認知計算是通過與人的自然語言交流及不斷地學習，從而幫助人們做到更多的系統，是從硬件架構到算法策略、從程序設計到行業專長等多個學術領域的結合，能夠使人們更好地從海量復雜的數據中獲得更多洞察，從而做出更為精準的決策。

　　在IBM，我們把它簡化歸納為，具備規模化學習、根據目標推理以及與人類自然互動能力的系統。

　　認知計算與人工智能的區別是什么？

　　雖然認知計算包括人工智能的一些要素，但前者是一個更寬泛的概念。認知計算不是制造“為人們思考”的機器，而是與“增加人類智慧”有關，能夠幫助我們更好地思考和做出更為全面的決定。

　　人工智能的概念已經有二十多年了，人工智能從歷史和研究角度來講主要目的是為了讓機器人表現得“更像人”，我們稱之為Intelligent Behavior。

　　IBM的認知計算從技術角度上來講和人工智能是有很多共性的地方，比如機器學習（MachineLearning）、深度學習（DeepLearning）等方面都很類似。

　　但是，IBM的認知計算目的并不是為了取代人，而IntelligentBehavior也只是認知計算的一個維度。認知計算除了要能夠表現人和計算機的交互更加自然流暢之外，還會更多地強調推理和學習，以及如何把這樣的能力結合具體的商業應用、解決商業的問題。

　　認知計算和大數據分析有何區別？

　　大數據分析屬于認知計算的一個維度。與大數據相比，認知計算的范圍更廣、技術也更為先進。

　　認知計算和大數據分析有類似的技術，比如大量的數據、機器學習（MachineLearning）、行業模型等，大數據分析更多強調的是獲得洞察，通過這些洞察進行預測。此外，傳統的大數據分析會使用模型或者機器學習的方法，但更多的是靠專家提供。

　　對于認知計算而言，洞察和預測只是其中的一種。但是，認知計算更為強調人和機器之間自然的交互，這些維度都不是傳統的大數據分析所強調。

　　此外，認知計算目前成長很快的一個領域為深度學習（DeepLearning），它的學習方法與傳統方法不同，更多的是基于大量的數據通過自學的方式得到這樣的模型，而不需要很多的人為干預，這個從學習方法來講和大數據分析有很多不同的地方。