認知科學對人工科學的引領趨勢

○張寅生

(中國科學技術信息研究所 信息技術支持中心，北京 100038)

一、人工科學和認知科學的基本概念和學科發展概況

“人工科學”是司馬賀(Herbert A.Simon)于20世紀60年代提出的。這一概念指謂“人工的科學”，即人工物和人工行為相關的科學。他納入這一科學領域的典型學科是計算機科學、設計科學、心理學、認知科學、藝術學、管理學、經濟學等這些以人自身或人干預的對象為研究對象的學科。

近年來，包括人工科學的科學技術發展呈現出很多革命性的變化，這些變化很多是司馬賀所預測的，有些則具有新的特征，其中一個進化模式上的特征是認知科學對人工科學的影響。

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

在下個世紀，或者在大約5代人的時期之內，一些突破會出現在納米技術、生物技術(消融了自然和人造的分子系統之間的界限)、信息科學(導向更加自主的、智能的機器)、生物科學和生命科學(通過基因和蛋白質學來延長人類生命)、認知和神經科學(創造出人工神經網絡并破譯人類認知)和社會科學(理解文化媒母，駕馭集體智商)領域，這些突破被用于加速技術進步的步伐，并可能會再一次改變我們的物種，其深遠意義可能媲美數十萬年以前人類首次學會口頭語言。NBICS(納米-生物-信息-認知-社會)的技術綜合可能會成為人類偉大變革的推進器。

這個報告將認知科學等四學科帶來的科技融合與人類進化史上的言語產生、制造工具、計算機發明等里程碑事件相提并論，足見其對認知科學引領作用的認可。

在我國，認知科學尚沒有列入教育部等多個科學管理組織的學科目錄，但是已經成立了認知科學學會，認知專業研究機構也有增加趨勢，并有多個專業的認知會議舉辦。如清華大學心理與認知科學研究中心主辦的全國認知科學會議截止至2015年已經舉辦了七屆。

認知科學對于人工科學的影響也越來越引起重視。已經有著作專門研究認知與人工科學的關系，如Jeff Johnson的《認知與設計》〔2〕。在我國設計界也提出了“設計學的基礎科學是認知科學”〔3〕的結論。

二、當前認知科學對人工科學引領領域和成果

從近期的人工科學現狀和趨勢分析，以下人工科學領域，特別是創新設計領域，突出體現了認知科學的引領作用，特別體現了認知科學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、生命體征和健康狀態模式識別技術。已經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、概率計算方法、機器學習方法。此外，在設備醫學診斷中也有大量的模式識別技術應用。與此相關的技術是生命體征和健康(疾病)狀態模式識別技術。這些技術原理需要考慮復雜而模糊的生命狀態識別模式，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已有應用，如專家診斷系統:診斷血液中細菌的感染MYCIN，血液凝結系統診斷CLOT;此外還有通過知識庫機器規則推理實現特征推導。近期的技術如Tripath〔4〕和Cytyc〔5〕公司的細胞和癌癥檢測識別技術，通過成像識別模式特征。在健康和衛生數據中的生物和行為模式的數據分析將人體分析即模式識別技術擴大到了多模態數據和生命體多功能數據，稱為當前大數據分析方法新興的領域之一。

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

2.腦機接口技術，包括腦-機接口、機-腦接口、腦-腦接口技術。上述交互方式都已經實現，其識別和控制程度及復雜度差異很大。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動腦神經或意識，達到行使意念控制的效果;腦-腦接口將腦信號獲取后經過編碼傳輸、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。當前功能核磁共振可掃描的大腦立體像素可達10萬個。此外，腦神經已經能夠真實成像，圖1是Van J.Wedeen小組拍攝的腦神經3D圖像?！?〕

