認知計算與智能設計研究綜述

趙樂，楊觀賜，徐杰，王猛，何玲，陸豐

（貴州大學 現代制造技術教育部重點實驗室, 貴陽 550025）

隨著“工業互聯網”和“工業4.0”的提出，智能制造技術備受矚目，得到迅速發展和應用[1-2]。《中國制造2025》中指出：要大力推進制造業的發展，加快信息技術與制造技術的深度融合，將人工智能技術引入傳統制造業中，實現產品生產自動化和智能化。設計作為一項創造性決策活動，是一個典型的解決定義不良問題的認知過程，認知在創造性設計活動中有著舉足輕重的作用。目前，認知科學及其信息處理方面的研究已被列入國際人類前沿科學計劃（Human Frontier Science Program，HFSP），設計工程領域的認知計算也因此進入研究者的視線。認知計算（Cognitive Computing，CC）研究人類的認知行為，如記憶[3-4]、學習[5]、思考[6]及問題解決[7]，并將人類的認知行為與智能計算方法相融合，進而建立計算認知模型的理論和技術方法，從而能夠運用智能算法和大數據技術解決高度復雜的問題[8-9]。認知計算與智能設計的結合，將具有多元化、非完整和非結構性的認知信息轉換成設計中所需的結構性的要素，助力于設計的創新已成為學者們關注的重要內容[10-12]。

文中圍繞認知計算與智能設計，從用戶需求分析、機械創新設計、圖像生成、疾病診斷、在互聯網上的應用、產品評價共6 個方面，對認知計算與智能設計進行綜述，為讀者更好地把握認知計算和智能設計的研究現狀提供幫助。

1 基于認知計算的用戶需求分析

需求分析占據產品設計中的首要地位，在產品設計時，設計者通常會通過換位思考，明確產品設計的方向，設計滿足用戶需求的產品[13-14]。針對用戶需求中的數據采集、數據動態分類處理等問題，學者們提出了一些切實有效的模型（如概念認知計算模型[15-16]、改進概念認知計算模型[17]及基于下落空間概念的新型概念認知計算模型[18]）。

文獻[16]將認知心理學與工程設計結合起來，建立概念認知計算模型，利用Hopfield 神經網絡獲得概念設計方案空間中的類似概念解，引入遺傳算法生成可行候選解，通過認知計算模型對解析解評估，從而獲得設計方案最優解。該方案提高了概念設計的設計效率，實現了設計的自動化與智能化，減輕了設計人員的產品設計壓力。然而，該模型框架復雜，系統運行效率低，泛化性能不足。為提高認知計算模型在動態環境下的概念泛化能力，擴大認知計算模型的應用范圍，文獻[17]針對具有部分標記的動態數據，基于常規的正式決策上下文及多線程技術，提出一種改進概念認知計算模型。該模型在經典概念認知計算模型的基礎上，設計了一種新的并發式學習框架，提高了系統運行效率與分類能力，改善了模型的泛化性能。上述研究將認知計算技術引入概念設計中，提高了概念設計的效率，為設計的自動化與智能化提供了新的路徑，但其模型的泛化能力與計算成本表現不佳。

為提高模型的泛化能力和計算性能，文獻[18]從人類認知過程的角度出發，提出包含知識儲存機制和動態學習策略的新型概念認知計算模型，該模型基于概念聚類技術從概率描述與模糊集合角度來闡述知識存儲原理的形成機制，提出概念下降空間的知識存儲機制。隨后將知識存儲機制與子概念空間融合，自動更新概念空間，縮小子概念空間，確保在保障模型泛化能力的同時，改善認知計算模型的計算性能。

針對家用電器的用戶需求分析，陳敏琦等[19]通過User Generated Content 網站獲取家用電器領域的用戶評論、意見及用戶偏好等數據信息，采用詞頻統計、特征關系提取與特征權重再分配方法對數據進行分類處理，建立知識圖譜完成用戶需求可視化分析，獲得較為精準的用戶需求分析信息，為后續產品設計研發奠定基礎。針對電子商務中用戶需求分析問題，文獻[20]采集電子商務網站用戶行為數據，通過數據分析工具分析用戶數據行為信息，建立基于用戶行為數據的需求供應鏈（Demand Chain Management，DCM）管理模式，促進產品的銷售。

