四种认知任务类型

要对机器执行的任务进行分类，最直接的方式莫过于辨别它们处理的对象是否只是数字、文本或图像（即认知的构成要素），或者它们是否掌握了在数字或现实世界采取明智行动的足够知识。

分析数字 计算机在分析结构化（通常是行和列的形式）数字时的优越性能，是所有认知技术的根本。一般来说，这种数字分析只是单纯被应用于辅助人类决策者。创建假设和构造问题等前端认知任务，以及对数字中所蕴含的决策深意的后台解读，依然由人类来执行。过去10年，分析师们补充了越来越多的视觉分析展示和预测分析技术，但即便如此，最终的诠释工作依然掌握在人类手中。

如今，各大公司正在越来越多地将分析技术内嵌到运营系统和流程中，从而完成重复性的自动化决策过程，这也导致运作的速度和规模都显著提升。过去，我们通常依靠人类分析师来开发内嵌模型，事实上，“机器学习”法也能够以自动化或半自动化的方式来构造模型。

分析文字和图像 人类认知的关键在于阅读文字和图像以及确定其含义和意义的能力。但眼下，各式各样的技术工具，譬如机器学习、自然语言处理、神经网络和深度学习，都可以完成文字的分类、解释和生成任务，其中的某些工具也能够用来分析和鉴定图像。

最早的文字和图像智能应用涉及文本、图像和语音识别，它们让人类能够利用计算机相互沟通。当然，现在的智能手机不但可以“理解”人类语音和文本，还可以辨认图像。这些能力远谈不上完美，但已经被广泛运用于很多应用程序中。

大规模的文字和图像分析需要运用不同类型的能力。其一涉及大量文本的跨语言翻译，其二在于能够像人类一样回答问题，其三是能够以总结或产生一段新短文的方式来理解语言。

IBM公司的Watson是世界上首个能够较好地吸收、分析和“理解”文本从而对细节问题做出回应的工具。不过，它并不能处理结构化数值数据，也无法理解变量之间的关系或进行预测。此外，Watson亦不太适用于应用规则或分析决策树上的可选项。但即便如此，IBM公司还是在为Watson迅速补充包括图像分析在内的各种新能力，这些能力皆囊括在我们的模型中。

还有一些其他的文字和图像分析系统，其中大部分都是针对特定用途而开发，经过慢慢修改后，也可用于处理其他类型的认知情境。例如，数字推理系统公司（Digital Reasoning Systems）专门开发保障国家安全的认知计算软件，目前该公司已经在开始销售一款智能软件，它能够分析金融机构中员工的通信情况，以确定其欺诈的可能性。另一家名为IPsoft的公司，则专门利用一款智能客服程序来处理口头语言，从而理解顾客的需求，如果有可能的话，它还能进一步满足顾客的这些需求。

IPsoft和数字推理公司开发的系统以及最初的Watson，都使用了类似的组件，包括词性的分类能力、文本中关键实体和事实的鉴别能力、图表中实体和事实之间关系的展示能力，以及实体和关系同目标之间的联系能力。这一类能力特别适用于数量巨大且快速变化的编码文本信息环境，特别是当信息的容量和变化速度已经超过了人类所能吸收和记忆的极限时。

图像鉴定和分类并不是什么新鲜技术。基于几何图形匹配的“机器视觉”技术，在生产线上的零件定位和条形码读取方面已经应用了几十年。如今，许多公司都希望能够实现人脸识别、网络照片分类和汽车碰撞自动定损等更为敏感的视觉识别任务。此类任务都是以机器学习和神经网络分析为基础，它们能够将特殊的像素模式与可辨识图像匹配起来。

最强大的机器学习系统拥有“学习”能力——在更多数据的辅助下，它们的决策会更出色，它们还可以“记住”先前接收的信息。举例来说，随着新信息的引入，Watson的信息储备得到了扩充。通过引入大量以训练为目的的数据，该类别中的其他系统在认知任务中的表现也会变得愈发优秀。不过，正如IBM公司专门负责Watson商业开发的高级副总裁迈克·罗丁（Mike Rhodin）所言，“Watson并不拥有自我思考的能力”，这样的智能系统迄今为止还没有被创造出来。

执行数字任务 近年来，认知技术更实际的作用一直体现在管理任务和决策的自动化上。为了让自动化处理成为现实，两大技术能力是必不可少的。首先，你需要依照“商业规则”来表达决策逻辑。其次，你还需要通过一系列步骤来执行任务的技术手段。经过数十年的发展，如今的自动化决策工具已经可以用来支持多种多样的管理任务，从保单审批到信息技术运营，再到高速交易，各行各业都出现了自动化决策工具的身影。

近来，已经有公司开始运用“机器人流程自动化”技术，模拟人类用户，利用工作流程和商业规则技术与多重信息系统形成连接。在银行业（后勤部门客服任务，如更换丢失的银行卡）、保险业（处理索赔和支付业务）、信息技术（监控系统错误信息和修复简单故障）和供应链管理领域（处理发票和应对来自客户和供应商的常规要求）等领域，机器人流程技术愈发盛行起来。

流程自动化所带来的效益会迅速累积起来。2015年4月发表的一项针对西班牙电信O2公司（Telefnica，英国第二大移动运营商）的案例研究报告表明，该公司利用软件“机器人”已经在160多个流程领域实现了自动化。总共3年的投资回报率在650%到800%之间。

执行物理任务 物理任务自动化当然也属于机器人技术领域的范畴。尽管人们偏爱将所有形式的自动化技术都称为机器人，但韦氏词典对于机器人的定义是“能够执行人类工作且自动运转或受计算机控制的机器”。

2014年，全球各大公司已经安装了约225,000台工业机器人，其中汽车工业的机器人数量占了三分之一以上。不过，机器人领域的发展却远低于预期。2011年，富士康科技公司的创始人表示自己将在3年内安装100万台机器人，来取代100万名工人。但最终，它发现，只雇佣机器人来组装智能手机说起来容易，做起来难。2015年，为了组装iPhone新机型，富士康计划雇佣超过10万名新工人和安装约1万台新机器人。

历史上，取代人类的机器人需要高级编程才能胜任重复性任务。为了安全起见，这些机器人必须同人类工作者隔离开来。不过，一种被称为“协作机器人”的新型机器人可以在人类身边安全工作。一个人只要移动一下它们的机械臂，就可以让机器人进入特定的程序工作。

机器人拥有不同程度的自主性。有些机器人，譬如远程遥控无人机、机器人手术器械和采矿设备，其本身就是设计用来给人类操控的。其他类型的机器人在编程以后至少具备半自主性，但对于意外情况的响应能力较有限。随着机器人变得越来越智能、机器视觉越来越完善以及决策能力的不断增强，它们终将整合其他类型的认知技术，同时也会具备改造物理环境的能力。举例来说，IBM公司的Watson软件就已经被安装在了多种不同类型的机器人上。