認(rèn)知科學(xué)對人工科學(xué)的引領(lǐng)趨勢

○張寅生

(中國科學(xué)技術(shù)信息研究所 信息技術(shù)支持中心，北京 100038)

一、人工科學(xué)和認(rèn)知科學(xué)的基本概念和學(xué)科發(fā)展概況

“人工科學(xué)”是司馬賀(Herbert A.Simon)于20世紀(jì)60年代提出的。這一概念指謂“人工的科學(xué)”，即人工物和人工行為相關(guān)的科學(xué)。他納入這一科學(xué)領(lǐng)域的典型學(xué)科是計算機科學(xué)、設(shè)計科學(xué)、心理學(xué)、認(rèn)知科學(xué)、藝術(shù)學(xué)、管理學(xué)、經(jīng)濟學(xué)等這些以人自身或人干預(yù)的對象為研究對象的學(xué)科。

近年來，包括人工科學(xué)的科學(xué)技術(shù)發(fā)展呈現(xiàn)出很多革命性的變化，這些變化很多是司馬賀所預(yù)測的，有些則具有新的特征，其中一個進化模式上的特征是認(rèn)知科學(xué)對人工科學(xué)的影響。

自美國于1979年成立認(rèn)知科學(xué)協(xié)會(Cognitive Science Society)以來，認(rèn)知科學(xué)被認(rèn)為作為一門獨立學(xué)科正式誕生。2000年，美國國家科學(xué)基金會和美國商務(wù)部資助的一個研究項目對美國新世紀(jì)優(yōu)先研究與發(fā)展的領(lǐng)域進行了研究與建議，確定了一個戰(zhàn)略性的方向，即著眼提高人類能力的聚合科技，其核心學(xué)科被選擇為納米、生物、信息、認(rèn)知(Nanotechnology，Biotechnology，Information Technology，Cognitive Science:NBIC)四個學(xué)科，在世界科技領(lǐng)域大大提高了認(rèn)知科學(xué)在科技領(lǐng)域的引領(lǐng)作用。該研究成果集中體現(xiàn)在《NBIC報告》之中，報告稱:〔1〕

在下個世紀(jì)，或者在大約5代人的時期之內(nèi)，一些突破會出現(xiàn)在納米技術(shù)、生物技術(shù)(消融了自然和人造的分子系統(tǒng)之間的界限)、信息科學(xué)(導(dǎo)向更加自主的、智能的機器)、生物科學(xué)和生命科學(xué)(通過基因和蛋白質(zhì)學(xué)來延長人類生命)、認(rèn)知和神經(jīng)科學(xué)(創(chuàng)造出人工神經(jīng)網(wǎng)絡(luò)并破譯人類認(rèn)知)和社會科學(xué)(理解文化媒母，駕馭集體智商)領(lǐng)域，這些突破被用于加速技術(shù)進步的步伐，并可能會再一次改變我們的物種，其深遠(yuǎn)意義可能媲美數(shù)十萬年以前人類首次學(xué)會口頭語言。NBICS(納米-生物-信息-認(rèn)知-社會)的技術(shù)綜合可能會成為人類偉大變革的推進器。

這個報告將認(rèn)知科學(xué)等四學(xué)科帶來的科技融合與人類進化史上的言語產(chǎn)生、制造工具、計算機發(fā)明等里程碑事件相提并論，足見其對認(rèn)知科學(xué)引領(lǐng)作用的認(rèn)可。

在我國，認(rèn)知科學(xué)尚沒有列入教育部等多個科學(xué)管理組織的學(xué)科目錄，但是已經(jīng)成立了認(rèn)知科學(xué)學(xué)會，認(rèn)知專業(yè)研究機構(gòu)也有增加趨勢，并有多個專業(yè)的認(rèn)知會議舉辦。如清華大學(xué)心理與認(rèn)知科學(xué)研究中心主辦的全國認(rèn)知科學(xué)會議截止至2015年已經(jīng)舉辦了七屆。

認(rèn)知科學(xué)對于人工科學(xué)的影響也越來越引起重視。已經(jīng)有著作專門研究認(rèn)知與人工科學(xué)的關(guān)系，如Jeff Johnson的《認(rèn)知與設(shè)計》〔2〕。在我國設(shè)計界也提出了“設(shè)計學(xué)的基礎(chǔ)科學(xué)是認(rèn)知科學(xué)”〔3〕的結(jié)論。

二、當(dāng)前認(rèn)知科學(xué)對人工科學(xué)引領(lǐng)領(lǐng)域和成果

從近期的人工科學(xué)現(xiàn)狀和趨勢分析，以下人工科學(xué)領(lǐng)域，特別是創(chuàng)新設(shè)計領(lǐng)域，突出體現(xiàn)了認(rèn)知科學(xué)的引領(lǐng)作用，特別體現(xiàn)了認(rèn)知科學(xué)的直接研究成果和研究方法特征。

1.人體及其功能特征識別技術(shù)、生命體征和健康狀態(tài)模式識別技術(shù)。已經(jīng)識別的人體及其功能特征包括:指紋、虹膜、人臉、語音、DNA等等，其基本方法包括傅立葉分析等濾波技術(shù)、概率計算方法、機器學(xué)習(xí)方法。此外，在設(shè)備醫(yī)學(xué)診斷中也有大量的模式識別技術(shù)應(yīng)用。與此相關(guān)的技術(shù)是生命體征和健康(疾病)狀態(tài)模式識別技術(shù)。這些技術(shù)原理需要考慮復(fù)雜而模糊的生命狀態(tài)識別模式，同時還需考慮多因素的因果性和大量的隨機性，其識別原理與單項的人體器官和單獨功能特征識別有別。通過推理診斷簡單模式的診斷在人工智能早期的疾病診斷系統(tǒng)已有應(yīng)用，如專家診斷系統(tǒng):診斷血液中細(xì)菌的感染MYCIN，血液凝結(jié)系統(tǒng)診斷CLOT;此外還有通過知識庫機器規(guī)則推理實現(xiàn)特征推導(dǎo)。近期的技術(shù)如Tripath〔4〕和Cytyc〔5〕公司的細(xì)胞和癌癥檢測識別技術(shù)，通過成像識別模式特征。在健康和衛(wèi)生數(shù)據(jù)中的生物和行為模式的數(shù)據(jù)分析將人體分析即模式識別技術(shù)擴大到了多模態(tài)數(shù)據(jù)和生命體多功能數(shù)據(jù)，稱為當(dāng)前大數(shù)據(jù)分析方法新興的領(lǐng)域之一。

