对于仿真推演系统来说，底层平台是基础，顶层核心是模型和数据。相对而言，模型的建立往往与特定的业务有关，而对实体模型的行为描述或建模（有自己的行为和互动行为）是最复杂和最困难的，而且很难用通用的物理过程或算法来表达。例如，在军事模拟应用领域，未来战场的战斗行为互动非常复杂。行为的建模往往极其困难。军事模拟行为建模的主要困难是：第一，模拟真实行为有许多类别，因此很难建立通用行为模型。这种行为是空灵的。对于每个指挥官来说，在相同的情况下，他们有不同的情况处理和认知，因此行为建模不能进行一个非常量化和通用的模型。第二，各种作战行动和行动过程规则在不同的情况下处理，很难表达各种行为模式。第三，军事概念的模型很难表达。在具体的军事工程实践过程中，业务人员往往难以与技术人员沟通，难以达成一致，这也是一个非常突出的问题。第四是缺乏友好和简单的工具。

　　基于以上几点，我们可以尝试实现基于有限状态机器的解决方案(目前国内相关厂商已经有了很好的应用)。

　　通过这种方式，我们实现了行为模型与物理模型之间的松散耦合，提高了整个系统的弹性。下图显示了行为与物理模型的关系：

　　目前，我们可以技术，我们可以实现行为规则的外部设置，可以提高行为建模的效率和灵活性，实现基于计划的模拟实体的自动化操作，但我们不能真正实现模拟实体的智力和自治。

　　智能推理模拟平台需要更高的行为建模要求。因此，我们提出了基于认知计算的独立行为建模解决方案。从被动处理行为规则库信息到通过认知框架积极学习行为规则，实现自主行为建模，解决人工智能领域学习方法中的认知领域问题，即升级上图中的大脑功能。

　　目前，关于这一领域的研究正在进行中。近年来，人工智能的发展，如alphago和alphazero，似乎表明这种实现越来越接近我们。就在最近几天，作者刚刚看到了depmind发布的最新预印本论文和博客，介绍了一种名为gent57的智能身体。这种智能身体在57个雅利达游戏中实现了超人类的性能，其中包括街机学习环境（acradelearngengengeronmnet，ale）数据集。有兴趣的读者可以下载进行研究。