「明智行為的最大阻礙和恐懼的最大來源是無知。一支小小的蠟燭就能誤導光線並投射出巨大而不詳的陰影，而在正午的太陽釋放出的巨大光線下，卻沒有陰影。現在是時候將人與機器的整個問題放到正午明媚的陽光下了。計算機永遠不會奪取人類的主動性，也不能替代人類的創造性思考。計算機會將人類從更多卑微或重複性的思維形式中解脫出來，並將切實增加充分利用人類理性的機會。」
——Thomas Watson Jr. IBM前董事會主席兼執行長
嚴重依賴資料、資訊和知識的收集、組織和處理的企業或組織的個人員工在工作角色和能力上都正在經歷一個重大變化。我們已經開始度過資訊時代，開始進入到一個由計算力和新演算法的效率所定義的時代。從量子計算的進步到超級計算資源的推廣，每一方面都昭示著依靠僱傭和培養「經驗豐富」的專家獲取競爭力的時代正在過去，未來的方向是依靠計算和演算法技巧以及少數技術人員和工程師的靈活性來推動產生顯著的企業或組織價值。
知識工作和諮詢業的傳統方法
多年以來，為了查明並解決關鍵的業務難題，企業組織一直都在高價聘請專家以獲得客觀的諮詢建議。然而因為諮詢團隊獲得資料和資訊通常存在侷限性，加上團隊成員之前積累的經驗和專業知識的影響，企業組織得到的諮詢建議也或多或少存在限制。
另外很多時候這些顧問都是按時間收費的，這也導致客戶在支付了高額酬勞之後得到的資訊很少有他們預期的價值。成本、時間與專案贊助者的決定和影響都會對諮詢活動的長期成功產生影響。這些限制會嚴重拖累參與團隊的工作進展，尤其是當處理客戶關係成為工作的重要組成部分時。這些額外的工作通常會推高專案總成本，會將團隊的注意力從當前工作轉移，而且這通常還會最終導致專案的成功將在很大程度上依賴於團隊成員的秉性、性格和情商。
當衝突出現時，可能就會導致信任危機，一些成員就可能離開或被開除；而當專案沒有按預期發展時，團隊就可能會找些人來責備。類似地，當團隊發現了技能差距時，就會嘗試尋找短期的權宜之計或嘗試引進更多主題專家（SME）。這些主題專家需要快速瞭解已經完成的工作，專案目前的進展以及該團隊為專案計劃的發展方向。這個過程極具挑戰性，也可能相當耗錢耗時。
加上這些成本和複雜性，當團隊需要解決一個關鍵問題時，他們通常會在一個房間裡聚集幾個小時甚至好幾天以理清這些問題、限制和選擇，並找到潛在的發展路徑。
走向擴增人類智慧
儘管有時候傳統方法是有效的，但認知計算系統日益增長的工作能力將會對這種現存模式帶來日益嚴峻的挑戰。
認知計算可以描述/定義為：
認知計算讓一類新問題可通過計算的方式解決。其涉及到具有模糊性和不確定性特徵的複雜情況；換句話說，它處理的是類似人類處理的問題。在這些動態的、資訊豐富的和不斷變化的情況中，資料會經常發生變化，而且還往往是矛盾的。而隨著使用者瞭解的增多和意圖的改變，使用者的發展目標也隨之進化。為了回應使用者對自己問題理解的流動性本質，認知計算系統提供了綜合服務，其中不只包含資訊資源，還包含影響、背景和觀點分析。為了做到這一點，系統通常需要權衡互相矛盾的證據，並建議出「最好」的答案，而不僅僅是「正確」的答案。
智慧客戶端和演算法驅動的認知應用將會通過更少的結果給出時間、更高的效率和更低的成本證明自己。最後，先進的認知計算系統將會通過人類團隊難以達到的高水平的精確度和效率提供客觀的戰略指導。通過擴增人類智慧和最大化機器智慧的使用，上面提到的Thomas Watson的願景就將開始實現。隨著企業組織越來越習慣於使用擴增人類智慧和人工智慧來解決商業問題，他們感受到的機器帶來的威脅也越來越小，他們也將像歡迎任何有價值的團隊那樣歡迎它們。
KMWorld在2014年釋出一篇文章中，作者為一個強大的認知系統設定了一些額外的要求。這些要求為幫助區分先進系統和只具有特定功能的人工智慧系統提供了一個有用的框架。
