認(rèn)知架構(gòu)（Cognitive Architecture）是通用人工智能研究的一個(gè)子集，始于 1950 年代，其最終目標(biāo)是對人類思維進(jìn)行建模，這將使我們更接近構(gòu)建人類水平的人工智能。此外，認(rèn)知架構(gòu)試圖提供證據(jù)來表明特定機(jī)制能夠成功地產(chǎn)生智能行為，從而有助于認(rèn)知科學(xué)的研究。本文概述了過去 40 年對認(rèn)知架構(gòu)的研究，盡管現(xiàn)有架構(gòu)的數(shù)量接近幾百個(gè)，但大多數(shù)現(xiàn)有的綜述都不能反映這種增長，并專注于少數(shù)成熟的架構(gòu)。

在實(shí)踐中，“認(rèn)知架構(gòu)”一詞不那么嚴(yán)格，大多數(shù)學(xué)術(shù)論文中將認(rèn)知架構(gòu)定義為智能的藍(lán)圖，或者更具體地說，是關(guān)于實(shí)現(xiàn)一系列智能行為的心理表征和計(jì)算程序的支撐。 從歷史上看，心理學(xué)和計(jì)算機(jī)科學(xué)是認(rèn)知架構(gòu)的靈感來源，即人類認(rèn)知過程的理論模型和相應(yīng)的軟件工件，允許演示和評估潛在的心理理論。認(rèn)知架構(gòu)通常具有與人類認(rèn)知能力相對應(yīng)的功能模塊，并解決行動選擇、適應(yīng)性行為、高效數(shù)據(jù)處理和存儲等問題。
 

在本文中，作者選擇了 84 個(gè)架構(gòu)，并借鑒了一組不同的學(xué)科來進(jìn)行分類，涵蓋了從心理分析到神經(jīng)科學(xué)的領(lǐng)域。圖中的認(rèn)知架構(gòu)按綜述中的引用總數(shù)和每個(gè)認(rèn)知架構(gòu)的在線來源進(jìn)行排序，本文涉及的認(rèn)知架構(gòu)的標(biāo)題被標(biāo)注為紅色。雖然主要架構(gòu)的理論和實(shí)際貢獻(xiàn)是不可否認(rèn)的，但它們只代表了該領(lǐng)域的研究的一部分。因此，在這篇綜述中，目標(biāo)是展示過去 40 年開發(fā)的廣泛、包容性、中立的概述，目的是通過展示已嘗試的想法的多樣性來啟發(fā)未來的認(rèn)知架構(gòu)研究。

下圖中則呈現(xiàn)了 84 種認(rèn)知架構(gòu)的時(shí)間線。每行對應(yīng)一個(gè)架構(gòu)。架構(gòu)按起始日期排序，以便最早的架構(gòu)繪制在圖中的底部。顏色對應(yīng)于不同類型的架構(gòu)：符號（綠色）、神經(jīng)（紅色，在生物學(xué)上受到啟發(fā)）和符號-神經(jīng)混合（藍(lán)色）。

根據(jù)這些數(shù)據(jù)，自 1980 年代中期到 1990 年代初以來，基于符號的架構(gòu)居多，但是在 2000 年代后，大多數(shù)新開發(fā)的架構(gòu)都是混合架構(gòu)和神經(jīng)架構(gòu)，在時(shí)間線中分布相當(dāng)均勻。

模型分類（Taxonomies of cognitive architectures）

在沒有明確的認(rèn)知定義和一般理論的情況下，每個(gè)架構(gòu)都基于一組不同的前提和假設(shè)，使得比較和評估變得困難。Newell 的標(biāo)準(zhǔn)（The Newell Test for a theory of cognition）包括靈活的行為、實(shí)時(shí)操作、合理性、大型知識庫、學(xué)習(xí)、開發(fā)、語言能力、自我意識和大腦實(shí)現(xiàn)。

Sun 的定義（Desiderata for cognitive architectures）更廣泛，包括生態(tài)、認(rèn)知和生物進(jìn)化現(xiàn)實(shí)主義、適應(yīng)、模塊化、日常性和協(xié)同互動。根據(jù) Sun 提出的觀點(diǎn)，基于心理的認(rèn)知架構(gòu)應(yīng)該通過不僅對人類行為進(jìn)行建模以及潛在的認(rèn)知過程來促進(jìn)對人類思維的研究。與面向軟件工程的“認(rèn)知”架構(gòu)不同，此類模型是一般人類認(rèn)知機(jī)制的顯式表征，這對于理解大腦至關(guān)重要。

模型大概可以分成三類，涌現(xiàn)架構(gòu)/神經(jīng)架構(gòu)（Emergent，受到生物啟發(fā)的架構(gòu)，主要是神經(jīng)流派，因此下文中統(tǒng)一稱為神經(jīng)架構(gòu)），混合架構(gòu)（Hybrid，包含了符號和神經(jīng)流派），符號架構(gòu)（Symbolic）。其中，混合架構(gòu)匯總包含子字符號處理的分類，表示其更偏向于符號流派，但是至少用到了一些神經(jīng)模塊。

感知（Perception）

無論其設(shè)計(jì)和目的如何，智能系統(tǒng)都不能孤立地存在，并且需要輸入來產(chǎn)生任何行為。雖然歷史上主要的認(rèn)知架構(gòu)側(cè)重于更高層次的推理，但很明顯，感知和動作在人類認(rèn)知中起著重要作用。感知可以定義為將原始輸入轉(zhuǎn)換為系統(tǒng)內(nèi)部表征以執(zhí)行認(rèn)知任務(wù)的過程。根據(jù)傳入數(shù)據(jù)的來源和屬性，區(qū)分多種感知模態(tài)。例如，五個(gè)最常見的是視覺、聽覺、嗅覺、觸覺和味覺。

從圖 4 的可視化結(jié)果中可以得出幾個(gè)觀察結(jié)果，其中，字母分別對應(yīng)——V：視覺（vision），D：符號輸入（symbolic input），P：本體感覺（proprioception）， O：其他感覺（other sensors），A：聽覺（audition），T：觸覺（touch），S：嗅覺（smell），M：多模態(tài)感覺（multi-modal）。逆時(shí)針，越靠后涉及的模態(tài)越多。

可以看出，視覺是被最廣泛涉及的，但是，超過一半的架構(gòu)使用模擬進(jìn)行視覺輸入而不是物理相機(jī)。某些感覺仍然相對而言沒有被充分探索，例如對氣味的感覺僅以三種架構(gòu)（GLAIR 、DAC 和 PRS ）出現(xiàn)。

總體而言，設(shè)計(jì)的符號架構(gòu)的感知能力有限，傾向于使用直接數(shù)據(jù)輸入作為唯一的信息來源。另一方面，混合架構(gòu)和神經(jīng)架構(gòu)（主要位于圖表的右半部分）實(shí)現(xiàn)了更廣泛的感官模式，包括模擬傳感器和物理傳感器。然而，無論其來源如何，傳入的感官數(shù)據(jù)通常無法以原始形式使用（除了符號輸入），并且需要進(jìn)一步處理。

