Cognitive Computing

认知计算是指在计算机模型中模拟人类思维过程。它涉及使用数据挖掘、模式识别和自然语言处理（NLP）的自学习系统，以模仿人脑的工作方式。其目标不仅是处理数据，还要创建能够在无需持续人工监督的情况下解决问题的自动化系统。与依赖僵化逻辑树的传统程序化计算不同，认知计算系统具有概率性；它们能够从非结构化数据中生成假设、推理性论证和建议，帮助人们在复杂环境中做出更好的决策。

认知计算与通用人工智能（AGI）的对比#

要理解认知计算的具体范围，区分它与相关的 AI 概念非常重要。

• **认知计算与通用人工智能（AGI）：**认知计算虽然模仿人类推理，但通常面向特定领域。为法律训练的认知系统无法执行外科手术。AGI，即“强人工智能”，是指一种理论上的机器，能够像人类一样将智能应用于任何问题。认知计算是如今已经可用的实际应用，而 AGI 仍是 OpenAI 等组织未来研究的目标。
• **认知计算与统计 AI：**传统统计 AI 专注于通过数学优化，在特定任务（如分类）上实现高准确率。认知计算采取更广泛的方法，强调推理、假设生成和基于证据的解释，并且通常会集成知识图谱来映射概念之间的关系。

使用视觉 AI 实现认知感知#

视觉感知通常是认知处理流程的第一步。系统在能够对环境进行推理之前，必须先感知环境。现代视觉模型（如 Ultralytics YOLO26）充当感知输入层，从非结构化视频数据中提取结构化对象。随后，这些结构化数据会传递给推理引擎以做出决策。

以下示例演示如何使用 ultralytics 包充当感知层，识别认知系统可能需要跟踪的对象。

from ultralytics import YOLO

# Load the YOLO26 model to serve as the visual perception engine
model = YOLO("yolo26n.pt")

# Perform inference on an image to identify objects in the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Extract detected classes to feed into a cognitive reasoning system
for r in results:
    # Print the class names (e.g., 'person', 'bus') found in the scene
    for c in r.boxes.cls:
        print(model.names[int(c)])

实现认知智能的技术#

构建认知生态系统需要一套协同工作的先进技术栈。

• **深度学习（DL）：**神经网络提供了处理图像和语音等非结构化数据所必需的模式识别能力。
• **大数据分析：**处理高容量、高速率数据流的能力至关重要。Apache Spark 等工具通常用于管理为认知模型提供数据的数据管道。
• 云基础设施：Google Cloud AI 和 Microsoft Azure Cognitive Services 等平台提供了运行这些高强度工作负载所需的可扩展计算能力。
• **推理引擎：**除了简单分类之外，这些组件还会对数据应用逻辑规则和概率推理。这通常涉及符号 AI技术，以解释做出决策的原因。

实际应用#

认知计算通过以机器的速度和规模增强人类专业能力，正在推动各行业转型。

1. **医疗诊断：**在医学图像分析中，认知系统会摄取患者记录、医学期刊和诊断图像。通过处理海量的多模态学习数据，系统可以推测潜在诊断并为肿瘤科医生建议治疗方案，从而减少诊断错误并实现个性化护理。

2. **智慧农业：**认知系统通过分析卫星图像、天气模式和土壤传感器数据，推动精准农业发展。利用农业中的 AI的解决方案可以推理作物健康状况，在疾病传播之前预测疫情，并自动调整灌溉系统，以在节约用水的同时优化产量。

通过将 Ultralytics YOLO26 等模型的感知输入与先进的推理能力相结合，认知计算正在为不仅能够计算、还能理解的机器铺平道路。通过 Ultralytics Platform 管理这些复杂模型的生命周期变得更加高效，该平台支持在各种环境中进行训练、标注和部署。