為使產品外形滿足多用戶差異化感性需求，羅仕鑒等[21]收集并分析用戶需求偏好數據，提出基于用戶需求偏好驅動的產品造型設計方法。為確定目標客戶群并設計出滿足群體感性需求的產品，蘇建寧等[22]提出面向用戶集群的產品設計方法。Chiu 等[23]基于數據挖掘技術和感性工學理論提取產品外形概念設計所需的感性意象詞匯，實現產品外形的認知設計。為滿足用戶多方面感性需求，柳祿等[24]提出基于多目標驅動的產品造型設計方法。劉華等[25]利用聚類分析方法構建產品族典型造型樣本庫，提出面向產品族造型設計的感性需求分析模型，輔助設計師完成產品的設計決策，提高用戶對產品外形的滿意度。上述研究多從塑造產品意象特征和用戶感性需求角度對產品外形進行分析，實現產品造型的設計，缺乏對產品性能和可靠性等方面的分析設計。

2 基于認知計算的機械創新設計

機械設計是機械工程領域的重要組成部分，是機械生產的首要前提，傳統的機械設計主要依靠設計決策者的知識、經驗和遠見，設計出的機械產品存在較大主觀性。基于計算機技術的智能化設計能解決傳統機械設計活動中的計算性和推理決策性問題，提高設計的質量和效率，避免設計者的主觀判斷。

2.1 機械夾具設計

為消除設計決策者的主觀性對產品設計的影響，提升設計決策效率，王亞輝等[26]通過深度殘差學習網絡算法（ResNet）對基于產品造型語義的設計方案數據集進行不斷訓練，以提高設計決策的準確度，最大限度消除決策者主觀偏好對產品設計的影響。針對機械加工所用到的機械夾具的設計問題，徐雷[27]為實現夾具設計知識的重用，建立夾具設計知識模板，提出基于知識元的夾具數據模型方法。侯鑫[28]以夾具設計本體為基礎，結合設計重用理論和方法，實現夾具設計知識和夾具模型的檢索，完成夾具三維模型的自動獲取。為實現夾具元件自選擇、自驅動和自裝配，文獻[29]基于知識工程建立夾具元件模型，實現了傳統柔性夾具元件到繼承與重用設計知識的智能元件的轉變。為實現夾具結構的智能設計，張田會等[30]提出基于本體和知識組件的夾具結構智能設計方法，該方法引入知識組件并建立本體間語義映射關系，形成夾具結構智能設計模式，實現夾具的智能設計。以上研究各有特色，但所述方法局限于夾具設計過程中的某個對象或具體任務，無法有效地組織和表達設計主體、設計需求和設計過程。

2.2 數控機床結構設計

為實現數控機床拓撲結構的優化設計，文獻[31]利用有限元分析建立機床進給機構動態模型，實現機床進給機構接合面連接件的位置和結構的優化設計。為提高進給機構動態特性，保證進給機構高精度設計要求，文獻[32]采用序列二次規劃法對數控機床進給機構進行結構化設計。文獻[33]利用計算機仿真技術對機床進給機構進行分析，識別機床結構的關鍵參數，進而提出提高機床進給機構動態性能的結構優化設計方法。數控機床進給機構在承受工作過程中導軌與滑塊、絲杠與螺母等裝配元件之間相對運動產生的熱作用的同時，也承受重力與進給力等力的作用，即受熱與力的耦合作用。上述所提到的機床進給機構動態性能優化設計方法僅考慮受力影響，忽略了溫度場和力學性能之間的相互作用，難以獲得性能最優的進給機構設計方法。為充分考慮數控機床進給機構間的熱-力耦合效應，提高數控機床進給機構的智能設計水平，劉世豪等[34]將靈敏度分析、BP 神經網絡和遺傳算法引入數控機床進給機構的常規設計中，對進給機構進行多目標優化，提高系統的設計水平。