視覺的輸入，主要包含了 2 種，第一種是物理世界輸入，第二種是模擬視覺輸入。物理世界輸入指的是由真實(shí)相機(jī)拍攝的圖片，或者已有的圖片，以像素為主。模擬視覺系統(tǒng)通常省略早期和中間視覺，并以適合視覺處理后期階段的形式接收輸入（例如形狀和顏色的符號描述、對象標(biāo)簽、坐標(biāo)等）。

注意（Attention）

注意在人類認(rèn)知中起著重要作用，因?yàn)樗閷?dǎo)了相關(guān)信息的選擇，并從傳入的感官數(shù)據(jù)中過濾掉不相關(guān)的信息。有充分的證據(jù)表明，注意是一組影響知覺和認(rèn)知過程的機(jī)制，目前，視覺注意仍然是研究最多的注意形式，因?yàn)槠渌泄倌Ｊ經(jīng)]有全面的框架。

注意的元素分為三類信息縮減機(jī)制：選擇（selection）、限制（restriction）、和抑制（suppression）：

選擇機(jī)制包括注視和視點(diǎn)選擇、世界模型（選擇要關(guān)注的對象/事件）和感興趣的時(shí)間/區(qū)域/特征/對象/事件；

 

限制機(jī)制用于內(nèi)生動機(jī)（領(lǐng)域知識）、外生線索（外部刺激）、外生任務(wù)（嚴(yán)格關(guān)注與任務(wù)相關(guān)的對象）和視野（有限的視野）來修剪搜索空間；

 

抑制機(jī)制包括特征/空間環(huán)繞抑制（在參與時(shí)暫時(shí)抑制物體周圍的特征）、任務(wù)無關(guān)的刺激抑制、負(fù)啟動和位置/對象抑制返回（一種偏向于將注意力返回到先前參與的位置或刺激）。

根據(jù)上述描述，對模型中使用注意機(jī)制涉及到的方向進(jìn)行匯總（抑制、選擇和限制機(jī)制分別用藍(lán)色、黃色和綠色陰影表示）：

在認(rèn)知和心理文獻(xiàn)中，注意也被用作分配有限資源的廣泛術(shù)語。例如，在全局工作空間理論（GWT）中，注意機(jī)制對于感知、認(rèn)知和動作至關(guān)重要。根據(jù) GWT，神經(jīng)系統(tǒng)被組織為并行運(yùn)行的多個(gè)專家模塊。受 GWT 影響的其他架構(gòu)包括 ARCADIA 和 CRA-CRANIUM，以及 LIDA。在 CGNET 中實(shí)現(xiàn)了類似的想法，DUAL 和Copycat/Metacat，其中多個(gè)模塊也競爭注意力。

動作選擇（Action selection）

動作選擇主要是確定“接下來做什么”，其可以分為涉及決策的部分和與運(yùn)動控制相關(guān)的部分。然而，這種區(qū)別并不總是在文獻(xiàn)中明確做出的，其中動作選擇可能指的是目標(biāo)、任務(wù)或命令。例如，在 MIDAS 架構(gòu)動作選擇中，動作選擇既涉及下一個(gè)目標(biāo)，又涉及實(shí)現(xiàn)它的動作 。類似地，在 MIDCA 中，如果存在，則通常從計(jì)劃的序列中選擇下一個(gè)動作。

除此之外，不同的機(jī)制還負(fù)責(zé)采用基于動態(tài)確定優(yōu)先級的新目標(biāo)，在 COGNET 和 DIARC 中，任務(wù)/目標(biāo)的選擇會觸發(fā)相關(guān)程序知識的執(zhí)行。在 DSO 中，選擇器模塊在可用的動作或決策之間進(jìn)行選擇，以達(dá)到當(dāng)前的目標(biāo)和子目標(biāo)。

在本文中，作者區(qū)分了兩種主要的動作選擇方法：規(guī)劃（planning）和動態(tài)動作選擇（dynamic action selection）。

規(guī)劃是指傳統(tǒng)的 AI 算法，用于確定達(dá)到某個(gè)目標(biāo)的一系列步驟，或者提前解決問題，目標(biāo)遞歸分解為子目標(biāo)的任務(wù)分解是一種非常常見的規(guī)劃形式（例如 Soar， Teton， PRODIGY）。

與規(guī)劃對立的是反應(yīng)性動作（Reactive Action），其會立即執(zhí)行，暫停任何正在進(jìn)行的活動并繞過推理，類似于人類的反射動作作為刺激的自動響應(yīng)。然而，純反應(yīng)性系統(tǒng)很少見，反應(yīng)動作僅在某些條件下使用。例如，它們被用來保護(hù)機(jī)器人免受碰撞（ATLANTIS， 3T）或自動響應(yīng)意外刺激。

在動態(tài)動作選擇中，根據(jù)當(dāng)時(shí)可用的知識，在備選方案中選擇一個(gè)最佳動作，包括有限狀態(tài)機(jī)（CSM），它們經(jīng)常用于表征運(yùn)動動作序列（ATLANITIS， CARAACS），甚至對系統(tǒng)的整個(gè)行為進(jìn)行編碼（ARDIS， STAR）。概率動作選擇也很常見（iCub， CSE， CogPrime， Sigma， Darw.Neurodynamic， ERE， Novelemente）。

動機(jī)系統(tǒng)（Motivation System）

動機(jī)本質(zhì)上是對動作選擇進(jìn)行干預(yù)和調(diào)整，因此，作者將動機(jī)系統(tǒng)放入到了動作選擇部分匯總，在這里，我們將動機(jī)系統(tǒng)獨(dú)立成為一節(jié)。在選擇下一個(gè)動作時(shí)可以考慮幾個(gè)標(biāo)準(zhǔn)：相關(guān)性 relevance、效用 utility 和情感emotion（包括動機(jī)、情感狀態(tài)、情緒、心境、欲望 等）。

1. 相關(guān)性

反映了動作與當(dāng)前情況的匹配程度。這主要適用于具有符號推理的系統(tǒng)，并在應(yīng)用規(guī)則之前檢查規(guī)則的前置和/或后置條件（MAX、Disciple、EPIC、GLAI、PRODIGY、MIDAS、R-CAST、Disciple、Companions、Ymir、Pogamut、Soar、ACT-R）。

2. 動作的效用

是其對當(dāng)前目標(biāo)的預(yù)期貢獻(xiàn)的度量（CERACRANIUM 、CHARISMA 、DIARC、MACSi 、MAMID 、NARS 、Novamente）。一些架構(gòu)還對候選動作執(zhí)行“干燥運(yùn)行”（dry run），并觀察它們確定其效用的影響（MLECOG 、RoboCog ）。

效用還可以考慮過去動作的性能，并通過強(qiáng)化學(xué)習(xí)（ASMO、BECCA、CLARION、PRODIGY、CSE、CoJACK、DiPRA、Disciple、DSO、FORR、ICARUS、ISAC、MDB、MicroPsi、Soar）來提高未來的行為。其他機(jī)器學(xué)習(xí)技術(shù)也用于將目標(biāo)與過去成功行為聯(lián)系起來（MIDCA 、SASE 、CogPrime）。

