今天跟大家分享的主題是《知識(shí)圖譜與認(rèn)知智能》。

知識(shí)圖譜自2012年提出至今，發(fā)展迅速，如今已經(jīng)成為人工智能領(lǐng)域的熱門(mén)問(wèn)題之一，吸引了來(lái)自學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，在一系列實(shí)際應(yīng)用中取得了較好的落地效果，產(chǎn)生了巨大的社會(huì)與經(jīng)濟(jì)效益。那么到底是什么在支撐著知識(shí)圖譜技術(shù)的繁榮景象？是一股什么力量讓知識(shí)圖譜技術(shù)吸引了如此多的關(guān)注？換句話說(shuō)，知識(shí)圖譜到底能解決什么問(wèn)題？何以能夠解決這些問(wèn)題？今天的報(bào)告主要圍繞著這些問(wèn)題，給大家做一個(gè)初步的解答。

先簡(jiǎn)單介紹一下整個(gè)報(bào)告的總體思路。人類(lèi)社會(huì)已經(jīng)進(jìn)入智能時(shí)代，智能時(shí)代的社會(huì)發(fā)展催生了大量的智能化應(yīng)用，智能化應(yīng)用對(duì)機(jī)器的認(rèn)知智能化水平提出了前所未有的要求，機(jī)器認(rèn)知智能的實(shí)現(xiàn)依賴(lài)的就是知識(shí)圖譜技術(shù)。

我想大家已經(jīng)深刻地感受到我們身處在一個(gè)智能化的時(shí)代。

從2012年Google的圖像識(shí)別錯(cuò)誤率顯著下降，機(jī)器在圖像識(shí)別方面接近人類(lèi)水平；到2016年AlphaGo戰(zhàn)勝了人類(lèi)圍棋冠軍；再到2017年AlphaZero戰(zhàn)勝了AlphaGo，以及DeepMind去嘗試星際爭(zhēng)霸游戲，這一系列AI發(fā)展的標(biāo)志性事件讓我們看到了人工智能技術(shù)幫助解決人類(lèi)社會(huì)發(fā)展若干問(wèn)題的希望。我們已經(jīng)見(jiàn)證的這一系列人工智能技術(shù)的發(fā)展，本質(zhì)上是受益于大數(shù)據(jù)給人工智能帶來(lái)的數(shù)據(jù)紅利。

這一波人工智能熱潮是在大數(shù)據(jù)所給予的海量標(biāo)注樣本以及超強(qiáng)計(jì)算能力這兩個(gè)強(qiáng)大的支撐作用下所形成的?？梢哉f(shuō)，這一波人工智能的發(fā)展本質(zhì)上是大數(shù)據(jù)喂養(yǎng)出來(lái)的。到了今天，可以很自豪地宣告機(jī)器智能在感知智能和計(jì)算智能等若干具體問(wèn)題上已經(jīng)達(dá)到甚至超越人類(lèi)水平。現(xiàn)在，在語(yǔ)音識(shí)別與合成、圖像識(shí)別、封閉環(huán)境有限規(guī)則的游戲領(lǐng)域等問(wèn)題上，機(jī)器智能水平堪比、甚至超越人類(lèi)水準(zhǔn)。

這一系列人工智能技術(shù)的突破性進(jìn)展，促使各行各業(yè)紛紛走向了一條智能化升級(jí)和轉(zhuǎn)型的道路。智能化技術(shù)尤其為我國(guó)傳統(tǒng)行業(yè)的發(fā)展帶來(lái)了全新機(jī)遇，對(duì)于我國(guó)經(jīng)濟(jì)結(jié)構(gòu)升級(jí)，以及傳統(tǒng)實(shí)體行業(yè)擺脫當(dāng)前一系列發(fā)展困境帶來(lái)了全新的機(jī)遇。智能化升級(jí)和轉(zhuǎn)型已經(jīng)成為各行各業(yè)的普遍訴求。各行業(yè)走向智能化的發(fā)展道路，在某種意義上也是人類(lèi)社會(huì)發(fā)展的必然趨勢(shì)。

自計(jì)算機(jī)面世以來(lái)，人類(lèi)社會(huì)在經(jīng)歷了計(jì)算機(jī)技術(shù)發(fā)展的一系列浪潮之后，基本完成了信息化的使命。信息化時(shí)代最重要的任務(wù)是數(shù)據(jù)記錄與采集，這勢(shì)必造就大數(shù)據(jù)。當(dāng)我們邁進(jìn)大數(shù)據(jù)時(shí)代之后，我們勢(shì)必對(duì)大數(shù)據(jù)的價(jià)值挖掘提出訴求。大數(shù)據(jù)的價(jià)值挖掘需要智能化手段。因此大數(shù)據(jù)時(shí)代的到來(lái)，某種意義上只是智能化時(shí)代的短暫序曲。我相信，未來(lái)若干年，計(jì)算機(jī)技術(shù)的主要使命是幫助人類(lèi)社會(huì)實(shí)現(xiàn)智能化。

在各行業(yè)的智能化發(fā)展進(jìn)程中，AI+或者AI賦能成為了傳統(tǒng)行業(yè)智能化升級(jí)和轉(zhuǎn)型的一個(gè)基本模式。在AI的賦能下，傳統(tǒng)行業(yè)面臨著非常多的機(jī)遇，其所關(guān)心的一系列核心問(wèn)題，比如增加收入、降低成本、提高效率和安全保障等，都將顯著受益于智能化技術(shù)。比如智能客服系統(tǒng)已經(jīng)在很多行業(yè)大規(guī)模應(yīng)用，大大降低了人工客服的巨大勞動(dòng)力成本；一些企業(yè)利用知識(shí)圖譜，對(duì)企業(yè)內(nèi)部的研發(fā)資源進(jìn)行管理，顯著提升研發(fā)效率，這些都是AI可以賦能傳統(tǒng)行業(yè)的具體體現(xiàn)。

智能化的升級(jí)和轉(zhuǎn)型對(duì)整個(gè)傳統(tǒng)行業(yè)產(chǎn)生的影響將是顛覆性的，將重塑整個(gè)行業(yè)的形態(tài)，革新傳統(tǒng)行業(yè)的各個(gè)關(guān)鍵環(huán)節(jié)，智能化技術(shù)將逐步滲透到傳統(tǒng)行業(yè)的各個(gè)角落。最近幾年我們看到越來(lái)越多的傳統(tǒng)行業(yè)將人工智能領(lǐng)域升格為企業(yè)的核心戰(zhàn)略，在電商、社交、物流、金融、醫(yī)療、司法、制造等很多領(lǐng)域涌現(xiàn)出越來(lái)越多的AI賦能傳統(tǒng)行業(yè)的發(fā)展案例。

智能化對(duì)機(jī)器的智能水平提出了要求，包括機(jī)器的計(jì)算智能、感知智能，尤其是機(jī)器的認(rèn)知智能。所謂讓機(jī)器具備認(rèn)知智能是指讓機(jī)器能夠像人一樣思考，而這種思考能力具體體現(xiàn)在機(jī)器能夠理解數(shù)據(jù)、理解語(yǔ)言進(jìn)而理解現(xiàn)實(shí)世界的能力，體現(xiàn)在機(jī)器能夠解釋數(shù)據(jù)、解釋過(guò)程進(jìn)而解釋現(xiàn)象的能力，體現(xiàn)在推理、規(guī)劃等等一系列人類(lèi)所獨(dú)有的認(rèn)知能力上。

相較于感知能力，認(rèn)知能力的實(shí)現(xiàn)難度更大，價(jià)值也更大。前幾年在深度學(xué)習(xí)的推動(dòng)下，機(jī)器感知能力顯著提升。但是感知能力動(dòng)物也具備，比如我們家里的小貓小狗也能識(shí)別主人，識(shí)別物體。所以讓機(jī)器具備感知能力只是讓機(jī)器具備了一般動(dòng)物所具備的能力，還不是那么值得“炫耀”的事情。但是，認(rèn)知能力是人類(lèi)獨(dú)有的能力，一旦機(jī)器具備認(rèn)知能力，AI技術(shù)將會(huì)給人類(lèi)社會(huì)帶來(lái)顛覆性革命，同時(shí)也將釋放出巨大的產(chǎn)業(yè)能量。所以實(shí)現(xiàn)機(jī)器的認(rèn)知能力是人工智能發(fā)展進(jìn)程中具有里程碑意義的重大事件。

隨著大數(shù)據(jù)紅利的消失殆盡，以深度學(xué)習(xí)為代表的感知智能水平日益接近其“天花板”。以深度學(xué)習(xí)為代表的統(tǒng)計(jì)學(xué)習(xí)嚴(yán)重依賴(lài)大樣本，這些方法只能習(xí)得數(shù)據(jù)中的統(tǒng)計(jì)模式。然而，現(xiàn)實(shí)世界很多實(shí)際問(wèn)題的解決單單依靠統(tǒng)計(jì)模式是不夠的，還需要知識(shí)，特別是符號(hào)化的知識(shí)。