人體及其功能特征識別、生命體征和健康狀態(tài)模式識別，大致上是人自身非意識主導(dǎo)的生命體征模式;對它們的認(rèn)知(cognition，也就是識別)是人的涉身認(rèn)知能力、自我認(rèn)知能力的模擬、延伸和技術(shù)化。

2.腦機接口技術(shù)，包括腦-機接口、機-腦接口、腦-腦接口技術(shù)。上述交互方式都已經(jīng)實現(xiàn)，其識別和控制程度及復(fù)雜度差異很大。腦-機接口是通過傳感器獲取腦信號進行模式識別;機-腦接口將機器信號直接傳遞給大腦或大腦信號，以期由機器模擬意念驅(qū)動腦神經(jīng)或意識，達(dá)到行使意念控制的效果;腦-腦接口將腦信號獲取后經(jīng)過編碼傳輸、解碼作用于另外的大腦進行腦信號之間的直接作用。

腦信號的主要類別是腦電波和功能核磁共振讀取的腦血氧圖。當(dāng)前功能核磁共振可掃描的大腦立體像素可達(dá)10萬個。此外，腦神經(jīng)已經(jīng)能夠真實成像，圖1是Van J.Wedeen小組拍攝的腦神經(jīng)3D圖像?！?〕

圖1 腦神經(jīng)3D圖像

對實體—腦的直接映射關(guān)系的fMRI成像研究獲得了很大進展。已經(jīng)能夠?qū)崿F(xiàn)通過視物的fMRI腦信號還原被視物。

對于具有語義學(xué)獨立特征的物體的fMRI腦信號模式也已經(jīng)被解讀。這種方法將腦信號的不同特征設(shè)置為特征空間進行機器學(xué)習(xí)從而識別腦信號的特征模式及其行為相關(guān)性，即多維個體系分析方法(multi-voxel pattern analysis，MVPA)。〔7〕

機腦接口的成功實驗是用認(rèn)為設(shè)置的波形控制動物腦神經(jīng)并驅(qū)動肢體，相當(dāng)于“創(chuàng)造意識”。美國匹茲堡大學(xué)的安德魯·施瓦茨博士等人對兩只短尾猴進行了“意念”操縱機械臂抓取食物的實驗，他們在猴子腦部運動神經(jīng)皮層植入100個微小電極。電極彼此形成網(wǎng)絡(luò)，每個電極與一個神經(jīng)細(xì)胞連接，這些電極還通過計算機與機械臂相連。當(dāng)腦細(xì)胞發(fā)出某種活動指令時，電極會將接收到的信號經(jīng)計算機處理后傳送給三維機械臂，指揮其完成抓取放在面前的葡萄等食物的任務(wù)。其成功率分別為61%和78%?！?〕

對于任務(wù)的腦fMRI腦信號的解讀的重要進展還包括加州大學(xué)洛杉磯分校通過腦核磁共振能夠識別8種任務(wù)，如讀詞、說出是否押韻的配對詞，查音調(diào)的數(shù)量對特定目標(biāo)按鈕，決定如何花錢買東西?！?〕

腦在進行邏輯運算的fMRI腦信號的實驗也進行了一些?！?0〕

腦腦通信最近的實驗進展是身在印度的實驗者用腦電波對位于法國的人說出了“hola”和“ciao”(西班牙語和意大利語“你好”)，對方通過腦電波理解了這個問候。腦電波在遠(yuǎn)程傳輸時經(jīng)過了編碼和解碼。這個實驗完成了“心靈感應(yīng)”的過程。見圖2。

圖2 腦-腦通信過程示意圖

腦機接口技術(shù)將開啟人工智能的新階段，它將直接解讀意識并控制客體?！?1〕

3.感知復(fù)位和感知替代。視聽覺、肢體等替代性和輔助性器官都已經(jīng)生產(chǎn)出來，實現(xiàn)了人造物連接生物體的神經(jīng)甚至高級神經(jīng)系統(tǒng)，并實現(xiàn)了意念控制植入到人體的人造器官。硅芯片植入人的左前臂神經(jīng)系統(tǒng)中，產(chǎn)生了一部分是人類肉體、一部分是電腦芯片的神奇“電子人”。美國西北工業(yè)大學(xué)完成了假肢與外周或替代性神經(jīng)相連?！?2〕總之，人機融合的趨勢已經(jīng)增強，人機邊界變得模糊了。

4.感性工學(xué)(Kansei Engineering)、豐心工學(xué)和情感計算。感性工學(xué)的出現(xiàn)體現(xiàn)了設(shè)計從單純考慮產(chǎn)品實用功能向同時注重用戶生理體驗的轉(zhuǎn)變。感性工學(xué)的基本方法是注重用戶體驗分析，但是對用戶感覺特別是非肢體的多種感覺的分析，對用戶多層心理的分析特別是量化分析因時代局限有所不足。幾年來隨著認(rèn)知科學(xué)和信息科學(xué)的深化，對用戶的生理、心理及其多層面、多模態(tài)的信息獲取和計算已經(jīng)具有初步成果。豐心工學(xué)和情感計算針對人的內(nèi)心情緒和感覺的連續(xù)變量、不確定性的計算。目前的主要技術(shù)包括對情感、感覺及其相關(guān)心理數(shù)據(jù)的采集和表示模式的解讀，包括對面部表情、情感表達(dá)的自然語言、語音中的感情色彩、生理數(shù)據(jù)的模式識別。

國內(nèi)的典型應(yīng)用是華為設(shè)計引入消費者感受分析，實現(xiàn)手機設(shè)計的美感提升設(shè)計。本世紀(jì)初華為手機對產(chǎn)品的心理感受沒有給予充分關(guān)注，此后華為產(chǎn)品在設(shè)計上充分引入設(shè)計感情工學(xué)，對手機外觀形象給予高度重視后將手機業(yè)看成時尚業(yè)，注重產(chǎn)品的心理效應(yīng)和藝術(shù)效果，而不只是通信功能。由此使華為公司贏得了高端手機的巨大市場份額。

圖3 華為手機(引自華為網(wǎng)站)