內(nèi)部因素不直接確定下一個(gè)行為，而是 bias 這個(gè)選擇，為簡單起見，這里考慮與人類情緒、驅(qū)動和人格特征相對應(yīng)的短期、長期和終身因素。鑒于這些因素對人類決策和其他認(rèn)知能力的影響，在認(rèn)知架構(gòu)中對情緒和情感進(jìn)行建模很重要，尤其是在人機(jī)交互、社交機(jī)器人和虛擬代理領(lǐng)域。毫不奇怪，這是迄今為止花費(fèi)的大部分努力的地方。

3. 情緒
 

認(rèn)知架構(gòu)中的人工情緒通常被建模為影響認(rèn)知能力的瞬態(tài)狀態(tài)（與憤怒、恐懼、喜悅等相關(guān)）。例如，在 CoJACK 中， 道德和恐懼情緒可以修改計(jì)劃選擇。因此，當(dāng)?shù)赖螺^高時(shí)，面臨威脅的計(jì)劃具有更高的效用，但在恐懼較高時(shí)的效用較低。

其他示例包括影響背包策略的快樂/悲傷情緒（CHART）、焦慮狀態(tài)中的類比推理（DUAL）、喚醒對記憶的影響（ACT-R）、根據(jù)目標(biāo)滿意度（DIARC）和 HCI 場景中的情緒學(xué)習(xí)（CELTS）的正面和負(fù)面影響。

4. 驅(qū)動（廣義動機(jī)）
 

驅(qū)動是內(nèi)部動機(jī)的另一個(gè)來源。從廣義上講，它們代表了食物和安全等基本生理需求，但也可能包括高級或社交驅(qū)動。通常，任何驅(qū)動的強(qiáng)度都會隨著驅(qū)動的滿足而減少。由于 agent 總是朝著其目標(biāo)工作，一些驅(qū)動可能會同時(shí)影響其行為。

例如，在 ASMO 中，有三個(gè)相對簡單的驅(qū)動：喜歡紅色、想要表揚(yáng)和幸福，通過修改權(quán)重來偏置動作選擇相應(yīng)的模塊。在 CHARISMA 保存驅(qū)動（避免傷害和饑餓）中，結(jié)合好奇心和愿望自我改進(jìn)來指導(dǎo)行為生成。在 MACSi 中，好奇心推動探索代理學(xué)習(xí)最快區(qū)域。同樣，在 CERA-CRANIUM 中，好奇心、恐懼和憤怒會影響移動機(jī)器人對環(huán)境的探索。

社交機(jī)器人 Kismet 設(shè)置了驅(qū)動，結(jié)合外部事件有助于機(jī)器人的情感狀態(tài)（或“情緒”），并通過面部手勢、立場或聲音語氣的變化將其表達(dá)為憤怒、厭惡、恐懼、喜悅、悲傷和驚訝。盡管其動機(jī)機(jī)制是硬編碼的，但 Kismet 展示了所有認(rèn)知架構(gòu)的最廣泛情感行為庫之一。

5. 人格特征
 

與具有瞬態(tài)性質(zhì)的情緒不同，人格特征是獨(dú)特的長期行為模式，在內(nèi)部動機(jī)、情緒、決策等方面表現(xiàn)為一致的偏好。大多數(shù)已識別的人格特征可以簡化為一小組必要的維度/因素，足以廣泛描述人類人格（如五因素模型 FFM 和 Mayers-Briggs 模型）。同樣，認(rèn)知架構(gòu)中的個(gè)性通常由幾個(gè)因素/維度表征，不一定是基于已知模型。反過來，這些特征與系統(tǒng)可能與經(jīng)歷的情緒和/或驅(qū)動有關(guān)。

在最簡單的情況下，單個(gè)參數(shù)足以在系統(tǒng)的行為中產(chǎn)生系統(tǒng)偏差。NARS 和 CogPrime 都使用“個(gè)性參數(shù)”來定義評估邏輯語句的真實(shí)性或分別規(guī)劃下一個(gè)動作需要多少證據(jù)（LeCun 本質(zhì)上也用的這種方法）。參數(shù)值越大，系統(tǒng)似乎越“保守”。

類似地，在 AIS 特征（例如 厭惡、冷靜、害羞、自信、懶惰）中，被分配了一個(gè)整數(shù)值，它定義了它們所表現(xiàn)出的程度。規(guī)則定義了在給定個(gè)性的情況下更有可能的行為。在 CLARION 中，人格類型決定了許多預(yù)定義驅(qū)動的基線強(qiáng)度和初始缺陷（即傾向）。

CLARION 提供了一個(gè)認(rèn)知上合理的框架，該框架能夠解決情緒、驅(qū)動和個(gè)性特征，并將它們與包括決策在內(nèi)的其他認(rèn)知過程相關(guān)聯(lián)。情緒的三個(gè)方面被建模：反應(yīng)情緒（或情緒的無意識經(jīng)驗(yàn)）、協(xié)商評估（可能有意識）和應(yīng)對/行動（遵循評估）。

因此，情緒作為顯式和隱式過程之間的交互出現(xiàn)，涉及（并影響）感知、動作和認(rèn)知。MAMID 是由外部事件、內(nèi)部解釋、目標(biāo)和個(gè)性特征產(chǎn)生的情緒產(chǎn)生和影響的模型。在內(nèi)部，信念網(wǎng)絡(luò)將任務(wù)和個(gè)人特定的標(biāo)準(zhǔn)聯(lián)系起來，例如目標(biāo)失敗是否會導(dǎo)致特定代理中的焦慮。

框架涉及到的動作選擇方法（Planning，Reactive，WTA，Probabilistic，Predefined），一些指標(biāo)（relevance，utility）和動機(jī)系統(tǒng)（internal factor，包括 emotion，drives，personality）。

記憶（Memory）

記憶是任何系統(tǒng)級認(rèn)知模型的重要組成部分，無論模型是否用于研究人類思維或解決工程問題。本文提到的幾乎所有架構(gòu)都具有存儲計(jì)算中間結(jié)果的記憶系統(tǒng)，從而能夠?qū)W習(xí)和適應(yīng)不斷變化的環(huán)境。然而，盡管它們的功能相似，但記憶系統(tǒng)的特定實(shí)現(xiàn)差異很大，并且取決于研究目標(biāo)和概念限制，例如生物學(xué)合理性和工程因素（例如編程語言、軟件架構(gòu)、框架使用等）。

在認(rèn)知架構(gòu)文獻(xiàn)中，記憶根據(jù)其持續(xù)時(shí)間（短期和長期）和類型（程序性、陳述性、語義等）來描述，盡管它不一定實(shí)現(xiàn)為單獨(dú)的知識存儲。

