要想了解認知計算，首先應該辨析認知計算與人工智能的關系。讓我們從本世紀第二個10年中兩場轟動世界的人機大賽說起。
一場人機大賽發生在2011年2月，IBM旗下的沃森系統在美國最受歡迎的智力問答電視節目《危險邊緣》中亮相，並最終打敗了兩位人類冠軍對手布拉德·魯特爾和肯·詹寧斯，奪得第一名。《危險邊緣》的比賽以一種獨特的問答形式進行，問題設置的涵蓋面非常廣泛，涉及歷史、文學、藝術、流行文化、科技、體育、地理、文字游戲等各個領域。與一般問答節目相反，《危險邊緣》以答案形式提問、提問形式作答，根據以答案形式提供的各種線索，參賽者必須以問題的形式做出簡短正確的回答。參賽者不僅需要具備歷史、文學、政治、科學和通俗文化等知識，還需會解析隱晦含義、反諷與謎語等。
另一場人機大賽發生在2016年3月，谷歌旗下的阿爾法狗系統與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機對弈，最終阿爾法狗以4比1的總比分獲勝。眾所周知，圍棋的變化與難度是驚人的，在19×19的棋盤中，圍棋的合法棋局數可能數接近10的171次方，這是一個天文數字。人類通常將圍棋競技視為智慧的巔峰對決，甚至也有人將圍棋視為人類智慧堡壘。
這兩場人機大賽都對整個世界產生了巨大的影響。在許多人工智能倡導者看來，這兩場競賽同時吹響了第三波人工智能浪潮的號角，共同推動了新一輪人工智能技術的發展。然而，另外一些學者認為這兩場競賽中涉及的技術存在本質差異，谷歌的阿爾法狗是以深度學習為代表的新一代人工智能的技術，而IBM的沃森推動的是一種被稱為“認知計算”的新計算范式。那麼，認知計算與人工智能究竟存在什麼樣的差異？
認知計算與人工智能的區別
區分認知計算與人工智能，可以從概念本體和人機關系兩個視角來辨識。
從概念本體的視角來看，人工智能是以一種“黑盒”的方式，表現出人類的智能行為，而認知計算則是以一種“白盒”的方式，模仿人類的思維過程和行為。根據一般的定義，智能指的是能夠學習、了解以及處理新的情境，並進行推理﹔能夠應用知識來操縱環境，並遵循客觀原則進行抽象思考。而認知指的是通過思維、情感與心理行為或者過程，獲取知識並進行理解。
人工智能技術旨在使計算機解決復雜問題，如果人要解決這些問題則需要用到人類智能。在這裡，結果（把問題解決了）很重要。認知計算同樣也旨在使計算機解決復雜問題，不過是以模仿人類的方式進行問題求解。在這裡，過程（如何解決）很重要。在這個視角下，人工智能是對人類智能的模仿，而認知計算則是對人類推理行為的模仿。
以上述兩場人機大賽為例，阿爾法狗旨在贏下棋局，即按照圍棋的規則，用自己的棋子盡可能地“佔據”更多的棋盤空間。阿爾法狗推演棋局的套路與李世石的下棋方法可謂“風馬牛不相及”，從某種意義上，你都可以認為他們玩的不一定是一個游戲。而沃森則不同，它在比賽之前很難定義具體目標，它所能做的是在競賽過程中，盡可能模擬人類問答的“認知過程”，利用自己更強的計算能力和知識庫贏得競賽。因此，阿爾法狗採用的是一種典型的人工智能技術，而沃森採用的則是一種典型的認知計算技術。
從人機關系的視角來看，人工智能旨在代替人類進行決策，人機之間存在一定的代理關系，且會產生一定的沖突。而認知計算則是輔助人類進行決策，人機之間更多的是協作、融合與共生的關系。
人類通常會委托人工智能為人類完成某項任務，在這個過程中，人工智能通常作為一種代理來代替人類進行某項決策。而認知計算核心在於輔助人類決策，它只是為人類賦予更高精度的分析能力，確保決策過程中的信息掌控。
舉一個職業咨詢的例子來展現人工智能與認知技術的差異。人工智能助手將會自動評估求職者的職業技能，並找到與他職業技能最匹配的工作崗位，同時為求職者進行薪酬與福利待遇的協商，最后，人工智能助手將商談好的工作告訴求職者。
相反，認知計算助手則是對求職者的求職給出一些建議，將某個崗位所需要的教育經歷、薪資對比以及目前崗位空缺情況等情報信息提供給求職者，同時盡可能地為求職者選擇不同崗位的優缺點提供各種維度的分析。而最終將由求職者自己來進行決策選擇哪一份工作。
因此，人工智能有可能自主形成一個決策閉環，而將人類排斥在這個閉環之外，而認知計算則一直是將人類置於決策閉環的核心位置。
認知計算的范圍與特征
從計算的發展來看，在經歷了制表計算、可編程計算兩個時代之后，目前計算正在邁入認知計算時代。總體而言，認知計算的應用范圍非常廣泛，涉及參與、決策與發現等不同方面，其核心圍繞增強人類的“認知”能力。