5.傳感技術(shù)。傳感器模擬了生命體的感知能力，它由原來的各種物理、化學(xué)等性質(zhì)信息的采集功能向著更高功能發(fā)展。傳統(tǒng)的傳感器主要包括機械量、熱、光、電、聲、醫(yī)學(xué)、生物量的采集、轉(zhuǎn)化、傳輸和存儲。近年來突出的發(fā)展包括光纖傳感器、集成傳感器、微機電系統(tǒng)(MEMS)傳感器、智能傳感器、網(wǎng)絡(luò)傳感器、生物傳感器等等。感知原理也呈復(fù)合化趨勢，包括了像神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)等多種人工智能技術(shù)特征，感知的應(yīng)用范圍極其廣闊并且轉(zhuǎn)移速度很快，包括計算系統(tǒng)、實時控制系統(tǒng)、環(huán)境、通信系統(tǒng)、生物體等等，實現(xiàn)的應(yīng)用級功能包括測量、測試、監(jiān)測、成像、定位、跟蹤、導(dǎo)航、制導(dǎo)、控制、生物信號連接和復(fù)合等多種。目前在多個傳感器的應(yīng)用中，跨傳感器的綜合傳感應(yīng)用平臺已經(jīng)出現(xiàn)。如Maxense。此外，傳感網(wǎng)絡(luò)，特別是無線傳感網(wǎng)絡(luò)得到了理論研究和實踐，以求獲得網(wǎng)絡(luò)整體上對對象的感知;在網(wǎng)絡(luò)的聯(lián)結(jié)和激活方法上具有相關(guān)性分析等多種模式識別方法和基于人的認(rèn)知粒度上的認(rèn)知網(wǎng)絡(luò)節(jié)點通信方法。

6.有意識機器人。已經(jīng)構(gòu)建了多個意識模型，這些意識模型包括維特根斯坦和皮亞杰的同構(gòu)模型、〔13〕現(xiàn)象學(xué)的意識模型，等等。在技術(shù)層面構(gòu)造的機器人制造者總結(jié)了多層次的意識特征，并開始有了局部實現(xiàn)，這些特征包括:第一人稱、方向性(有意向、傾向性)、行為和結(jié)果具有確定性的關(guān)系、有預(yù)期、有信仰和決心、內(nèi)省(自我意識和體驗)、能夠意識到外在物、帶感情的思想、有混亂度、有感情。〔14〕見圖 4、圖 5。

圖4 日本研究有意識機器人的專著

圖5 日本研究機器人感覺的專著

對于制造機器的感覺也有嘗試。這些嘗試包括用產(chǎn)生人的感覺的那些物理刺激輸入給電子線路，產(chǎn)生線路的物理反應(yīng)(模擬生理和心理反應(yīng)，如熱帶來的痛苦和快樂)和器件的群體反應(yīng)(模擬對于生理反應(yīng)的某些理性編碼，如“痛苦”“快樂”〔15〕)。

圖6 機器人對感覺的模擬圖示〔16〕

與有意識機器人探索類似，人工智能領(lǐng)域提出了創(chuàng)造“人水平的人工智能”的口號(Human-Level Artificial Intelligence，HAI)〔17〕:包括人水平智能的環(huán)境、任務(wù)和智能體特點(Characteristics)和認(rèn)知體系結(jié)構(gòu)要求(Requirements)。前者側(cè)重要求實現(xiàn)復(fù)雜環(huán)境下的適應(yīng)性，后者側(cè)重要求人類的多維認(rèn)知能力，包括學(xué)習(xí)、推理、知識能力，也包括低級認(rèn)知能力如記憶、注意等等。

因此，“傳統(tǒng)的”(偏重于符號主義的人工智能學(xué)派)正在接受融合，使得符號處理與外界的物理世界產(chǎn)生類人的認(rèn)知行為的連接。

7.智能硬件及嵌入式認(rèn)知系統(tǒng)。其基本特征是使機器隨環(huán)境而實現(xiàn)某些選擇和決策。當(dāng)前廣泛應(yīng)用智能系統(tǒng)的是基于圖靈計算的芯片嵌入式系統(tǒng)。智能的基本模式是“如果……那么……(if…then…)”機制，許多系統(tǒng)加入了知識庫，并具有推理功能和數(shù)值計算功能，以實現(xiàn)基于知識進行決策。

當(dāng)前開發(fā)出的智能產(chǎn)品包括:智能家電、智能馬桶、智能電梯、智能手表、智能穿戴、智能手機、智能燈泡、智能開關(guān)、智能照明、智能影音、智能DNS、智能路由器、智能攝像機、智能電視、智能電表、智能玩具、智能鎖、智能卡、智能設(shè)備、智能硬件、智能軟件……

8.實時動態(tài)控制系統(tǒng)。這些系統(tǒng)包括高級駕駛助理系統(tǒng)、無人駕駛、無人機、衛(wèi)星、空間登陸系統(tǒng)等等，這些系統(tǒng)正擴大延伸至越來越多的時空環(huán)境，其特征一般具有高效的實時計算、通信、執(zhí)行、控制等系統(tǒng)，其中輸入包括圖像、激光、雷達(dá)等多種物理量的輸入和處理。

9.認(rèn)知通信網(wǎng)絡(luò)和認(rèn)知成像技術(shù)。上世紀(jì)末提出了認(rèn)知無線網(wǎng)絡(luò)(Cognitive radio netwaorks，CRN)概念。這是認(rèn)知科學(xué)在通信領(lǐng)域應(yīng)用的開端。近年來，認(rèn)知無線網(wǎng)在通信中建立認(rèn)知環(huán)，將外界激勵作為不同通信階段的干預(yù)變量實現(xiàn)不同認(rèn)知粒度的目標(biāo)模式識別，包括頻譜感知，基于認(rèn)知的接入和傳輸，實現(xiàn)了網(wǎng)絡(luò)通信的觀察、定位、制定計劃、決策、執(zhí)行等循環(huán)步驟，實現(xiàn)了通過無線知識表示語言對無線通信進行對象識別、模式識別和知識推理?！?8〕

認(rèn)知通信網(wǎng)絡(luò)是指在多種通信和通信的多個協(xié)議或應(yīng)用階段加入智能算法，或者類人高級認(rèn)知功能的網(wǎng)絡(luò)技術(shù)，包括智能網(wǎng)技術(shù)，其特征是在有線、無線電話、寬帶網(wǎng)絡(luò)交換系統(tǒng)中通信模式實現(xiàn)智能識別、程序控制、業(yè)務(wù)加載及調(diào)度的智能控制等等。