圖1 腦神經3D圖像

對實體—腦的直接映射關系的fMRI成像研究獲得了很大進展。已經能夠實現通過視物的fMRI腦信號還原被視物。

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

機腦接口的成功實驗是用認為設置的波形控制動物腦神經并驅動肢體，相當于“創造意識”。美國匹茲堡大學的安德魯·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皮層植入100個微小電極。電極彼此形成網絡，每個電極與一個神經細胞連接，這些電極還通過計算機與機械臂相連。當腦細胞發出某種活動指令時，電極會將接收到的信號經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。其成功率分別為61%和78%?！?〕

對于任務的腦fMRI腦信號的解讀的重要進展還包括加州大學洛杉磯分校通過腦核磁共振能夠識別8種任務，如讀詞、說出是否押韻的配對詞，查音調的數量對特定目標按鈕，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。腦電波在遠程傳輸時經過了編碼和解碼。這個實驗完成了“心靈感應”的過程。見圖2。

圖2 腦-腦通信過程示意圖

腦機接口技術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.感知復位和感知替代。視聽覺、肢體等替代性和輔助性器官都已經生產出來，實現了人造物連接生物體的神經甚至高級神經系統，并實現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系統中，產生了一部分是人類肉體、一部分是電腦芯片的神奇“電子人”。美國西北工業大學完成了假肢與外周或替代性神經相連?！?2〕總之，人機融合的趨勢已經增強，人機邊界變得模糊了。

4.感性工學(Kansei Engineering)、豐心工學和情感計算。感性工學的出現體現了設計從單純考慮產品實用功能向同時注重用戶生理體驗的轉變。感性工學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。幾年來隨著認知科學和信息科學的深化，對用戶的生理、心理及其多層面、多模態的信息獲取和計算已經具有初步成果。豐心工學和情感計算針對人的內心情緒和感覺的連續變量、不確定性的計算。目前的主要技術包括對情感、感覺及其相關心理數據的采集和表示模式的解讀，包括對面部表情、情感表達的自然語言、語音中的感情色彩、生理數據的模式識別。

國內的典型應用是華為設計引入消費者感受分析，實現手機設計的美感提升設計。本世紀初華為手機對產品的心理感受沒有給予充分關注，此后華為產品在設計上充分引入設計感情工學，對手機外觀形象給予高度重視后將手機業看成時尚業，注重產品的心理效應和藝術效果，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(引自華為網站)

5.傳感技術。傳感器模擬了生命體的感知能力，它由原來的各種物理、化學等性質信息的采集功能向著更高功能發展。傳統的傳感器主要包括機械量、熱、光、電、聲、醫學、生物量的采集、轉化、傳輸和存儲。近年來突出的發展包括光纖傳感器、集成傳感器、微機電系統(MEMS)傳感器、智能傳感器、網絡傳感器、生物傳感器等等。感知原理也呈復合化趨勢，包括了像神經網絡學習等多種人工智能技術特征，感知的應用范圍極其廣闊并且轉移速度很快，包括計算系統、實時控制系統、環境、通信系統、生物體等等，實現的應用級功能包括測量、測試、監測、成像、定位、跟蹤、導航、制導、控制、生物信號連接和復合等多種。目前在多個傳感器的應用中，跨傳感器的綜合傳感應用平臺已經出現。如Maxense。此外，傳感網絡，特別是無線傳感網絡得到了理論研究和實踐，以求獲得網絡整體上對對象的感知;在網絡的聯結和激活方法上具有相關性分析等多種模式識別方法和基于人的認知粒度上的認知網絡節點通信方法。

6.有意識機器人。已經構建了多個意識模型，這些意識模型包括維特根斯坦和皮亞杰的同構模型、〔13〕現象學的意識模型，等等。在技術層面構造的機器人制造者總結了多層次的意識特征，并開始有了局部實現，這些特征包括:第一人稱、方向性(有意向、傾向性)、行為和結果具有確定性的關系、有預期、有信仰和決心、內省(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?！?4〕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。這些嘗試包括用產生人的感覺的那些物理刺激輸入給電子線路，產生線路的物理反應(模擬生理和心理反應，如熱帶來的痛苦和快樂)和器件的群體反應(模擬對于生理反應的某些理性編碼，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，人工智能領域提出了創造“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境、任務和智能體特點(Characteristics)和認知體系結構要求(Requirements)。前者側重要求實現復雜環境下的適應性，后者側重要求人類的多維認知能力，包括學習、推理、知識能力，也包括低級認知能力如記憶、注意等等。

