智能机制
研究学习、表征、推理、生成、规划与适应
CENTER 01 · RESEARCH CLUSTER 06
人工智能与
认知计算研究中心
ARTIFICIAL INTELLIGENCE & COGNITIVE COMPUTING RESEARCH CENTER中心角色研究智能机制与计算方法
验证模型何时可靠、何时失效以及如何与人协同
验证模型何时可靠、何时失效以及如何与人协同
01 CENTER MISSION
中心定位
不以“像人”证明智能
以任务证据界定能力与边界
认知计算不是把系统拟人化，而是把感知、学习、记忆、知识、推理、规划与交互转化为可检验的计算问题，并说明模型在什么条件下有效、如何失败、由谁负责。
人工智能与认知计算研究中心，是第六研究集群面向智能机制、机器学习、知识推理、多模态感知、生成交互、人机协同和可信自主系统建设的专业研究单元。
中心围绕“任务需要什么能力、数据和知识能否支持这种能力、模型如何学习与推理、结果在新场景中是否仍然可靠、系统何时应拒答或交还人工、上线后的能力变化和风险如何持续监测”等问题，贯通科学假设、算法研究、独立评测、系统集成和责任治理。
中心不以参数规模、算力投入、演示效果、对话流畅、单一基准分数或接入AI直接表述理解能力和应用成效。研究成果按算法原型、验证模型、限定场景系统和持续运行能力分层报告，并同时公开适用条件、失败模式和人工责任。
评测科学
建立外部效度、校准、鲁棒性和失效评价
人机协同
验证人员理解、复核、接管和联合决策绩效
可信部署
落实权限、监测、回退、更新和退出机制
02 CLUSTER COLLABORATION
集群协同关系
承接真实任务与设备约束
向数据分析和价值治理输出可验证模型
本中心负责智能机制、算法、评测与人机系统，不替代来源专业中心对事实和业务成效的判断，也不替代数据科学中心的群体统计、因果分析与大规模数据工程。
空气制水及前五集群
提供设备、环境、生命健康、材料、能源和农业中的真实对象、传感数据、控制任务与安全约束
人工智能 · 认知计算
负责学习、表征、知识、推理、生成、多模态、人机协同、可信评测和受约束自主系统
数据科学 · 大数据分析
承接经过定义与授权的数据，研究数据工程、统计推断、因果识别、预测分析和可复现行业洞察
数字资产 · 数据要素
独立处理权利授权、分类分级、可信流通、数据产品、价值评价和合规治理
协同接口原则源数据真实性由专业场景验证·算法能力由本中心验证·统计与因果结论独立验证·数据权利和价值另行确认
03 RESEARCH DIRECTIONS
六大研究方向
从学习、知识和感知出发
走向受约束的人机智能系统
不同任务对应不同数据、模型和风险，研究路线必须保留非智能基线、明确失败条件，并在训练分布以外和真实人机流程中验证。
机器学习与表征学习
研究监督、无监督、自监督、强化与迁移学习中的表示、优化和泛化机制；明确训练目标、归纳偏置、样本效率、分布假设和计算代价，在同一任务边界下与规则方法、统计模型和人工流程比较。
知识表示、检索与复杂推理
研究知识图谱、结构化语义、检索增强、逻辑与概率推理、神经符号方法、约束求解和任务规划；分别记录知识来源、检索命中、推理步骤与最终结论，避免把搜索、复述或链式文本生成直接等同于可靠推理。
多模态感知与环境理解
研究文本、图像、语音、视频、时序传感和空间信息的对齐、融合与联合表征；验证时间同步、缺失模态、传感漂移、遮挡噪声、场景变化和物理约束，区分识别结果、状态估计与真实世界事实。
生成模型与自然语言交互
研究内容生成、问答、翻译、摘要、信息抽取、工具调用和对话协作，建立事实核验、来源引用、不确定性表达、拒答、敏感内容控制和输出追踪机制；生成质量、任务正确性与用户偏好分别评价。
认知建模与人机协同
围绕注意、记忆、学习、判断、决策和交互过程构建可检验模型，研究智能系统对人员工作负荷、信任、依赖、技能保持和决策质量的影响；不以拟人化表达推断意识、情绪或人类同等认知。
可信智能与边缘自主系统
研究鲁棒性、安全、隐私、公平、可解释性、校准、异常检测、边缘推理和受约束自主控制；按风险设置权限、人工接管、安全包络、降级运行、日志、更新验证和停用机制。
04 RESEARCH & EVALUATION PLATFORM
五层研究与评价平台
从可证伪任务假设开始
让数据、模型、评测和部署全程可追溯
平台把“模型做出了什么输出”推进为“为何适用于该任务、依据何在、在何处失效、人员能否纠正、系统能否持续受控”的完整证据链。
任务与认知假设平台
定义真实使用对象、任务输入输出、环境边界、认知或行为假设、责任主体、失败代价和非智能基线；将研究问题转化为可证伪假设与可测指标
数据、知识与表征平台
建立数据与知识的来源授权、样本谱系、标注规则、代表性、泄漏检查、版本管理和质量控制，研究不同表示对性能、偏差与可解释性的影响