認(rèn)知成像技術(shù)最初在雷達(dá)系統(tǒng)中通過類人的認(rèn)知功能識別通信中的綜合目標(biāo)模式，顯現(xiàn)高維目標(biāo)特征并成像。理論上帶有噪聲和多頻通信的信號中都存在著高維對象的認(rèn)知識別的可能。這種識別不僅僅是底層初級信號的識別，識別技術(shù)也不僅僅是傅立葉算法等傳統(tǒng)算法?！?9〕

10.機器學(xué)習(xí)技術(shù)。機器學(xué)習(xí)已經(jīng)走過了半個多世紀(jì)的歷史?？傮w看來，以下趨勢是明顯的。

(1)學(xué)習(xí)方法的綜合化。已經(jīng)呈現(xiàn)了學(xué)習(xí)種類的綜合運用的趨勢，也可以稱為混合學(xué)習(xí)的趨勢。例如，將歸納學(xué)習(xí)和分析學(xué)習(xí)結(jié)合起來，產(chǎn)生了二者結(jié)合的學(xué)習(xí)方法;圖模型方法考慮了多個概率相關(guān)性節(jié)點構(gòu)成的鏈條，特別是將獨立和不獨立事件的概率都考慮進來，相當(dāng)于傳統(tǒng)單一的概率統(tǒng)計機器學(xué)習(xí)方法的綜合;組合學(xué)習(xí)更是明顯組合多種單一結(jié)構(gòu)的學(xué)習(xí)方法;等等。

學(xué)習(xí)方法綜合化趨勢的另一個表現(xiàn)是自適應(yīng)結(jié)構(gòu)和功能的復(fù)合化。典型的實例是人工神經(jīng)網(wǎng)絡(luò)的多層化，即多層感知器或構(gòu)造性神經(jīng)網(wǎng)絡(luò)的發(fā)明。人工神經(jīng)網(wǎng)絡(luò)的多層化使得隱藏層超過原有的1層，形成網(wǎng)絡(luò)的微結(jié)構(gòu)，通過局部遞歸構(gòu)成和刻畫不同的維度，形成局部特征識別的功能，并能夠存儲和遞進到更高維度進行高維特征，這使得多層神經(jīng)網(wǎng)絡(luò)通過局部遞歸實現(xiàn)局部優(yōu)先特征而忽略次要細(xì)節(jié)，并使局部優(yōu)先特征加入到整體結(jié)構(gòu)的模擬。多層神經(jīng)網(wǎng)絡(luò)的構(gòu)造相當(dāng)于原來的一個小型的神經(jīng)網(wǎng)絡(luò)被嵌入到大的神經(jīng)網(wǎng)絡(luò)之中，形成認(rèn)知網(wǎng)絡(luò)功能上的集群化。

多層感知器結(jié)構(gòu)是由Rumelhart，McClenland，Parker于1985-1986年設(shè)計的?！?0〕它實際上繼承了局部遞歸的方法。對應(yīng)綜合化的學(xué)習(xí)方法，在硬件設(shè)計上也實現(xiàn)了集群化。例如Google的深度學(xué)習(xí)項目采用集群CPU進行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，使得學(xué)習(xí)在抽象數(shù)學(xué)結(jié)構(gòu)和物理結(jié)構(gòu)都實現(xiàn)了集群化。

(2)學(xué)習(xí)函數(shù)的復(fù)雜、多樣化。以神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)為例，最初的函數(shù)僅僅是線性和Logistic函數(shù)，此后學(xué)習(xí)函數(shù)逐步擴展到高斯函數(shù)、波爾茲曼函數(shù)等多種可積函數(shù)。在模型改進中，對于權(quán)重的調(diào)整也從線性轉(zhuǎn)變?yōu)檫B續(xù)可積函數(shù)，如計算權(quán)重梯度計算的方法，實現(xiàn)了下降速度最快的計算方法，實現(xiàn)了多維計算，這種梯度分析的方法在貝葉斯學(xué)習(xí)等多種學(xué)習(xí)方法中都有應(yīng)用，是區(qū)別于最小二乘法的一種非線性的重要的學(xué)習(xí)函數(shù)構(gòu)造方法，并促進在線學(xué)習(xí)的產(chǎn)生和發(fā)展。

(3)學(xué)習(xí)深度加深。深度學(xué)習(xí)系指學(xué)習(xí)結(jié)果分層次逐步延伸或完成化，特別是網(wǎng)絡(luò)層的逐層遞歸，以至于學(xué)習(xí)的結(jié)果產(chǎn)生質(zhì)上的飛躍。典型的進展是Hinton〔21〕等應(yīng)用多層神經(jīng)網(wǎng)絡(luò)構(gòu)造不同維度以降低高維數(shù)據(jù)，使得圖像識別的能力大幅度提高。在此基礎(chǔ)上，Google啟動的GOOGLE大腦計劃，進行圖像識別，識別的準(zhǔn)確率超出了人的識別能力，并產(chǎn)生多維類人的特征識別結(jié)論。見表1。

表1 深度學(xué)習(xí)的特征〔22〕

(4)生命體認(rèn)知模式的進一步模擬。以神經(jīng)網(wǎng)絡(luò)為典型的機器學(xué)習(xí)方法借鑒了具有生命體特征的認(rèn)知模式。神經(jīng)網(wǎng)絡(luò)最初從原始網(wǎng)絡(luò)開始逐步復(fù)雜化，逐步地建立多種變量調(diào)節(jié)的自適應(yīng)系統(tǒng)、局部遞歸系統(tǒng)、模擬進化結(jié)構(gòu)，直至近年來建立卷積多層神經(jīng)網(wǎng)絡(luò)，其結(jié)果是越來越接近生物體的認(rèn)知模式。特別是卷積和多層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，模擬了多種神經(jīng)認(rèn)知模式，包括感受野〔23〕的神經(jīng)認(rèn)知機理以及認(rèn)知神經(jīng)功能上的集群化〔24〕特征，也模擬了人的學(xué)習(xí)行為的分層處理模式、〔25〕深層參與學(xué)習(xí)的神經(jīng)的分層處理模式?！?6〕

