今年的CSDN主辦的 BDTC2018 大會知識圖譜分論壇上，我作為嘉賓做了一次演講，結合我在知識圖譜、移動搜索以及人工智能交互等領域的經驗，給知識圖譜的行業(yè)人士分享了一些所領域到的對于AI產品演進路徑上的思考。

人工智能領域一直以來有句老話，叫做有多少人工，就有多少智能。這件事在知識圖譜構建上體現的尤為明顯。人工智能的技術瓶頸不是要代替智人作為動物的那一部分感知智能，而在于代替我們最近幾千年發(fā)展起來的那些認知能力，也就是我們有了符號思維能力之后的智能。從知識圖譜到人工智能，要想一蹴而就，不太現實，也不可能實現。在這種情況下，我們更應該關注其中的實現路徑，而非最終目標。

人工智能如何定義？

說到人工智能，我覺得首先要搞清楚一件事情什么是人工智能？人工智能到底離我們有多遠？我們看看第一個話題，每個人都在談論到底人工智能他出生在什么地方，經過了什么樣的發(fā)展。我們都知道，其實要講到人工智能這個話題，要回溯到1946年世界上第一臺電子計算機埃尼阿克的誕生，埃尼阿克產生以后，許多的計算機科學家對于計算機將來能夠代替人類做什么事情有很多聯想，其中最著名的一個人是圖靈。圖靈在二戰(zhàn)的時候發(fā)明了非常重要的炸彈，這個炸彈可以破解當時德國的密碼體系。在二戰(zhàn)以后，埃尼阿克發(fā)明以后，圖靈在1950年左右在人工智能領域進行了很多的探討，并且提出了著名的圖靈測試。

真正的“人工智能”這個詞被提出來，是在1956年Dartmouth的會議上。當年在Dartmouth提出來人工智能的人，包括明斯基、西蒙、麥卡塞等等，這些年輕的人工學者他們提出概念以后，他們中間誕生了四位圖靈獎得主。大家看到了，時光荏苒，作為最后的一名參與者已經去世了，但是我們已經可以看到人工智能的發(fā)展。

人工智能的下一次大發(fā)展正在爆發(fā)過程中

但是人工智能的發(fā)展也不是一帆風順的，就像一項技術一樣，當一項新技術出現在人類社會的時候，大家會抱以非常高的期望。在人工智能剛剛提出的時候，所有人都認為人工智能用規(guī)則推理的方法可以解決這個問題。因為當時的計算機、存儲和各個方面的原因，當時是大型機的時代。IBM的總裁曾經說過，世界只需要五臺計算機，事實證明他錯了。

但是人工智能經過了五六十年代的發(fā)展，離大家的期望很遠，所以人工智能進入了沉寂期。

隨著80年代個人電腦的發(fā)展，人工智能再次引起了大家的關注。以日本的第五代計算機為重要的表現，以中國的863計劃，其實我們也設計了306主題，就是智能計算機主題。

在90年代人工智能又再次陷入了低谷，因為很多人發(fā)現，互聯網其實可以幫助我們解決很多的問題，我們的信息化技術能夠解決我們生活中大部分的問題，而且我們并不需要人工智能，而且人工智能也做不到。

目前正處在人工智能大爆發(fā)的前夜。

人工智能的奇點在哪里？

奇點理論

根據美國未來學家、谷歌公司工程總監(jiān)雷·庫茨魏爾的奇點理論。技術奇點（英語：Technological Singularity），又稱科技奇點，出自奇點理論，一個根據技術發(fā)展史總結出的觀點，認為未來將要發(fā)生一件不可避免的事件──技術發(fā)展將會在很短的時間內發(fā)生極大而接近于無限的進步。當此轉捩點來臨的時候，舊的社會模式將一去不復返，新的規(guī)則開始主宰這個世界。而后人類時代的智能和技術我們根本無法理解，就像金魚無法理解人類的文明一樣。

目前有各種各樣的智能，比如圖片識別，文字識別，但是這個跟真正的人類智能還有很大的差距。講到人工智能，很多人有各種各樣的想法，但是人工智能中最重要，現在最需要突破，也是最難點的地點在于什么地方？要回答這個問題，其實我們有可能要先看一下人類。我們都知道人類在地球上有300到400萬年的時間。

根據《人類簡史》中的對人類的發(fā)展史的研究：我們可以發(fā)現，就是在七萬到兩萬年之前，人類在農業(yè)革命、工業(yè)革命還有一個重要的革命是認知革命。而認知革命是人類用語言和智能戰(zhàn)勝其他猿人的非常重要的方面，因為有幾個方面的事情，一是可以把客觀事件描述得準確；二是八卦，我曾經以為八卦是女性社會非常不好的習慣，但是沒想到是非常重要的，由原來的100人的團隊可以變成150人到1000人的團隊。因為有了語言，我們可以交流我們在做夢中，或者我們思維里面的東西，我們可以產生虛構的概念，我們可以產生宗教、公私等等，從而讓我們人類成為地球的主宰。