依據認知理論的觀點，人的認知系統包含兩個子系統：System1和System2。System1又稱“直覺系統”，主要負責快速、無意識、非語言的認知。System2又稱“邏輯分析系統”，是有意識，有邏輯、規劃、推理以及可以用語言表達的系統。
認知計算能夠用於增強人類的System1功能。隨著大數據的發展，認知計算系統基於強大的信息處理與利用能力，為人類提供更強的物聯網數據感知和大數據分析能力。認知計算可以通過分布式代理，基於流數據創建交互式感知、洞察和可視化系統，從而為實時監控和分析提供支撐。
認知計算亦能夠用於增強人類的System2功能。認知計算系統包含了各種實體之間的周境關系，使得它能夠形成假設和論斷。與此同時，它能夠融合並處理歧義的甚至是自相矛盾的數據，這使得認知計算系統具有理解海量信息、自我學習、開發深度領域洞見和提供專家輔助的能力。基於上述能力，認知計算系統能夠深度參與人類的生活與生產各項活動中。典型的應用就包括“科拉”這類人類網絡空間與信息生活的助手。
與以往的計算范式相比較，認知計算在適應性、交互性、迭代和周境感知等方面都有顯著的特征。
認知計算能感知周邊環境和語境，並能進行相應的自適應。認知計算需要進行動態編程，必須理解，識別和提取上下文元素，例如涵義、語法、時間、位置、法規、用戶的個人資料、過程、任務和目標。它們可能會利用多種信息源，包括結構化和非結構化數字信息，以及感官輸入（視覺，手勢，聽覺或傳感器提供的信息）。
認知計算具有“記憶”功能，並能進行迭代。認知計算系統必須能夠記住先前的交互信息，通過信息與語義的疊加，進行理性推理和輔助決策。例如，作為一個數字醫療助手，當某個用戶在凌晨1點左右與數字醫療助手交流“胸悶、失眠”等情形時，數字醫療助手必須能夠“意識”到當前的時間以及用戶所處的環境（躺在床上），並能夠結合用戶以往的狀態信息（比方說，這種“胸悶、失眠”症狀已經持續兩周以上），進行綜合研判並給用戶一個合理的建議（譬如是否需要持續吃某種藥物，或者是否需要馬上聯系醫生進行就醫診斷和治療等）。
認知計算的發展前景
認知計算是人類概念和思維過程在計算環境下的一個縮影，是一個自我學習的積累，通過模式識別、數據挖掘和自然語言處理等技術模仿人類大腦工作的方式，它重新定義人與網絡空間和信息圈的關系。一個認知計算系統能夠自適應並為圖像、自然語言等相關信息賦予意義。認知計算的主要目標並不是構建能夠思考的機器，而是創造能夠分析海量數據、自我學習且自主運轉的計算機系統，它應該精通於解決復雜問題，它應促使人與機器交互並獲得理解，從而增強人類認知能力。正如奧克蘭大學的米歇爾·迪金森博士所言，認知計算旨在輔助你的工作，幫助你成為更好的你。因此，推動認知計算在各行業的廣泛應用與滲透，將會使人類更好地棲居於網絡空間。
在金融領域，認知技術推動人性化金融科技興起。為了更有效地服務越來越多的客戶，銀行和金融機構可以廣泛採用認知技術，除了自動執行后端和管理任務外，認知技術也能主導其面向客戶的活動。
在教育領域，認知計算可以成為學生教育的重要推動力。在教室中應用認知計算主要是為每個學生定制個性化學習助手。這種認知助手可以減輕老師在教學生時面臨的壓力，同時增強學生的整體學習體驗。教師可能無法照顧到每個學生的個人注意力，而這正是認知計算所能彌補的地方。當學生與他們的個性化認知助手一起上課時，該認知助手可以開發各種技術，例如制定課程計劃，以定制和幫助滿足學生及其需求。
在衛生保健領域，許多技術公司正在開發涉及可用於醫療領域的認知計算的技術。分類和辨識能力是這些認知計算裝置的主要目標。認知計算在鑒定致癌物方面可能非常有幫助，它能夠幫助檢查員在更少的時間內解釋無數的文檔。此外，認知技術還可以評估有關患者的信息，深入查看每一條病歷，尋找可能導致患者問題的蛛絲馬跡。醫生可以使用認知計算系統來輔助他們進行診斷，利用海量醫學教科書和相關資料分析患者的病史，為醫生提供一些診斷支持依據，有可能向醫生提供一些醫生從未考慮過，甚至都不知道的疾病參考。
在商業領域，認知計算與可滿足客戶需求的大數據和算法相結合，可以在經濟決策中發揮重要作用。企業可以使用認知計算來將各種風險因素納入決策，然后向公司針對投資或選址分支機構提供有效建議。
正如萊布尼茨之夢所闡釋的那樣，在認知計算范式下，計算之於人腦，猶如算數之於數，代數之於量，在認知計算的輔助下，人類能夠更好地進行發現和判定。相對於人工智能而言，由於更側重與人的協作、融合與共生，認知計算能夠擺脫一般意義下的“人工智能”威脅論，掙脫倫理“桎梏”，以更加人性化的方式，回歸技術本質，從而造福人類。