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

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

當前開發出的智能產品包括: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、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、智能設備、智能硬件、智能軟件……

8.實時動態控制系統。這些系統包括高級駕駛助理系統、無人駕駛、無人機、衛星、空間登陸系統等等，這些系統正擴大延伸至越來越多的時空環境，其特征一般具有高效的實時計算、通信、執行、控制等系統，其中輸入包括圖像、激光、雷達等多種物理量的輸入和處理。

9.認知通信網絡和認知成像技術。上世紀末提出了認知無線網絡(Cognitive radio netwaorks，CRN)概念。這是認知科學在通信領域應用的開端。近年來，認知無線網在通信中建立認知環，將外界激勵作為不同通信階段的干預變量實現不同認知粒度的目標模式識別，包括頻譜感知，基于認知的接入和傳輸，實現了網絡通信的觀察、定位、制定計劃、決策、執行等循環步驟，實現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〕

認知通信網絡是指在多種通信和通信的多個協議或應用階段加入智能算法，或者類人高級認知功能的網絡技術，包括智能網技術，其特征是在有線、無線電話、寬帶網絡交換系統中通信模式實現智能識別、程序控制、業務加載及調度的智能控制等等。

認知成像技術最初在雷達系統中通過類人的認知功能識別通信中的綜合目標模式，顯現高維目標特征并成像。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，識別技術也不僅僅是傅立葉算法等傳統算法?！?9〕

10.機器學習技術。機器學習已經走過了半個多世紀的歷史?？傮w看來，以下趨勢是明顯的。

(1)學習方法的綜合化。已經呈現了學習種類的綜合運用的趨勢，也可以稱為混合學習的趨勢。例如，將歸納學習和分析學習結合起來，產生了二者結合的學習方法;圖模型方法考慮了多個概率相關性節點構成的鏈條，特別是將獨立和不獨立事件的概率都考慮進來，相當于傳統單一的概率統計機器學習方法的綜合;組合學習更是明顯組合多種單一結構的學習方法;等等。

學習方法綜合化趨勢的另一個表現是自適應結構和功能的復合化。典型的實例是人工神經網絡的多層化，即多層感知器或構造性神經網絡的發明。人工神經網絡的多層化使得隱藏層超過原有的1層，形成網絡的微結構，通過局部遞歸構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，這使得多層神經網絡通過局部遞歸實現局部優先特征而忽略次要細節，并使局部優先特征加入到整體結構的模擬。多層神經網絡的構造相當于原來的一個小型的神經網絡被嵌入到大的神經網絡之中，形成認知網絡功能上的集群化。

多層感知器結構是由Rumelhart，McClenland，Parker于1985-1986年設計的?！?0〕它實際上繼承了局部遞歸的方法。對應綜合化的學習方法，在硬件設計上也實現了集群化。例如Google的深度學習項目采用集群CPU進行神經網絡學習，使得學習在抽象數學結構和物理結構都實現了集群化。

(2)學習函數的復雜、多樣化。以神經網絡的學習函數為例，最初的函數僅僅是線性和Logistic函數，此后學習函數逐步擴展到高斯函數、波爾茲曼函數等多種可積函數。在模型改進中，對于權重的調整也從線性轉變為連續可積函數，如計算權重梯度計算的方法，實現了下降速度最快的計算方法，實現了多維計算，這種梯度分析的方法在貝葉斯學習等多種學習方法中都有應用，是區別于最小二乘法的一種非線性的重要的學習函數構造方法，并促進在線學習的產生和發展。