此外一個典型的機器學(xué)習(xí)范式是流形學(xué)習(xí)，它實際上也是借鑒了感知的流形處理方式。〔27〕

生命認(rèn)知的模擬實際上更好地體現(xiàn)了機器學(xué)習(xí)的本質(zhì)特征和目的，它在計算模型層面對生命底層特征進行了借鑒，實現(xiàn)了機器在離散狀態(tài)下認(rèn)知模式向生命底層認(rèn)知模式的接近和融合。有人認(rèn)為，將生命體的學(xué)習(xí)行為作為認(rèn)知的基本特征進而實現(xiàn)自然計算建模，將構(gòu)造出第二代計算模型，并導(dǎo)致認(rèn)知計算機的產(chǎn)生?！?8〕在這一研究范式下，機器學(xué)習(xí)對生命體認(rèn)知過程的擬合實際上只是圖靈計算下認(rèn)知計算趨向于包含非圖靈計算的“第二代計算”的前奏或預(yù)演。

(5)機器學(xué)習(xí)和科學(xué)哲學(xué)的交互作用在加強。在高階認(rèn)知模式領(lǐng)域，機器學(xué)習(xí)和科學(xué)方法論都研究人的經(jīng)驗、測試到理論建模的過程?？v觀機器學(xué)習(xí)的方法的歷史，發(fā)現(xiàn)科學(xué)方法論的指導(dǎo)在發(fā)揮重要作用。在機器學(xué)習(xí)早期，主要是20世紀(jì)50-60年代，羅素、〔29〕希爾伯特〔30〕等人的邏輯原子主義和形式主義的邏輯觀念，包括邏輯的推導(dǎo)方法、邏輯體系構(gòu)造的規(guī)則和作用，都影響了機器學(xué)習(xí)的方法設(shè)計，例如，概念學(xué)習(xí)、規(guī)則學(xué)習(xí)等都有邏輯的框架。此后，非理性主義的科學(xué)哲學(xué)思想(庫恩〔31〕的科學(xué)結(jié)構(gòu)思想和拉卡托斯〔32〕的證偽主義)對非機器學(xué)習(xí)擺脫對邏輯符號計算的依賴有啟發(fā)意義。鑒于此，雖然有反對者，但是對科學(xué)哲學(xué)特別是科學(xué)方法論影響機器學(xué)習(xí)方法設(shè)計還是得到廣泛認(rèn)可的。就是說，在機器學(xué)習(xí)的方法背后，存在著更一般、更抽象、更本質(zhì)化的思想運動。鑒于此，文獻(xiàn)〔33〕總結(jié)了這一作用，并提出實際上存在著機器學(xué)習(xí)和科學(xué)哲學(xué)的雙向影響運動，即機器學(xué)習(xí)也影響著科學(xué)哲學(xué)的方法構(gòu)建。這一機理可以用圖7表示如下(連線表示直接的雙向影響):

圖7 機器學(xué)習(xí)和科學(xué)哲學(xué)的交互作用示意圖

一個典型的實例是，貝葉斯網(wǎng)絡(luò)和馬爾科夫鏈的學(xué)習(xí)方法都體現(xiàn)了萊辛巴赫獨立事件公共原因的結(jié)果;而貝葉斯網(wǎng)絡(luò)和馬爾科夫鏈的學(xué)習(xí)方法的機器學(xué)習(xí)方法的進化又促進了因果性和概率性的獨立和依賴關(guān)系研究。從該文獻(xiàn)發(fā)表后的10年間看來，兩個領(lǐng)域的互動趨勢還在加強。

11.自動推理。已有的邏輯學(xué)分類大致將邏輯學(xué)分為“傳統(tǒng)”邏輯(亞里士多德的三段論理論)、“經(jīng)典”邏輯(二值語句演算)、“擴展”邏輯(模態(tài)邏輯、時態(tài)邏輯、道義邏輯、認(rèn)知邏輯等)、“異常”邏輯(多值邏輯、直覺主義邏輯、量子邏輯、自由邏輯)、“歸納”邏輯?！?4〕自動推理技術(shù)實現(xiàn)了傳統(tǒng)邏輯、經(jīng)典邏輯、直覺主義邏輯、歸納邏輯的自動推理。其中，直覺主義邏輯不接受排中律，因此其演算規(guī)則與經(jīng)典邏輯(一階邏輯)有所差異。由于哥德爾的解釋方法實現(xiàn)了與經(jīng)典邏輯的同構(gòu)，這使得可以完全由經(jīng)典邏輯解釋直覺主義邏輯證明。歸納邏輯已經(jīng)在逆推數(shù)學(xué)中被證明可以由遞歸方法構(gòu)造和實現(xiàn)，因此可以由圖靈計算實現(xiàn)。

量子邏輯受限于物理系統(tǒng)的進展限制，目前僅僅實現(xiàn)了幾位比特的量子計算，量子態(tài)的傳輸距離也僅僅是一二百公里，因此量子邏輯的自動化實現(xiàn)基本是沒有實現(xiàn)。

近期的自動推理可以在三個領(lǐng)域有重要的進展，即HOL高階推理機的研制成功，傳統(tǒng)邏輯的完全協(xié)調(diào)化、經(jīng)典化與自動化，以及確定性邏輯與不確定性邏輯的融合。

HOL是高階邏輯的簡稱，由劍橋大學(xué)等單位研制，可執(zhí)行在ZF(策梅落-弗蘭克公理體系的定理自動證明)，允許應(yīng)用高階邏輯進行定理自動證明。

傳統(tǒng)邏輯的完全經(jīng)典化由本文作者實現(xiàn)。〔35〕傳統(tǒng)邏輯主要由亞里士多德三段論構(gòu)成。但是長期以來三段論能否被經(jīng)典邏輯(一階邏輯)解釋和表達(dá)一直沒有確鑿證明。此外，對于傳統(tǒng)邏輯的不一致性問題也沒有明確提出和解決。這都影響了傳統(tǒng)邏輯的自動推理的實現(xiàn)。作者在蔡曙山教授的指導(dǎo)下對于擴展的三段論的研究證明了傳統(tǒng)邏輯的不一致性，給出了消解不一致性的方法，并提出了符合經(jīng)典邏輯的三段論形式(擴展的三段論)及其推理的數(shù)學(xué)模型，從而實現(xiàn)了傳統(tǒng)邏輯的協(xié)調(diào)化、經(jīng)典化和自動推理。