我們?nèi)祟?lèi)的語(yǔ)言理解、司法判案、醫(yī)療診斷、投資決策等等很多領(lǐng)域都是顯著依賴(lài)我們的知識(shí)才能實(shí)現(xiàn)的。很多從事自然語(yǔ)言處理的研發(fā)人員普遍有個(gè)深刻的感受：即便數(shù)據(jù)量再大，模型再先進(jìn)，很多自然語(yǔ)言處理任務(wù)，比如中文分詞、情感分析達(dá)到一定準(zhǔn)確率之后，就很難再改進(jìn)了。

比如，中文分詞的一個(gè)經(jīng)典案例：“南京市長(zhǎng)江大橋”，不管是分為“南京市長(zhǎng)+江大橋”還是“南京市+長(zhǎng)江大橋”都依賴(lài)我們的知識(shí)。如果從上下文我們得知是在討論南京市長(zhǎng)，并且有個(gè)人叫“江大橋”，我們會(huì)傾向于分為“南京市長(zhǎng)+江大橋”，否則我們會(huì)根據(jù)我們已有的知識(shí)斷句為“南京市+長(zhǎng)江大橋”。不管是哪種情況，我們都在利用我們的知識(shí)。我記得我國(guó)知名統(tǒng)計(jì)學(xué)者徐宗本院士在去年年底一個(gè)論壇上說(shuō)過(guò)：“數(shù)據(jù)不夠模型補(bǔ)”。我想傳達(dá)類(lèi)似的觀點(diǎn)：“數(shù)據(jù)不夠知識(shí)補(bǔ)”，甚至“數(shù)據(jù)足夠了，知識(shí)也不能缺失”。而知識(shí)圖譜就是這種不可或缺的知識(shí)的重要表現(xiàn)形式之一。

機(jī)器認(rèn)知智能絕不是束之高閣、高高在上的前沿技術(shù)。它是一類(lèi)能夠?qū)崒?shí)在在落地的、有著廣泛且多樣的應(yīng)用需求的、能夠產(chǎn)生巨大社會(huì)經(jīng)濟(jì)價(jià)值的技術(shù)。機(jī)器認(rèn)知智能的發(fā)展過(guò)程本質(zhì)上是人類(lèi)腦力不斷解放的過(guò)程。在工業(yè)革命和信息化時(shí)代，我們的體力被逐步解放；而隨著人工智能技術(shù)的發(fā)展，尤其是認(rèn)知智能技術(shù)的發(fā)展，我們的腦力也將會(huì)逐步解放。越來(lái)越多的知識(shí)工作將逐步被機(jī)器所代替，伴隨而來(lái)的將是機(jī)器生產(chǎn)力的進(jìn)一步解放。機(jī)器認(rèn)知智能在應(yīng)用方面是廣泛和多樣的，體現(xiàn)在精準(zhǔn)分析、智慧搜索、智能推薦、智能解釋、更自然的人機(jī)交互和深層關(guān)系推理等各個(gè)方面。

認(rèn)知智能的第一個(gè)應(yīng)用抓手就是大數(shù)據(jù)的精準(zhǔn)與精細(xì)分析。如今，越來(lái)越多的行業(yè)或者企業(yè)積累了規(guī)?？捎^的大數(shù)據(jù)。但是這些數(shù)據(jù)并未發(fā)揮出應(yīng)有的價(jià)值，很多大數(shù)據(jù)還需要消耗大量的運(yùn)維成本。大數(shù)據(jù)非但沒(méi)有創(chuàng)造價(jià)值，在很多情況下還成為了一筆負(fù)資產(chǎn)。這一現(xiàn)象的根本原因在于，當(dāng)前的機(jī)器缺乏諸如知識(shí)圖譜這樣的背景知識(shí)，機(jī)器理解大數(shù)據(jù)的手段有限，限制了大數(shù)據(jù)的精準(zhǔn)與精細(xì)分析，從而大大降低了大數(shù)據(jù)的潛在價(jià)值。

舉個(gè)親身體驗(yàn)的例子，在娛樂(lè)圈王寶強(qiáng)離婚案剛剛開(kāi)始的時(shí)候，新浪微博的熱搜前三位分別是“王寶強(qiáng)離婚”、“王寶寶離婚”和“寶強(qiáng)離婚”。也就是說(shuō)，當(dāng)時(shí)的微博平臺(tái)還沒(méi)有能力將這三件事自動(dòng)歸類(lèi)到一件事，不知道這三件事其實(shí)說(shuō)的是一件事。機(jī)器在統(tǒng)計(jì)事件熱度的時(shí)候就分開(kāi)統(tǒng)計(jì)了，這就是因?yàn)楫?dāng)時(shí)機(jī)器缺乏背景知識(shí)，不知道王寶強(qiáng)又稱(chēng)為“王寶寶”或“寶強(qiáng)”，所以沒(méi)有辦法做到大數(shù)據(jù)的精準(zhǔn)分析。

事實(shí)上，輿情分析、互聯(lián)網(wǎng)的商業(yè)洞察，還有軍事情報(bào)分析和商業(yè)情報(bào)分析都需要大數(shù)據(jù)的精準(zhǔn)分析，而這種精準(zhǔn)分析就必須要有強(qiáng)大的背景知識(shí)支撐。除了大數(shù)據(jù)的精準(zhǔn)分析，數(shù)據(jù)分析領(lǐng)域另一個(gè)重要趨勢(shì)：精細(xì)分析，也對(duì)知識(shí)圖譜和認(rèn)知智能提出了訴求。比如很多汽車(chē)制造廠商都希望實(shí)現(xiàn)個(gè)性化制造。個(gè)性化制造希望從互聯(lián)網(wǎng)上搜集用戶對(duì)汽車(chē)的評(píng)價(jià)與反饋，并以此為據(jù)實(shí)現(xiàn)汽車(chē)的按需與個(gè)性化定制。為了實(shí)現(xiàn)個(gè)性化定制，廠商不僅需要知道消費(fèi)者對(duì)汽車(chē)的褒貶態(tài)度，還需要進(jìn)一步了解消費(fèi)者不滿意的細(xì)節(jié)之處，以及消費(fèi)者希望如何改進(jìn)，甚至用戶提及了哪些競(jìng)爭(zhēng)品牌。顯然面向互聯(lián)網(wǎng)數(shù)據(jù)的精細(xì)化數(shù)據(jù)分析必需要求機(jī)器具備關(guān)于汽車(chē)評(píng)價(jià)的背景知識(shí)（比如汽車(chē)的車(chē)型、車(chē)飾、動(dòng)力、能耗等等）。因此，大數(shù)據(jù)的精準(zhǔn)和精細(xì)化分析需要智能化的技術(shù)支撐。

認(rèn)知智能的第二個(gè)非常重要的應(yīng)用抓手是智慧搜索。下一代智慧搜索對(duì)機(jī)器認(rèn)知智能提出了需求。智慧搜索體現(xiàn)在很多方面。

首先，體現(xiàn)在搜索意圖的精準(zhǔn)理解方面。比如在淘寶上搜索“iPad充電器”，用戶的意圖顯然是要搜索一個(gè)充電器，而不是一個(gè)iPad，這個(gè)時(shí)候淘寶應(yīng)該反饋給用戶若干個(gè)充電器以供選擇，而不是iPad。再比如在Google上搜索“toys kids”或者“kids toys”，不管搜索這兩個(gè)中的哪一個(gè)，用戶的意圖都是在搜索給孩子的玩具，而不是玩玩具的小孩，因?yàn)橐话悴粫?huì)有人用搜索引擎搜孩子?！皌oys kids”和“kid’s toys”中兩個(gè)詞都是名詞，要辨別出哪一個(gè)是核心詞，哪一個(gè)是修飾詞，在缺乏上下文的短文本上，仍然是個(gè)具有挑戰(zhàn)性的難題。

其次，搜索的對(duì)象越來(lái)越復(fù)雜多元化。以前搜索的對(duì)象以文本為主，現(xiàn)在大家希望能搜索圖片和聲音，甚至還能搜代碼，搜視頻，搜設(shè)計(jì)素材等等，要求一切皆可搜索。

第三、搜索的粒度也越來(lái)越多元化?，F(xiàn)在的搜索不僅能做篇章級(jí)的搜索，還希望能做到段落級(jí)、語(yǔ)句級(jí)、詞匯級(jí)的搜索。尤其是在傳統(tǒng)知識(shí)管理領(lǐng)域，這個(gè)趨勢(shì)已經(jīng)非常明顯。傳統(tǒng)的知識(shí)管理大都只能做到文檔級(jí)搜索，這種粗粒度的知識(shí)管理已經(jīng)難以滿足實(shí)際應(yīng)用中細(xì)粒度的知識(shí)獲取需求。

