將人工智能(AI)作為解決具體問題的首選技術的熱情是不可否認的，也是值得注意的。但是，盡管每天通過監督學習或強化學習等最流行的人工智能方法仍取得了很大進展，但這些經典方法的使用方式往往是單一的，這可能也是阻礙人工智能的因素。

雖然人工智能在越來越多的領域取得了越來越大的成功，但它仍然主要作為一種工具來執行狹隘的任務，或者作為一種簡單的自動化形式，而不是與人類用戶建立關系的支持伙伴。它很大程度上依賴于精心策劃或注釋的數據，大多是歷史數據，而且只能非常間接地從人類用戶那里學習。人工智能在某些情況下具有非凡的預測能力，但卻無法具備人類從嬰兒時期就具備的適應能力。它只是(還)不能像人類那樣根據從未遇到過的數據進行推斷。此外，美國服務器，對更高精確度的需求導致了越來越大和復雜的模型、計算密集型訓練和工程挑戰，這些挑戰阻礙了我們在基于人工智能的解決方案中尋求的可信度、可移植性和可擴展性。

實現我們的人工智能目標需要改變當前的數據范式;是時候將人類置于AI培訓過程的中心了。您不必相信我們的話：從設計到部署將人力和AI資源混合的好處在其他獨立研究中得到了呼應，例如麻省理工學院斯隆2020年人工智能全球高管研究和研究項目的發現，以及由此產生的結果在德勤洞察中，協作甚至被稱為“超級團隊”。

與標準的AI方法相比，設計、培訓和部署混合人類用戶和AI代理的解決方案提供了新的成功途徑。模仿學習、課程學習和其他較新的技術已經展示了通過利用人類的專業知識、反饋和指導來訓練人工智能的其他方法。與其將我們自己局限于一種方法，不如我們可以擁有一切，并將所有這些不同的方法結合在一起，與人類一起構建新的智能系統，而不再局限于任何特定的方法、模型或算法。考慮到人類和人工智能各自的優勢和劣勢，這種人與人工智能的伙伴關系將產生的不僅僅是其各部分的總和，利用互補的能力來實現僅靠一個或另一個不可能或很難實現的結果。然而，為了讓人工智能代理與人類盡可能緊密地協同工作，具體的方法、途徑和技術是有必要的。值得注意的是，它要求體系結構設計自然有利于多代理、多人、技術不可知的分布式方法，在研究、原型和操作之間快速、無摩擦地反復迭代。

這些都是Cogment背后的指導原則，Cogment是一個新的開源框架，旨在實現人類和AI代理之間的這種合作伙伴關系。它今天已經在復雜的環境中使用，比如人機協作、自適應學習和關鍵決策支持系統，而且它已經為應對未來的挑戰做好了準備。