但是从另一方面来说，每一种表征都有其自己擅长和不擅长的任务。如果你想在科学思考和高级的语言理解中做逻辑推理上，那么人类有很长的基于符号和逻辑学的表征研究历史可供参考。然而这些类型的表征却不适合做识别任务，它们擅长的是数学计算和理解复杂段落的意义。

为了解决这个问题，在 Opencog，我们开发了一个名为 atomspace 的符号表征系统。它可以让我们把神经元和符号逻辑放进同一个图形表征中。这并不是说我们有了可以互相沟通的神经元系统和符号系统，它只是我们基础的知识表征系统，能让我们在同一个表征中处理神经元与符号各自的任务。我们并不是唯一一家做这项研究的机构，而且现在每年都有一个神经符号人工智能研讨会，相关的书也有不少。但是我认为我们的系统是最实用的，也是在性能升级方面最好的神经符号系统。

机器之心：那这是你们的最新进展吗？

Ben：应该说是其中之一。我们在很多方面都有进展，但是都还处在起步阶段。因为现在我们只是做到了怎么把这些知识表征出来，我们还有很多不同的学习和推理算法可以利用这个知识库。然后将每个学习或推理算法创造性的结合在一起，这个过程非常复杂。

比如，如果你想了解人类思维学习中需要做的不同种类的推理，j2直播，我们就需要做关于事实和信念的语义或陈述推理，需要建立感知模型，需要通过程序学习（procedural learning）来学习如何做好这些事情。比如怎么拿起这个杯子，怎么从这里回家，（Ben 一边说一边拿起手边的杯子做比喻。）还要调整注意力，弄清我们关注的每件事情的进展情况。还需要时刻记住我们目标和子目标，以及怎么整合不同的行动来实现我们的目标。而且针对于每种学习，我们都有一个算法。

机器之心：你们是怎么做到的？

Ben：我们花了 20 年时间设计出多个算法，它们能共用同一个表征。现在我们经常使用的概率论在 AI 中也很常见。

现在我们的逻辑系统、深度神经网络感知系统以及用于程序学习（procedure learning）的基于进化的学习基因编程系统，所有的这些系统用的都是概率语义学（probabilistic semantics）。所以在某种程度上它们估计出来的叠加概率分布来自相同的体系。当然我指的是在 OpenCog atomspace 中表征的内容。

总体上说，可能性太多是人工智能算法面临的最大问题。很早之前我们在做循环神经网络的时候就知道神经网络是多个神经元全部连接在一起的，造成它这个神经网络中有太多的可能性，训练时间也无线延长下去的，这样太慢了。

在深度神经网络中，这个问题可以通过限定架构来处理。当我们确实知道它们是怎么运作的时候，就能给出非常具体的层次架构，即一层中的神经与另一层中的神经以一种非常具体的方式互动。比如处理语音任务的卷积神经网络架构。

但是这种架构非常受限。假如你要尝试做一款能控制手臂的神经网络，那么你就要以一种特定的方式架构这个网络。这就是一种限制，你无法创建一个可以执行不同种类的任务的神经网络。

也就是说，现有的人工智能寻求的应用组合范围非常受限。还有一个问题是，如果你创建出一个通用的人工智能，你就要创建出某个具体的架构，还得让它自己适应这个架构，所以你还要做出一个能自适应这个问题的系统。难就难在找到一个能把这些问题都搞定的算法。

我们的方法用了好几个不同的学习算法，让它们起到互补作用。比如说，如果一个逻辑引擎出了问题，那么深度学习神经网络或者进化学习网络就能帮它恢复。反过来如果深度学习网络不太行，这个逻辑引擎也能帮它识别一些模式。

所以如果我们有多个不同的人工智能算法能以一种方式作用一个通用表征，这些人工智能算法就能相互支持，一起解决可能性过多的问题。也就是我们所称的认知协同，其中协同指的是把很多事情放在一起结合起来产生的效应。这是一个非常技术的问题，有很多方面的事情要处理好。我认为这是一个研究方向。关注这方面技术的人不多，只有少数大公司在做。他们用了很多神经网络，而且后面越来越多的计算机上都会装上神经网络，投放的数据也越来越多，这个会非常有趣。