(3)學習深度加深。深度學習系指學習結果分層次逐步延伸或完成化，特別是網絡層的逐層遞歸，以至于學習的結果產生質上的飛躍。典型的進展是Hinton〔21〕等應用多層神經網絡構造不同維度以降低高維數據，使得圖像識別的能力大幅度提高。在此基礎上，Google啟動的GOOGLE大腦計劃，進行圖像識別，識別的準確率超出了人的識別能力，并產生多維類人的特征識別結論。見表1。

表1 深度學習的特征〔22〕

(4)生命體認知模式的進一步模擬。以神經網絡為典型的機器學習方法借鑒了具有生命體特征的認知模式。神經網絡最初從原始網絡開始逐步復雜化，逐步地建立多種變量調節的自適應系統、局部遞歸系統、模擬進化結構，直至近年來建立卷積多層神經網絡，其結果是越來越接近生物體的認知模式。特別是卷積和多層神經網絡的結構，模擬了多種神經認知模式，包括感受野〔23〕的神經認知機理以及認知神經功能上的集群化〔24〕特征，也模擬了人的學習行為的分層處理模式、〔25〕深層參與學習的神經的分層處理模式?！?6〕

此外一個典型的機器學習范式是流形學習，它實際上也是借鑒了感知的流形處理方式?！?7〕

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

(5)機器學習和科學哲學的交互作用在加強。在高階認知模式領域，機器學習和科學方法論都研究人的經驗、測試到理論建模的過程?？v觀機器學習的方法的歷史，發現科學方法論的指導在發揮重要作用。在機器學習早期，主要是20世紀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，包括邏輯的推導方法、邏輯體系構造的規則和作用，都影響了機器學習的方法設計，例如，概念學習、規則學習等都有邏輯的框架。此后，非理性主義的科學哲學思想(庫恩〔31〕的科學結構思想和拉卡托斯〔32〕的證偽主義)對非機器學習擺脫對邏輯符號計算的依賴有啟發意義。鑒于此，雖然有反對者，但是對科學哲學特別是科學方法論影響機器學習方法設計還是得到廣泛認可的。就是說，在機器學習的方法背后，存在著更一般、更抽象、更本質化的思想運動。鑒于此，文獻〔33〕總結了這一作用，并提出實際上存在著機器學習和科學哲學的雙向影響運動，即機器學習也影響著科學哲學的方法構建。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 機器學習和科學哲學的交互作用示意圖

一個典型的實例是，貝葉斯網絡和馬爾科夫鏈的學習方法都體現了萊辛巴赫獨立事件公共原因的結果;而貝葉斯網絡和馬爾科夫鏈的學習方法的機器學習方法的進化又促進了因果性和概率性的獨立和依賴關系研究。從該文獻發表后的10年間看來，兩個領域的互動趨勢還在加強。

11.自動推理。已有的邏輯學分類大致將邏輯學分為“傳統”邏輯(亞里士多德的三段論理論)、“經典”邏輯(二值語句演算)、“擴展”邏輯(模態邏輯、時態邏輯、道義邏輯、認知邏輯等)、“異?！边壿?多值邏輯、直覺主義邏輯、量子邏輯、自由邏輯)、“歸納”邏輯?！?4〕自動推理技術實現了傳統邏輯、經典邏輯、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，因此其演算規則與經典邏輯(一階邏輯)有所差異。由于哥德爾的解釋方法實現了與經典邏輯的同構，這使得可以完全由經典邏輯解釋直覺主義邏輯證明。歸納邏輯已經在逆推數學中被證明可以由遞歸方法構造和實現，因此可以由圖靈計算實現。

量子邏輯受限于物理系統的進展限制，目前僅僅實現了幾位比特的量子計算，量子態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基本是沒有實現。

近期的自動推理可以在三個領域有重要的進展，即HOL高階推理機的研制成功，傳統邏輯的完全協調化、經典化與自動化，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，由劍橋大學等單位研制，可執行在ZF(策梅落-弗蘭克公理體系的定理自動證明)，允許應用高階邏輯進行定理自動證明。

