认知建筑

跳到导航跳转到搜索认知体系结构指的是关于人类大脑结构的理论，以及在人工智能(AI)和计算认知科学领域中使用的此类理论的计算实例。[1]认知体系结构的主要目标之一是在一个全面的计算机模型中总结认知心理学的各种结果。[需要引用]然而，这些结果需要被形式化，因为它们可以作为计算机程序的基础。[需要引用]形式化的模型可以用来进一步提炼全面的认知理论，更直接的是，作为一个商业可用的模型。[需要引用]成功的认知架构包括ACT-R(思维理性的自适应控制)和SOAR。[需要引用]。

创意技术研究所将认知架构定义为：关于提供思维的固定结构的假说，无论是在自然系统还是人工系统中，以及它们如何协同工作--与架构中体现的知识和技能相结合--在各种复杂的环境中产生智能行为。

人工智能领域的创始人之一赫伯特·A·西蒙(Herbert A.Simon)表示，他的学生埃德·费根鲍姆(Ed Feenerbaum)在1960年发表的论文为认知提供了一个可能的架构[3]，因为它包含了一些关于人类思维如何工作的不止一个基本方面的承诺(在EPAM的案例中，人类记忆和人类学习)。

约翰·R·安德森(John R.Anderson)在20世纪70年代初开始研究人类记忆，他1973年与戈登·H·鲍尔(Gordon H.Bower)的论文提出了人类联想记忆的理论。[4]他将他对长期记忆和思维过程的研究的更多方面纳入到这项研究中，并最终设计了一种认知架构，他最终将其称为ACT。他和他的学生受到艾伦·纽威尔(Allen Newell)对认知架构这一术语的使用的影响。安德森的实验室使用这个术语来指代ACT理论，该理论体现在一系列论文和设计中(当时ACT还没有完全实现)。

1983年，约翰·R·安德森发表了这一领域的开创性著作，名为“认知的架构”。[5]认识论和实践论是可以区分的。认知理论勾勒出大脑各个部分的结构，并承诺使用规则、联想网络和其他方面。认知体系结构在计算机上实现了这一理论。用于实现认知架构的软件也是认知架构。因此，认知体系结构也可以指智能代理的蓝图。它提出了(人工)计算过程，这些过程的行为类似于某些认知系统，最常见的是像人一样，或者在某种定义下表现为智能。认知体系结构形成了通用代理体系结构的子集。架构这个术语意味着一种方法，它不仅试图对建模系统的行为进行建模，而且还对其结构属性进行建模。

认知架构可以是象征性的，也可以是连接主义的，也可以是混合型的。[6][7][8]一些认知架构或模型基于一组通用规则，例如信息处理语言(例如，基于统一认知理论的SOAR，或类似的ACT-R)。这些体系结构中的许多都是基于“头脑就像计算机”的类比。相比之下，子符号处理没有先验地指定这样的规则，并且依赖于处理单元(例如节点)的紧急属性。混合架构结合了两种类型的处理(如Clarion)。进一步的区别在于该体系结构是集中式的，其核心是处理器的神经关联，还是分散(分布式)的。去中心化的味道，在20世纪80年代中期以并行分布式处理和连接主义的名义变得流行起来，最好的例子是神经网络。另一个设计问题是在整体结构和原子式结构或(更具体的)模块化结构之间做出决定。以此类推，这延伸到了知识表示的问题。

在传统的人工智能中，智能通常是从上面编程的：程序员是创造者，制造一些东西，并将其灌输给它的智能，尽管许多传统的人工智能系统也是为了学习而设计的(例如，提高他们的游戏或解决问题的能力)。另一方面，受生物启发的计算有时采取更自下而上的、分散的方法；受生物启发的技术通常涉及指定一组简单的通用规则或一组简单的节点的方法，这些规则或节点的交互作用会产生整体行为。人们希望不断增加复杂性，直到最终结果是非常复杂的东西(参见复杂系统)。然而，它是肌萎缩侧索硬化症