最后，是跨媒體的協(xié)同搜索。傳統(tǒng)搜索以面向單質(zhì)單源數(shù)據(jù)的搜索居多。比如針對(duì)文本搜索難以借力視頻、圖片信息，針對(duì)圖片的搜索主要還是利用圖片自身的信息，對(duì)于大量文本信息利用率還不高。最近的趨勢(shì)是跨媒體的協(xié)同搜索。比如前幾年，明星王珞丹在微博上曬了張自家小區(qū)的照片，然后就有好事者根據(jù)她的微博社交網(wǎng)絡(luò)、百度地圖、微博文本與圖片信息等多個(gè)渠道多種媒體的信息，通過(guò)聯(lián)合檢索準(zhǔn)確推斷出其所在小區(qū)位置。所以，未來(lái)的趨勢(shì)是一切皆可搜索，并且搜索必達(dá)。

認(rèn)知智能的第三個(gè)應(yīng)用抓手是智能推薦。智能推薦表現(xiàn)在很多方面。

首先是場(chǎng)景化推薦。比如用戶在淘寶上搜“沙灘褲”、“沙灘鞋”，可以推測(cè)這個(gè)用戶很有可能要去沙灘度假。那么平臺(tái)是否能推薦“泳衣”、“防曬霜”之類(lèi)的沙灘度假常用物品呢？事實(shí)上，任何搜索關(guān)鍵字背后，購(gòu)物籃里的任何一件商品背后都體現(xiàn)著特定的消費(fèi)意圖，很有可能對(duì)應(yīng)到特定的消費(fèi)場(chǎng)景。建立場(chǎng)景圖譜，實(shí)現(xiàn)基于場(chǎng)景圖譜的精準(zhǔn)推薦，對(duì)于電商推薦而言至關(guān)重要。

第二、任務(wù)型推薦。很多搜索背后的動(dòng)機(jī)是完成特定任務(wù)。比如用戶購(gòu)買(mǎi)了“羊肉卷”、“牛肉卷”、“菠菜”、“火鍋底料”，那么用戶很有可能是要做一頓火鍋，這種情況下，系統(tǒng)推薦火鍋調(diào)料、火鍋電磁爐，用戶很有可能買(mǎi)單。

第三、冷啟動(dòng)下的推薦。冷啟動(dòng)階段的推薦一直是傳統(tǒng)基于統(tǒng)計(jì)行為的推薦方法難以有效解決的問(wèn)題。利用外部知識(shí)，特別是關(guān)于用戶與物品的知識(shí)指引冷啟動(dòng)階段的匹配與推薦，是有可能讓系統(tǒng)盡快渡過(guò)這個(gè)階段的。第四、跨領(lǐng)域的推薦。

當(dāng)阿里剛剛?cè)牍尚吕藭r(shí)，我們?cè)谠O(shè)想是否能將淘寶的商品推薦給微博的用戶。比如，如果一個(gè)微博用戶經(jīng)常曬九寨溝、黃山、泰山的照片，那么為這位用戶推薦一些淘寶的登山裝備準(zhǔn)沒(méi)錯(cuò)。這是典型的跨領(lǐng)域推薦，微博是一個(gè)媒體平臺(tái)，淘寶是一個(gè)電商平臺(tái)。他們的語(yǔ)言體系、用戶行為完全不同，實(shí)現(xiàn)這種跨領(lǐng)域推薦顯然商業(yè)價(jià)值巨大，但卻需要跨越巨大的語(yǔ)義鴻溝。

如果能有效利用知識(shí)圖譜這類(lèi)背景知識(shí)，不同平臺(tái)之間的這種語(yǔ)義鴻溝是有可能被跨越的。比如百科知識(shí)圖譜告訴我們九寨溝是個(gè)風(fēng)景名勝，是個(gè)山區(qū)，山區(qū)旅游需要登山裝備，登山裝備包括登山杖、登山鞋等等，從而就可以實(shí)現(xiàn)跨領(lǐng)域推薦。第五、知識(shí)型的內(nèi)容推薦。在淘寶上搜索“三段奶粉”，能否推薦“嬰兒水杯”，同時(shí)我們是否能推薦用戶一些喝三段奶粉的嬰兒每天的需水量是多少，如何飲用等知識(shí)。這些知識(shí)的推薦，將顯著增強(qiáng)用戶對(duì)于推薦內(nèi)容的信任與接受程度。消費(fèi)背后的內(nèi)容與知識(shí)需求將成為推薦的重要考慮因素。

所以未來(lái)的推薦趨勢(shì)就是精準(zhǔn)感知任務(wù)與場(chǎng)景，想用戶之未想。推薦技術(shù)演進(jìn)的重要趨勢(shì)是從單純基于行為的推薦過(guò)渡到行為與語(yǔ)義融合的推薦。換言之，基于知識(shí)的推薦，將逐步成為未來(lái)推薦技術(shù)的主流。

認(rèn)知智能的第四個(gè)應(yīng)用抓手是智能解釋。2017年年底的時(shí)候，微信上流傳Google17年最流行的搜索關(guān)鍵字是“how”，這說(shuō)明人們希望Google平臺(tái)能做“解釋”。類(lèi)似于“如何做蛋炒飯”，“怎么來(lái)北理工”等這類(lèi)問(wèn)題在搜索引擎上出現(xiàn)次數(shù)日益增多，這些問(wèn)題都在考驗(yàn)機(jī)器的解釋水平。一個(gè)更有意思的例子是，當(dāng)我們?cè)贕oogle上搜索“Donald Trump”相關(guān)的問(wèn)題時(shí)，你會(huì)發(fā)現(xiàn)Google會(huì)自動(dòng)提示詢(xún)問(wèn)“為什么特朗普的老婆嫁給他”而不再是“特朗普老婆是誰(shuí)”這類(lèi)簡(jiǎn)單事實(shí)問(wèn)題?！皐hy”和“how”問(wèn)題在現(xiàn)實(shí)應(yīng)用中越來(lái)越多。這一趨勢(shì)實(shí)際上體現(xiàn)了人們的一個(gè)普遍訴求，那就是希望智能系統(tǒng)具備可解釋性。所以可解釋性將是智能系統(tǒng)一個(gè)非常重要的體現(xiàn)，也是人們對(duì)智能系統(tǒng)的普遍期望。

可解釋性決定了AI系統(tǒng)的決策結(jié)果能否被人類(lèi)采信?？山忉屝猿蔀榱撕芏囝I(lǐng)域（金融、醫(yī)療、司法等）中阻礙AI系統(tǒng)落地應(yīng)用的最后一公里。比如在金融領(lǐng)域的智能投資決策，即便AI決策的準(zhǔn)確超過(guò)90%，但是如果系統(tǒng)不能給出作出決策的理由，投資經(jīng)理或者用戶恐怕也是十分猶豫的。再比如在醫(yī)療領(lǐng)域，即便系統(tǒng)判斷疾病的準(zhǔn)確率在95%以上，但是如果系統(tǒng)只是告訴病患得了什么病或者開(kāi)了一個(gè)藥方，卻不能解釋為什么作出這類(lèi)判斷的話，病人是不會(huì)為此買(mǎi)單的。

智能系統(tǒng)的可解釋性體現(xiàn)在很多具體任務(wù)中，包括解釋過(guò)程、解釋結(jié)果、解釋關(guān)系、解釋事實(shí)。事實(shí)上，可解釋人工智能最近受到了越來(lái)越多的關(guān)注。在學(xué)術(shù)界，機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)的黑盒特性，日益成為學(xué)習(xí)模型實(shí)際應(yīng)用的主要障礙之一。越多越多的學(xué)術(shù)研究項(xiàng)目旨在打開(kāi)深度學(xué)習(xí)的黑盒。美國(guó)軍方也有項(xiàng)目在嘗試解釋機(jī)器的學(xué)習(xí)過(guò)程。我個(gè)人也曾做過(guò)《基于知識(shí)圖譜的可解釋人工智能》的研究與思考，旨在強(qiáng)調(diào)知識(shí)圖譜在可解釋性方面的重要作用。

智能系統(tǒng)另外一個(gè)非常重要的表現(xiàn)方式就是自然人機(jī)交互。人機(jī)交互將會(huì)變得越來(lái)越自然，越來(lái)越簡(jiǎn)單。越自然簡(jiǎn)單的交互方式越依賴(lài)強(qiáng)大的機(jī)器智能水平。自然人機(jī)交互包括自然語(yǔ)言問(wèn)答、對(duì)話、體感交互、表情交互等等。特別是自然語(yǔ)言交互的實(shí)現(xiàn)需要機(jī)器能夠理解人類(lèi)的自然語(yǔ)言。會(huì)話式(Conversational UI)、問(wèn)答式(QA)交互將逐步代替?zhèn)鹘y(tǒng)的關(guān)鍵字搜索式交互。對(duì)話式交互還有一個(gè)非常重要的趨勢(shì)就是一切皆可問(wèn)答。我們的BOTs（對(duì)話機(jī)器人）將代替我們閱讀文章、新聞，瀏覽圖譜、視頻，甚至代替我們看電影、電視劇，然后回答我們所關(guān)心的任何問(wèn)題。自然人機(jī)交互的實(shí)現(xiàn)顯然需要機(jī)器的較高認(rèn)知智能水平，以及機(jī)器具備強(qiáng)大的背景知識(shí)。