- 自適應。它們必須隨著資訊的改變和目標及需求的變化而學習。它們必須解決模糊性並能容忍不確定性。它們必須能實時或接近實時地處理動態資料。
- 互動。它們必須能與使用者通過簡單的方式實現互動，這樣使用者才能輕鬆地定義自己的需求。它們也應該能夠和其它處理器、裝置和雲服務、甚至其他人進行互動。
- 迭代和狀態。如果問題狀態模糊或不完整，它們應該能夠通過提出問題或尋找額外的資源輸入來幫助定義問題。它們必須「記住」之前處理過程中的互動並返回在特定時間適合特定應用的資訊。
- 語境。它們必須理解、識別和提取背景元素資訊，其中包括含義、語法、時間、位置、適當的域、規章、使用者的配置、程式、任務和目標。它們可以利用多個資訊源，包括結構化和非結構化的數字資訊，以及各種感測輸入（視覺、動作、聽覺等各種感測器）。
獲取新的技能和知識——現在和不久的將來
頂級諮詢公司的發光點在於它們理解複雜問題的能力，另外它們還能更好地挖掘和理清使用者面臨的最重要挑戰，並使用結構化的問題解決技術來引導專案客戶團隊朝著最有利於該組織的方向前進。同樣，這種方法也具有挑戰性，但只要有足夠的人力、研究、專業知識、資金、合作、協作、影響力、管理變革、領導力、團隊精神和堅持，客戶的問題仍然可以得到合適的鑑別和解決。
僱傭顧問帶來的挑戰通常和組織在開展內部活動時要求員工領導內部變革時所面臨的挑戰類似。不管團隊資源是由組織員工還是顧問構成，團隊的效率低下和人類認知的侷限性都始終存在。在這種情況下，成功往往依賴於團隊的積累、可用資金、專案領導者的影響力、工作的整體優先順序和團隊彙集到一起的共享知識。
當需要新知識或專業技能時，組織通常會通過三種方式獲得：要麼在內部尋找所需要的技能，要麼聯絡已知的相關專家，要麼嘗試僱傭一個具備所需知識的員工。當組織內部不具有相關技能而時間又很關鍵時，通常的做法都是僱傭已經具備這一技能和專業知識的顧問。這就是先進認知系統的完美應用場景案例；在此場景下，認知系統可以用來提供基於事實的、實時的、最新的見解和建議。
填補知識缺口和利用認知系統
我們需要解決的問題有：怎樣限制那些經常影響和驅動團隊動態的人類衝突的數量？怎樣移除團隊帶入到工作中的偏見？怎樣找到更高效的獲取專業知識和技能的方法？怎樣著手解決推高管理成本問題和限制耗費在解決問題和創造價值上的時間？怎樣獲得有用的新知識和新資訊以幫助更好地理解問題和導向更客觀、準確而有用的建議？最後，為了獲得世界一流的能夠幫助提供關鍵引導和指導戰略決策的專家知識，同時還能提供計劃的商業價值，組織又該怎麼做？
接受認知計算，我們就能找到上面這些問題的答案。認知計算是計算領域一個相對較新的部分，計算本身已經經歷過了上世紀40年代最初的製表時代以及20世紀下半葉由程式設計主導的時代。一些行業領域已經開始接納認知計算了，而隨著認知計算的成熟，企業組織也漸漸瞭解了這種模式的能力和效率，不同行業和領域的認知計算應用也將變得更加廣泛。
認知計算強大的祕密武器是依賴機器學習演算法將處理過的和儲存的知識轉化為可操作的見解。這些演算法允許系統學習並藉此改進和加強它們提供建議的能力（這一過程需要的時間非常短，以分鐘或小時記）。為新資料和資訊進行分類和聚類的模式識別能力讓這些系統變得極具價值。學習系統也有能力將新資訊整合到「假設生成」和「打分」的連續環路中，這使得這些系統可以模仿傳統諮詢所採用的做法。
開發用於測試和執行的模型
我在人工智慧和機器學習領域的工作讓我對應用了人工智慧和擴增人類智慧的認知計算系統的興趣不斷增加。資料科學家和機器學習研究者很清楚這些技術的應用潛力，他們也很快將他們的成果從研究實驗室轉移到了現實世界的應用上。在學習這些主題時，我的方法是直接深入到為理解問題正規化而開發的各種庫、語言和演算法的技術細節上。但是，這些工作真正的價值在於我們堆疊演算法、有效整合這些技術以生產功能原型以及建造高速高效規模化的複雜認知系統的能力。