自確定性邏輯與不確定性邏輯分立以來一直存在相互融合的努力。從邏輯分類中可以看出，“異?！边壿嫲ǘ嘀颠壿?。對于經(jīng)典邏輯值二值的分割產(chǎn)生了多值邏輯(包括格值邏輯);對于命題的概率性分割也產(chǎn)生了“異?！边壿?，即不確定性邏輯。一個經(jīng)典命題α的概率性的分割表示為P(α)。其中P為概率函數(shù)。于是任意命題都可能有一個概率賦值，從而使確定性的命題完全轉(zhuǎn)變?yōu)楦怕市缘拿}。對于一階邏輯命題的概率化最初由Gaifman在20世紀(jì)60年代提出。〔36〕這樣，確定性邏輯與不確定性邏輯開始融合，確定性邏輯稱為不確定邏輯的特例，即P(α)=1。這樣，計算命題的概率成為概率邏輯的首要問題。一個研究方向是通過研究命題的環(huán)境變量對命題真值的影響，計算命題概率或真值，由此建立了可能世界語義學(xué)。

可能世界語義學(xué)影響命題真值的外省變量。一個研究方向是通過原子命題的概率計算符合命題。對于被概率賦值的多個命題，將初始命題集合賦值，并按照貝葉斯公式計算，構(gòu)建一個條件概率關(guān)系網(wǎng)絡(luò)，即形成貝葉斯網(wǎng)絡(luò)。這一方法實現(xiàn)了命題之間的概率關(guān)系計算，由此發(fā)展為貝葉斯邏輯(Bayesian Logic，BLOG)。一個重要的發(fā)展趨勢是這兩個研究方向的融合。在這種研究范式下，給定一個概率模型，邏輯語句α的概率是α為真的所有可能世界ω∈Ω的總概率。但是，在貝葉斯概率中，可能世界的樣本構(gòu)成要求是全面的，即域值是封閉的。最新的可能世界語義學(xué)演進為開放世界概率模型(也稱“開放宇宙概率模型”，Open Universe Probability Model，OUPM)〔37〕，其建模方法將變元變成開放域，定義了可能世界的概率分布，以代替可能世界中樣本的全域。在應(yīng)用中，很好地解決了現(xiàn)實世界中不全面的對象世界的狀況，并開發(fā)了BLOG編程語言，〔38〕成為當(dāng)前融合確定性邏輯和貝葉斯邏輯的最新進展。

12.類腦計算。目前，傳統(tǒng)計算機芯片主要基于馮諾依曼架構(gòu)，處理單元和存儲單元分開，通過數(shù)據(jù)傳輸總線相連。芯片總信息處理能力受總線容量的限制，構(gòu)成所謂“馮諾依曼瓶頸”。而且傳統(tǒng)計算機的處理單元一直處于工作狀態(tài)，導(dǎo)致能耗巨大。同時，由于需要精確的預(yù)編程，傳統(tǒng)計算機無法應(yīng)對編程以外的情況和數(shù)據(jù)。而大腦結(jié)構(gòu)則完全不同:神經(jīng)元(處理單元)和突觸(存儲單元)位于一體，不需要高能耗的總線連接，突觸是神經(jīng)元之間的連接，具有可塑性，能夠隨所傳遞的神經(jīng)元信號強弱和極性調(diào)整傳遞效率，并在信號消失后保持傳遞效率。突觸的這種性質(zhì)，使大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)動態(tài)可塑，能夠隨外部數(shù)據(jù)的變化而自適應(yīng)調(diào)整，神經(jīng)元只在工作時消耗能量，大腦的功耗極低;可大規(guī)模并行處理多個信號;具備學(xué)習(xí)能力，在海量數(shù)據(jù)處理方面具有巨大優(yōu)勢。近期的重要研究動向是IBM對于類腦計算芯片的研究?！?9〕此外，在馮諾依曼架構(gòu)下的類腦算法也在研究。

13.空間認(rèn)知?？臻g認(rèn)知包括空間信號的模式識別，如衛(wèi)星定位數(shù)據(jù)、空間信息網(wǎng)絡(luò)、方位識別系統(tǒng)、地理信息、交通信息、城市信息等等。識別的重要趨勢是識別對象的集成度越來越高。此外，邏輯的方法和數(shù)值計算的方法都有拓展。目前的進展除傳統(tǒng)的空間數(shù)據(jù)矢量處理方法外，在空間特征的計算還包括不同環(huán)境下的空間數(shù)據(jù)智能化處理，如地外空間(月球、太陽系等)對象的識別和實時處理，也包括愛因斯坦廣義相對論不同宇宙模型的計算?！?0〕此外，邏輯的方法也有初步的發(fā)展，即通過空間識別的邏輯公理系統(tǒng)推理識別空間特征?！?1〕

14.智能制造。智能制造包括將認(rèn)知方法和技術(shù)應(yīng)用于制造業(yè)的組織、控制、設(shè)計、生產(chǎn)與管理，包括這些制造流程的信息獲取、融合、處理與利用的智能化。目前的重要趨勢包括廣為人知的歐盟、美國等工業(yè)4.0的發(fā)展戰(zhàn)略。由于認(rèn)知功能促進了智能技術(shù)向更高形式發(fā)展，在廣為應(yīng)用智能技術(shù)的制造業(yè)，認(rèn)知科學(xué)具有一定影響。當(dāng)前，德國聯(lián)邦教育研究部《高技術(shù)戰(zhàn)略2020》于2013年將工業(yè)4.0(Industrie 4.0)確定為十大未來項目之一，并已上升為國家戰(zhàn)略，旨在支持工業(yè)領(lǐng)域新一代革命性技術(shù)的研發(fā)與創(chuàng)新，并迅速影響全球制造業(yè)發(fā)展戰(zhàn)略的制定。工業(yè)4.0計劃的一個核心理念是以智能技術(shù)作為重要的支持手段，強調(diào)制造的智能化管理和制造，即“智能工廠”和“智能生產(chǎn)”，認(rèn)知科學(xué)是其中的重要應(yīng)用原理，如自動化技術(shù)是其重要內(nèi)容。這些認(rèn)知相關(guān)技術(shù)，包括生命數(shù)據(jù)的獲取和生命支持，也包括人性化設(shè)備的制造和服務(wù)，還有典型的智能應(yīng)用技術(shù)如智能控制，人的高級認(rèn)知功能模擬等等，這都體現(xiàn)了認(rèn)知科學(xué)的基本規(guī)律和理念，并展示了認(rèn)知科學(xué)與人工科學(xué)的融合趨勢。

三、企業(yè)界的認(rèn)知創(chuàng)新活動

企業(yè)界的認(rèn)知創(chuàng)新活動敏感地反映了認(rèn)知科學(xué)產(chǎn)業(yè)化的效果。

在制造業(yè)，特別是信息產(chǎn)業(yè)，認(rèn)知活動已經(jīng)逐漸成為引領(lǐng)企業(yè)技術(shù)創(chuàng)新的方向和動力。