2.3 醫療器械設計

針對個性化醫療器械的設計，佟礦[35]對患者髖關節進行三維重構，確定截骨位置并還原髖關節，設計髖關節脫位Steel 三相截骨模板，為患者提供匹配性良好的髖關節模型。石琦霞[36]利用數字化設計方法，根據用戶需求分析建立人體假肢接受腔模型，設計出個性化和高質量的接受腔模型。Santos 等[37]利用三維掃描、三維建模和3D 打印等智能設計方法完成膝關節定位矯正器的個性化定制，解決康復醫學中膝關節定位矯正器的個性化舒適問題。文獻[38]運用逆向工程技術，提出基于Geomagic Design X 的個性化醫療護具設計方法，采用人體掃描儀獲取三維點云數據，利用Geomagic Design X 軟件對獲取的數據進行處理、三維建模，并在此基礎上對模型進行設計，添加個性化元素，根據患者需求完成個性化醫療數據的設計。上述所設計的個性化醫療器械能匹配患者個性特點，提高預期診療效果，但泛化性能不足，導致個性化醫療器械的設計成本高、設計周期長。認知計算技術能提取醫療器械設計中可利用的數據，縮短產品的設計周期，實現個性化醫療器械的智能設計。

3 基于認知計算的圖像生成

智能生成內容（Intelligence-Generated Content，IGC）模式已經成為一種新的內容產生模式。變分自編碼器（Variational Autoencoders，VAEs）[39]是通過考慮概率分布，基于最大化數據最小可能性實現圖像生成的早期圖像主要生成方法。兩者通過機器學習或深度學習方法能夠根據文本描述生成相對應的虛擬圖像，實現文本到圖像生成。

3.1 文本圖像合成

針對智能設計領域中根據文本描述生成真實圖像問題，文獻[40]設計了一種基于生成對抗網絡（Generative Adversarial Network, GAN）的對抗近似自動編碼器完成具有對抗近似的潛在代碼的推薦，該編碼器能靈活地學習自動編碼器的特征，并用一個更為簡單的生成器逼近潛在空間，加強分布的相似性，避免模棱兩可的重構，完成圖像的自動生成。由于原始GAN 運行過程中存在的隨機噪聲，因而會導致生成的圖像效果不理想。在原始GAN 架構的啟發下，研究人員將條件輸入c添加到噪聲z中，通過函數G(c, z)定義生成圖像，建立能控制圖像內容生成的條件GAN[41-42]。文獻[43]通過在原始GAN 架構上增加生成器約束條件，建立用于生成指定類別圖像的條件GAN（Conditional GAN，CGAN）模型，以解決早期圖像生成困難問題。CGAN 僅在原始GAN 架構上增加約束條件，沒有對模型的穩定性做出改進，無法達到生成圖像的細粒度屬性識別。針對CGAN 模型在生成圖像無法實現生成細粒度屬性識別的問題，Zhang 等[44]通過改進CGAN 的網絡結構，提出了由多個生成器和鑒別器組合模型：Stack-GAN[44]及Stack-GAN++[45]，所設計的組合模型提高了文本描述下生成圖片內容的質量。

融入注意力機制的GAN 可以根據描述生成圖像的單詞完成細粒度細節和全局句子向量的合成，生成符合文本描述的圖像[46]。基于注意力生成對抗網絡（Attentional Generative Adversarial Network，AttnGAN）模型的應用，可以通過評估句子和單詞級信息計算生成的圖像與文本的相似度，消除了CGAN 生成圖像不符合文本描述的問題。Xu 等[47]提出了圖像到文本特征的注意力機制，擴展了Stack-GAN++，將注意力機制納入多級精煉管道，建立了AttnGAND 模型，在該模型中每個句子都被嵌入一個全局向量中，句子的每個詞匯都被嵌入詞向量中，見圖1。上述方法能生成效果較好的圖像，但圖像生成速度緩慢，難以應用到對圖像生成速度較高的環境中，如虛擬現實（Virtual Reality，VR）環境。因此，利用認知計算技術，提取圖片內容生成中可重復利用的數據，建立圖像數據庫，可以顯著提高圖像的生成速度，改善模型的泛化性能。

圖1 AttnGAN 的文本到圖像生成示例[47]Fig.1 AttnGAN text to image generation[47]

