共计 1042 个字符，预计需要花费 3 分钟才能阅读完成。
大脑认知层次与传统人工智能局限性
brain cognition and limits of traditional ai
人类大脑认知活动分为三个不同层次：直觉、形象思维和逻辑思维、灵感与顿悟 [6]，其中形象思维和逻辑思维是在人的意识控制之下进行的，而直觉、灵感与顿悟则是一种潜意识活动，是大脑的自主信息处理功能的具体表现。直觉、灵感与顿悟是人类在发明创造的过程中经常表现出来的认知活动。直觉是以知识经验为基础，跳跃地、直接抽象地识别事物的本质，直觉判断往往是为了迅速解决当前的问题，而灵感则是在某种偶然因素的启发下使问题得以顿悟。然而，人工智能的很多研究工作主要集中在完整信息（结构化或半结构化）的处理，用特征学习和定量计算的模式来实现大脑认知的“形象思维和逻辑思维”，将深度学习与概率网络结合，也可在一定程度上对完整信息进行直觉判断，而对于实现非完整信息的直觉判断还无能为力。特别是，目前的人工智能计算模型存在着以下局限：
（1）需要对问题给出形式化描述（即抽象出一个可解析的数学模型，如果抽象不出，即归纳为不可解问题）；（2）需要对形式化描述设计确定的算法（容易产生 npc 类问题）；（3）处理的结果无法表示现实世界问题所存在的测不准性和不完备性；（4）图灵意义下的可计算问题都是可递归的（“可递归的”都是有序的）；（5）用“度量”来区分模式、只能处理可向量化的数据。
传统人工智能的基本理论框架建立在“思维即计算”的理论基点上，以“演绎逻辑和语义描述”和“形式化方法”实现计算。将“思维”抽象为“符号计算”对人工智能的发展产生了重大的推动作用，但为所有的对象建立模型是不可能的，也未必是完备的。这里存在条件问题（qualification problem）和分支问题（ramification problem），即不可能枚举出一个行为的所有先决条件，也不可能枚举出一个行为的所有分支。而大脑的认知具有多种方式，如对环境的理解、非完整信息的处理、复杂时空关联的任务，还有最基本的形象思维，特别是人脑在非认知因素和认知功能之间的相互作用，它们是形式系统难以，甚至不能描述的。
人类能够为未来做出计划、可以灵活处理问题并且向他人学习，这些是人类智能的基本属性。而传统人工智能方法，无法实现类似人一样思考推理的机器，去深度解决自然场景描述和环境理解等知识推理问题，也难以完成许多对于人类大脑来讲轻而易举的一些任务。因此，人们期望借鉴大脑的工作原理发展出一种新的智能机器的架构或称之为强人工智能的计算理论和方法。