一個很好的實例是2014年《麻省理工科技評論(MIT Technology Review)》雜志評選了全球50大智慧公司，其創(chuàng)新技術(shù)中涉及認(rèn)知功能的技術(shù)占有很大比例，見表2。

表2 2014年《麻省理工科技評論》雜志評選的全球50大智慧公司及其研發(fā)概況〔42〕

作者根據(jù)《MIT Technology Review》繪制

四、認(rèn)知科學(xué)對科學(xué)范式的影響

科學(xué)范式是庫恩提出的概念。〔43〕其含義是科學(xué)研究領(lǐng)域(科學(xué)問題及其相關(guān)命題)基本特征和歷史演進模式。根據(jù)庫恩的觀點，科學(xué)的構(gòu)成及其演進并非完全客觀化的或沒有規(guī)律或規(guī)則的，而是存在科學(xué)家某種選擇的影響。這種影響大體上遵循接受某種核心命題，并證明其正確性、擴展其衍生性、最后達(dá)到發(fā)現(xiàn)和證明理論體系的危機階段，進而產(chǎn)生這一整體命題體系的革命。例如牛頓力學(xué)發(fā)展為相對論力學(xué);牛頓力學(xué)擴展為量子力學(xué)都是范式的轉(zhuǎn)換實例。

考察上述認(rèn)知科學(xué)對于人工科學(xué)的影響領(lǐng)域可以看出，人工科學(xué)實際上構(gòu)建了一個科學(xué)范式，也就是說，科學(xué)技術(shù)都在仿人，或仿人的認(rèn)知功能，其特征在于，科學(xué)和技術(shù)總是平行于人類認(rèn)知功能去揭示、發(fā)現(xiàn)、構(gòu)造知識、方法和技術(shù)系統(tǒng)……有什么認(rèn)知功能，就要構(gòu)造什么人工系統(tǒng)，進而發(fā)現(xiàn)相應(yīng)的科學(xué)規(guī)律和方法;換言之，凡是可以抽象出的人的認(rèn)知功能，科學(xué)就努力平行地按照這一功能發(fā)現(xiàn)其規(guī)律，構(gòu)造其功能和系統(tǒng)。這使得科學(xué)發(fā)展的范式不只是庫恩提出的科學(xué)論證、危機、革命的范式，而是平行范式，構(gòu)造出模仿認(rèn)知功能的系統(tǒng)或方法，在類人、仿人地解釋相應(yīng)知識基礎(chǔ)及方法設(shè)計基礎(chǔ)。學(xué)科發(fā)展的內(nèi)驅(qū)力不再只是針對科學(xué)家偏頗地構(gòu)造出可證偽性，而是仿人認(rèn)知功能去構(gòu)造研究方法與領(lǐng)域。這樣，學(xué)科知識的進化范式就是研究領(lǐng)域和方法擬人化、構(gòu)造模仿人的實際能力。由此看出，人工科學(xué)、進而科學(xué)發(fā)展的內(nèi)因是對人類認(rèn)知功能的模仿。

五、結(jié) 論

認(rèn)知科學(xué)在科學(xué)技術(shù)綜合發(fā)展中起到越來越重大的引領(lǐng)作用，包括:高維度認(rèn)知能力的揭示;產(chǎn)品和服務(wù)的認(rèn)知能力的強化和泛化;人機交互和融合的深化。在上述14個人工科學(xué)和產(chǎn)業(yè)領(lǐng)域中明顯地體現(xiàn)了認(rèn)知科學(xué)的重大影響。在全球范圍內(nèi)，企業(yè)創(chuàng)新已經(jīng)融入了認(rèn)知科學(xué)的方法和技術(shù)。在學(xué)科發(fā)展上構(gòu)造了一個新的科學(xué)模式，即發(fā)現(xiàn)和構(gòu)造科學(xué)技術(shù)中類人認(rèn)知規(guī)律系統(tǒng)及其人工系統(tǒng)。

注釋:

〔1〕M.C.羅科、W.S.班布里奇:《攬聚合四大科技 提高人類能力——納米技術(shù)、生物技術(shù)、信息技術(shù)和認(rèn)知科學(xué)(NBIC)》，蔡曙山、王志棟、周允成等譯，清華大學(xué)出版社，2010年。

〔2〕Jeff Johnson:《認(rèn)知與設(shè)計》，張一寧譯，人民郵電出版社，2011年。

〔3〕李奮強:《設(shè)計的科學(xué)研究活動分析》，《2004年國際工業(yè)設(shè)計研討會暨第九屆全國工業(yè)設(shè)計學(xué)術(shù)年會論文集》，第496-499頁。

〔4〕http://www.nasdaq.com/markets/ipos/company/tripath-imaging-inc-330-9021.

〔5〕www.cytyc.com.

〔6〕Van J.Wedeen et et al.The Geometric Structure of the Brain Fiber Pathways.Science，2012，Vol.335，No.6076，pp.1628-1634.

〔7〕Kay，K.N.，Naselaris，T.，Prenger，R.J.，＆ Gallant，J.L.，Identifying natural images from human brain activity.Nature，2008，Vol.452，pp.352-355.

〔8〕GM Mckhann，Cortical control of a prosthetic arm for self-feeding，Nature，2008，Vol.453，No.7198，pp.1098-101;AB.Kalaska et.al.Brain control of a helping hand，Nature，2008，Vol.453，No.7198，pp.994-995.

〔9〕Can brain scans read your mind?Study by UCLA，Rutgers neuroscientists provides new insights Stuart Wolpert，July 22，2009;http://newsroom.ucla.edu/releases/can-brain-imaging-read-minds-96682.

〔10〕張寅生:《腦的邏輯功能的功能核磁共振成像及其哲學(xué)意義》，《醫(yī)學(xué)與哲學(xué)》2008年第11期，第27-29，55頁。

〔11〕Carles Grau et al Conscious Brain-to-Brain Communication in Humans Using Non-Invasive Technologies.Brain Stimulation，2015，Vol.8，No.8，p.323.

〔12〕D·卡西·庫倫(D.Kacy Cullen)、道格拉斯·H·斯密斯(Douglas H.Smith):《讓假肢擁有神經(jīng)》，曾洪譯，《環(huán)球科學(xué)》2013年第2期。

〔13〕Zhang Yinsheng.The Mathematic Model of Consciousness，Second Asia International Conference on Modeling and Simulation，IEEE press，2008，pp.574-578.(EI)

〔14〕Kitamua.T，Tahara T.Asami KI.How can a robot have consciousness?Advanced Robotics，2000，Vol.14，No.4，pp.263-276.