3.2 圖像到圖像的變換

認知計算技術可以通過圖像間的風格遷移，實現各種有創意的想法，輔助設計人員完成產品設計。針對圖像到圖像變換，文獻[48]在網絡生成器上添加了L1 正則化約束，提出圖像變換模型（pix2pix），該模型能在給定訓練數據情況下，將一個圖像場景下的表示方法轉變到另一個圖片場景上。隨著圖像到圖像變換模型的不斷完善，科研人員開始側重于高清圖像[49]及視頻流的生成方面[50]。早期pix2pix 模型依賴成對的訓練數據集。例如對駿馬到斑馬的圖像變換應用，訓練時需要提供成對的數據，見圖2。在實際任務中成對的數據是很難獲取的，針對成對數據集難以獲取的問題，科研人員通過改進pix2pix 模型，提出雙生成器和雙鑒別器的網絡架構，其中，生成器G負責轉換源域的圖像到目標域，生成器F負責將目標域的圖像轉換到源域，2 個鑒別器分別鑒別源域和目標域圖像的真假，不需要成對圖片作為訓練數據，解決了早期pix2pix 模型適應性不足的問題。雙生成器和雙鑒別器的網絡架構占用大量的計算資源，降低了模型的運算速度，導致圖像生成速度愈加緩慢。

圖2 CycleGAN 的圖像到圖像變換示例[51]Fig.2 CycleGAN image to image change[51]

4 基于認知計算的疾病診斷

個性化醫學以個人基因組信息為基礎，結合蛋白質組，代謝組等相關內環境信息，利用認知計算模型對所提取的信息進行分析，進而輔助醫護人員完成疾病的診療工作[52-53]。

針對醫療數據的多模態性問題，Acharya 等[54]利用認知計算技術構建深度卷積神經網絡模型，該模型能通過認知計算技術收集腦電圖信號并進行分類，對腦電圖分析，幫助醫生完成癲癇病的診斷。由于目前缺乏腦電圖數據，因此無法進一步優化算法。文獻[55]結合大量電子健康記錄及醫學研究數據，提取疾病癥狀和疾病治療方案，進而為患者制訂最佳治療方案。Thongkam 等[56]利用關聯模型數據對直腸癌患者數據進行分析，基于樸素貝葉斯優化的決策樹算法刪除無關的樣本數據，通過數據過濾技術提高預測模型的有效性，幫助醫生更好地判斷患者是否存在患某項疾病的風險。Kuo 等[57]利用頻繁模式挖掘算法，構建用于診斷乳腺癌的檢測，推斷腫瘤的屬性，并進一步判斷患者隨著年齡增長其腫瘤變化的情況。Nahar 等[58]使用關聯規則挖掘算法對個體健康數據進行診斷分析，來識別影響健康的重要特征。Ahmed 等[59]利用K-Means 聚類算法識別并分析患肺癌疾病的相關數據，提出基于AprioriTid 算法和決策樹算法的肺癌預測系統，預測個體患癌風險。上述所提算法能根據相關數據，對個體患病風險進行準確預測，但面臨著數據孤島及結構化數據不足等問題。此外，基于自然語言處理的方法生成放射學報告中的標簽，會對代表性不足的數據產生偏見，導致算法放大醫療實踐中的現有偏見。

5 認知計算在物聯網上的應用

為實現設備的智能化與自動化[60-61]，科研人員將物聯網技術與認知計算結合起來，建立了認知物聯網[62]，認知物聯網的出現，極大地方便了用戶之間的溝通交流和信息交換。認知物聯網是一種以人為本的設備到設備間的交互網絡，它將用戶數據和信息物理系統（Cyber Physical Systems，CPS）存儲并集成到云端上，并使用智能設計算法實現特定區域的數據請求響應[63-64]。

5.1 數據處理

針對傳感器所采集的數據質量參差不齊，文獻[65]通過對網絡和云空間中大量實時數據的處理和分析，基于高斯混合模型建立了一種能夠提供普遍性和可伸縮性的系統，并通過對比實驗證明所構建系統在傳感器數據處理方面優于其他系統。針對傳感器所采集數據的實用價值不足，Puschmann 等[66]闡述了物聯網技術中傳感器所收集的數據實用價值不高的原因，并建立了基于認知物聯網技術的數據分布流框架，同時采用集群機制對傳感器采集的數據進行集群處理，通過自我調整來確保收集的數據具有實用價值，從而解決了物聯網中大量具有實用價值數據丟失的問題。上述所提出的數據處理方法能有效篩選出有效數據，避免實用價值數據丟失，但忽略了數據安全問題，使用基于大數據的認知計算技術能完成非結構化信息內容的詳細分析與精細化理解，自動總結最新不良信息的規律，幫助人們制訂安全管控策略，保證信息傳輸中的安全問題。

