要想了解认知计算，首先应该辨析认知计算与人工智能的关系。让我们从本世纪第二个10年中两场轰动世界的人机大赛说起。
一场人机大赛发生在2011年2月，IBM旗下的沃森系统在美国最受欢迎的智力问答电视节目《危险边缘》中亮相，并最终打败了两位人类冠军对手布拉德·鲁特尔和肯·詹宁斯，夺得第一名。《危险边缘》的比赛以一种独特的问答形式进行，问题设置的涵盖面非常广泛，涉及历史、文学、艺术、流行文化、科技、体育、地理、文字游戏等各个领域。与一般问答节目相反，《危险边缘》以答案形式提问、提问形式作答，根据以答案形式提供的各种线索，参赛者必须以问题的形式做出简短正确的回答。参赛者不仅需要具备历史、文学、政治、科学和通俗文化等知识，还需会解析隐晦含义、反讽与谜语等。
另一场人机大赛发生在2016年3月，谷歌旗下的阿尔法狗系统与围棋世界冠军、职业九段棋手李世石进行围棋人机对弈，最终阿尔法狗以4比1的总比分获胜。众所周知，围棋的变化与难度是惊人的，在19×19的棋盘中，围棋的合法棋局数可能数接近10的171次方，这是一个天文数字。人类通常将围棋竞技视为智慧的巅峰对决，甚至也有人将围棋视为人类智慧堡垒。
这两场人机大赛都对整个世界产生了巨大的影响。在许多人工智能倡导者看来，这两场竞赛同时吹响了第三波人工智能浪潮的号角，共同推动了新一轮人工智能技术的发展。然而，另外一些学者认为这两场竞赛中涉及的技术存在本质差异，谷歌的阿尔法狗是以深度学习为代表的新一代人工智能的技术，而IBM的沃森推动的是一种被称为“认知计算”的新计算范式。那么，认知计算与人工智能究竟存在什么样的差异？
认知计算与人工智能的区别
区分认知计算与人工智能，可以从概念本体和人机关系两个视角来辨识。
从概念本体的视角来看，人工智能是以一种“黑盒”的方式，表现出人类的智能行为，而认知计算则是以一种“白盒”的方式，模仿人类的思维过程和行为。根据一般的定义，智能指的是能够学习、了解以及处理新的情境，并进行推理；能够应用知识来操纵环境，并遵循客观原则进行抽象思考。而认知指的是通过思维、情感与心理行为或者过程，获取知识并进行理解。
人工智能技术旨在使计算机解决复杂问题，如果人要解决这些问题则需要用到人类智能。在这里，结果（把问题解决了）很重要。认知计算同样也旨在使计算机解决复杂问题，不过是以模仿人类的方式进行问题求解。在这里，过程（如何解决）很重要。在这个视角下，人工智能是对人类智能的模仿，而认知计算则是对人类推理行为的模仿。
以上述两场人机大赛为例，阿尔法狗旨在赢下棋局，即按照围棋的规则，用自己的棋子尽可能地“占据”更多的棋盘空间。阿尔法狗推演棋局的套路与李世石的下棋方法可谓“风马牛不相及”，从某种意义上，你都可以认为他们玩的不一定是一个游戏。而沃森则不同，它在比赛之前很难定义具体目标，它所能做的是在竞赛过程中，尽可能模拟人类问答的“认知过程”，利用自己更强的计算能力和知识库赢得竞赛。因此，阿尔法狗采用的是一种典型的人工智能技术，而沃森采用的则是一种典型的认知计算技术。
从人机关系的视角来看，人工智能旨在代替人类进行决策，人机之间存在一定的代理关系，且会产生一定的冲突。而认知计算则是辅助人类进行决策，人机之间更多的是协作、融合与共生的关系。
人类通常会委托人工智能为人类完成某项任务，在这个过程中，人工智能通常作为一种代理来代替人类进行某项决策。而认知计算核心在于辅助人类决策，它只是为人类赋予更高精度的分析能力，确保决策过程中的信息掌控。
举一个职业咨询的例子来展现人工智能与认知技术的差异。人工智能助手将会自动评估求职者的职业技能，并找到与他职业技能最匹配的工作岗位，同时为求职者进行薪酬与福利待遇的协商，最后，人工智能助手将商谈好的工作告诉求职者。
相反，认知计算助手则是对求职者的求职给出一些建议，将某个岗位所需要的教育经历、薪资对比以及目前岗位空缺情况等情报信息提供给求职者，同时尽可能地为求职者选择不同岗位的优缺点提供各种维度的分析。而最终将由求职者自己来进行决策选择哪一份工作。
因此，人工智能有可能自主形成一个决策闭环，而将人类排斥在这个闭环之外，而认知计算则一直是将人类置于决策闭环的核心位置。
认知计算的范围与特征
从计算的发展来看，在经历了制表计算、可编程计算两个时代之后，目前计算正在迈入认知计算时代。总体而言，认知计算的应用范围非常广泛，涉及参与、决策与发现等不同方面，其核心围绕增强人类的“认知”能力。