〔15〕〔16〕Pentti O Haikonen.Consciousness and Robot Sentience.(One of Serials on Machine Consciousness)，World Scientific Publishing Co.Pte.Ltd，2012.

〔17〕Sam A.Adams et.al.Mapping the Landscape of Human-Level Artificial General Intelligence AI Magazine，2012，Vol.33，No.1，pp.25-42.

〔18〕魏急波等:《認(rèn)知無線網(wǎng)絡(luò):關(guān)鍵技術(shù)和研究進展》，《通信學(xué)報》2011年第11期;李紹謙等:《認(rèn)知無線網(wǎng)絡(luò)無線傳輸技術(shù)》，國防工業(yè)出版社，2014年。

〔19〕孫鳳蓮、張群、羅迎等:《基于壓縮感知的稀疏孔徑認(rèn)知ISAR成像方法》，《通信學(xué)報》2012年第Z2期;陳怡君等:《基于認(rèn)知ISAR成像的相控陣?yán)走_(dá)資源自適應(yīng)調(diào)度算法》，《電子與信息學(xué)報》2014年第7 期;Sun Feng-lian，Zhang Qun，Luo Ying，et al..Imaging method based on compressed sensing for the cognitive sparse aperture of ISAR.Journal on Communications，2012，Vol.33，No.Z2，pp.1-8;Luo Ying，Zhang Qun，Hong Wen，et al..Waveform design and high-resolution imaging of cognitive radar based on compressive sensing，SCIENCE CHINA(Information Sciences)，2012，Vol.55，No.11，pp.2590-2603.

〔20〕Rumelhart.D.E.，McClenland.J.L.Parallel distributed processing:exploration in the mocrostructure of cognition.Cambridge.MA:MIT Press，1986，Vol.1，2.

〔21〕Hinton G，Salakhutdinov R.Reducing the dimensionality of data with neural networks，Science，2006，Vol.313，No.504;Geoffrey E.Hinton Learning multiple layers of representation.TRENDS in Cognitive Sciences Vol.11，No.10，pp.428-434.

〔22〕Nicola Jones，The Learning Machines，Nature，2014，Vol.505，pp.146-148.

〔23〕Lindeberg，T.A computational theory of visual receptive fields，Biological Cybernetics，2013，Vol.107，No.6，pp.589-635.

〔24〕Timothy J.et al.Synchronous Oscillatory Neural Ensembles for Rules in the Prefrontal Cortex，2012，Vol 76，Issue4，pp.838-846.

〔25〕Marton F，saljo R.On qualitative differences in learning:I—out come and process.British Journal of Educational Psychology.1976，Vol.46，pp.4-11.

〔26〕Lee T S;Mumford D;Romero R，The role of the primary visual cortex in higher level vision Vision Research，1998，Vol.38，No.15-16，pp.2429-2254;Lee T S，Mumford D Hierarchical Bayesian inference in the visual cortex Journal of the Optical Society of America.A，Optics，image science，and vision，2003，Vol.20，No.7，pp.1434-1448.

〔27〕Seung H，Lee D.，The manifold way of perception，Science，2000，Vol.290，pp.2268-2269;Tenenbaum J，Silver V D，Langford J.A global geometric framwork for nonliner dimensionality reduction.Science，2000，Vol.290，pp.2319-2323;Roveis S，Saul L.，Nonlinear dimensionality reduction by locally linear embedding，Science，2000，Vol.290.

〔28〕Gordana Dodig-Crnkovic.Modeling Life as Cognitive Info-conputation，Language，Life，Limits/10th Conference on Computatability in Europe，CIE 2014 Budapest，Hungary，June 23-27，2014 Proceedings，Springer，2015，pp.153-192.

〔29〕伯特蘭·羅素:《邏輯與知識》，商務(wù)印書館，1996年。

〔30〕D.Hilbert，W.Ackermann，Principle of Mathematical Logic，AMS Chelsea Publishing.2000;希爾伯特:《數(shù)學(xué)問題》，大連理工大學(xué)出版社，2009年;embedding.Science，2000，Vol.290，pp.2323-2326.

〔31〕〔43〕托馬斯·庫恩:《科學(xué)革命的結(jié)構(gòu)》，北京大學(xué)出版社，2003年。

〔32〕拉卡托斯:《數(shù)學(xué)、科學(xué)和認(rèn)識論》，商務(wù)印書館，2010年。

〔33〕Jon Williamson，A Dynamic Interaction Between Machine Learning and the Philosophy of Science，Mind and Machines，2004，No.14，pp.539-549.

〔34〕蘇珊·哈克:《邏輯哲學(xué)》，商務(wù)印書館，2003年。

〔35〕張寅生:《擴展的三段論及自動推理》，科學(xué)技術(shù)文獻(xiàn)出版社，2009年;張寅生:《傳統(tǒng)邏輯協(xié)調(diào)化、經(jīng)典化和自動化的實現(xiàn)》，《濟南大學(xué)學(xué)報》2016年第1期。

〔36〕Gaifman H，Concerning measures in first order calculi，Israel Journal of Mathematics 1964，No.2，pp.1-18;Gaifman H，Concerning measures on Boolean algebras.Pacific J.Math，1964，No.14.pp.61-73.

〔37〕Brian Milch et.al.BLOG:Probabilistic Models with Unknown Objects.19th International Joint Conference on Artificial Intelligence(IJCAI):2005，pp.1352-1359.

〔38〕Stuart Russell:《統(tǒng)一邏輯和概率方面的最新進展》，《ACM通訊》2015年第7期。

〔39〕〔美〕唐旖濃:《國類腦芯片發(fā)展歷程》，《電子產(chǎn)品世界》2015年3月26日。

〔40〕Yinsheng Zhang，Architecture and Performance Methods of A Knowledge Support System of Ubiquitous Time Computation，Journal of Software，2013，No.11，pp.2947-2955.(EI)

〔41〕約翰·范本特姆:《邏輯、認(rèn)識論和方法論(IV)》，科學(xué)出版社，2013年。

〔42〕麻省理工科技評論編輯部:《麻省理工科技評論(MIT Technology Review)》2014年1/2月刊，第40頁。