4D-RCS参考模型体系结构是由NIST的James Albus开发的参考模型体系结构，它为无人地面车辆智能系统软件的设计、工程和集成提供了理论基础。[11]。

由布鲁内尔大学的费尔南多·戈贝特和赫特福德郡大学的彼得·C·莱恩共同开发的CHREST。

认知架构Clarion是在Rensselaer理工学院和密苏里大学Ron Sun的指导下开发的。

CMAC-小脑模型关节控制器(CMAC)是一种基于哺乳动物小脑模型的神经网络。它是一种联想存储器。[12]CMAC由James Albus于1975年首次提出，作为机器人控制器的功能建模器，并已被广泛用于强化学习和机器学习社区的自动分类。

CMatie是孟菲斯大学数学系用来管理研讨会公告的有意识的软件代理。它基于稀疏分布式存储器，并使用遗传算法作为联想存储器。[13]。

Dual PECCS，由都灵大学Antonio Lieto开发，是一种混合知识表示和处理系统，集成了以下认知体系结构的陈述性记忆和知识检索机制：ACT-R、Clarion、Lida和Soar。[14]。

EPIC是由密歇根大学的大卫·E·基拉斯和大卫·E·迈耶开发的。

Genie-"；通用演进网络智能引擎是由智能工件开发的认知计算平台，构建在Gaius之上。其无需数据建模的范例和简单的API调用使任何人都能在几分钟内构建和部署强大的自定义人工智能应用程序。

谷歌DeepMind-该公司已经创建了一个神经网络，它可以学习如何以类似于人类的方式玩视频游戏[15]，以及一个神经网络，它可能能够像传统的图灵机一样访问外部存储器，[16]结果是一台似乎可能模仿人脑短期记忆的计算机。其基本算法是基于Q学习和多层递归神经网络的组合。[17](另请参阅Jürgen Schmidhuber关于深度学习早期相关工作的概述[18][19])。

全息联想存储器是基于相关的联想存储器家族的一部分，其中信息被映射到黎曼平面上的复数的相位方向上。它的灵感来自卡尔·H·普里布伦(Karl H.Pribram)的完整脑模型。全息图已经被证明对联想记忆任务、概括和模式识别是有效的，而且注意力是可变的。

分层时间记忆是Numenta公司的Jeff Hawkins和Dileep George开发的一种在线机器学习模型。它模拟了大脑皮层的一些结构和算法特性。HTM是一个仿生模型，基于杰夫·霍金斯(Jeff Hawkins)在他的“智商”(On Intelligence)一书中描述的大脑功能的记忆预测理论。HTM是一种发现和推断观察到的输入模式和序列的高层次原因的方法，从而建立一个日益复杂的世界模型。

CoJACK是受到ACT-R启发的JACK多智能体系统的扩展，它为智能体添加了认知体系结构，以便在虚拟环境中引发更真实的(类似人类的)行为。

艾达和丽达，实施全球工作空间理论，在孟菲斯大学斯坦·富兰克林的指导下开发。

记忆网络-由Facebook人工智能研究小组于2014年创建，该架构展示了一类新的学习模型，称为记忆网络。记忆网络通过推理组件与长期记忆组件相结合进行推理；它们学习如何联合使用这些组件。长期存储器可以读写，目的是将其用于预测。[22]。

Spaun(语义指针体系结构统一网络)-滑铁卢大学理论神经科学中心的Chris Eliasmith-Spaun是一个由250万个人工尖峰神经元组成的网络，它使用这些神经元的组通过灵活的协调来完成认知任务。模型的组件使用尖峰神经元进行通信，这些神经元使用各种放电模式实现称为语义指针的神经表示。语义指针可以理解为压缩的神经矢量空间的元素。[25]。