長期知識通常被稱為事實(shí)和解決問題規(guī)則的知識庫，這些規(guī)則對應(yīng)于語義和程序的長期記憶（例如 Disciple、maci、PRS、ARDIS、ATLANTIS、IMPRINT）。一些架構(gòu)還保存了以前實(shí)現(xiàn)的任務(wù)并解決的問題，模仿情景記憶（REM，PRODIGY）。短期存儲通常由當(dāng)前世界模型或目標(biāo)堆棧的內(nèi)容表征。

下圖顯示了架構(gòu)實(shí)現(xiàn)的各種類型的記憶的可視化。在這里，遵循區(qū)分長期和短期記憶的慣例，長期記憶進(jìn)一步細(xì)分為語義、程序性和情節(jié)類型，它們存儲事實(shí)知識、在特定條件下應(yīng)該采取什么行動的信息以及系統(tǒng)個(gè)人經(jīng)驗(yàn)中的情節(jié)。

短期存儲分為感覺記憶和工作記憶。感官或感知記憶是一個(gè)非常短期的緩沖區(qū)，它存儲了幾個(gè)最近的感知。工作記憶是感知臨時(shí)存儲，它也包含與當(dāng)前任務(wù)相關(guān)的其他項(xiàng)目，并且經(jīng)常與當(dāng)前的注意力焦點(diǎn)相關(guān)聯(lián)。

1. 感知記憶

感知記憶的目的是緩存?zhèn)魅氲母泄贁?shù)據(jù)并在將其轉(zhuǎn)移到其他記憶結(jié)構(gòu)之前對其進(jìn)行預(yù)處理。其有助于解決連續(xù)性和維護(hù)問題，即識別對象的單獨(dú)實(shí)例相同，并在無人參與時(shí)保留對象的印象（ARCADIA）。類似地，回聲記憶允許聲學(xué)刺激長時(shí)間持續(xù)存在以檢測綁定和特征提取，例如音高提取和分組（MusiCog）。

感知記憶中項(xiàng)目的衰減率被認(rèn)為是視覺數(shù)據(jù)的數(shù)十毫秒（EPC， LIDA），并且對于音頻數(shù)據(jù)更長（MusiCog），盡管并不總是指定時(shí)間限制。實(shí)現(xiàn)這種記憶類型的其他架構(gòu)包括 Soar、Sigma、ACT-R 、CHARSMA ， CLARION 、ICARUS 和 Pogamut 。

2. 工作記憶

工作記憶可以定義為臨時(shí)存儲與當(dāng)前任務(wù)相關(guān)的信息的機(jī)制。這對于注意力、推理和學(xué)習(xí)等認(rèn)知能力至關(guān)重要，本質(zhì)上，所有認(rèn)知框架都以某種形式間接地實(shí)現(xiàn)了工作記憶。工作記憶的特定實(shí)現(xiàn)主要在于存儲哪些信息、如何表征、取用和維持。

盡管工作記憶對人類認(rèn)知很重要，但相對較少的出版物提供了有關(guān)其內(nèi)部組織和與其他模塊聯(lián)系的充分細(xì)節(jié)。許多工作記憶或等效結(jié)構(gòu)的架構(gòu)中，工作記憶主要作為當(dāng)前世界模型的緩存、系統(tǒng)的狀態(tài)和/或當(dāng)前目標(biāo)。盡管工作記憶能力沒有明顯限制，但新的目標(biāo)或新的感官數(shù)據(jù)通常會覆蓋現(xiàn)有內(nèi)容。

關(guān)于工作記憶的實(shí)現(xiàn)，有以下幾種：

工作記憶保存著最相關(guān)的知識，這些知識是由上層“歸納偏置”決定的長期記憶檢索出來的。這種“歸納偏置”被稱為激活，包括每次訪問時(shí)的基本級激活（可能會減少或增加），也可能包括來自鄰近元素的擴(kuò)散激活。元素的激活越高，它就越有可能進(jìn)入工作記憶，并直接影響系統(tǒng)的行為，這中情況比較適用于基于圖的知識結(jié)構(gòu)（Soar， CAPS ， ADAPT， DUAL ， Sigma ， CELTS， NARS ，Novamente， MAMID）。

激活也可以用于神經(jīng)網(wǎng)絡(luò)表征（Shruti ， CogPrime，Recommend，SASE，Darwin. Nerualdynamic）。激活機(jī)制有助于模擬工作記憶的許多屬性，例如有限容量、時(shí)間衰減、隨著環(huán)境變化而快速更新、與其他記憶組件的連接以及決策。

黑板架構(gòu)，它將記憶表征為目標(biāo)、問題和部分結(jié)果的共享存儲庫，可以由并行運(yùn)行的模塊訪問和修改（AIS、CERA-CRANIUM、CoSy、FORR、Ymir、LIDA、ARCADIA、Copycat/Metacat、CHARISMA、PolyScheme、PRS）。

工作記憶是一種相對較小的臨時(shí)存儲器，從生物現(xiàn)實(shí)主義的角度來看，它的容量應(yīng)該是有限的。然而，對于應(yīng)該如何做到這一點(diǎn)，人們并沒有達(dá)成共識。例如，在 GLAIR 中，當(dāng)代理切換到一個(gè)新問題時(shí)，工作記憶的內(nèi)容將被丟棄。

一種更常見的方法是，根據(jù)條目在變化上下文中的最近性或相關(guān)性，逐漸從記憶中刪除它們。CELTS 架構(gòu)通過為感知分配與感知情境的情緒效用成正比的激活級別來實(shí)現(xiàn)這一原則，這個(gè)激活級別隨著時(shí)間的推移而變化，一旦它低于設(shè)置的閾值，感知就會被丟棄。Novamente 認(rèn)知引擎也有類似的機(jī)制，只要原子與其他記憶元素建立了聯(lián)系，并增加了它們的效用，它們就會留在記憶中。

目前還不清楚在這些條件下，工作記憶的大小是否可以在沒有任何額外限制的情況下大幅增長。此外，記憶中的組塊數(shù)量決定了硬限制，例如，ARCADIA 中有 3~6 個(gè)對象，CHREST 中有 4 個(gè)組塊，MDB 中最多有 20 個(gè)項(xiàng)。然后，當(dāng)新信息到達(dá)時(shí)，舊的或最不相關(guān)的項(xiàng)目將被刪除，以避免溢出。

3. 長時(shí)記憶

長時(shí)記憶（LTM）在很長一段時(shí)間內(nèi)保存大量的信息。通常，它分為包含內(nèi)隱知識（如運(yùn)動技能和日常習(xí)慣）的程序性記憶和包含（外顯）知識的陳述性記憶。陳述性記憶又進(jìn)一步細(xì)分為語義記憶（事實(shí)記憶）和情景記憶。

在認(rèn)知框架中，長時(shí)記憶是對于知識的長期存儲，使系統(tǒng)能夠運(yùn)行，因此幾乎所有的架構(gòu)都實(shí)現(xiàn)了程序性或語義性記憶，程序性記憶包含了在任務(wù)域中如何完成任務(wù)的知識。在符號生產(chǎn)系統(tǒng)中，程序知識由一組針對特定領(lǐng)域預(yù)編程或?qū)W習(xí)的 if-then 規(guī)則表征（3T， 4CAPS， ACT-R， ARDIS， EPIC ， SAL， Soar ， APEX）。