認(rèn)知智能還體現(xiàn)在機(jī)器的深層關(guān)系發(fā)現(xiàn)與推理能力方面。人們?cè)絹?lái)越不滿足于“葉莉是姚明妻子”這樣的簡(jiǎn)單關(guān)聯(lián)的發(fā)現(xiàn)，而是希望發(fā)現(xiàn)和挖掘一些深層、潛藏關(guān)系。這里有一些來(lái)自互聯(lián)網(wǎng)的例子。王寶強(qiáng)離婚的時(shí)候，就有人挖過(guò)為什么王寶強(qiáng)找張起淮當(dāng)律師。后來(lái)有人把人物關(guān)聯(lián)圖譜建立起來(lái)，發(fā)現(xiàn)王寶強(qiáng)與馮小剛關(guān)系很好，而馮小剛有徐靜蕾和趙薇兩個(gè)經(jīng)常合作的演員，而張起淮是這兩個(gè)演員的法律顧問(wèn)。這樣的關(guān)系鏈路一定程度上揭示了王寶強(qiáng)與他的律師之間的深層次關(guān)聯(lián)，也解釋了王寶強(qiáng)為何選擇這位律師。更多類(lèi)似例子發(fā)生在金融領(lǐng)域。在金融領(lǐng)域，我們可能十分關(guān)注投資關(guān)系，比如為何某個(gè)投資人投資某家公司；我們十分關(guān)注金融安全，比如信貸風(fēng)險(xiǎn)評(píng)估需要分析一個(gè)貸款人的相關(guān)關(guān)聯(lián)人物和關(guān)聯(lián)公司的信用評(píng)級(jí)。

我們可以看到，剛才所說(shuō)的這些需求都在各領(lǐng)域醞釀、發(fā)生，這些需求要求機(jī)器具備認(rèn)知能力，要求機(jī)器具備理解、解釋、規(guī)劃、推理、演繹、歸納等一系列能力。其中，尤其以理解和解釋較為突出。讓機(jī)器具備認(rèn)知能力不是今天才提出的問(wèn)題，早在圖靈時(shí)代，阿蘭-圖靈在設(shè)計(jì)圖靈機(jī)的時(shí)候就在想象機(jī)器能不能像人一樣思考。而機(jī)器認(rèn)知智能的實(shí)現(xiàn)在本質(zhì)上就是讓機(jī)器能夠像人一樣思考。

這里有一個(gè)非常重要的觀點(diǎn)要分享給大家，我認(rèn)為實(shí)現(xiàn)認(rèn)知智能是當(dāng)前以及今后一段時(shí)間里AI發(fā)展的重要使命之一。更具體一點(diǎn)，理解和解釋將是后深度學(xué)習(xí)時(shí)代人工智能最重要的使命之一。之所以說(shuō)后深度學(xué)習(xí)時(shí)代，是因?yàn)樯疃葘W(xué)習(xí)的發(fā)展對(duì)于大數(shù)據(jù)紅利的使用基本上已經(jīng)到了盡頭，深度學(xué)習(xí)日益面臨性能瓶頸，需要尋求新的思路和方向進(jìn)行突破。而一個(gè)非常重要的突破方向在于知識(shí)，在于對(duì)于符號(hào)知識(shí)的利用，在于符號(hào)知識(shí)與數(shù)值模型的融合。而這些努力的最終結(jié)果就是使機(jī)器具備理解和解釋的能力。

如何實(shí)現(xiàn)機(jī)器的認(rèn)知能力？或者更具體一點(diǎn)，如何讓機(jī)器具備理解和解釋的能力？我認(rèn)為知識(shí)圖譜，或者說(shuō)以知識(shí)圖譜為代表的這一波知識(shí)工程的一系列技術(shù)，在認(rèn)知智能的實(shí)現(xiàn)中起到非常關(guān)鍵的作用。一言以蔽之，知識(shí)圖譜是實(shí)現(xiàn)機(jī)器智能的使能器（Enabler）。也就是說(shuō)沒(méi)有知識(shí)圖譜，或許就沒(méi)有機(jī)器認(rèn)知智能的實(shí)現(xiàn)。

知識(shí)圖譜是什么？我認(rèn)為知識(shí)圖譜本質(zhì)上是一種大規(guī)模語(yǔ)義網(wǎng)絡(luò)。理解知識(shí)圖譜的概念，有兩個(gè)關(guān)鍵詞。首先是語(yǔ)義網(wǎng)絡(luò)。語(yǔ)義網(wǎng)絡(luò)表達(dá)了各種各樣的實(shí)體、概念及其之間的各類(lèi)語(yǔ)義關(guān)聯(lián)。比如“C羅”是一個(gè)實(shí)體，“金球獎(jiǎng)”也是一個(gè)實(shí)體，他們倆之間有一個(gè)語(yǔ)義關(guān)系就是“獲得獎(jiǎng)項(xiàng)”?！斑\(yùn)動(dòng)員”、“足球運(yùn)動(dòng)員”都是概念，后者是前者的子類(lèi)（對(duì)應(yīng)于圖中的subclassof 關(guān)系）。理解知識(shí)圖譜的第二個(gè)關(guān)鍵詞是“大規(guī)?！薄ＵZ(yǔ)義網(wǎng)絡(luò)并非新鮮事物，早在上個(gè)世紀(jì)七八十年代知識(shí)工程盛行之時(shí)，就已存在。相比較于那個(gè)時(shí)代的語(yǔ)義網(wǎng)絡(luò)，知識(shí)圖譜規(guī)模更大。關(guān)于這一點(diǎn)后面還會(huì)深入介紹。

從2012年Google提出知識(shí)圖譜直到今天，知識(shí)圖譜技術(shù)發(fā)展迅速，知識(shí)圖譜的內(nèi)涵遠(yuǎn)遠(yuǎn)超越了其作為語(yǔ)義網(wǎng)絡(luò)的狹義內(nèi)涵。當(dāng)下，在更多實(shí)際場(chǎng)合下，知識(shí)圖譜是作為一種技術(shù)體系，指代大數(shù)據(jù)時(shí)代知識(shí)工程的一系列代表性技術(shù)進(jìn)展的總和。去年我國(guó)學(xué)科目錄做了調(diào)整，首次出現(xiàn)了知識(shí)圖譜的學(xué)科方向，教育部對(duì)于知識(shí)圖譜這一學(xué)科的定位是“大規(guī)模知識(shí)工程”，這一定位是十分準(zhǔn)確且內(nèi)涵豐富的。這里需要指出的是知識(shí)圖譜技術(shù)的發(fā)展是個(gè)持續(xù)漸進(jìn)的過(guò)程。

從上個(gè)世紀(jì)七八十年代的知識(shí)工程興盛開(kāi)始，學(xué)術(shù)界和工業(yè)界推出了一系列知識(shí)庫(kù)，直到2012年Google推出了面向互聯(lián)網(wǎng)搜索的大規(guī)模的知識(shí)庫(kù)，被稱(chēng)之為知識(shí)圖譜。理解今天的知識(shí)圖譜內(nèi)涵，是不能割裂其歷史臍帶的。

知識(shí)圖譜的歷史發(fā)展必然帶來(lái)一個(gè)非常有意思的問(wèn)題，那就是上世紀(jì)七八十年代的知識(shí)表示與我們今天的知識(shí)圖譜到底有什么本質(zhì)差別？知識(shí)工程在圖靈獎(jiǎng)獲得者費(fèi)根鮑姆以及AI先驅(qū)馬文明斯基的帶領(lǐng)下，曾經(jīng)興盛一時(shí)，解決了一系列實(shí)際應(yīng)用問(wèn)題，甚至在數(shù)學(xué)定理證明等看上去很難的問(wèn)題上取得了顯著進(jìn)展。時(shí)至今日，我們?cè)俅斡懻撟鳛橐环N語(yǔ)義網(wǎng)絡(luò)的知識(shí)圖譜，會(huì)不會(huì)只是冷炒飯的再次煎炒而已？知識(shí)圖譜在當(dāng)下的火熱到底是知識(shí)工程的回光返照還是再次中興？這一系列問(wèn)題需要得到合理回答。

