib Aammou, and Az-Eddine Nasseh. Comparative Study of Cognitive Architectures. International Research Journal of Computer Science, 2(9):8–13, 2015.