語義記憶存儲關(guān)于對象的事實(shí)和它們之間的關(guān)系。在支持符號推理的體系結(jié)構(gòu)中，語義知識通常被實(shí)現(xiàn)為圖結(jié)構(gòu)的形式，其中節(jié)點(diǎn)對應(yīng)概念，鏈接表征它們之間的關(guān)系（Disciple， MIDAS， Soar， CHREST）。在神經(jīng)架構(gòu)中，事實(shí)知識被表征為神經(jīng)網(wǎng)絡(luò)中的激活模式（BBD， SHRUTI ， HTM ， ART）。

4. 全局記憶（Global Memory）
 

盡管存在不同的記憶系統(tǒng)，但一些架構(gòu)對不同類型的知識或短時(shí)記憶和長時(shí)記憶沒有單獨(dú)的表征，而是使用統(tǒng)一的結(jié)構(gòu)來存儲系統(tǒng)中的所有信息。例如，CORTEX 和 RoboCog 使用了一個(gè)集成的動態(tài)多圖對象，它可以表征感官數(shù)據(jù)和描述機(jī)器人和環(huán)境狀態(tài)的高級符號。

同樣，AIS 實(shí)現(xiàn)了一個(gè)全局記憶，它結(jié)合了知識庫、中間推理結(jié)果和系統(tǒng)的認(rèn)知狀態(tài)。DiPRA 使用模糊認(rèn)知地圖來表征目標(biāo)和計(jì)劃。NARS 在 Narcese 中以形式句的形式表現(xiàn)了所有的經(jīng)驗(yàn)知識，無論它是陳述性的、情景性的還是程序性的。類似地，在一些神經(jīng)架構(gòu)中，如 SASE 和 ART，神經(jīng)元作為工作記憶或長期記憶的作用是動態(tài)的，取決于神經(jīng)元是否被激發(fā)。

總的來說，認(rèn)知架構(gòu)中的記憶研究主要涉及記憶的結(jié)構(gòu)、表征和提取。相對來說，很少有人關(guān)注與維護(hù)大規(guī)模記憶存儲相關(guān)的挑戰(zhàn)，因?yàn)橹悄艽淼挠蚝蜁r(shí)間跨度通常是有限的。相比之下，人類的記憶容量非常大。

因此，可供選擇的解決方案包括利用現(xiàn)有的大規(guī)模數(shù)據(jù)管理方法和改進(jìn)檢索算法。例如 Soar 和 ACT-R 使用 PostgreSQL 關(guān)系數(shù)據(jù)庫從 WordNet 加載概念和關(guān)系。另外，SPA 支持一種生物學(xué)上合理的聯(lián)想記憶模型，能夠使用 spike 神經(jīng)元網(wǎng)絡(luò)在 WordNet 中表征超過 100K 個(gè)概念。

學(xué)習(xí)（Learning）

學(xué)習(xí)是系統(tǒng)隨著時(shí)間的推移提高其性能的能力。歸根結(jié)底，任何形式的學(xué)習(xí)都是基于經(jīng)驗(yàn)的。例如，系統(tǒng)可能能夠從觀察到的事件或從其自身操作的結(jié)果推斷事實(shí)和行為。下圖顯示了所有認(rèn)知架構(gòu)的關(guān)于學(xué)習(xí)類型的可視化。

1. 感知學(xué)習(xí)

感知學(xué)習(xí)適用于主動改變感官信息加工方式或在線學(xué)習(xí)模式的架構(gòu)。這種學(xué)習(xí)通常用于獲得關(guān)于環(huán)境的內(nèi)隱知識，例如空間地圖（RCS， AIS， MicroPsi），聚類視覺特征（HTM ， BECCA ， Leabra）或發(fā)現(xiàn)感知之間的關(guān)聯(lián)。許多系統(tǒng)使用預(yù)學(xué)習(xí)組件來處理感知數(shù)據(jù)，例如物體和面部檢測器或分類器。

2. 陳述性學(xué)習(xí)

陳述性知識是關(guān)于世界的事實(shí)以及它們之間定義的各種關(guān)系的集合。在許多生產(chǎn)系統(tǒng)中，如 ACT-R 等，它們實(shí)現(xiàn)了分塊機(jī)制，當(dāng)一個(gè)新的塊被添加到聲明性存儲器中時(shí)（例如，當(dāng)一個(gè)目標(biāo)完成時(shí)），新的聲明性知識就會被學(xué)習(xí)。

類似的知識獲取也在具有分布式表征的系統(tǒng)中得到了證明。例如，在 DSO 中，知識可以由人類專家直接輸入，也可以作為從標(biāo)記的訓(xùn)練數(shù)據(jù)中提取的上下文信息學(xué)習(xí)。

新的符號知識也可以通過對已知事實(shí)應(yīng)用邏輯推理規(guī)則來獲得（GMU-BICA，NARS）。

3. 程序性學(xué)習(xí)

程序性學(xué)習(xí)指的是學(xué)習(xí)技能，通過重復(fù)逐漸發(fā)生，直到技能成為自動的。最簡單的方法是積累成功解決問題的例子，以供以后重用（例如AIS ， R-CAST， RoboCog）。例如，在導(dǎo)航任務(wù)中，可以保存經(jīng)過的路徑，并在以后再次用于在相同位置之間穿行（AIS）。顯然，這種類型的學(xué)習(xí)是非常有限的，需要進(jìn)一步處理積累的經(jīng)驗(yàn)，以提高效率和靈活性。

基于解釋的學(xué)習(xí)（EBL）是一種常見的技術(shù)，用于從許多具有符號表征的程序知識的架構(gòu)中學(xué)習(xí)經(jīng)驗(yàn)（PRODIGY， Teton， Theo， Disciple， MAX， Soar， Companions， ADAPT， ERE， REM， CELTS， RCS）。簡而言之，它允許將單個(gè)觀察到的實(shí)例的解釋概括為一般規(guī)則。

然而，EBL 并沒有擴(kuò)展問題域，而是在類似的情況下使解決問題更有效。這種技術(shù)的一個(gè)已知缺點(diǎn)是，它可能導(dǎo)致規(guī)則太多（也稱為“效用問題”），這可能會減慢推斷。為了避免模型知識的爆炸，可以應(yīng)用各種啟發(fā)式方法，例如在規(guī)則可以包含的事件上添加約束（CELTS）或消除低使用塊（Soar）。盡管 EBL 并非生物學(xué)啟發(fā)，但已有研究表明，在某些情況下，人類學(xué)習(xí)可能會表現(xiàn)出類似 EBL 的行為。

符號程序性知識也可以通過歸納推理（Theo， NARS）、類比學(xué)習(xí)（Disciple， NARS）、行為調(diào)試（MAX）、概率推理（CARACaS）、關(guān)聯(lián)和外展（RCS）和顯式規(guī)則提取（CLARION）來獲得。