稀疏分布式存储器(Sparse Distributed Memory)是由NASA Ames研究中心的Pentti Kanerva提出的一种可实现的体系结构，它可以存储大型模式，并基于与代表当前感觉输入的模式的部分匹配来检索它们。[26]这种存储器无论在理论上还是在实验中都表现出类似于机器以前无法实现的行为-例如，快速识别面孔或气味，发现看似不相关的概念之间的新联系，等等。稀疏分布式存储器用于存储和检索大量(21000{\displaystyle 2^{1000}}比特)的信息，而不关注信息的准确性，而是关注信息的相似性。[27]最近在机器人导航[28]和基于经验的机器人操作中有一些应用。[29][29]

Sparsey by Neurithic Systems是一个通过深层次稀疏分布式代码实现的事件识别框架[30]。

包容架构，例如罗德尼·布鲁克斯(Rodney Brooks)开发的(尽管可以争论它们是否具有认知性)。

Qubic：机器意识的量子和生物启发认知架构，由巴基斯坦拉合尔GC大学计算机科学系和巴基斯坦NCBA&Amp；E Lahore计算机学院的Wajahat M.Qazi和Khalil Ahmad开发。

TinyCog：基于场景推理思想的认知架构的最小开源实现。

向量LIDA是LIDA认知结构的一种变体，它采用高维模块化复合表示(MCR)向量作为其主要表示模型，并采用整数稀疏分布式存储器[31]作为其主存储器实现技术。这种新模型的优点包括更现实和生物学上可信的模型，更好地与情景记忆相结合，更好地与其他低级知觉加工(如深度学习系统)相结合，更好的可扩展性，以及更容易的学习机制。[32][font=宋体]。

牛津计算神经科学中心的Edmund Rolls的VisNet-一种特征层次模型，其中不变表示可以通过自组织学习来构建，该模型基于对象在世界上变换时产生的视觉输入的时间和空间统计。[33][33]。

安东尼奥·利托；梅胡尔·巴特；亚历桑德罗·奥尔特拉马里；大卫·弗农(2018年5月)。认知架构在一般人工智能中的作用(PDF)。认知系统研究。48：1-3.doi：10.1016/j.cogsys.2017.08.003.。高密度脂蛋白：2318/1665249。

大卫·弗农；乔治·梅塔；朱利奥·桑迪尼(2007年4月)。人工认知系统概述：对计算代理中心理能力自主发展的启示。IEEE进化计算汇刊。11(2)：151-180。DOI：10.1109/TEVC.2006.890274.

^Lieto，Antonio；Chella，Antonio；Frixione，Marcello(2017年1月)。认知建筑的概念空间：不同表现层次的通用语。受生物启发的认知建筑。19：1-9，arxiv：1701.00464。Bibcode：2017arXi v170100464L。doi：10.1016/j.bia.2016.10.005.。

安东尼奥·利托；克里斯蒂安·莱比埃尔；亚历桑德罗·奥特拉马里(2018年5月)。认知架构中的知识水平：当前的限制和可能的发展(PDF)。认知系统研究。48：39-55。doi：10.1016/j.cogsys.2017.05.001。高密度脂蛋白：2318/1665207。

阿列克谢·萨姆索诺维奇著，“走向实现的认知架构的统一目录”。"；BICA 221(2010)：195-244。

道格拉斯·惠特尼·盖奇(2004)。移动机器人XVII：2004年10月26-28日，美国宾夕法尼亚州费城。光学仪器工程师协会。第35页。

^Albus，James S.。(1979年8月)。大脑中计划和解决问题的机制。数学生物科学。45(3-4)：247-293。电话：90063-4(79)10.1016。

安瓦尔，阿什拉夫；富兰克林，斯坦(2003年12月)。稀疏分布式内存，适用于有意识的软件代理。认知系统研究。4(4)：339-354。电话号码：10.1016/S1389-0417(03)00015-9。