為了充分利用這些技術，我們必須瞭解一個先進認知系統的基本組成。建造這樣系統的方法有很多，這一領域的高速創新也正在產生一些新的部署模式和實施框架。下圖列出建造強大的認知系統所需要的一些關鍵過程和元件。儘管這些系統在解決很多問題上都很有用，但我重點關注的是這些系統在增強和強化知識工作，尤其是組織的戰略決策上的應用。為了完成這樣的系統，我們需要打造一個能提供概率化建議和嚴格確定性輸出的系統。這樣重要的內容甚至值得用一篇文章專門進行介紹，但簡單說明也能幫助我們瞭解意見生成和交付給企業使用者的過程。
這個實現過程的技術細節我將在隨後的文章中進行介紹，本文的主要目的是在較高的層次上簡單說明其核心元件。因為它們在處理結構化和非結構化資料中的重要性以及它們在確保各種資料型別可以被提取和處理中所扮演了重要的角色，我決定將一些特殊的元件包含在上圖中。從該模型可以看出在知識創造階段，機器學習（ML）在語料庫（Corpus）兩側都扮演了非常重要的角色。在資料提取和預測性的規範輸出階段，模式識別和資料預處理能確保機器學習在助力認知計算中發揮至關重要的作用。
將認知計算放到語境中
那些對人工智慧的進步不太熟悉的人可以想一想人類用來解碼、儲存和呼叫新資訊的神經過程，然後你就能開始瞭解這些計算模型中所使用的計算模式。當人類需要呼叫資訊時，大腦中有一系列的處理過程讓資訊可以根據需要進行檢索和使用。在我們打造了人類智慧的抽象模型之後，我們就開始將其與人類的認知、模型識別、分類和聚類的計算模式進行比較，發現其中有很多相似的地方。我後續關於機器學習（深度神經網路、卷積深度神經網路、深度信念網路和遞迴神經網路）和自然語言處理的文章將會更為詳細地介紹這些相似之處。
上述模型可以幫助指導我們在認知系統上的探索。儘管到目前為止，這一領域的研究還主要集中在上圖特定組分的應用上，但我最近的研究則已經集中在了這些元件在智慧應用交付的彙集和整合上，而這將重新定義資訊和知識工作的可能性。更寬泛地講，對這些技術的投資和應用的探索將會給社會問題的解決和人類生存條件的提升帶來巨大的好處。當我們可以充分利用計算、演算法和人工智慧的優勢來提取、處理和儲存資料並從中獲得意義時，認知計算系統將成為其中主要的推動力。
在實踐中將認知計算用作核心業務資源
現在每個員工的桌子上都擺著一臺電腦，移動裝置也正逐漸成為辦公的必備；類似地，我覺得聰明的人工智慧客戶端和認知計算系統也將形成類似的普及浪潮。這些系統將不會被限制在企業的應用層面，而也將作為消費級產品迎合人們的需求，從而產生一個巨大的市場機會。然而在早期階段，這一技術的採用者仍然是期望通過抓住機遇獲取鉅額回報的企業。隨著研究者和實踐者不斷地開發新應用，零售和醫療保健等行業也將繼續產生成果，需求也將隨之繼續擴大。我們已經看到世界上最大最強的數字企業（Facebook、IBM、谷歌、百度、亞馬遜、Twitter等）將大量投資放到了認知計算、深度學習和其它被認為能走向市場的人工智慧技術上。
隨著軟體所具備的類人類感知能力越來越多，用來提取、處理和理解的資料種類和數量也越來越多，投資和接受這些突破的商業案例也必將越來越多。而更令人鼓舞的跡象則顯示有形的商業價值不需要等到一二十年之後才能看到，人工智慧將以比預想的更快的速度變成你職業生活中的重要組成部分，很快你就能享受到人工智慧所帶來的好處了。人類與機器的互動將會在未來的工作中佔據越來越重要的地位。
來自linkedin，作者Eric Miley，機器之心編譯出品。編譯：吳攀。