4. 聯(lián)想學(xué)習(xí)

聯(lián)想學(xué)習(xí)是一個(gè)廣義的術(shù)語，指受獎懲影響的決策過程。在行為心理學(xué)中，它被研究在兩個(gè)主要的范式：經(jīng)典條件反射和操作條件反射。主要形式為強(qiáng)化學(xué)習(xí)（RL）及其變體，如 temporal difference learning、Q-learning、Hebbian learning 等，常用于聯(lián)想學(xué)習(xí)的計(jì)算模型中。

有大量證據(jù)表明，基于錯(cuò)誤的學(xué)習(xí)是決策和運(yùn)動技能習(xí)得的基礎(chǔ)。強(qiáng)化學(xué)習(xí)的簡單性和效率使其成為最常見的技術(shù)之一，近一半的認(rèn)知架構(gòu)使用它來實(shí)現(xiàn)聯(lián)想學(xué)習(xí)。

RL 的優(yōu)點(diǎn)是它不依賴于表征，可以用于符號、神經(jīng)或混合架構(gòu)，這種技術(shù)的主要用途之一是發(fā)展適應(yīng)性行為。在具有符號組件的系統(tǒng)中，它可以通過根據(jù)成功/失敗來改變動作和信念的重要性來實(shí)現(xiàn)（例如 RCS， NARS， REM， RALPH， CHREST， FORR， ACT-R， CoJACK）。在混合和神經(jīng)系統(tǒng)中，強(qiáng)化學(xué)習(xí)可以在狀態(tài)和行為之間建立聯(lián)系。聯(lián)想學(xué)習(xí)可以應(yīng)用于難以獲得分析解的情況下，如軟臂控制（ISAC）。

5. 非聯(lián)想學(xué)習(xí)

非聯(lián)想學(xué)習(xí)不需要把刺激和反應(yīng)聯(lián)系在一起。習(xí)慣化和敏感化通常被認(rèn)為是非聯(lián)想學(xué)習(xí)的兩種類型。習(xí)慣化是指對重復(fù)刺激的反應(yīng)強(qiáng)度逐漸降低。相反的過程發(fā)生在致敏過程中，即反復(fù)暴露于刺激會導(dǎo)致反應(yīng)增加。由于它們的簡單性，這些類型的學(xué)習(xí)被認(rèn)為是其他形式的學(xué)習(xí)的先決條件。

例如，習(xí)慣化會過濾掉不相關(guān)的刺激，幫助人們關(guān)注重要的刺激，尤其是在沒有正面或負(fù)面獎勵的情況下。迄今為止，這一領(lǐng)域的大部分工作都致力于社會機(jī)器人和人機(jī)交互環(huán)境下的習(xí)慣化，以實(shí)現(xiàn)自適應(yīng)和現(xiàn)實(shí)的行為。例如，ASMO 架構(gòu)使機(jī)器人能夠忽略不相關(guān)的（但顯著的）刺激。

在跟蹤任務(wù)中，機(jī)器人很容易被背景中的快速運(yùn)動分散注意力。習(xí)慣化學(xué)習(xí)（作為附加到運(yùn)動模塊上的增強(qiáng)值實(shí)現(xiàn)）使其能夠?qū)Ｗ⒂谂c任務(wù)相關(guān)的刺激。在ASMO中，除了習(xí)慣化外，敏感化學(xué)習(xí)還允許社交機(jī)器人專注于被跟蹤對象附近的運(yùn)動，即使該運(yùn)動可能很慢且不顯著。

6. 啟動（Priming）
 

啟動（Priming）發(fā)生在先前暴露于刺激影響其后續(xù)識別和分類的情況下。大量實(shí)驗(yàn)證明了啟動效應(yīng)對各種刺激的存在，包括知覺、語義、聽覺等，以及行為啟動。

啟動在心理學(xué)和神經(jīng)科學(xué)中得到了很好的研究，在認(rèn)知架構(gòu)中發(fā)現(xiàn)了啟動建模的兩個(gè)主要理論框架：擴(kuò)散激活（ACT-R、Recommend、Shruti、CELTS、LIDA、ARS/SiMA、DUAL、NARS）和吸引子網(wǎng)（CLARION、Dawin.NeuralDynamic）。目前研究社區(qū)的共識是，擴(kuò)散激活具有更強(qiáng)的解釋能力，但吸引子網(wǎng)絡(luò)被認(rèn)為在生物學(xué)上更合理。在這種情況下，似乎特定范式的選擇也可能受到表征的影響。

例如，在局部架構(gòu)中發(fā)現(xiàn)了擴(kuò)散激活，其中單位對應(yīng)于概念。當(dāng)一個(gè)概念被調(diào)用時(shí)，相應(yīng)的單元被激活，該激活被傳播到相鄰的相關(guān)單元，從而便于它們的進(jìn)一步使用?；蛘?，在吸引子網(wǎng)絡(luò)中，一個(gè)概念由包含多個(gè)單元的模式表征，根據(jù)模式之間的相關(guān)性（相關(guān)性），激活一種模式會導(dǎo)致其他模式的激活增加。

推理（Reasoning）

推理是心理學(xué)和認(rèn)知科學(xué)的焦點(diǎn)之一，作為一種邏輯和系統(tǒng)加工知識的能力，推理幾乎可以影響或組織任何形式的人類活動。因此，除了經(jīng)典的三種邏輯推理（演繹、歸納和外推）之外，其他類型的推理現(xiàn)在正在被考慮，如啟發(fā)式、可消除推理、類比推理、敘事推理、道德推理等。

可以預(yù)見的是，所有認(rèn)知架構(gòu)都與實(shí)踐推理有關(guān)，其最終目標(biāo)是找到下一個(gè)最佳行動并執(zhí)行它。在認(rèn)知架構(gòu)的背景下，推理主要涉及規(guī)劃、決策和學(xué)習(xí)，以及感知、語言理解和問題解決。

人類以及任何具有人類智力水平的人經(jīng)常面臨的主要挑戰(zhàn)之一是在知識不足的基礎(chǔ)上采取行動，或者說“在普遍無知的背景下做出理性決定”。除了稀疏的領(lǐng)域知識外，可用的內(nèi)部資源（如信息加工能力）也有局限性。

迄今為止，最集中的努力是用于克服在不斷變化的環(huán)境中知識和（或）資源不足的問題。事實(shí)上，這是通用推理系統(tǒng)的目標(biāo)，例如過程推理系統(tǒng)（PRS）、非公理推理系統(tǒng)（NARS）、OSCAR 和具有有限性能硬件的 Rational 代理（RALPH）。

PRS 是 BDI （信念-預(yù)期-意圖）模型最早的例子之一，在每個(gè)推理周期中，它選擇一個(gè)與當(dāng)前信念匹配的計(jì)劃，將其添加到意圖堆棧中并執(zhí)行它。如果在執(zhí)行過程中產(chǎn)生了新的目標(biāo)，就會產(chǎn)生新的意圖。NARS 通過迭代地重新評估現(xiàn)有證據(jù)并相應(yīng)地調(diào)整其解決方案來解決知識和資源不足的問題。這在非公理邏輯（Non-Axiomatic Logic）中是可能的，它將真值與每個(gè)語句關(guān)聯(lián)起來，從而允許智能體表達(dá)他們對信念的信心。