傳統(tǒng)語(yǔ)義網(wǎng)絡(luò)與知識(shí)圖譜的差別首先表現(xiàn)在其規(guī)模上。知識(shí)圖譜是一種大規(guī)模語(yǔ)義網(wǎng)絡(luò)，與上世紀(jì)七八十年代的各類(lèi)語(yǔ)義網(wǎng)絡(luò)相比較，最顯著的差異就是規(guī)模差異。推而廣之，以知識(shí)圖譜為代表的大數(shù)據(jù)時(shí)代的各種知識(shí)表示與傳統(tǒng)的知識(shí)表示的根本差別首先體現(xiàn)在規(guī)模上。傳統(tǒng)知識(shí)工程一系列知識(shí)表示都是一種典型的“小知識(shí)”（small knowledge）。而到了大數(shù)據(jù)時(shí)代，受益于海量數(shù)據(jù)、強(qiáng)大計(jì)算能力以及群智計(jì)算，我們?nèi)缃衲軌蜃詣?dòng)化構(gòu)建、或者眾包構(gòu)建大規(guī)模、高質(zhì)量知識(shí)庫(kù)，形成所謂的“大知識(shí)”(big knowledge，合肥工業(yè)大學(xué)的吳興東教授在很多場(chǎng)合下也提到類(lèi)似觀點(diǎn))。所以知識(shí)圖譜與傳統(tǒng)知識(shí)表示在淺層次上的區(qū)別，就是大知識(shí)與小知識(shí)的差別，是在規(guī)模上的顯而易見(jiàn)的差別。

更深刻的進(jìn)行分析就會(huì)發(fā)現(xiàn)，這樣的一個(gè)知識(shí)規(guī)模上的量變帶來(lái)了知識(shí)效用的質(zhì)變。知識(shí)工程到了上世紀(jì)八十年代之后就銷(xiāo)聲匿跡了。根本原因在于傳統(tǒng)知識(shí)庫(kù)構(gòu)建主要依靠人工構(gòu)建、代價(jià)高昂、規(guī)模有限。舉個(gè)例子，我國(guó)的詞林辭海是上萬(wàn)名專(zhuān)家花了10多年編撰而成的，但是它只有十幾萬(wàn)詞條。而現(xiàn)在任何一個(gè)互聯(lián)網(wǎng)上的知識(shí)圖譜，比如DBpedia，動(dòng)輒包含上千萬(wàn)實(shí)體。

人工構(gòu)建的知識(shí)庫(kù)雖然質(zhì)量精良，但是規(guī)模有限。有限的規(guī)模使得傳統(tǒng)知識(shí)表示難以適應(yīng)互聯(lián)網(wǎng)時(shí)代的大規(guī)模開(kāi)放應(yīng)用的需求?；ヂ?lián)網(wǎng)應(yīng)用的特點(diǎn)在于：

一、規(guī)模巨大，我們永遠(yuǎn)不知道用戶下一個(gè)搜索關(guān)鍵詞是什么；

二、精度要求相對(duì)不高，搜索引擎從來(lái)不需要保證每個(gè)搜索的理解和檢索都是正確的；

三、簡(jiǎn)單知識(shí)推理，大部分搜索理解與回答只需要實(shí)現(xiàn)簡(jiǎn)單的推理，比如搜索劉德華推薦歌曲，是因?yàn)橹绖⒌氯A是歌星，至于“姚明老婆的婆婆的兒子有多高”這類(lèi)的復(fù)雜推理在實(shí)際應(yīng)用中所占比率是不高的。

互聯(lián)網(wǎng)上的這種大規(guī)模開(kāi)放應(yīng)用所需要的知識(shí)很容易突破傳統(tǒng)專(zhuān)家系統(tǒng)由專(zhuān)家預(yù)設(shè)好的知識(shí)庫(kù)的知識(shí)邊界。我想這一定程度上回答了，為何谷歌在2012年這個(gè)時(shí)間節(jié)點(diǎn)推出知識(shí)圖譜，利用一個(gè)全新名稱(chēng)以表達(dá)與傳統(tǒng)知識(shí)表示毅然決裂的態(tài)度。

有人或許會(huì)問(wèn)，那么傳統(tǒng)知識(shí)表示對(duì)于領(lǐng)域應(yīng)用應(yīng)該依然有效，為何專(zhuān)家系統(tǒng)后來(lái)在領(lǐng)域應(yīng)用中也不多見(jiàn)了？

這個(gè)問(wèn)題我也曾思考了很長(zhǎng)時(shí)間，直到后來(lái)在很多領(lǐng)域知識(shí)圖譜的應(yīng)用實(shí)踐中意識(shí)到一些知識(shí)應(yīng)用的有趣現(xiàn)象，我姑且將這個(gè)現(xiàn)象叫做“領(lǐng)域知識(shí)的偽封閉”現(xiàn)象。領(lǐng)域知識(shí)看似應(yīng)該是封閉的，也就是不會(huì)蔓延至專(zhuān)家預(yù)先設(shè)定的知識(shí)邊界范圍之外。

但是事實(shí)恰好相反，很多領(lǐng)域知識(shí)的應(yīng)用十分易于突破原先設(shè)定的邊界。比如，我們現(xiàn)在做金融知識(shí)圖譜，原先我們覺(jué)得只有股票、期貨、上市公司與金融密切相關(guān)，但是實(shí)際應(yīng)用中，幾乎萬(wàn)事萬(wàn)物在某種意義下都與金融相關(guān)，比如某個(gè)龍卷風(fēng)，可能影響農(nóng)作物產(chǎn)量，進(jìn)而影響農(nóng)業(yè)機(jī)械的出貨量，進(jìn)而影響了農(nóng)機(jī)發(fā)動(dòng)機(jī)，最終影響了這個(gè)發(fā)動(dòng)機(jī)的上市公司股價(jià)。類(lèi)似這樣的關(guān)聯(lián)分析，不正是我們期望智能金融實(shí)現(xiàn)的么？而這樣的深度關(guān)聯(lián)分析，顯然十分容易超出任何專(zhuān)家系統(tǒng)的預(yù)先設(shè)定的知識(shí)邊界。因此，某種意義上，知識(shí)是普遍關(guān)聯(lián)的，當(dāng)然關(guān)聯(lián)也是有條件的；領(lǐng)域知識(shí)的領(lǐng)域性通常是個(gè)偽命題，很多領(lǐng)域知識(shí)庫(kù)的構(gòu)建要直面通用知識(shí)庫(kù)的構(gòu)建所面臨的同樣挑戰(zhàn)。

換句話說(shuō)，領(lǐng)域知識(shí)庫(kù)的深度應(yīng)用勢(shì)必涉及通用知識(shí)庫(kù)。這也在一定程度上解釋了，我曾經(jīng)強(qiáng)調(diào)的一個(gè)觀點(diǎn)，那就是通用知識(shí)庫(kù)的研究具有戰(zhàn)略意義，不容有失；一萬(wàn)個(gè)領(lǐng)域知識(shí)研究通透了也未必有一個(gè)通用知識(shí)庫(kù)研究透徹價(jià)值來(lái)的高。通用知識(shí)庫(kù)的研究是在搶占知識(shí)庫(kù)研究的戰(zhàn)略制高點(diǎn)，對(duì)于領(lǐng)域知識(shí)庫(kù)能夠形成戰(zhàn)略俯沖。

如果你仍然不滿足于我當(dāng)前的回答，進(jìn)一步追問(wèn)決定了領(lǐng)域知識(shí)庫(kù)與通用知識(shí)庫(kù)這種粘連特性的根本原因是什么。那么我想答案在于人類(lèi)的知識(shí)體系。我們的知識(shí)是有體系架構(gòu)的，這個(gè)架構(gòu)的最底層，也就是作為地基支撐整個(gè)知識(shí)體系的知識(shí)就是通用知識(shí)。而在通用知識(shí)中的最底層應(yīng)該是常識(shí)，也就是我們每個(gè)人都知道的知識(shí)，特別是我們?nèi)祟?lèi)關(guān)于時(shí)間、空間以及因果的基本常識(shí)。整個(gè)知識(shí)體系是建基在這些通用常識(shí)之上，再通過(guò)隱喻作為主要手段，逐步形成我們的高層、抽象或者領(lǐng)域性知識(shí)。

因此，我想通過(guò)一個(gè)簡(jiǎn)單的公式表明傳統(tǒng)知識(shí)工程與以知識(shí)圖譜為代表的新一代知識(shí)工程的聯(lián)系與區(qū)別：Small knowledge + Bigdata=Big knowledge。通過(guò)這個(gè)公式表達(dá)兩層意思。一、以知識(shí)圖譜為代表的大數(shù)據(jù)時(shí)代知識(shí)工程有著悠久的歷史淵源；知識(shí)圖譜脫胎于傳統(tǒng)知識(shí)表示，但是在規(guī)模上顯著優(yōu)于傳統(tǒng)語(yǔ)義網(wǎng)絡(luò)；而這種量變也帶來(lái)知識(shí)效用上的質(zhì)變。這層含義剛才已經(jīng)闡述，不再贅述。我通過(guò)這個(gè)公式想強(qiáng)調(diào)的是另一層含義：傳統(tǒng)知識(shí)表示形式林林總總，通過(guò)大數(shù)據(jù)的賦能，這些知識(shí)表示將在各個(gè)應(yīng)用場(chǎng)景下發(fā)揮巨大能量。知識(shí)圖譜只不過(guò)是傳統(tǒng)的語(yǔ)義網(wǎng)絡(luò)在規(guī)模上顯著提升，就已經(jīng)能夠解決大量實(shí)際問(wèn)題。