語言成為了人類智能演進的奇點

人工智能發(fā)展的階段

從計算機發(fā)明以來，結合我們對人類智能發(fā)展的認識，我們可以把人工智能分為三個階段：

1. 計算智能
2. 感知智能
3. 認知智能

當前我們處在第二個階段，圖像識別、語音識別、文字ORC識別等等準確率覆蓋率都已經完全達到了實用的要求，而且已經在各行各業(yè)中取得了很好的應用。

跟第二個階段相比，我們在第三個階段：認知智能的進展就很小了。最近幾年的核武器---深度神經網絡對于我們語言的理解并沒有取得特別大的突破。

原因在哪？

機器為啥理解不了語言中的語義？

從上圖中可以看出，跟圖像識別、語音識別有所不同的是，原始的圖像和語音都已經蘊含了大量的有效信息，只需要加以針對性的用大量數據訓練，就可以識別準確。

但是語言的理解不同，語言的理解中，語音本身信息量很少，大部分數據都蘊含在符號中，符號本身需要以可以被機器理解的形式進行定義，并且跟其他的符號發(fā)生關聯。所以機器要理解語義，首先就需要用機器可以理解并執(zhí)行的方式，準備好符號后面所代表的知識（概念）。

這個機器可以理解的知識數據庫就是知識圖譜了。

所以知識圖譜是機器理解語義，實現認知智能的基石。

人工智能的基石：知識圖譜

為啥大家都說知識圖譜是人工智能的基石呢？我們先從知識圖譜到底是個啥開始說起。

知識圖譜是什么？

知識圖譜其實就是一種可以被機器直接識別，并且方便做推理的一種結構化、標準化的以圖的方式存儲的知識庫。

知識圖譜中有實體（表示世界中的各種事物，解決語言中是什么的問題），也有關系（表示世界中的實體的各種關系，用來表示各種事實）。

另外，圖譜中的關系會按照屬性定義，只有被定義過的關系才可以存儲進入圖譜，這些屬性定義也是圖譜語義的重要組成部分。

圖譜中的實體會按照類型組織，同一類型的實體擁有相同的屬性。也就是說圖譜中會根據實體的屬性對實體進行分類，反過來這些分類又可以幫助機器推理，推測實體還有哪些未知的屬性，以及這些屬性有哪些約束。

說到這里你應該可以想到為啥說，機器理解語言的語義需要知識圖譜了吧，因為知識圖譜中存儲的就是前面提到的語言的背景的知識，更重要的是這些知識對于機器非常友好，可以被直接推理和使用，因為圖譜中的數據都是有嚴格的約束和定義的，在這些定義之上，機器可以按照預先設定好的邏輯規(guī)則進行推理。從而表現出，機器理解了語言，并且推理得出了新的知識（也就是圖譜中還沒有的facts（關系））

知識圖譜的人工智能應用

前面說知識圖譜是認知人工智能的基石。那么它到底有什么應用呢？目前來看知識圖譜有三大應用場景：

一、搜索引擎（實體詳情卡：將query中的實體識別出來，以圖文并茂給出圖譜中實體相關的結構化知識（屬性和關系），給出更加豐富的搜索結果，讓用戶即搜即得。相關實體推薦卡：基于圖譜中實體的分類以及實體之間的關系，給出相關實體推薦，幫助用戶獲得順藤摸瓜的瀏覽式的搜索體驗，讓用戶更容易找到自己感興趣的實體的知識）

二、問答，知識圖譜上可以回答問題，進行推理。

• 統(tǒng)一的schema定義賦予圖譜強大而靈活的查詢能力，從而可以回答問題。
• 比如：
• -- 劉德華的老婆的生日是什么時候？
• -- Francis ford coppola 導演了哪些電影？等等
• 你要你能拼出query，你就可以獲得答案。

三、智能助手對話:對詞匯標簽進行知識填充，結合語言結構的分析，獲得語義，需要大量高質量的人工語義識別的標注數據，理解語義，是實現有上下文的對話交互的基礎

未完待續(xù)...

從知識圖譜到人工智能，我們今天介紹了一些背景知識以及他們之間的內在聯系，因為篇幅的關系，今天我們先說到這里。

今天只是這個系列的第一篇，接下來我會繼續(xù)寫一下產品路徑上的探索。

關于作者

葛燦輝

知識圖譜產品經理

本人極客一枚，做了七年搜索產品經理，于幾年前偶遇知識圖譜，從此迷上一發(fā)不可收拾，從里到外，從前到后深入研究，后承蒙眷顧，獲得了一個寶貴的機會，從零到一構建一個千萬級的知識圖譜，中間遇坑無數，咬牙堅持推進，終于構建出來，并且在搜索產品中獲得規(guī)?；膽茫〉昧溯^好的效果。不過，無論是圖譜的構建，還是使用，目前還處于初級階段，未來知識圖譜這個領域空間廣闊，大有可為，我也會繼續(xù)專注下去。