学文网以计算机为代表的现代计算技术行业在短短70年内发生着巨变。但是从最初的可编程电子管电子计算机，到当前具有几万个计算节点的超级计算机，都是以数学家约翰・冯・诺伊曼在20世纪40年代创建的计算机架构现身出来的。但是由于自身的局限性，“冯诺依曼瓶颈”已经成为计算技术进一步发展的阻碍。
虽然，在新型计算机结构及处理的研究上，人类已经取得了很多成果，如阵列机、流水机、向量机等，使计算速度有了很大提高，但就本质上仍无法克服冯・诺依曼机结构上的缺陷，因此探寻新型计算的步伐，一直没有停止，其中认知计算就是新兴的研究方向之一。
打造新的人机联盟
对于计算技术而言，编程运算时代的使命之一是将人类任务自动化，而现在这个新时代则不同，是有关于将人类的能力微缩并放大，人与机器之间的界限将越来越模糊，两者之间的协同效应将发光发热。
众所周知，人类的大脑的潜力是惊人的。但是当不断增长的数据包围人类自身时，人类的能力突然似乎很有限，然而未来的认知计算可以帮助拓宽人类认知的界限。
传统的计算技术是定量的，并着重于精度和序列等级，而认知计算则试***解决生物系统中不精确、不确定和部分真实的问题。认知计算不同于传统的计算技术，它意味着更加自然的人机交互能力、不完全依赖于计算机指令的自主学习的能力、以数据为中心的新的计算模型等。认知计算是一个系统工程，是一个贯穿整个计算机软硬件的整体创新。它的实现需要来自各个领域的科学家的共同努力和创新，包括：动态学习与推理、心理学和行为科学、决策支持、信息交互，以及芯片设计、计算机体系结构等。
通过使用视觉分析和数据可视化技术，认知计算机可以用在视觉上引人注目的方式显示数据，启发人类并帮助他们做决定。***像识别和语音识别技术的使用，则可以使计算机理解非结构化数据，并且与人类流畅地互动。随着认知计算发展走向深入，能令人类和计算机在认知系统时代强强联合，完成更优秀的工作。
认知计算强调能够与人类更加自然地展开互动，并不是按照程序运行，具有学习的能力并且能够越用越“聪明”。认知计算是以数据为中心，而不是以处理器为中心。IBM中国研究院院长沈晓卫认为，认知计算代表着一个新纪元的到来，是人类自身能力的极大的扩展，认知计算的发展不是为了替代人脑，而是构建更加智慧的人机联盟。
以IBM“沃森”计算机为代表的认知计算系统，通过对大数据进行实时运算和分析，能够实现自主学习，并拥有类似人脑的能力，为人类应对大数据挑战开启了新的方向。这也就让“沃森”能够在“危险边缘”这样的智力竞赛中脱颖而出。不过IBM的科学家认为，与参与智力竞赛比，未来的认知计算系统应该具备自动推理并提出新的、假定的答案的能力，这才是真正的类似人类的“解决问题”的能力。
认知计算所具有的四大特性――辅助（Assistance）、理解（Understanding）、决策（Decision）、发现（Discovery），将是人类面对大数据时代的挑战、做出智慧决策的保障。百科全书式的信息辅助和支撑，让人类利用广泛而深入的信息，轻松成为各个领域的“资深专家”；非凡的观察和理解能力，帮助人类在纷繁信息中发现其内在的关联和涌现的趋势；快速决策能力，帮助人类定量地分析影响决策的方方面面，降低失误，保障决策的精准性；发现及洞察能力，将实现从“演绎”到“归纳”的突破，真正让机器具备类似人脑的“认知”能力，帮助人类发现当今计算技术无法发现的新洞察、新机遇及新价值。
激发更多前沿研究
认知计算是一个跨学科研究领域，涉及计算机科学、心理学、行为科学等众多科学，也催生众多新技术的发展。一些突破性、具有历史贯穿性的基础研发正在伴随认知计算的发展。例如包括能够打破冯・诺依曼架构的全新编程模式，它与传统软件存在显著区别，打破了当今冯・诺依曼架构和计算机所依赖的顺序运算模式，专门定制用于新型的分布式、高级互联、异步、并行、大规模认知计算架构。
现代计算系统是在几十年前依据预定义的程序设计完成的。它们虽然是快速精准的“会计师”，但传统的计算机设计在功率和规模方面都存在局限性，在实时处理这个世界所生成的嘈杂的、模拟的、海量的大数据时会降低效力。相比之下，人脑虽然在运算速度和精准度上都相对较低，却擅长执行识别、解释和基于模式采取行动等任务，并且具有功耗仅、体积小的特点。
通过上述这种全新的编程模式，研究人员正在研究设计具有大脑功能及低功率、小体积、结构紧凑等架构特征的硅片。这项技术将允许用户构建出能够模拟人脑的感知、行动和认知能力的新一代智能传感器网络。这种基于可扩展的、互联互通的、可配置的“神经突触核心”网络而构建的新颖的人脑级芯片架构，每核均提供紧紧靠在一起的内存（“神经节”）、处理器（“神经元”）和通信组件（“轴突”），采用由事件驱动的方式开展活动。这些芯片可作为平台来模拟并且扩展人脑响应生物传感器的能力，以及同时分析多个来源大量数据的能力。
据悉，为了构建并且推行这个全新生态系统，IBM的研究人员在模拟器、神经元模型、编程模型等方面进行了大量的研究，来支持从设计到开发、调试和部署的整个编程周期：
模拟器：多线程、大规模并行化、高可扩展的功能性软件模拟器，能够模拟由神经突触核心网络组成的认知计算架构；
神经元模型：简单的、数字化的、高级参数化的尖峰神经元模型，构成了类似人脑计算系统的基本信息处理单元，支持广泛的确定性和随机性神经计算、编码和行为。此类神经元网络可以感知并且记住种类繁多的时空多模态环境刺激，并且据此采取行动；
编程模型：基于可以编排、可以复用、名为“corelets”的构建块，对“程序”进行简要说明。每个corelet都是代表某类基本功能的神经突触核心网络的完整蓝***。corelet将内部工作原理隐藏起来，只将外部输入和输出暴露给其他编程人员，以便他们能够集中精力研究corelet能够做什么而不是如何去做。多个Corelets结合在一起可以构建一个规模更大、结构更复杂、或者功能更丰富的全新corelets；
库：认知系统存储器，内含一致的、参数化的、大规模的算法和应用的设计与实施信息，可将大规模并行化多模态时空传感器和制动器实时链接在一起；
Laboratory：新颖的教学课程表，覆盖架构、神经元规范、芯片模拟器、编程语言、应用程序库及原型设计模型等广泛内容。还包括端到端的软件环境，可用于创建corelets、接入程序库、使用模拟器体验各类程序、将模拟器的输入/输出与传感器/制动器相连接、构建系统、显示/调试结果。
认知计算的发展不是为了替代人脑，而是构建更加智慧的人机联盟。