RALPH 利用決策理論的方法解決復(fù)雜領(lǐng)域中復(fù)雜的目標(biāo)驅(qū)動行為，因此，計(jì)算等同于行動，效用值（基于其預(yù)期效果）最高的行動總是被選擇。OSCAR 架構(gòu)探索了可消除的推理，即理性上令人信服但不演繹有效的推理，這是對日常推理的一種更準(zhǔn)確的表征，在這種情況下，知識很少，任務(wù)復(fù)雜，沒有衡量成功的特定標(biāo)準(zhǔn)。

上面提到的所有架構(gòu)都旨在創(chuàng)建具有人類智能水平的理性系統(tǒng)，但它們不一定試圖模擬人類的推理過程。而 ACT-R、Soar、DUAL 和 CLARION 等架構(gòu)的目標(biāo)，則試圖模擬人類推理過程。特別是，在 ACT-R 中實(shí)現(xiàn)的人類推理模塊是在假設(shè)人類推理是概率性和歸納性的前提下工作的。這是通過將基于規(guī)則的確定性推理機(jī)制與具有類似人類記憶屬性的長期陳述性記憶（即不完整和不一致的知識）相結(jié)合來證明的。知識和產(chǎn)生式規(guī)則中固有的不確定性共同促成了類似人類的推理行為。

人類高級認(rèn)知是否具有固有的符號化仍然沒有解決。到目前為止所考慮的符號和混合架構(gòu)，主要將推理視為一種符號操作。許多新興的基于神經(jīng)的體系結(jié)構(gòu)，例如ART、HTM、DAC、BBD、BECCA，似乎根本不加工推理，盡管它們確實(shí)表現(xiàn)出復(fù)雜的智能行為。

迄今為止，神經(jīng)架構(gòu)中符號推理（以及其他低級和高級認(rèn)知現(xiàn)象）最成功的實(shí)現(xiàn)之一是由 SPA 表征的。像這樣的架構(gòu)也提出了有趣的問題，嘗試將認(rèn)知的符號部分與子符號部分分開是否有意義。由于大多數(shù)現(xiàn)有的認(rèn)知架構(gòu)代表了從純符號到連接主義的連續(xù)統(tǒng)一體，人類認(rèn)知可能也是如此。

元認(rèn)知（Metacognition）

元認(rèn)知，直觀地定義為“對思考的思考”，是一組內(nèi)省地監(jiān)控內(nèi)部過程并對其進(jìn)行推理的能力。由于元認(rèn)知在人類經(jīng)驗(yàn)中的重要作用，以及識別、解釋和糾正錯(cuò)誤決策的實(shí)際必要性，人們對開發(fā)人工智能體的元認(rèn)知越來越感興趣。本文中大約三分之一的架構(gòu)，主要是具有重要符號組件的符號架構(gòu)或混合架構(gòu)，支持與決策和學(xué)習(xí)有關(guān)的元認(rèn)知。

元認(rèn)知機(jī)制包括自我觀察、自我分析和自我調(diào)節(jié)。其需要收集有關(guān)系統(tǒng)內(nèi)部操作和狀態(tài)的數(shù)據(jù)數(shù)據(jù)，這些數(shù)據(jù)通常包括內(nèi)部資源的可用性/需求（AIS， COGNET ， Soar）和當(dāng)前任務(wù)知識（CLARION， CoJACK ， Companions， Soar）。

此外，一些架構(gòu)支持當(dāng)前和/或過去解決方案的時(shí)間表征（跟蹤）（Companions， Metacat， MIDCA）。收集數(shù)據(jù)的數(shù)量和粒度取決于進(jìn)一步的分析和應(yīng)用，在決策應(yīng)用中，在確定了可用資源的數(shù)量、沖突的資源請求、條件的差異等之后，系統(tǒng)可能會改變不同任務(wù)/計(jì)劃的優(yōu)先級（AIS、CLARION、COGNET、CoJACK、MAMID、PRODIGY、RALPH）。

對過去問題的執(zhí)行和/或記錄解決方案的跟蹤可以促進(jìn)學(xué)習(xí)。例如，可以利用過去解決方案中發(fā)現(xiàn)的重復(fù)模式來減少未來類似問題的計(jì)算（Metacat， FORR， GLAIR， Soar）。

盡管理論上許多體系結(jié)構(gòu)都支持元認(rèn)知，但它的實(shí)用性只在有限的領(lǐng)域得到了證明。例如，Metacat 將元認(rèn)知應(yīng)用于微觀領(lǐng)域的類比推理字符串（例如 ABC→abd; MRRJJJ→?）。元認(rèn)知允許系統(tǒng)記住過去的解決方案，比較不同的答案并證明其決策是正確的。

在 PRS 中，元認(rèn)知能夠在玩《奧賽羅》等游戲時(shí)有效地解決問題，更好地控制模擬車輛以及對不斷變化的環(huán)境的實(shí)時(shí)適應(yīng)。元認(rèn)知可以進(jìn)行內(nèi)部錯(cuò)誤監(jiān)控，即實(shí)際和預(yù)期感知輸入之間的比較，使系統(tǒng)能夠確定其操作在簡單任務(wù)中的成功或失敗，例如堆疊塊，并在未來學(xué)習(xí)更好的操作。

元認(rèn)知是社會認(rèn)知所必需的，尤其是心理學(xué)文獻(xiàn)中所說的心理理論（Theory of mind， ToM）。ToM 指的是能夠承認(rèn)和理解他人的心理狀態(tài)，利用對他人心理狀態(tài)的判斷來預(yù)測他們的行為，并為自己的決策提供信息。

很少有體系結(jié)構(gòu)支持這種能力。例如，最近，Sigma 演示了 ToM 的兩種不同機(jī)制，并將其作為幾個(gè)單階段同時(shí)移動游戲的例子，例如著名的囚徒困境。第一種機(jī)制是自動的，因?yàn)樗婕暗骄W(wǎng)格圖的概率推理，第二種機(jī)制是跨問題空間的組合搜索。

PolyScheme 將 ToM 應(yīng)用于人機(jī)交互場景中的視角獲取，在這個(gè)場景中，機(jī)器人和人類一起在一個(gè)有兩個(gè)交通錐和多個(gè)遮擋元素的房間里。這個(gè)人發(fā)出一個(gè)命令，向一個(gè)圓錐移動，但沒有指明是哪個(gè)圓錐。如果人類只能看到一個(gè)錐體，機(jī)器人可以從人類的視角建模場景，并使用該信息消除命令的歧義。