5.2 隱私保護

由于認知物聯網信道的廣播特性，導致認知物聯網中的數據容易遭到非法用戶的竊聽[67]。為實現信號的保護，研究人員利用信道之間的差異性，在信號傳輸中不間斷發送干擾信號，防止竊聽者解調合法信號，保護合法信息。針對物聯網隱私安全問題及低效推薦問題，楊菊英等[68]提出基于區塊鏈的認知物聯網框架，利用區塊鏈技術對物聯網中的信息進行加密，保證物聯網隱私安全，將認知系統融入物聯網中，形成能從物聯網環境中交互學習的認知物聯網，提高物聯網信息推薦的效率和準確性。

為解決認知物聯網安全隱患問題，文獻[69]將GAN 引入物聯網中，提出基于GAN 的認知物聯網加密算法，該算法能對圖像數據進行處理，利用生成對抗網絡，生成帶有加密信息的新圖像，避免圖像信息被泄露。文獻[70]根據所收集的歷史傳輸數據，采用數據驅動的深度學習算法訓練具有認知功能的神經網絡，監控物聯網設備的運行情況，主動識別網絡攻擊和用戶惡意行為，確保物聯網運行的安全性。文獻[71]通過優化Cycle-GAN，提出基于改進Cycle-GAN 視覺圖片隱私保護方法，從源頭上避免物聯網傳輸中圖像信息的泄露。

為避免認知物聯網的信息泄露，提高通訊的安全性，文獻[72]提出基于GAN 的認知物聯網隱蔽通訊智能功率控制算法，該算法利用生成器模擬認知物聯網用戶，鑒別器模擬竊聽者，通過不斷進行博弈，達到納什均衡，獲得最優的隱蔽功率控制方案。

總體而言，融合認知計算技術形成的認知物聯網的相關研究還處于初級階段，發展框架和標準體系不夠完善，關鍵性技術不夠成熟，研究內容主要以模型和構想為主，部分解決方案也處于模擬和仿真階段，缺乏面向一般應用的統一解決方案。

6 基于認知計算的產品評價

產品設計評價需提前確定所設計對象的價值，將設計對象實際價值與預先確定的價值進行比較，以表明其價值。傳統設計評價方法是依靠人工操作完成的，評價結果在一定程度上受個體經驗、直覺及知識等因素的影響，具有較強的主觀性[73]。此外，由于智能設計[74]的產品呈現出爆炸式增長的態勢，因此人工評價大規模設計結果顯然是不切實際的。而利用認知計算技術對產品進行評價可以將設計知識與用戶感知等多維內容進行量化，制訂統一的評價標準，提高評價結果的準確性與客觀性。智能設計研究和應用的重點是將主觀模糊的開放式評價問題抽象為數據驅動的封閉式問題，建立統一評價指標，實現更細致的設計分析和評價，提高評價結果的準確性和客觀性。

6.1 產品質量評價

早期主要是通過均方根誤差（Root Mean Error,RMSE）等類似的評估指標對合成圖像質量進行評估。因此由于合成圖像與真實圖像之間的對應關系不明確，基于均方根誤差的圖片質量評估方法也不精確[75]。針對生成圖像質量的評估（Amazon Mechanical Turk，AMT）可以通過觀察判定圖像逼真程度，對合成圖像和真實圖像進行評分[76]。然而，不同觀察者之間的主觀評價存在差異，僅依靠主觀評價難以客觀地評價出圖像質量。

Inception Score（IS）評估方法通過計算概率分布信息熵來客觀完成圖像質量的評估。針對圖像x的評估，p(y|x)的信息熵越低，分類器對圖像內容的評價越高，p(y) = ∫p[y∣x=G(z)]dz具有較高的信息熵，模型可以生成更多類型的圖像[77]。Lucic 等[78]利用Inception 對圖像進行評估時發現，它對標簽先驗分布不敏感，難以完成過擬合現象的檢測。此外，由于Inception 評分會受類內模式的影響，從而導致初始得分崩潰，不能完成類內變化情況的測量，因此，它不適合用于評估包含多種圖像的數據集合。