傳統邏輯的完全經典化由本文作者實現?！?5〕傳統邏輯主要由亞里士多德三段論構成。但是長期以來三段論能否被經典邏輯(一階邏輯)解釋和表達一直沒有確鑿證明。此外，對于傳統邏輯的不一致性問題也沒有明確提出和解決。這都影響了傳統邏輯的自動推理的實現。作者在蔡曙山教授的指導下對于擴展的三段論的研究證明了傳統邏輯的不一致性，給出了消解不一致性的方法，并提出了符合經典邏輯的三段論形式(擴展的三段論)及其推理的數學模型，從而實現了傳統邏輯的協調化、經典化和自動推理。

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?。對于經典邏輯值二值的分割產生了多值邏輯(包括格值邏輯);對于命題的概率性分割也產生了“異?！边壿?，即不確定性邏輯。一個經典命題α的概率性的分割表示為P(α)。其中P為概率函數。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變為概率性的命題。對于一階邏輯命題的概率化最初由Gaifman在20世紀60年代提出?！?6〕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。

可能世界語義學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，構建一個條件概率關系網絡，即形成貝葉斯網絡。這一方法實現了命題之間的概率關系計算，由此發展為貝葉斯邏輯(Bayesian Logic，BLOG)。一個重要的發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，可能世界的樣本構成要求是全面的，即域值是封閉的。最新的可能世界語義學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。在應用中，很好地解決了現實世界中不全面的對象世界的狀況，并開發了BLOG編程語言，〔38〕成為當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，傳統計算機芯片主要基于馮諾依曼架構，處理單元和存儲單元分開，通過數據傳輸總線相連。芯片總信息處理能力受總線容量的限制，構成所謂“馮諾依曼瓶頸”。而且傳統計算機的處理單元一直處于工作狀態，導致能耗巨大。同時，由于需要精確的預編程，傳統計算機無法應對編程以外的情況和數據。而大腦結構則完全不同:神經元(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，突觸是神經元之間的連接，具有可塑性，能夠隨所傳遞的神經元信號強弱和極性調整傳遞效率，并在信號消失后保持傳遞效率。突觸的這種性質，使大腦神經網絡結構動態可塑，能夠隨外部數據的變化而自適應調整，神經元只在工作時消耗能量，大腦的功耗極低;可大規模并行處理多個信號;具備學習能力，在海量數據處理方面具有巨大優勢。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，在馮諾依曼架構下的類腦算法也在研究。

13.空間認知?？臻g認知包括空間信號的模式識別，如衛星定位數據、空間信息網絡、方位識別系統、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，邏輯的方法和數值計算的方法都有拓展。目前的進展除傳統的空間數據矢量處理方法外，在空間特征的計算還包括不同環境下的空間數據智能化處理，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展，即通過空間識別的邏輯公理系統推理識別空間特征?！?1〕

14.智能制造。智能制造包括將認知方法和技術應用于制造業的組織、控制、設計、生產與管理，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4.0的發展戰略。由于認知功能促進了智能技術向更高形式發展，在廣為應用智能技術的制造業，認知科學具有一定影響。當前，德國聯邦教育研究部《高技術戰略2020》于2013年將工業4.0(Industrie 4.0)確定為十大未來項目之一，并已上升為國家戰略，旨在支持工業領域新一代革命性技術的研發與創新，并迅速影響全球制造業發展戰略的制定。工業4.0計劃的一個核心理念是以智能技術作為重要的支持手段，強調制造的智能化管理和制造，即“智能工廠”和“智能生產”，認知科學是其中的重要應用原理，如自動化技術是其重要內容。這些認知相關技術，包括生命數據的獲取和生命支持，也包括人性化設備的制造和服務，還有典型的智能應用技術如智能控制，人的高級認知功能模擬等等，這都體現了認知科學的基本規律和理念，并展示了認知科學與人工科學的融合趨勢。

