第76章 Machine Cognition
中文：
机器认知
第75章建立了 ICAI Engineering（个体人工智能工程），完成了从个体人工智能理论向工程体系的转换。
但是，ICAI Engineering 只是解决了一个工程问题：
如何把个体人工智能设计成一个可以运行的软件系统？
在此基础上，还必须解决一个更加根本的问题：
这个软件系统究竟应该具有什么能力，才能被称为“机器认知”？
如果不能明确机器认知与机器计算、机器处理以及人工智能模型之间的区别，那么 ICAI 最终仍然可能只是一个更加复杂的软件系统。
因此，第76章不讨论具体的机器感知、知识结构化、认知元素、认知映射和认知匹配。
本章只研究一个问题：
机器认知究竟是什么？
76.1 从机器计算开始
机器最基本的能力是计算。
例如：
1 + 1
机器可以得到：
2
再例如：
10 × 20
得到：
200
这是机器计算。
其基本关系是：
Input
↓
Calculation
↓
Output
因此：
计算是机器按照确定的计算规则，对输入进行运算并产生结果的过程。
计算本身并不要求机器知道：
1是什么？
2是什么？
10是什么？
20是什么？
机器只需要按照规则执行计算。
因此：
计算
≠
认知
76.2 机器处理
机器的能力并不只有数学计算。
计算机还可以：
读取文件
保存数据
查询数据库
排序数据
复制数据
转换格式
执行程序
发送消息
接收消息
这些都属于机器处理。
可以表示为：
Information
↓
Processing
↓
Result
例如：
数据库
↓
查询
↓
返回记录
机器并不一定需要知道这些记录意味着什么。
因此：
机器处理是机器按照预先定义的程序、规则或算法，对信息进行操作和转换的过程。
76.3 计算与处理的关系
计算可以看成机器处理的一种形式。
Machine Processing
│
├── Calculation
├── Search
├── Sorting
├── Transformation
├── Storage
└── Communication
因此：
Calculation
⊂
Processing
但是：
Processing
≠
Cognition
因为机器可以处理信息，却不一定形成对信息的认知。
76.4 什么是人工智能模型
人工智能进一步增加了机器处理复杂信息的能力。
例如：
输入数据
↓
AI Model
↓
预测结果
模型可以进行：
分类
预测
识别
生成
推荐
决策辅助
例如输入一张图片：
Image
↓
AI Model
↓
Cat
系统可以输出：
Cat
这说明机器具有了某种识别能力。
但是：
能够输出“Cat”，并不自动等于机器形成了与“Cat”有关的完整认知。
这正是机器认知需要继续研究的问题。
76.5 AI模型与机器认知的区别
可以先建立一个基本区别：
AI Model
=
一种计算模型或能力模型
而：
Machine Cognition
=
机器形成、保持、使用和更新认知结构的过程
因此：
AI Model
↓
提供某种能力
而：
Machine Cognition
↓
组织和使用多种能力形成持续认知
二者不是同一个层次。
76.6 模型可以产生结果，认知需要形成状态
这是两者之间非常重要的区别。
一个普通模型：
Input A
↓
Model
↓
Output A
下一次：
Input B
↓
Model
↓
Output B
模型本身不一定需要保存：
A发生过什么？
A产生了什么结果？
A对后面的判断有什么影响？
而机器认知必须考虑：
过去状态
↓
当前状态
↓
当前认知
↓
下一状态
因此：
认知必须具有状态连续性。
76.7 机器认知的第一个特征：持续性
机器认知不是一次性计算。
可以表示为：
t1
↓
Cognitive State 1
↓
Experience
↓
t2
↓
Cognitive State 2
↓
Experience
↓
t3
↓
Cognitive State 3
因此机器的当前认知状态，与过去发生的事情有关。
这意味着：
Cognition(t)
=
f(
Previous State,
Current Information,
Memory,
Experience,
Rules
)
机器认知因此具有：
时间上的连续性。
76.8 机器认知的第二个特征：内部结构
如果机器只是：
Input
↓
Output
那么我们很难称其为完整的认知系统。
机器认知必须具有内部结构。
例如：
Cognitive Space
↓
Elements
↓
Relations
↓
Objects
↓
States
↓
Knowledge
↓
Memory
↓
Experience
这些结构共同形成机器的认知基础。
因此：
机器认知不是一个输出函数，而是一套内部持续存在的认知结构。
76.9 机器认知的第三个特征：状态变化
认知不是静态的数据保存。
机器在获得新的信息以后，内部状态可能发生变化。
例如：
原状态：
Object A
State = Unknown
获得新的信息以后：
Object A
State = Known
继续获得信息：
Object A
State = Evaluated
再次行动以后：
Object A
State = Completed
因此：
Information
↓
Cognitive State Change
是机器认知的重要特征。
76.10 机器认知不是数据库
数据库可以保存：
Object
Attribute
Value
例如：
Supplier A
Country = China
Capacity = 10000
