将人工智能(AI)作为解决具体问题的首选技术的热情是不可否认的，也是值得注意的。但是，尽管每天通过监督学习或强化学习等最流行的人工智能方法仍取得了很大进展，但这些经典方法的使用方式往往是单一的，这可能也是阻碍人工智能的因素。
虽然人工智能在越来越多的领域取得了越来越大的成功，但它仍然主要作为一种工具来执行狭隘的任务，或者作为一种简单的自动化形式，而不是与人类用户建立关系的支持伙伴。它很大程度上依赖于精心策划或注释的数据，大多是历史数据，而且只能非常间接地从人类用户那里学习。人工智能在某些情况下具有非凡的预测能力，但却无法具备人类从婴儿时期就具备的适应能力。它只是(还)不能像人类那样根据从未遇到过的数据进行推断。此外，对更高精确度的需求导致了越来越大和复杂的模型、计算密集型训练和工程挑战，这些挑战阻碍了我们在基于人工智能的解决方案中寻求的可信度、可移植性和可扩展性。
实现我们的人工智能目标需要改变当前的数据范式;是时候将人类置于AI培训过程的中心了。您不必相信我们的话：从设计到部署将人力和AI资源混合的好处在其他独立研究中得到了呼应，例如麻省理工学院斯隆2020年人工智能全球高管研究和研究项目的发现，以及由此产生的结果在德勤洞察中，协作甚至被称为“超级团队”。
与标准的AI方法相比，设计、培训和部署混合人类用户和AI代理的解决方案提供了新的成功途径。模仿学习、课程学习和其他较新的技术已经展示了通过利用人类的专业知识、反馈和指导来训练人工智能的其他方法。与其将我们自己局限于一种方法，不如我们可以拥有一切，并将所有这些不同的方法结合在一起，与人类一起构建新的智能系统，而不再局限于任何特定的方法、模型或算法。考虑到人类和人工智能各自的优势和劣势，这种人与人工智能的伙伴关系将产生的不仅仅是其各部分的总和，利用互补的能力来实现仅靠一个或另一个不可能或很难实现的结果。然而，为了让人工智能代理与人类尽可能紧密地协同工作，具体的方法、途径和技术是有必要的。值得注意的是，它要求体系结构设计自然有利于多代理、多人、技术不可知的分布式方法，在研究、原型和操作之间快速、无摩擦地反复迭代。
这些都是Cogment背后的指导原则，Cogment是一个新的开源框架，旨在实现人类和AI代理之间的这种合作伙伴关系。它今天已经在复杂的环境中使用，比如人机协作、自适应学习和关键决策支持系统，而且它已经为应对未来的挑战做好了准备。