安东尼奥·利托；拉迪西奥尼，丹尼尔·P.；罗，瓦伦蒂娜(2016年6月25日)。双重PECCS：概念表征和范畴化的认知系统(PDF)。实验与理论人工智能杂志。29(2)：433-452。DOI：10.1080/0952813X.2016.1198934.。高密度脂蛋白：2318/1603656。

^Mnih，Volodymyr；Kavukcuoglu，Koray；Silver，David；Graves，Alex；Antonoglou，Ioannis；Wierstra，Daan；Riedmiler，Martin(2013年)。"；使用深度强化学习玩雅达利。arxiv：1312.5602[cs.lg]。

^Mnih，Volodymyr；Kavukcuoglu，Koray；Silver，David；Graves，Alex；Antonoglou，Ioannis；Wierstra，Daan；Riedmiler，Martin(2014)。神经图灵机"；。Arxiv：1410.5401[cs.NE]。

^Mnih，Volodymyr；Kavukcuoglu，Koray；Silver，David；Rusu，Andrei A.；Vness，Joel；Bellemare，Marc G.；Graves，Alex；Riedmiler，Martin；Fidjeland，Andreas K.；Ostrovski，Georg；Petersen，Stig；Beattie，Charles；Sadik，Amir；Antonoglou，Ioannis；King，Helen；Kumaran，Dharas K.。通过深度强化学习实现人级控制。大自然。518(7540)：529-533。DOI：10.1038/nature14236。PMID为25719670。

施密德胡伯，于尔根；Kavukcuoglu，Koray；Silver，David；Graves，Alex；Antonoglou，Ioannis；Wierstra，Daan；Riedmiler，Martin(2015)。神经网络中的深度学习：概述。神经网络。61：85-117。Arxiv：1404.7828。doi：10.1016/j.neunet.2014.09.003.。PMID为25462637。

泰勒.J.H.；Sayda，A.F.(2005)。工业过程集成控制和资产管理的智能架构。2005年IEEE国际研讨会论文集，地中海控制和自动化智能控制会议，2005年。1397-1404页。doi：10.1109/.2005.1467219.。ISBN电话：0-7803-8937-9。

？A Framework for Compare Agent Architecture，Aaron Sloman and Matthias Scheutz，“英国计算智能研讨会论文集”，英国伯明翰，2002年9月。

^Cox，Michael T.(2017年12月23日)。具有目标推理的计划、行动和解释模型(PDF)。狡猾的。

Elasmith，C.；Stewart，T.；Choo，X.；Bekolay，T.；DeWolf，T.；Don，Y.；Rasmussen，D.(2012年11月29日)。一个功能大脑的大规模模型。科学。338(6111)：1202-1205。DOI：10.1126/Science.1225266.。PMID为23197532。

Mendes，Mateus；Crisostomo，Manuel；Coimbra，A.Paulo(2008)。使用稀疏分布式内存的机器人导航。2008年IEEE机器人与自动化国际会议。第53-58页。DOI：10.1109/ROBOT.2008.4543186.。ISBN电话：978-1-4244-1646-2。

乔克尔，S.；林德纳，F.；张建伟(2009)。稀疏分布式内存，用于基于经验的机器人操作。2008年IEEE机器人与仿生学国际会议。第1298-1303页。DOI：10.1109/ROBIO.2009.4913187.。ISBN电话：978-1-4244-2678-2。

^Rinkus，Gerard J.(2014年12月15日)。SPARSY™：通过深层次稀疏分布式代码进行事件识别。计算神经科学的前沿。8：160。doi：10.3389/fncom.2014.00160.。太平洋投资管理公司上涨了4266026。PMID为25566046。

*富兰克林，斯坦；斯奈德，哈维尔(2012年5月16日)。"；整数稀疏分布式内存"；。第二十五届国际焰火大会。

斯奈德，哈维尔；富兰克林，斯坦(2014)。"；Vector Lida"；程序计算机科学。41：188-203。doi：10.1016/j.procs.2014.11.103.