但是数据库本身不会自动形成：
应该选择谁？
为什么？
过去发生过什么？
当前情况是否发生变化？
下一步应该做什么？
因此：
Database
≠
Cognition
数据库可以成为：
Cognitive Data Layer
但数据库本身不是机器认知。
76.11 机器认知不是知识库
同样：
Knowledge Base
可以保存大量知识。
例如：
Earth
Planet
Sun
Star
但是：
Knowledge
本身仍然只是认知系统的组成部分。
机器还需要：
识别
关联
匹配
判断
调用
应用
反馈
更新
因此：
Knowledge
≠
Cognition
而：
Knowledge
+
Cognitive Process
才可能形成机器认知。
76.12 机器认知不是规则库
规则系统可以定义：
IF A
THEN B
例如：
IF temperature > 30
THEN air_conditioner = ON
这是规则执行。
但是，如果系统能够：
认识当前状态
比较过去经验
判断目标
选择方法
执行行为
观察结果
形成经验
更新认知
那么它已经超出了单纯的规则执行。
因此：
Rule
≠
Cognition
但：
Rule
→
Cognitive Mechanism
可以成为机器认知的重要组成部分。
76.13 机器认知不是算法本身
算法定义：
如何处理问题
例如：
Search Algorithm
Sorting Algorithm
Matching Algorithm
Decision Algorithm
但是一个算法通常只解决某一个明确的问题。
机器认知则需要协调：
多个算法
+
多个数据结构
+
多个状态
+
多个认知过程
形成持续运行的认知系统。
因此：
Algorithm
≠
Cognition
而：
Algorithms
→
Cognitive Functions
76.14 机器认知不是单一模型
这是 ICAI 与当前很多 AI 系统需要明确区分的地方。
不能简单认为：
AI Model
=
Artificial Intelligence
=
Machine Cognition
更合理的关系是：
AI Model
↓
某种能力
多个能力再进入：
Cognitive System
形成：
Perception
Knowledge
Memory
Matching
Decision
Behavior
Learning
因此：
模型是机器认知系统可以调用的能力组件，而不是机器认知本身。
76.15 机器认知的基本定义
经过上述区分，可以对 Machine Cognition 建立一个初步定义：
机器认知，是机器对输入信息形成内部认知表示，并基于已有认知状态、知识、记忆和经验，对当前对象及其状态进行持续处理、判断和更新的过程。
这里有几个关键词：
内部表示
认知状态
知识
记忆
经验
判断
更新
这些要素共同构成机器认知的基本边界。
76.16 机器认知的核心不是“算得更快”
机器计算追求：
速度
准确率
效率
机器认知则进一步关注：
认识什么？
当前是什么状态？
与过去有什么关系？
为什么这样判断？
下一步应该做什么？
行为产生了什么结果？
结果是否改变认知？
因此：
计算问题：
结果是多少？
认知问题：
这是什么？
为什么？
现在是什么状态？
过去发生过什么？
应该怎么办？
这是两种不同的问题。
76.17 机器认知的基本单位
机器认知不能无限停留在：
Raw Data
而需要逐渐形成：
Symbol
Element
Relation
Object
State
但这些内容将在后面的章节分别研究。
本章只确定一个原则：
机器认知必须建立在某种可表示、可组织、可操作的内部认知结构之上。
因此：
Raw Information
↓
Cognitive Representation
↓
Cognitive State
是机器认知形成的基本方向。
76.18 机器认知的状态性
机器认知具有状态。
可以抽象为：
Cognitive State
{
current_context
current_objects
current_relations
current_states
current_goals
current_memory
current_experience
current_decision
current_behavior
}
这些状态共同描述：
机器当前“处于什么认知状态”。
因此：
Machine Cognition
=
Stateful Process
而不是简单的：
Stateless Function
76.19 机器认知的历史性
如果机器只有当前状态，没有历史，那么它很难形成真正持续的个体认知。
因此需要：
Current State
+
Previous State
+
Memory
+
Experience
形成：
Cognitive History
例如：
第一次交互
↓
第一次结果
↓
第一次经验
↓
第二次交互
↓
调用第一次经验
↓
新的判断
这样机器的现在就受到过去影响。
这就是机器认知的历史性。
76.20 机器认知的个体性
ICAI 的一个核心思想是：
认知属于一个持续存在的 Individual。
因此：
Individual A
拥有：
Cognitive State A
Memory A
Experience A
Knowledge A
Behavior History A
而：
Individual B
拥有：
Cognitive State B
Memory B
Experience B
Knowledge B
Behavior History B