三、企業界的認知創新活動

企業界的認知創新活動敏感地反映了認知科學產業化的效果。

在制造業，特別是信息產業，認知活動已經逐漸成為引領企業技術創新的方向和動力。

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，其創新技術中涉及認知功能的技術占有很大比例，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概況〔42〕

作者根據《MIT Technology Review》繪制

四、認知科學對科學范式的影響

科學范式是庫恩提出的概念?！?3〕其含義是科學研究領域(科學問題及其相關命題)基本特征和歷史演進模式。根據庫恩的觀點，科學的構成及其演進并非完全客觀化的或沒有規律或規則的，而是存在科學家某種選擇的影響。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、最后達到發現和證明理論體系的危機階段，進而產生這一整體命題體系的革命。例如牛頓力學發展為相對論力學;牛頓力學擴展為量子力學都是范式的轉換實例。

考察上述認知科學對于人工科學的影響領域可以看出，人工科學實際上構建了一個科學范式，也就是說，科學技術都在仿人，或仿人的認知功能，其特征在于，科學和技術總是平行于人類認知功能去揭示、發現、構造知識、方法和技術系統……有什么認知功能，就要構造什么人工系統，進而發現相應的科學規律和方法;換言之，凡是可以抽象出的人的認知功能，科學就努力平行地按照這一功能發現其規律，構造其功能和系統。這使得科學發展的范式不只是庫恩提出的科學論證、危機、革命的范式，而是平行范式，構造出模仿認知功能的系統或方法，在類人、仿人地解釋相應知識基礎及方法設計基礎。學科發展的內驅力不再只是針對科學家偏頗地構造出可證偽性，而是仿人認知功能去構造研究方法與領域。這樣，學科知識的進化范式就是研究領域和方法擬人化、構造模仿人的實際能力。由此看出，人工科學、進而科學發展的內因是對人類認知功能的模仿。

五、結 論

認知科學在科學技術綜合發展中起到越來越重大的引領作用，包括:高維度認知能力的揭示;產品和服務的認知能力的強化和泛化;人機交互和融合的深化。在上述14個人工科學和產業領域中明顯地體現了認知科學的重大影響。在全球范圍內，企業創新已經融入了認知科學的方法和技術。在學科發展上構造了一個新的科學模式，即發現和構造科學技術中類人認知規律系統及其人工系統。

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、生物技術、信息技術和認知科學(NBIC)》，蔡曙山、王志棟、周允成等譯，清華大學出版社，2010年。

〔2〕Jeff Johnson:《認知與設計》，張一寧譯，人民郵電出版社，2011年。

〔3〕李奮強:《設計的科學研究活動分析》，《2004年國際工業設計研討會暨第九屆全國工業設計學術年會論文集》，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意義》，《醫學與哲學》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》，曾洪譯，《環球科學》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:《認知無線網絡:關鍵技術和研究進展》，《通信學報》2011年第11期;李紹謙等:《認知無線網絡無線傳輸技術》，國防工業出版社，2014年。

〔19〕孫鳳蓮、張群、羅迎等:《基于壓縮感知的稀疏孔徑認知ISAR成像方法》，《通信學報》2012年第Z2期;陳怡君等:《基于認知ISAR成像的相控陣雷達資源自適應調度算法》，《電子與信息學報》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》，商務印書館，1996年。

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

〔31〕〔43〕托馬斯·庫恩:《科學革命的結構》，北京大學出版社，2003年。

〔32〕拉卡托斯:《數學、科學和認識論》，商務印書館，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》，商務印書館，2003年。

〔35〕張寅生:《擴展的三段論及自動推理》，科學技術文獻出版社，2009年;張寅生:《傳統邏輯協調化、經典化和自動化的實現》，《濟南大學學報》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:《國類腦芯片發展歷程》，《電子產品世界》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、認識論和方法論(IV)》，科學出版社，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。