每当我们换季、身体不适的时候，会告诉身边的亲人朋友，喉咙痛、流鼻涕等症状，而得到的反馈往往是：你是不是感冒了？是不是很不舒服？要不要去医院看看之类的回答。而在医院面对专业医生的时候，会被要求测量血液指标、x光等身体检查，并根据结果数据对症下药。而这两者之间语句理解和问题解决的不同，展现了认知智能与感知智能的差异。

       感知智能，是指将物理世界的信号通过照相机、麦克风或者其他传感器的硬件设备，借助语音识别、图像识别等前沿技术，映射到数字世界，再将这些数字信息进一步提升至可认知的层次。像我们熟知的科大讯飞的同声传译、支付宝的人脸识别都是如此。通过感知智能技术，将图像、语句转换并理解、最终输出相应的结果。

       认知智能，是指机器具有主动思考和理解的能力，不用人类事先编程就可以实现自我学习，有目的推理并与人类自然交互。

       当下社会中常见的人工智能，一种是商场里、火车站里、网络购物时常见的机器人客服，这样的人工智能，大多是关键词的匹配。例如当你输入的句子中有“发货”两个字，系统会通过关键词匹配，罗列出所有含有发货的句子或提前匹配的答案。而至于答案是否是提问者所需要的，系统无法控制。

       而另一种，是通过关键词匹配，人工筛查，最终提供最佳答案。而这样不精准的、机械化的交互方式，延长了提问者的搜索时间，降低了体验满意度。特别是遇到更加复杂、专业的行业和领域，例如银行业务、金融业务、保险业务、政府业务等情况。

       随着知识图谱的探索发展和商业结合应用，通过将整体业务流程、专业知识、操作数据等信息的整理，找出上下游关系、梳理维度关系，原子化，即最细力度的构造图谱关系，从而让问题的前因后果、来龙去脉有据可循。例如：客户在银行搜索“10万人民币保本投资产品有哪些”，系统会识别问题中的金额、投资要求，并结合客户历史投资金额和偏好、风险承受程度，以及当前热销产品、新品等内部数据，为客户个性化的推荐投资产品，或给出投资金额的划分建议，在客户风险承受范围内，划分出15%的金额，进行中风险产品投资，最终受益会上涨多少。

       加之nlp、机器学习等技术和高级算法的应用，实现系统24小时海量数据的自我学习、训练和纠正。随着人工对结果的抽查，客户对回答和服务满意程度的反馈，不断提升人工智能程度。最终实现，人工智能不仅仅理解“我感冒了”，而是根据语义识别、知识图谱关系、以及客户数据，快速、准确的给出“您解决感冒问题的最佳方法是什么”。