两个个体即使面对相同信息，也可能因为历史不同而形成不同认知状态。
因此：
个体性来自认知历史和认知状态的持续存在。
76.21 相同输入不一定产生相同认知
这是机器认知区别于简单函数的重要地方。
普通函数：
f(x) = y
同一个：
x
通常得到同一个：
y
而机器认知：
Cognition(
Input,
State,
Memory,
Experience,
Knowledge,
Goal
)
因此：
同一个 Input
+
不同 Individual State
可能形成：
不同认知
这正是个体人工智能存在的理论基础之一。
76.22 机器认知与人的认知
ICAI 研究的是：
机器模拟认知，而不是简单复制人脑。
机器没有必要完全按照生物神经系统运行。
因此：
Human Brain
≠
Machine Cognitive System
但可以研究：
人的认知功能
↓
抽象
↓
逻辑模型
↓
机器认知模型
↓
工程实现
所以：
ICAI 是对认知功能进行工程模拟，而不是对生物大脑进行机械复制。
76.23 模拟认知与模拟大脑
需要严格区分：
Brain Simulation
和：
Cognitive Simulation
前者研究：
神经元
突触
脑区
神经活动
而 ICAI 更关注：
感知
表示
知识
关系
状态
记忆
经验
判断
决策
行为
学习
因此 ICAI 研究的是：
认知过程的工程模拟。
76.24 为什么机器需要认知
如果机器只是：
计算
处理
执行
那么它更接近传统自动化系统。
如果机器能够：
感知信息
↓
形成内部表示
↓
保持状态
↓
调用知识
↓
利用记忆
↓
结合经验
↓
进行判断
↓
形成决策
↓
产生行为
↓
获得反馈
↓
更新认知
那么机器开始具备：
持续认知系统的基本特征。
76.25 机器认知的最小闭环
在本章暂时不展开具体认知机制的情况下，可以把机器认知最小闭环表示为：
Information
↓
Representation
↓
Cognitive State
↓
Evaluation
↓
Decision
↓
Behavior
↓
Outcome
↓
Cognitive Update
这个闭环说明：
认知不是一次性的输入输出，而是一个能够改变自身后续状态的循环过程。
76.26 Machine Cognition 与 Machine Learning
机器学习主要解决：
如何从数据中获得模型变化？
机器认知解决：
机器如何形成、保持和使用认知状态？
二者可以结合：
Machine Learning
↓
Model Update
↓
Cognitive Capability
但：
Machine Learning
≠
Machine Cognition
学习是认知系统中的一种机制。
认知则是更加完整的系统过程。
76.27 Machine Cognition 与 Reasoning
推理是认知的重要能力之一。
例如：
A > B
B > C
得到：
A > C
这是推理。
但是机器认知还包括：
认识 A
认识 B
认识 C
保存关系
判断当前状态
调用相关知识
形成推理
使用推理结果
因此：
Reasoning
⊂
Cognition
而不是：
Reasoning
=
Cognition
76.28 Machine Cognition 与 Decision
决策也只是认知的一部分。
可以表示：
Cognition
↓
Evaluation
↓
Decision
决策依赖：
当前状态
知识
经验
目标
约束
判断
所以：
决策是机器认知形成行为之前的重要阶段，但不是机器认知的全部。
76.29 Machine Cognition 与 Behavior
行为是认知向外部世界的表现。
Cognition
↓
Decision
↓
Behavior
因此：
Behavior
≠
Cognition
一个机器可以产生正确行为，但如果它没有形成持续的内部认知结构，那么仍然不能据此证明它拥有完整的机器认知。
所以：
行为是认知的外部表现之一，而不是认知本身。
76.30 Machine Cognition 的系统定义
到这里，可以形成更加完整的定义：
机器认知是一种持续运行的机器内部过程：机器通过获得信息形成内部表示，在已有认知状态、知识、记忆和经验的基础上，对当前情况进行组织、判断和决策，并通过行为获得结果和反馈，从而更新自身认知状态。
可以表示为：
Information
↓
Representation
↓
Cognitive State
↓
Knowledge / Memory / Experience
↓
Evaluation
↓
Decision
↓
Behavior
↓
Outcome
↓
Feedback
↓
Cognitive Update
76.31 Machine Cognition 的工程边界
为了避免概念无限扩大，本章需要确定边界。
以下不是机器认知本身：
CPU
Database
Algorithm
AI Model
Rule
Knowledge Base
Machine Learning
Reasoning
Decision
Behavior
它们都可以成为机器认知的组成部分。
因此：
Machine Cognition
=
这些机制按照认知逻辑形成的持续系统过程
76.32 ICAI 中的 Machine Cognition
ICAI 的目标不是：
制造一个更复杂的 AI Model
而是：
建立一个持续存在的 Individual
这个 Individual：
拥有认知空间
拥有认知状态
拥有知识
拥有记忆
拥有经验
能够判断
能够决策
能够行为
能够学习
能够更新自身认知
因此：