依据认知理论的观点，人的认知系统包含两个子系统：System1和System2。System1又称“直觉系统”，主要负责快速、无意识、非语言的认知。System2又称“逻辑分析系统”，是有意识，有逻辑、规划、推理以及可以用语言表达的系统。
认知计算能够用于增强人类的System1功能。随着大数据的发展，认知计算系统基于强大的信息处理与利用能力，为人类提供更强的物联网数据感知和大数据分析能力。认知计算可以通过分布式代理，基于流数据创建交互式感知、洞察和可视化系统，从而为实时监控和分析提供支撑。
认知计算亦能够用于增强人类的System2功能。认知计算系统包含了各种实体之间的周境关系，使得它能够形成假设和论断。与此同时，它能够融合并处理歧义的甚至是自相矛盾的数据，这使得认知计算系统具有理解海量信息、自我学习、开发深度领域洞见和提供专家辅助的能力。基于上述能力，认知计算系统能够深度参与人类的生活与生产各项活动中。典型的应用就包括“科拉”这类人类网络空间与信息生活的助手。
与以往的计算范式相比较，认知计算在适应性、交互性、迭代和周境感知等方面都有显著的特征。
认知计算能感知周边环境和语境，并能进行相应的自适应。认知计算需要进行动态编程，必须理解，识别和提取上下文元素，例如涵义、语法、时间、位置、法规、用户的个人资料、过程、任务和目标。它们可能会利用多种信息源，包括结构化和非结构化数字信息，以及感官输入（视觉，手势，听觉或传感器提供的信息）。
认知计算具有“记忆”功能，并能进行迭代。认知计算系统必须能够记住先前的交互信息，通过信息与语义的叠加，进行理性推理和辅助决策。例如，作为一个数字医疗助手，当某个用户在凌晨1点左右与数字医疗助手交流“胸闷、失眠”等情形时，数字医疗助手必须能够“意识”到当前的时间以及用户所处的环境（躺在床上），并能够结合用户以往的状态信息（比方说，这种“胸闷、失眠”症状已经持续两周以上），进行综合研判并给用户一个合理的建议（譬如是否需要持续吃某种药物，或者是否需要马上联系医生进行就医诊断和治疗等）。
认知计算的发展前景
认知计算是人类概念和思维过程在计算环境下的一个缩影，是一个自我学习的积累，通过模式识别、数据挖掘和自然语言处理等技术模仿人类大脑工作的方式，它重新定义人与网络空间和信息圈的关系。一个认知计算系统能够自适应并为图像、自然语言等相关信息赋予意义。认知计算的主要目标并不是构建能够思考的机器，而是创造能够分析海量数据、自我学习且自主运转的计算机系统，它应该精通于解决复杂问题，它应促使人与机器交互并获得理解，从而增强人类认知能力。正如奥克兰大学的米歇尔·迪金森博士所言，认知计算旨在辅助你的工作，帮助你成为更好的你。因此，推动认知计算在各行业的广泛应用与渗透，将会使人类更好地栖居于网络空间。
在金融领域，认知技术推动人性化金融科技兴起。为了更有效地服务越来越多的客户，银行和金融机构可以广泛采用认知技术，除了自动执行后端和管理任务外，认知技术也能主导其面向客户的活动。
在教育领域，认知计算可以成为学生教育的重要推动力。在教室中应用认知计算主要是为每个学生定制个性化学习助手。这种认知助手可以减轻老师在教学生时面临的压力，同时增强学生的整体学习体验。教师可能无法照顾到每个学生的个人注意力，而这正是认知计算所能弥补的地方。当学生与他们的个性化认知助手一起上课时，该认知助手可以开发各种技术，例如制定课程计划，以定制和帮助满足学生及其需求。
在卫生保健领域，许多技术公司正在开发涉及可用于医疗领域的认知计算的技术。分类和辨识能力是这些认知计算装置的主要目标。认知计算在鉴定致癌物方面可能非常有帮助，它能够帮助检查员在更少的时间内解释无数的文档。此外，认知技术还可以评估有关患者的信息，深入查看每一条病历，寻找可能导致患者问题的蛛丝马迹。医生可以使用认知计算系统来辅助他们进行诊断，利用海量医学教科书和相关资料分析患者的病史，为医生提供一些诊断支持依据，有可能向医生提供一些医生从未考虑过，甚至都不知道的疾病参考。
在商业领域，认知计算与可满足客户需求的大数据和算法相结合，可以在经济决策中发挥重要作用。企业可以使用认知计算来将各种风险因素纳入决策，然后向公司针对投资或选址分支机构提供有效建议。
正如莱布尼茨之梦所阐释的那样，在认知计算范式下，计算之于人脑，犹如算数之于数，代数之于量，在认知计算的辅助下，人类能够更好地进行发现和判定。相对于人工智能而言，由于更侧重与人的协作、融合与共生，认知计算能够摆脱一般意义下的“人工智能”威胁论，挣脱伦理“桎梏”，以更加人性化的方式，回归技术本质，从而造福人类。