試想一下，我們還有大量其他的知識(shí)表示，比如本體、框架、謂詞邏輯、馬爾科夫邏輯網(wǎng)、決策樹(shù)等等各種知識(shí)表示仍然被鎖在規(guī)模的牢籠里，一旦規(guī)模瓶頸被突破，我相信整個(gè)知識(shí)工程的產(chǎn)業(yè)能量將得到巨大釋放。正是在這個(gè)意義上，我認(rèn)為知識(shí)圖譜只是知識(shí)工程復(fù)興的序曲，知識(shí)圖譜將引領(lǐng)知識(shí)工程復(fù)興。我有一種強(qiáng)烈的感覺(jué)，好比我們?cè)?jīng)經(jīng)歷了小數(shù)據(jù)到大數(shù)據(jù)的轟轟烈烈的時(shí)代轉(zhuǎn)變，我們也必將經(jīng)歷從小知識(shí)走向大知識(shí)的時(shí)代轉(zhuǎn)變。

為什么知識(shí)圖譜對(duì)于機(jī)器實(shí)現(xiàn)人工智能如此重要呢？我們先從形而上的角度來(lái)分析這個(gè)問(wèn)題。具體而言，我們分析知識(shí)圖譜實(shí)現(xiàn)機(jī)器認(rèn)知智能的兩個(gè)核心能力：“理解”和“解釋”。我嘗試給機(jī)器“理解與解釋”提出一種解釋。我認(rèn)為機(jī)器理解數(shù)據(jù)的本質(zhì)是建立起從數(shù)據(jù)到知識(shí)庫(kù)中的知識(shí)要素（包括實(shí)體、概念和關(guān)系）映射的一個(gè)過(guò)程。

比如如果我說(shuō)到“2013年的金球獎(jiǎng)得主C羅”這句話，我們之所以說(shuō)自己理解了這句話，是因?yàn)槲覀儼选癈羅”這個(gè)詞匯關(guān)聯(lián)到我們腦子中的實(shí)體“C羅”，把“金球獎(jiǎng)”這個(gè)詞匯映射到我們腦中的實(shí)體“金球獎(jiǎng)”，然后把“得主”一詞映射到邊“獲得獎(jiǎng)項(xiàng)”這個(gè)關(guān)系。

我們可以仔細(xì)體會(huì)一下我們的文本理解過(guò)程，其本質(zhì)是建立從數(shù)據(jù)，包括文本、圖片、語(yǔ)音、視頻等數(shù)據(jù)到知識(shí)庫(kù)中的實(shí)體、概念、屬性映射的過(guò)程。再來(lái)看我們?nèi)祟?lèi)是如何“解釋”的。比如我問(wèn)“C羅為什么那么牛？”，我們可以通過(guò)知識(shí)庫(kù)中的“C羅獲得獎(jiǎng)項(xiàng)金球獎(jiǎng)”以及“金球獎(jiǎng)地位影響力最大的足球獎(jiǎng)項(xiàng)之一”這兩條關(guān)系來(lái)解釋這一問(wèn)題。這一過(guò)程的本質(zhì)就是將知識(shí)庫(kù)中的知識(shí)與問(wèn)題或者數(shù)據(jù)加以關(guān)聯(lián)的過(guò)程。有了知識(shí)圖譜，機(jī)器完全可以重現(xiàn)我們的這種理解與解釋過(guò)程。有過(guò)一定計(jì)算機(jī)研究基礎(chǔ)的，是不難完成上述過(guò)程的數(shù)學(xué)建模的。

知識(shí)圖譜對(duì)機(jī)器認(rèn)知智能的必要性還可以從若干具體問(wèn)題來(lái)進(jìn)行闡述。

首先，我們來(lái)看機(jī)器認(rèn)知的核心能力之一：自然語(yǔ)言理解。我的觀點(diǎn)是機(jī)器理解自然語(yǔ)言需要類(lèi)似知識(shí)圖譜這樣的背景知識(shí)。自然語(yǔ)言是異常復(fù)雜的：自然語(yǔ)言有歧義性、多樣性，語(yǔ)義理解有模糊性且依賴(lài)上下文。機(jī)器理解自然語(yǔ)言困難的根本原因在于，人類(lèi)語(yǔ)言理解是建立在人類(lèi)的認(rèn)知能力基礎(chǔ)之上的，人類(lèi)的認(rèn)知體驗(yàn)所形成的背景知識(shí)是支撐人類(lèi)語(yǔ)言理解的根本支柱。

我們?nèi)祟?lèi)彼此之間的語(yǔ)言理解就好比是根據(jù)冰山上浮出水面的一角來(lái)揣測(cè)冰山下的部分。我們之所以能夠很自然地理解彼此的語(yǔ)言，是因?yàn)楸舜斯蚕眍?lèi)似的生活體驗(yàn)、類(lèi)似的教育背景，從而有著類(lèi)似的背景知識(shí)。冰山下龐大的背景知識(shí)使得我們可以彼此理解水面上有限的幾個(gè)字符。我們可以做個(gè)簡(jiǎn)單的思想實(shí)驗(yàn)，假如現(xiàn)在有個(gè)外星人坐在這里聽(tīng)我講報(bào)告，他能聽(tīng)懂么？我想還是很困難的，因?yàn)樗麤](méi)有在地球上生活的經(jīng)歷，沒(méi)有與我相類(lèi)似的教育背景，沒(méi)有與我類(lèi)似的背景知識(shí)庫(kù)。

再舉個(gè)很多人都有體會(huì)的例子，我們?nèi)⒓訃?guó)際會(huì)議時(shí)，經(jīng)常遇到一個(gè)尷尬的局面，就是西方學(xué)者說(shuō)的笑話，我們東方人很難產(chǎn)生共鳴。因?yàn)槲覀兒退麄兊谋尘爸R(shí)庫(kù)不同，我們?cè)绮统詿灐⒂蜅l，西方吃咖啡、面包，不同的背景知識(shí)決定了我們對(duì)幽默有著不同的理解。所以語(yǔ)言理解需要背景知識(shí)，沒(méi)有強(qiáng)大的背景知識(shí)支撐，是不可能理解語(yǔ)言的。要讓機(jī)器理解我們?nèi)祟?lèi)的語(yǔ)言，機(jī)器必需共享與我們類(lèi)似的背景知識(shí)。

實(shí)現(xiàn)機(jī)器自然語(yǔ)言理解所需要的背景知識(shí)是有著苛刻的條件的：規(guī)模足夠大、語(yǔ)義關(guān)系足夠豐富、結(jié)構(gòu)足夠友好、質(zhì)量足夠精良。以這四個(gè)條件去看知識(shí)表示就會(huì)發(fā)現(xiàn)，只有知識(shí)圖譜是滿足所有這些條件的：知識(shí)圖譜規(guī)模巨大，動(dòng)輒包含數(shù)十億實(shí)體；關(guān)系多樣，比如在線百科圖譜DBpedia包含數(shù)千種常見(jiàn)語(yǔ)義關(guān)系；結(jié)構(gòu)友好，通常表達(dá)為RDF三元組，這是一種對(duì)于機(jī)器而言能夠有效處理的結(jié)構(gòu)；質(zhì)量也很精良，因?yàn)橹R(shí)圖譜可以充分利用大數(shù)據(jù)的多源特性進(jìn)行交叉驗(yàn)證，也可利用眾包保證知識(shí)庫(kù)質(zhì)量。所以知識(shí)圖譜成為了讓機(jī)器理解自然語(yǔ)言所需的背景知識(shí)的不二選擇。

既然機(jī)器理解自然語(yǔ)言需要背景知識(shí)，我對(duì)于當(dāng)前的自然語(yǔ)言處理有個(gè)重要看法：我認(rèn)為自然語(yǔ)言處理走向自然語(yǔ)言理解的必經(jīng)之路是知識(shí)，我將我的這個(gè)觀點(diǎn)表達(dá)為NLP+KB=NLU的公式。很多NLP從業(yè)人員有個(gè)體會(huì)，明明論文里面報(bào)道的在某個(gè)benchmark數(shù)據(jù)95%準(zhǔn)確率的模型一旦用到實(shí)際數(shù)據(jù)上，至少有10個(gè)百分點(diǎn)的下降。而最后那幾個(gè)點(diǎn)的準(zhǔn)確率的提升需要機(jī)器理解自然語(yǔ)言。這一點(diǎn)在司法、金融、醫(yī)療等知識(shí)密集型的應(yīng)用領(lǐng)域已經(jīng)體現(xiàn)的非常明顯了。比如在司法領(lǐng)域，如果不把司法背后的事理邏輯、知識(shí)體系賦予機(jī)器，單純依賴(lài)字符數(shù)據(jù)的處理，是難以實(shí)現(xiàn)司法數(shù)據(jù)的語(yǔ)義理解的，是難以滿足司法文本的智能化處理需求的。