ICAI
↓
Individual
↓
Machine Cognition
机器认知是 ICAI 个体形成的核心机制。
76.33 Machine Cognition 的核心结构
在当前阶段，可以暂时抽象为：
┌──────────────────────────┐
│ Individual │
├──────────────────────────┤
│ Cognitive Space │
├──────────────────────────┤
│ Cognitive State │
├──────────────────────────┤
│ Knowledge │
├──────────────────────────┤
│ Memory │
├──────────────────────────┤
│ Experience │
├──────────────────────────┤
│ Cognition Process │
├──────────────────────────┤
│ Decision │
├──────────────────────────┤
│ Behavior │
├──────────────────────────┤
│ Learning / Update │
└──────────────────────────┘
这些结构将在后续章节继续拆解。
76.34 Machine Cognition 的核心运行关系
可以进一步简化：
Individual
↓
Cognitive State
↓
Cognition
↓
┌──────────┴──────────┐
↓ ↓
Memory Knowledge
│ │
└──────────┬──────────┘
↓
Evaluation
↓
Decision
↓
Behavior
↓
Result
↓
Feedback
↓
Cognitive Update
其中：
Cognition
是整个过程的核心协调机制。
76.35 机器认知不是一个模块
因此，在工程上不能简单建立：
Cognition.php
然后认为机器就拥有认知。
机器认知应该是：
Cognitive System
由多个相互关联的结构共同形成：
Perception
Representation
Knowledge
Element
Relation
Object
State
Memory
Experience
Matching
Reasoning
Decision
Behavior
Learning
后续章节再分别研究这些机制。
76.36 机器认知的最低条件
在当前理论阶段，可以提出一个最低判断标准。
一个系统如果要被称为具有机器认知，至少应该具有：
1. 持续存在的个体
2. 内部认知状态
3. 可组织的认知表示
4. 可持续的记忆
5. 可积累的经验
6. 基于状态进行判断
7. 行为产生结果
8. 结果产生反馈
9. 反馈能够改变后续认知
其中最关键的是：
过去
↓
现在
↓
未来
能够通过机器内部状态连接起来。
76.37 机器认知的根本区别
因此，可以将几种概念放在一起比较：
机器计算
=
计算数值
机器处理
=
处理信息
AI模型
=
实现某种智能能力
机器学习
=
从数据或经验中改变模型
推理
=
由已有结构产生新的判断
决策
=
在候选方案中形成选择
行为
=
向外部产生动作
机器认知
=
让上述能力围绕一个持续存在的机器个体，
形成具有内部状态、知识、记忆、经验、
判断、行为和更新能力的持续认知过程
这就是本章最重要的区分。
76.38 ICAI 的机器认知观
由此，ICAI 对机器智能的研究重点发生了变化。
不是：
如何让机器产生更多答案？
而是：
机器如何形成认知？
不是：
如何让模型更加复杂？
而是：
机器内部如何形成可持续的认知结构？
不是：
如何模拟神经网络？
而是：
如何工程模拟认知过程？
不是：
机器如何复制人的大脑？
而是：
机器如何成为一个具有持续认知能力的个体？
76.39 Machine Cognition 的当前理论模型
经过本章研究，目前可以形成：
现实信息
↓
机器获得信息
↓
内部表示
↓
认知状态
↓
知识 / 记忆 / 经验
↓
认知处理
↓
判断
↓
决策
↓
行为
↓
结果
↓
反馈
↓
认知更新
↓
下一次认知
注意：
这里暂时只确定机器认知的总体边界。
其中：
“机器如何获得信息”
将在第77章研究。
“机器如何形成符号”
将在后续章节研究。
“知识如何结构化”
将在后续章节研究。
“认知元素是什么”
将在后续章节研究。
“元素如何映射”
将在后续章节研究。
“认知如何匹配”
将在专门章节研究。
因此，本章不提前解决这些问题。
76.40 从 Machine Cognition 进入 Machine Perception
第76章最终确定了：
机器认知不是机器计算、信息处理、单一 AI 模型、知识库、规则库或算法本身，而是机器个体围绕内部认知状态，对信息、知识、记忆和经验进行持续组织、判断、决策、行为和更新的认知过程。
那么下一个最自然的问题就是：
机器认知从哪里开始？
人类认知并不是直接从“知识”开始的。
机器也一样。
机器首先必须：
接触世界
↓
获得信息
↓
形成感知
因此下一章进入：
第77章 Machine Perception
中文：
机器感知
第77章只研究一个问题：
机器如何从外部世界和人机交互中获得信息，并把外部信息转化为机器认知系统能够继续处理的输入？
由此，ICAI 的研究将从：
Machine Cognition
进一步向认知形成的第一步：
Machine Perception
推进。