模型、推理与计算平台
统一管理模型结构、目标函数、训练策略、随机性、算力环境、检索库、工具接口和推理配置，开展消融、敏感性、效率与可复现实验
独立评测与安全验证平台
使用隔离测试集、外部分布、极端样本、对抗与滥用测试评价泛化、校准、拒答、鲁棒性、公平、安全和隐私风险，并保存失败案例库
人机系统与持续运行平台
在限定场景中验证界面、权限、人工复核、接管、回退、延迟、可用性和组织流程；上线后持续监测漂移、事件、更新影响、实际效益与退出条件
任务有效性
任务定义、输入输出和成功标准是否对应真实需求，是否保留人工、规则或现行方案作为可比较基线
数据充分性
来源、授权、代表性、标注一致性、时间切分、重复样本和训练测试泄漏是否得到记录与检查
泛化与鲁棒性
新时间、新地点、新人群、新设备、缺失噪声及极端输入下的性能、退化方式和安全边界是否明确
校准与选择性
置信度是否对应实际正确率，系统何时拒答、请求更多信息、转交人工或进入安全降级是否经过验证
人机联合绩效
人员使用系统后的正确性、时效、工作负荷、自动化偏差、技能保持和失败处置是否优于既有流程
复现与可审计
数据快照、代码配置、模型版本、提示与工具链、评测记录、人工决定和变更过程能否被独立复核
05 VALIDATION PATHWAY
分阶段验证路径
从任务和责任边界开始
逐级进入独立评测、限定运行与持续监测
后一级须继承前一级的数据、代码、模型、评价和风险记录。任何数据更新、模型替换、提示修改、检索库变化或新增工具权限，都视为可能改变系统能力边界的正式变更。
任务、主体与禁止用途界定
明确目标用户、受影响主体、决策责任、场景边界、不可接受后果、禁止用途和退出条件；建立现行人工或规则流程、最低可接受水平和风险分级。
数据知识审查与基线实验
核验来源授权、样本代表性、标注与知识质量，冻结训练验证测试切分；以简单模型、规则系统和人工流程建立基线，预先定义主要指标与失败判据。
模型开发与机制分析
开展训练、检索、推理、工具调用和消融实验，记录随机种子、计算资源与参数版本；分析性能来自哪些数据、模块和假设，同时报告负结果与已知限制。
独立评测与失效压力测试
使用未参与开发的样本和评价人员，覆盖分布变化、边界输入、对抗攻击、提示注入、工具误用、隐私泄露和高代价错误；验证校准、拒答、回退及安全控制。
限定试运行与人机协同验证
在受控权限、人工复核和可回退条件下进入真实流程，比较人机联合与既有方案的质量、时效、成本和失败后果，检查人员是否真正理解并能够接管。
持续监测、变更控制与退出
持续监测输入分布、性能、公平、安全事件、用户行为和实际效益；模型、数据、提示、检索库或工具变化均重新评估，达到阈值时降级、暂停、回滚或退役。
科学、安全与成果边界
越接近人的表达
越不能跳过能力、后果与责任验证
涉及个人信息、商业秘密、知识产权、高影响决策、未成年人或关键基础设施的研究，须依据适用场景落实数据治理、网络安全、伦理审查、权限隔离、人工监督、事件响应和退出机制。中心研究不替代医疗、法律、财务或行政责任主体的专业决定。
语言流畅与真正理解
连贯回答、角色表现或类人对话不能证明系统拥有意识、情感、意图或人类同等理解；只能按明确任务与可观察行为描述能力。
基准成绩与真实泛化
榜单、竞赛和封闭测试反映特定数据与指标；训练污染、样本重复、提示敏感和场景差异可能使结果不能迁移到真实使用。
检索命中与推理成立
找到相关材料或生成推理文本，不证明前提正确、逻辑有效或结论可执行；来源、推断与专业判断须分别核验。
平均准确率与安全可用
平均分可能掩盖少数群体、罕见事件和高代价错误；须同时评价校准、覆盖率、拒答率、最坏情形和错误后果。
解释文本与真实机制
听起来合理的解释、注意力图或事后归因不必然忠实反映模型因果机制；解释方法本身也需稳定性和有效性验证。
模拟共情与心理判断
系统可以生成安慰或情绪化语言，但不能据此认定其具有情感，也不能在未经专门验证和授权时承担心理、医疗或高影响判断。
人工在环与有效监督
设置审批按钮不等于人员有时间、信息、能力和权力纠正系统；必须验证接管可行性、自动化偏差和责任链。
研究原型与可靠系统
演示、论文模型或短期试点不等于可持续运行的产品；部署还需工程可靠性、安全、隐私、运维、变更管理和适用合规。
从人工智能与认知计算进入数据科学与大数据分析本中心回答模型如何学习、推理并与人协同
本中心回答模型如何学习、推理并与人协同
下一中心独立回答数据如何形成统计证据、因果认识与行业洞察
任务假设→数据与知识→模型与推理→独立评测→受控运行
进入下一中心 ↗LEARNING · KNOWLEDGE · REASONING · MULTIMODAL INTELLIGENCE · HUMAN-AI COLLABORATION · TRUSTWORTHY DEPLOYMENT
发起合作 ↗