因此，NLP將會(huì)越來(lái)越多地走向知識(shí)引導(dǎo)的道路。NLP與KB將走向一條交迭演進(jìn)的道路。在知識(shí)的引導(dǎo)下，NLP模型的能力越來(lái)越強(qiáng)，越來(lái)越強(qiáng)大的NLP模型，特別是從文本中進(jìn)行知識(shí)抽取的相關(guān)模型，將會(huì)幫助我們實(shí)現(xiàn)更為精準(zhǔn)地、自動(dòng)化抽取，從而形成一個(gè)質(zhì)量更好、規(guī)模更大的知識(shí)庫(kù)。更好的知識(shí)庫(kù)又可以進(jìn)一步增強(qiáng)NLP模型。這種循環(huán)迭代持續(xù)下去，NLP最后將會(huì)非常接近NLU，甚至最終克服語(yǔ)義鴻溝，實(shí)現(xiàn)機(jī)器的自然語(yǔ)言理解。

最近幾年，這條技術(shù)演進(jìn)路線日漸清晰，越來(lái)越多的頂尖學(xué)者有著與我類(lèi)似的看法，我的研究團(tuán)隊(duì)沿著這條路徑做了很多嘗試，初步看來(lái)效果顯著。當(dāng)然這些都是一家之言。也有不少人認(rèn)為依靠純數(shù)據(jù)驅(qū)動(dòng)的自然語(yǔ)言處理模型也可實(shí)現(xiàn)機(jī)器的自然語(yǔ)言理解，特別是當(dāng)下深度學(xué)習(xí)在自然語(yǔ)言處理方面還十分流行，我所倡導(dǎo)的知識(shí)引導(dǎo)下的NLP發(fā)展路徑多少有些顯得不合時(shí)宜。

這里，通過(guò)一個(gè)實(shí)際案例論證知識(shí)對(duì)于NLP的重要作用。在問(wèn)答研究中，自然語(yǔ)言問(wèn)題的理解或者語(yǔ)義表示是一個(gè)難題。

同樣語(yǔ)義的問(wèn)題表達(dá)方式往往是多樣的，比如不論是how many people are there in Shanghai? 還是 what isthe population of Shanghai，都是在問(wèn)上海人口。又或者形式上看上去很接近的問(wèn)題，實(shí)質(zhì)語(yǔ)義相差很大，比如“狗咬人了嗎”與“人咬狗了嗎”語(yǔ)義完全不同。

當(dāng)問(wèn)題答案來(lái)自于知識(shí)庫(kù)時(shí)，這類(lèi)問(wèn)題就屬于KBQA（面向知識(shí)庫(kù)的自然語(yǔ)言問(wèn)答）的研究?jī)?nèi)容。KBQA的核心步驟是建立從自然語(yǔ)言問(wèn)題到知識(shí)庫(kù)中的三元組謂詞的映射關(guān)系。比如上面的兩個(gè)與上海人口相關(guān)的問(wèn)題，都可以映射到知識(shí)庫(kù)中的Population這個(gè)謂詞。一種簡(jiǎn)單的辦法是讓機(jī)器記住問(wèn)題到謂詞的映射規(guī)則，比如機(jī)器記住“How many people are there in Shanghai?”映射到上海這個(gè)實(shí)體的Population謂詞上。但這種方法沒(méi)有把握問(wèn)題語(yǔ)義本質(zhì)，如果用同樣的句式問(wèn)及北京、南京，甚至任何一個(gè)城市人口呢？難道機(jī)器需要為每個(gè)實(shí)例記住這些映射么？顯然我們?nèi)祟?lèi)不是如此理解問(wèn)題語(yǔ)義的，我們是在“How many people are there in $City?”這個(gè)問(wèn)題概念模板層次把握問(wèn)題語(yǔ)義的實(shí)質(zhì)的。利用概念模板不僅避免了暴力式的記憶，同時(shí)也能讓機(jī)器具備類(lèi)人的推理能力。

比如，如果問(wèn)到“How many people are there in XXX?”，機(jī)器只要知道XXX是個(gè)city，那么這個(gè)問(wèn)題一定是在問(wèn)XXX的人口數(shù)量。那么我們?cè)趺瓷蛇@種問(wèn)題概念模板呢，我們用概念圖譜。概念圖譜里面含有大量的類(lèi)似shanghai isa city，beijing isa city 這類(lèi)知識(shí)。充分利用這些知識(shí)可以得到自然語(yǔ)言問(wèn)題的有效表示，從而實(shí)現(xiàn)機(jī)器對(duì)于自然語(yǔ)言問(wèn)題的語(yǔ)義理解。

知識(shí)圖譜對(duì)于認(rèn)知智能的另一個(gè)重要意義在于：知識(shí)圖譜讓可解釋人工智能成為可能?！敖忉尅边@件事情一定是跟符號(hào)化知識(shí)圖譜密切相關(guān)的。因?yàn)榻忉尩膶?duì)象是人，人只能理解符號(hào)，沒(méi)辦法理解數(shù)值，所以一定要利用符號(hào)知識(shí)開(kāi)展可解釋人工智能的研究?？山忉屝允遣荒芑乇芊?hào)知識(shí)的。

我們先來(lái)看幾個(gè)解釋的具體例子。比如，我若問(wèn)鯊魚(yú)為什么可怕？你可能解釋說(shuō)：因?yàn)轷忯~(yú)是食肉動(dòng)物，這實(shí)質(zhì)上是用概念在解釋。若問(wèn)鳥(niǎo)為什么能飛翔？你可能會(huì)解釋因?yàn)樗谐岚?。這是用屬性在解釋。若問(wèn)鹿晗關(guān)曉彤前些日子為什么會(huì)刷屏？你可能會(huì)解釋說(shuō)因?yàn)殛P(guān)曉彤是鹿晗的女朋友。這是用關(guān)系在解釋。我們?nèi)祟?lèi)傾向于利用概念、屬性、關(guān)系這些認(rèn)知的基本元素去解釋現(xiàn)象，解釋事實(shí)。而對(duì)于機(jī)器而言，概念、屬性和關(guān)系都表達(dá)在知識(shí)圖譜里面。因此，解釋離不開(kāi)知識(shí)圖譜。

沿著這個(gè)思路，我們做了一些初步嘗試，我們首先試著利用知識(shí)圖譜做可解釋推薦。我們目前的互聯(lián)網(wǎng)推薦，只能給我們推薦結(jié)果，卻無(wú)法解釋為什么?？山忉屚扑]將是未來(lái)推薦研究的重要領(lǐng)域，將是具有巨大商業(yè)價(jià)值的研究課題。我們初步實(shí)現(xiàn)了可解釋的實(shí)體推薦。若用戶搜索了“百度”和“阿里”，機(jī)器推薦“騰訊”，并且解釋為什么推薦“騰訊”，因?yàn)樗麄兌际腔ヂ?lián)網(wǎng)巨頭、都是大型IT公司。這里實(shí)質(zhì)上是在利用概念展開(kāi)解釋?zhuān)@些概念可以在很多概念圖譜，比如英文概念圖譜Probase，和中文概念圖譜CN-Probase里找到。

另一個(gè)例子是讓機(jī)器解釋概念。比如向機(jī)器提及“單身漢”這個(gè)概念，機(jī)器能否自動(dòng)產(chǎn)生“男性”、“未婚”這樣的屬性用于解釋這個(gè)概念。我們針對(duì)富含實(shí)體、概念和屬性信息的大型百科圖譜展開(kāi)挖掘，自動(dòng)挖掘出常見(jiàn)概念的定義性屬性。這些定義性屬性可以幫助我們完善概念圖譜，也就是為概念圖譜上的每個(gè)概念補(bǔ)充定義性屬性信息；進(jìn)一步可以利用這些信息讓機(jī)器利用屬性對(duì)于實(shí)體進(jìn)行準(zhǔn)確歸類(lèi)。這一歸類(lèi)過(guò)程本質(zhì)上是在模擬人類(lèi)的范疇化過(guò)程。

知識(shí)圖譜的另一個(gè)重要作用體現(xiàn)在知識(shí)引導(dǎo)將成為解決問(wèn)題的主要方式。前面已經(jīng)多次提及用戶對(duì)使用統(tǒng)計(jì)模型來(lái)解決問(wèn)題的效果越來(lái)越不滿意了，統(tǒng)計(jì)模型的效果已經(jīng)接近“天花板”，要想突破這個(gè)“天花板”，需要知識(shí)引導(dǎo)。