Fully Convolutional Network Score（FCN-score）[79]采用與Inception 評分類似的思想，基于FCN-score的圖像分類方法通過利用真實圖像訓練出的分類器對合成圖像進行分類。然而，基于FCN-score 的圖像分類方法未對輸入圖像清晰度進行篩選，換句話說，該分類方法無法準確完成存在微小細節差異圖像的區分。此外，文獻[80]研究結果表明，基于FCN-score的圖像分類器會受隨機噪聲的影響，從而降低分類器的準確度。

針對生成圖像的質量評估問題，除了IS 和FCN之外，還有Fréchet Inception Distance（FID）[81]、Gaussian Parzen Window（GPW）[82]、Generative Adversarial Metric（GAM）[83]及Mode Score（MS）等[84]評估方法，但圖像生成領域應用最為廣泛的是Inception 評估方法。Wang 等[85]通過研究發現FID 與生成圖像質量間存在負相關，且該方法對噪聲的敏感度遠小于IS，基于FID 的生成圖像質量評估方法能較好限制外界隨機噪聲對評價分的影響，避免出現檢測類模式崩潰問題。總體而言，圖像質量評估方法能較好限制隨機噪聲對圖像質量評估的影響，但評價指標單一，不能反映圖像的綜合質量情況。此外，算法對數據集依賴嚴重，難以應用到包含多重失真的圖片。

6.2 產品價值評價

針對產品價值評價問題，文獻[86]設計了一種基于模糊專家系統（Fuzzy Expert System，FES）的產品不確定性管理問題的評價模型，該模型通過準確度和置信度2 個因素完成產品價值的評價。針對在動態變化加工狀態下產品評價問題，文獻[87]提出一種基于數字孿生模型的評價方法，該方法利用數字孿生模型結構及關聯規則構建流程大數據，實現知識流程積累，通過場景模擬相似性計算法過濾不匹配過程知識，提高評價的準確性。針對傳統教學評估系統智能化落后及實時性差等問題，文獻[88]設計了一種基于互聯網和人工智能的專家評估系統，該系統應用人工智能混沌控制方法，利用單項鏈式網絡完成在線教學評估和信息監控識別，提高信息傳輸和融合能力。產品價值是由需求來決定的，在經濟發展的不同時期，構成產品價值的要素相對重要程度有所不同。目前，產品評價處于起步階段，評價指標單一，缺乏面向一般產品的統一評價方案，難以準確完成產品的價值評價。

7 基于認知計算的智能設計展望

盡管智能設計技術已經取得飛躍發展，但仍存在一些阻礙智能設計進一步發展的問題與挑戰。智能設計方法目前面臨的公開挑戰主要集中在以下3 個方面。

1）智能設計背后存在大量隱藏抽象語義信息，難以在樣品數量不足的情況下訓練出合適的模型，完成小樣本學習。智能設計的未來發展方向是理解設計問題背后的隱藏語義信息，完成小樣本學習。

2）大多數的智能設計系統并未闡述模型是如何訓練的、訓練的模型是怎樣工作及輸入和結果輸出之間存在什么樣的關系，這就導致設計師與智能設計系統間存在溝通障礙。因此，提供模型訓練、工作及系統參數輸入和結果輸出過程，消除設計人員與智能設計系統間的溝通障礙是智能設計未來發展方向。

3）在智能設計的內容生成過程中，設計知識大多由經驗規則和指南組成，難以將其進行形式化表達，并引入設計模型。雖然跨媒體的角色生成可以根據預先設定的規則創造出精確人物角色，但是該方法需要依賴先進的跨媒體計算和數據融合方法，目前，這些方法的探索仍然具有挑戰性。如何將先驗/領域知識形式化，并引入模型訓練過程中，實現設計內容的智能生成是值得探討與研究的課題。

8 結語

設計作為一種創造性的決策活動，是一個典型的解決定義不良問題的認知過程，認知在創造性設計活動中有著舉足輕重的作用。認知計算和智能設計作為人工智能的分支，是跨學科融合而成的產物，可以完成設計過程中的用戶需求分析、智能內容生成及產品評估等諸多方面的挑戰。通過認知計算與智能設計的結合，將具有多元化、非完整和非結構性的認知信息轉換成設計中所需的結構性要素，助力于設計的創新已成為學者們關注的重要內容。文中圍繞認知計算和智能設計的最新進展，從6 個方面總結了認知計算與智能設計的最新進展，并討論了認知計算與智能設計未來應用中需要解決的問題，助力認知計算與智能設計的創新與應用。