另一個(gè)例子是在錯(cuò)誤信念任務(wù)中對信念進(jìn)行推理。在這個(gè)場景中，兩個(gè)代理 A 和 B 觀察到一個(gè)放在罐子里的餅干。B 離開后，餅干被移到另一個(gè)罐子里。當(dāng) B 回來時(shí)，A 可以推斷 B 仍然相信餅干仍然在第一個(gè)罐子里。

問題與挑戰(zhàn)（Problems and challenges）

1. 感知問題

在嘈雜的非結(jié)構(gòu)化環(huán)境中運(yùn)行的機(jī)器人架構(gòu)中，感知問題最為嚴(yán)重。經(jīng)常提到的問題包括缺乏主動視覺、精確的定位和跟蹤、噪聲和不確定性下的穩(wěn)健性能以及利用上下文信息來改進(jìn)檢測和定位。

最近，深度學(xué)習(xí)被認(rèn)為是自下而上感知的可行選擇，總的來說，與更高層次的認(rèn)知能力相比，對感知的加工，特別是對視覺的處理，無論是在捕捉潛在的過程還是實(shí)際應(yīng)用方面，都是相當(dāng)膚淺的。其他感覺方式，如聽覺、本體感覺和觸覺，通常依賴于現(xiàn)成的軟件解決方案，或者通過物理傳感器/模擬來實(shí)現(xiàn)。支持它的架構(gòu)中的多模態(tài)感知是機(jī)械地處理的，是為特定的應(yīng)用程序量身定制的。最后，知覺與高層次認(rèn)知之間自下而上和自上而下的相互作用在理論和實(shí)踐中都被忽視了。

2. 學(xué)習(xí)問題
 

盡管各種類型的學(xué)習(xí)在認(rèn)知架構(gòu)中都有體現(xiàn)，但仍然需要開發(fā)更健壯和靈活的學(xué)習(xí)機(jī)制、知識遷移，以及在不影響先前學(xué)習(xí)的情況下積累新知識。學(xué)習(xí)對于認(rèn)知建模的發(fā)展方法尤其重要，特別是運(yùn)動技能和陳述性知識。自然的溝通，言語交流是人工智能體與人類之間最常見的互動方式，基于這個(gè)方式的學(xué)習(xí)通常缺乏穩(wěn)健性。
 

3. 記憶問題

盡管記憶是任何計(jì)算模型的必要組成部分，在認(rèn)知架構(gòu)領(lǐng)域得到了很好的表現(xiàn)和研究，但相對而言，情景記憶還沒有得到充分的研究。這種記憶結(jié)構(gòu)的存在早在幾十年前就已經(jīng)為人所知，它對學(xué)習(xí)、交流和自我反思的重要性也得到了廣泛的認(rèn)可，然而，在認(rèn)知的計(jì)算模型中，情景記憶仍然相對被忽視。對于人類思維的一般模型，如 Soar 和 ICARUS，也是如此，最近才納入它。

目前，大多數(shù)架構(gòu)將事件保存為帶有時(shí)間戳的系統(tǒng)狀態(tài)快照。這種方法適用于生命周期短、表征細(xì)節(jié)有限的智能體，但終身學(xué)習(xí)和管理大規(guī)模內(nèi)存存儲需要更精細(xì)的解決方案。

4. 計(jì)算性能

由于顯而易見的原因，計(jì)算效率問題在機(jī)器人架構(gòu)和交互式應(yīng)用中更加緊迫。時(shí)間和空間的復(fù)雜性在文獻(xiàn)中被掩蓋了，經(jīng)常用定性的術(shù)語來描述（例如“實(shí)時(shí)的”，沒有具體細(xì)節(jié)）或完全從討論中省略。一個(gè)相關(guān)的問題是規(guī)模問題。事實(shí)證明，將現(xiàn)有算法擴(kuò)展到更大量的數(shù)據(jù)會帶來額外的挑戰(zhàn)，例如需要更有效的數(shù)據(jù)處理和存儲。這些問題目前只有少數(shù)架構(gòu)可以解決，盡管解決這些問題對于進(jìn)一步發(fā)展理論和應(yīng)用人工智能至關(guān)重要。

5. 評估系統(tǒng)
 

認(rèn)知架構(gòu)的比較評價(jià)，共同承認(rèn)的問題的解決取決于制定客觀和廣泛的評價(jià)程序。我們已經(jīng)提到的問題之一是，單個(gè)體系結(jié)構(gòu)是使用一組脫節(jié)和稀疏的實(shí)驗(yàn)來驗(yàn)證的，這不能支持關(guān)于系統(tǒng)能力的聲明，也不能充分評估其表征能力。然而，在架構(gòu)之間進(jìn)行比較和測量該領(lǐng)域的總體進(jìn)展需要額外的挑戰(zhàn)。

構(gòu)建一個(gè)認(rèn)知架構(gòu)是一個(gè)重大的課題，甚至需要數(shù)年的開發(fā)來將基本的組件放在一起（在我們的樣本中，項(xiàng)目的平均年齡約為 15 年），隨著時(shí)間的推移，任何重大更改都變得更加困難。因此，評價(jià)對于確定更有前景的方法和剔除次優(yōu)勘探路徑至關(guān)重要。

在某種程度上，通過理論考慮和多年來積累的集體經(jīng)驗(yàn)，它已經(jīng)有機(jī)地發(fā)生了。例如，曾經(jīng)占主導(dǎo)地位的符號表征正在被更靈活的神經(jīng)表征方法所取代，或者被子符號元素所增強(qiáng)（例如Soar，REM）。顯然，需要更一致和更有針對性的努力，以使這一進(jìn)程更快和更有效。

理想情況下，適當(dāng)?shù)脑u估應(yīng)該針對認(rèn)知架構(gòu)的每個(gè)方面，使用理論分析、軟件測試技術(shù)、基準(zhǔn)測試、主觀評估和挑戰(zhàn)的組合。所有這些已經(jīng)被少量地應(yīng)用到單個(gè)體系結(jié)構(gòu)中。例如，最近對主要認(rèn)知架構(gòu)中使用的知識表征的理論檢查揭示了它們的局限性，并提出了修正它們的方法。

通過一系列任務(wù)探測多種能力的測試被建議用于評估認(rèn)知架構(gòu)和通用 AI 系統(tǒng)。一些例子包括，“認(rèn)知十項(xiàng)全能”和 I-Athlon，它們都受到圖靈測試的啟發(fā)，以及檢查智力因素的卡特爾-霍恩-卡羅爾模型或 Samsonovich 等人提出的用于評估不同認(rèn)知維度的一系列測試。然而，這一領(lǐng)域的大部分工作仍停留在理論上，尚未產(chǎn)生可執(zhí)行的具體建議或完整的框架。

版權(quán)說明：
本文僅代表作者個(gè)人觀點(diǎn)，版權(quán)歸原創(chuàng)者所有。部分圖片源自網(wǎng)絡(luò)，未能核實(shí)歸屬。本文僅為分享，不為商業(yè)用途。若錯(cuò)標(biāo)或侵權(quán)，請與我們聯(lián)系刪除。

本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請?jiān)谖闹凶⒚鱽碓醇白髡呙帧?/p>

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時(shí)與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com