舉個(gè)例子，實(shí)體指代這樣的文本處理難題，沒(méi)有知識(shí)單純依賴(lài)數(shù)據(jù)是難以取得理想效果的。比如“張三把李四打了，他進(jìn)醫(yī)院了”和“張三把李四打了，他進(jìn)監(jiān)獄了”，人類(lèi)很容易確定這兩個(gè)不同的“他”的分別指代。因?yàn)槿祟?lèi)有知識(shí)，有關(guān)于打人這個(gè)場(chǎng)景的基本知識(shí)，知道打人的往往要進(jìn)監(jiān)獄，而被打的往往會(huì)進(jìn)醫(yī)院。但是當(dāng)前機(jī)器缺乏這些知識(shí)，所以無(wú)法準(zhǔn)確識(shí)別代詞的準(zhǔn)確指代。很多任務(wù)是純粹的基于數(shù)據(jù)驅(qū)動(dòng)的模型所解決不了的，知識(shí)在很多任務(wù)里不可或缺。比較務(wù)實(shí)的做法是將這兩類(lèi)方法深度融合。

實(shí)際上在很多NLP應(yīng)用問(wèn)題中，我們?cè)趪L試用知識(shí)引導(dǎo)突破性能瓶頸。比如在中文實(shí)體識(shí)別與鏈接中，針對(duì)中文短文本，在開(kāi)放語(yǔ)境下，在沒(méi)有充分上下文，缺乏主題信息的前提下，這一問(wèn)題仍然十分困難，現(xiàn)在工業(yè)界最高準(zhǔn)確率大概60%多的水平。當(dāng)前機(jī)器仍然難以理解中文文本中的實(shí)體。最近，我們利用中文概念圖譜CN-Probase，給予中文實(shí)體識(shí)別與鏈接任務(wù)以豐富的背景知識(shí)，取得了十分顯著的效果。我們知道打球的李娜和唱歌的李娜不是同一個(gè)人，現(xiàn)在即便這兩人在文本中同時(shí)被提及，機(jī)器也能準(zhǔn)確識(shí)別并加以區(qū)分。

知識(shí)對(duì)于認(rèn)知智能又一個(gè)很重要的意義就是將顯著增強(qiáng)機(jī)器學(xué)習(xí)的能力。

當(dāng)前的機(jī)器學(xué)習(xí)是一種典型的“機(jī)械式”學(xué)習(xí)方式，與人類(lèi)的學(xué)習(xí)方式相比顯得比較笨拙。我們的孩童只需要父母告知一兩次：這是貓，那是狗，就能有效識(shí)別或者區(qū)分貓狗。而機(jī)器卻需要數(shù)以萬(wàn)計(jì)的樣本才能習(xí)得貓狗的特征。我們中國(guó)學(xué)習(xí)英語(yǔ)，雖然也要若干年才能小有所成，但相對(duì)于機(jī)器對(duì)于語(yǔ)言的學(xué)習(xí)而言要高效的多。

機(jī)器學(xué)習(xí)模型落地應(yīng)用中的一個(gè)常見(jiàn)問(wèn)題是與專(zhuān)家知識(shí)或判斷不符合，這使我們很快陷入進(jìn)退兩難的境地：是相信學(xué)習(xí)模型還是果斷棄之？機(jī)器學(xué)習(xí)與人類(lèi)學(xué)習(xí)的根本差異可以歸結(jié)為人是有知識(shí)的且能夠有效利用知識(shí)的物種。

我相信，未來(lái)機(jī)器學(xué)習(xí)能力的顯著增強(qiáng)也要走上知識(shí)的充分利用的道路。符號(hào)知識(shí)對(duì)于機(jī)器學(xué)習(xí)模型的重要作用會(huì)受到越來(lái)越多的關(guān)注。這一趨勢(shì)還可以從機(jī)器智能解決問(wèn)題的兩個(gè)基本模式方面加以論述。機(jī)器智能的實(shí)現(xiàn)路徑之一是習(xí)得數(shù)據(jù)中的統(tǒng)計(jì)模式，以解決一系列實(shí)際任務(wù)。另一種是專(zhuān)家系統(tǒng)，專(zhuān)家將知識(shí)賦予機(jī)器構(gòu)建專(zhuān)家系統(tǒng)，讓機(jī)器利用專(zhuān)家知識(shí)解決實(shí)際問(wèn)題。

如今，這兩種方法有合流的趨勢(shì)，無(wú)論是專(zhuān)家知識(shí)還是通過(guò)學(xué)習(xí)模型習(xí)得的知識(shí)，都將顯式地表達(dá)并且沉淀到知識(shí)庫(kù)中。再利用知識(shí)增強(qiáng)的機(jī)器學(xué)習(xí)模型解決實(shí)際問(wèn)題。這種知識(shí)增強(qiáng)下的學(xué)習(xí)模型，可以顯著降低機(jī)器學(xué)習(xí)模型對(duì)于大樣本的依賴(lài)，提高學(xué)習(xí)的經(jīng)濟(jì)性；提高機(jī)器學(xué)習(xí)模型對(duì)先驗(yàn)知識(shí)的利用率；提升機(jī)器學(xué)習(xí)模型的決策結(jié)果與先驗(yàn)知識(shí)的一致性。我個(gè)人傾向于認(rèn)為：機(jī)器學(xué)習(xí)也面臨一次全新機(jī)遇。我將其總結(jié)為ML+KB=ML2，也就是說(shuō)機(jī)器學(xué)習(xí)在知識(shí)增強(qiáng)下或許就是下一代機(jī)器學(xué)習(xí)。

沿著上面的思路我們也做了一些嘗試。在自然語(yǔ)言生成任務(wù)中，我們的機(jī)器學(xué)習(xí)模型，特別是深度生成模型會(huì)經(jīng)常生成很多不符合語(yǔ)法、或者不符合語(yǔ)義的句子。我們?nèi)祟?lèi)顯然可以總結(jié)出很多語(yǔ)法語(yǔ)義規(guī)則用于描述什么是好的自然語(yǔ)言語(yǔ)句。但是這些知識(shí)還很難被機(jī)器有效利用。這就需要把語(yǔ)法、語(yǔ)義知識(shí)用規(guī)則、符號(hào)的方式表達(dá)出來(lái)，并有效融合到深度生成模型里面。最近，我們基于對(duì)抗生成網(wǎng)絡(luò)初步實(shí)現(xiàn)了這一目標(biāo)。并將融合了先驗(yàn)知識(shí)的語(yǔ)言生成模型用于從知識(shí)庫(kù)三元組自動(dòng)生成自然語(yǔ)言問(wèn)題，并將這一技術(shù)用于文本驗(yàn)證碼。具體技術(shù)細(xì)節(jié)可以參考我曾做過(guò)的一個(gè)技術(shù)報(bào)告《未來(lái)人機(jī)區(qū)分》。

知識(shí)將成為比數(shù)據(jù)更為重要的資產(chǎn)。前幾年大數(shù)據(jù)時(shí)代到來(lái)的時(shí)候，大家都說(shuō)“得數(shù)據(jù)者得天下”。去年，微軟研究院的沈向陽(yáng)博士曾經(jīng)說(shuō)過(guò)“懂語(yǔ)言者得天下”。而我曾經(jīng)論述過(guò)，機(jī)器要懂語(yǔ)言，背景知識(shí)不可或缺。因此，在這個(gè)意義下，將是“得知識(shí)者得天下”。如果說(shuō)數(shù)據(jù)是石油，那么知識(shí)就好比是石油的萃取物。如果我們只滿足賣(mài)數(shù)據(jù)盈利，那就好比是直接輸出石油在盈利。但是石油的真正價(jià)值蘊(yùn)含于其深加工的萃取物中。石油萃取的過(guò)程與知識(shí)加工的過(guò)程也極為相像。都有著復(fù)雜流程，都是大規(guī)模系統(tǒng)工程。我今天的報(bào)告就是在當(dāng)前的時(shí)代背景下重新解讀圖靈獎(jiǎng)獲得者，知識(shí)工程的鼻祖，費(fèi)根鮑姆曾經(jīng)說(shuō)過(guò)的一句話“knowledge is the power in AI”。這句話已經(jīng)出現(xiàn)幾十年了，在當(dāng)今語(yǔ)境下需要重新解讀。

最后用三個(gè)總結(jié)結(jié)束今天的報(bào)告?？偨Y(jié)1概括了這個(gè)報(bào)告的主要觀點(diǎn)?？偨Y(jié)2試圖再次強(qiáng)調(diào)我的三個(gè)觀點(diǎn)?？偨Y(jié)3想用一句話再次強(qiáng)調(diào)知識(shí)的重要性。知識(shí)的沉淀與傳承鑄就了人類(lèi)文明的輝煌，也將成為機(jī)器智能持續(xù)提升的必經(jīng)之路。只不過(guò)到了機(jī)器身上，知識(shí)的沉淀變成了知識(shí)的表示，知識(shí)的傳承變成了知識(shí)的應(yīng)用。所以，知識(shí)的沉淀和傳承不僅鑄就了人類(lèi)文明的輝煌，或許也將造就機(jī)器智能的全新高度。