认知系统具备了推动经济竞争力和贡献社会福利的潜力。比如说，它们能使得生产制造、行政和财务管理流程的自动化程度达到一种迄今为止不可能实现的水平。推动精准医疗的发展，开发出个性化的教育程序，更高效地部署政府资源和社会服务，迅速探测出环境中的异常现象，高效执行灾害防治和环境保护措施，以及更人道地进行防御和军事行动，这些都只是我们利用认知系统取得的巨大飞跃的一小部分。这些应用靠的是认知系统迅速吸收相关信息并从结构松散或非结构化的数据洪流中提取出有意义的结论的能力。

要想实现构建认知系统这一远大目标，我们需要先解决以下几项关键任务：

开发出具备必要感知能力的系统，包括感知、学习、知识生成、推理、预测、计划和决策制定；

为监督学习和非监督学习开发出有效的算法和架构；

开发出无缝人机界面；

开发由认知子系统组成的网络；

将新的认知系统与已有的冯诺依曼计算机系统进行交互。这需要一个全系统方法来实现，包括信息处理、编程范例、算法、架构、循环、策略技术以及材料的发展。除了技术性的挑战之外，还需要解决安全问题，以提供安全且可信任的认知计算系统和网络。

潜在研究主题

感知和学习：为了让认知系统变得通用，且能广泛地服务于社会，它们必须要（1）能感知到周围的环境和与它们交互的人或物，（2）能从传感器数据中提取有用的信息，还要（3）能从人机交互、过去的经验以及其他环境输入中学习。为了实现这个目标，需要进行一些特定的研究，包括：

追求多模式传感技术上的突破进展，比如开发能根据原始传感数据理解环境的感知算法

开发新型算法，能让系统从非结构化、无标记的数据—比如人机交互或其他环境反馈数据中学习，发展出环境感知学习能力，并能把学到的知识或概念转移到新的领域中，实现线上学习和实时交互。

探索现有的学习和深度学习算法的根本极限，研究深度神经网络的理论基础，从神经科学中获取非监督学习的灵感

开发出新的算法和架构，在训练集规模大大缩小的情况下也能达到要求的测试准确度

在目前最先进的深度学习模型水平之外进行研究，以（a）克服对离线学习的依赖，（b）降低对标记训练数据的需要，（c）提升抓取数据高阶结构的能力

为认知负荷、神经网络以及其他人脑激励的计算应用开发高能效、低成本的模拟技术

以创新型器件为基础发展神经形态和仿生计算的基础理论，包括神经元和神经回路的新型实现方法，以及编程范式。这里特别值得关注的有现有水平之外的深度学习网络，超越深度神经网络（DNN）／卷积神经网络（CNN）的认知技术、稀疏编码数据方法。

开发适用于神经网络（Neural Network）应用的重构认知网络，比如，人工神经网络（ANN）、循环神经网络（RNN）、细胞式神经网络（CNN： Cellular Neural Network）等等。

开发神经关联模型、稀疏编码、稀疏分布编码

探索计算机视觉：真实世界中的导航（比如，在自动驾驶载具上）需要对环境有一个详尽的了解。环境信息能通过图像传感器收集到，然后由计算机视觉系统处理和分析，最终输出给制动器和机械功能部件。因此，计算机视觉有时也被算作是人工智能的一部分。

对学习的硬件加速：大规模部署认知计算机系统需要从根本上革新计算机硬件，才能运行以上提到的学习算法，这些算法在速度、训练数据规模、能耗、足迹和成本方面都比现有技术的效率高出好几个数量级，而且不会影响性能。研究主题包括以下这些：

研发出适合用人工神经网络和其他大脑激励算法进行训练和交互的硬件，包括超越 CMOS 器件、材料、存储元件、电路和架构等，来模拟一个神经元的活动。具体手段如下：

进行经常用于高保真学习的本地操作的新器件、存储元件、电路，这些操作包括（矩阵）乘法、加法和除法等

能极大提升效率、准确度、可扩展性和延迟的新型拓扑结构，如脉冲神经网络和推理增强神经网络

允许在大量神经元间变换的新型拓扑结构，这种变换依靠的是学习反馈和多样化的突触联系

在超 CMOS 硬件上的新型存储和记忆表示，以实现比直接数字表示更高的学习效率

多种人工神经网络的可重构网络

神经形态基元（突触、神经元、脉冲并连续的多种振荡器及其网络）的实现

CMOS 硬件，利用了独特的随机且相互联系的材料，采用了超 CMOS 技术

(责任编辑：本港台直播)