什么是 OpenCog？

OpenCog是一个项目，其愿景是创建具有人类智能水平及以上智能的思维机器。

在 OpenCog 的介绍中，Goertzel 明确表示 OpenCog 项目并不关心构建更准确的分类算法、计算机视觉系统或更好的语言处理系统。OpenCog 项目只专注于能够扩展到越来越多的通用任务的通用智能。

知识表示

OpenCog 的知识表示机制基本上都是基于网络的。OpenCog 具有以下知识表示组件：

AtomSpace：它是一个知识表示数据库和查询引擎。AtomSpace 上的数据以图和超图的形式表示。

概率逻辑网络(PLN)：它是一种新颖的概念、数学和计算方法，用于处理不确定性并在现实环境中进行有效推理。

MOSES（Meta-Optimizing Semantic Evolutionary Search）：它通过使用元优化算法实现程序学习。也就是说，它使用两种优化算法，一种包含在另一种中来寻找解决方案。

经济注意分配（EAA）：每个原子都有一个附加的注意值。通过使用非线性动态方程来计算短期重要性（STI）和长期重要性（LTI）来更新注意力值。

能力目标

OpenCog 列出了 14 项他们认为 AI 系统应该具备的能力，才能被视为 AGI 系统。

感知：视觉、听觉、触觉和跨模态本体感觉

驱动：身体技能、工具使用和导航身体技能

记忆：陈述性、行为性和情节性

学习：模仿、强化、交互式口头教学、书面媒体和通过实验学习

推理：演绎、归纳、溯因、因果推理、物理推理和联想推理

规划：战术、战略、身体和社会

注意：视觉注意、行为注意、社会注意

动机：创建子目标、基于情感的动机、情绪控制

情感：表达情感，理解情感

塑造自我和他人：自我意识、心理理论、自我控制

社交互动：适当的社交行为、社交交流、社交推理和群体游戏

交流：手势交流、语言交流、图像交流、语言习得和跨模态交流

定量技能：计数、算术、比较和测量。

构建/创造能力：身体、概念、语言和社交。

我支持 OpenCog 吗？

在我看来，OpenCog 介绍并涵盖了机器学习中的重要算法/方法，即超图和概率逻辑网络。然而，我的批评是，他们没有致力于单一架构，并以不规则和不系统的方式整合众多架构。

此外，Goertzel 未能认识到引入深度学习架构带来的根本性转变，从而无法相应地修改他的工作。这使他的研究与机器学习的最新发展脱节

虽然我对 OpenCog 的了解非常有限，但您可以说是的，它仍然很有意义，而且很有见地。我不确定 OpenCog 的所有组件，但我知道至少有一个组件是相关的（我认为它是 MOSIS 组件的一部分）。

这个组件与 Numenta 的分层时间记忆非常相似，后者更多地基于计算神经科学而不是简单的数学；然而，我认为 Nupic 在神经科学方面是一个更相关的项目，尽管两者都试图模仿大脑的组成部分。在我看来，这些项目比典型的卷积神经网络、RNN 等更令人印象深刻，它们与大脑中发生的事情的关系过于松散，不能被称为计算神经科学。

这并不是说 ANN、GA 等对 AGI 毫无用处。我们真的不知道，因为我们没有一个例子。