1.4　為什么需要知識圖譜

上文中我們介紹了知識圖譜的基礎(chǔ)知識，尤其可以看到知識圖譜在搜索方面的重要作用。可能有讀者會問，和傳統(tǒng)數(shù)據(jù)庫相比，知識圖譜有哪些獨特優(yōu)勢？要回答這個問題，我們先來聊一聊人工智能目前的發(fā)展情況。

隨著硬軟件的發(fā)展，自2012年以來，深度學習在各領(lǐng)域，尤其是感知層面，都掀起了技術(shù)革命。

在計算機視覺領(lǐng)域，微軟在2015年提出的深度學習算法[9]，已經(jīng)在ImageNet2012[1]分類數(shù)據(jù)集中將錯誤率降低到4.94%，首次低于人眼識別的錯誤率（約5.1%）。在語音合成技術(shù)領(lǐng)域，DeepMind公司在2017年6月發(fā)布了最新的WaveNet語音合成系統(tǒng)[2]，是當時世界上文本到語音環(huán)節(jié)最好的生成模型。在語音識別領(lǐng)域，通過引入深度學習，大大提到了語音識別的準確性。2017年8月，微軟語音識別系統(tǒng)錯誤率由之前的5.9%進一步降低到5.1%，大幅刷新原先記錄，可與專業(yè)速記員比肩[8]。

而在預(yù)訓(xùn)練語言模型方面，OpenAI的語言模型GPT-2[3]在多項任務(wù)上均超越了BERT，成為當時新的標桿。2020年，GPT-3[4]橫空出世，其參數(shù)比GPT-2多100倍。該模型經(jīng)過了將近0.5萬億個單詞的預(yù)訓(xùn)練，可以在不進行微調(diào)的情況下，在多個NLP基準上達到最優(yōu)質(zhì)的性能。

在應(yīng)用領(lǐng)域，有很多人們所熟知的具有代表性的案例。2011年，IBM Waston在綜藝節(jié)目《危險邊緣》（Jeopardy!）中擊敗了人類最優(yōu)秀的選手。在2016年，Google的AlphaGo打敗了人類最頂尖的圍棋選手李世石。在星際爭霸2中，Google的AlphaStar打敗了人類的專業(yè)選手，而在Dota2比賽與人類的對戰(zhàn)中，OpenAI也取得了不俗的戰(zhàn)績。同時，IBM的Project Debater，在與人類的辯論賽中也開始嶄露頭角。甚至在人類最后的堡壘藝術(shù)方面，人工智能也取得了令人矚目的突破。2018年10月，一幅名為《愛德蒙·貝拉米的肖像》的畫作（如圖1-11所示）拍出了43.25萬美金的高價，遠超7000到1萬美元的預(yù)期。而這幅畫作，是用了1.5萬張圖片，結(jié)合生成對抗模型得到的結(jié)果。

人工智能在感知層面的應(yīng)用突飛猛進，伴隨著深度學習的發(fā)展，在各個領(lǐng)域都取得了超越人類的成績。但迄今為止，這些突破都是基于海量的訓(xùn)練數(shù)據(jù)，通過強大的計算能力得到的。例如，基于Transformer的GPT-2，擁有15億參數(shù)和40GB網(wǎng)絡(luò)數(shù)據(jù)的測試集，在算法發(fā)布時的訓(xùn)練價格是每小時2048美元，使用了256塊Google TPU v3。GPT3的參數(shù)量更是達到了驚人的1750億，并使用了45GB的數(shù)據(jù)進行訓(xùn)練。

眾所周知，人工智能一共有三個代表性學派，如圖1-12所示。其中，符號學派強調(diào)模擬人的心智，連接學派強調(diào)模擬腦的結(jié)構(gòu)，行為學派強調(diào)模擬人的行為。

以深度學習為代表的連接學派，主要解決了感知問題，也引領(lǐng)了這一輪人工智能的發(fā)展熱潮。但是在更高層次的認知領(lǐng)域，例如自然語言理解、推理和聯(lián)想等方面，還需要符號學派的幫助。知識圖譜是符號學派的代表，可以幫助我們構(gòu)建更有學識的人工智能，從而提升機器人推理、理解、聯(lián)想等功能。而這一點，僅通過大數(shù)據(jù)和深度學習是無法做到的。多倫多大學的Geoffrey Hinton教授也提出，人工智能未來的發(fā)展方向之一就是深度神經(jīng)網(wǎng)絡(luò)與符號人工智能的深入結(jié)合。

近兩年，市場上出現(xiàn)了大量聊天機器人產(chǎn)品，提供各種各樣的功能，比如情感陪伴、個人助理、兒童教育、生活購物等。但從實際的效果來看，絕大部分產(chǎn)品只能完成簡單的問答和對話，遠未達到媒體上宣傳的效果，更不要說進行真正的思考和推理，就好像是綠野仙蹤里的鐵皮人，缺少了具有“生命感”的那顆心。同時，在對常識的理解上，人工智能系統(tǒng)的理解能力還非常稚嫩，對于人類而言非常容易的問題，如“雞蛋放到籃子里，是雞蛋大還是籃子大”以及“啤酒杯掉到地毯上會不會碎”等問題，則很難判斷。究其原因，大數(shù)據(jù)并不等于知識，人類在長期生活實踐中所積累的經(jīng)驗和知識，也無法快速傳遞給人工智能系統(tǒng)。

綜上所述，知識圖譜是實現(xiàn)通用人工智能（Artificial General Intelligence，AGI）的重要基石。在從感知到認知的跨越過程中，構(gòu)建大規(guī)模高質(zhì)量知識圖譜是一個重要環(huán)節(jié)。當人工智能可以通過更結(jié)構(gòu)化的表示理解人類知識，并進行互聯(lián)時，才有可能讓機器真正實現(xiàn)推理、聯(lián)想等認知功能。不過，對于AI擁有了全部人類知識后是否能夠形成獨立思考的能力，則需要專家學者進一步研究。

---

[1] http://image-net.org/challenges/LSVRC/2012/。

[2] https://deepmind.com/blog/article/wavenet-generative-model-raw-audio。

[3] https://github.com/openai/gpt-2。

[4] https://github.com/openai/gpt-3。