人工智能（AI）从实验室到实际应用有何大不同？

第三代人工智能是2019-2021年间由中国人工智能之父、中科院院士清华大学张钹教授率先提出的。区别于第一代人工智能（1950-1980年代）着重于计算机推理运算；第二代人工智能（1990-当下）以机器学习与深度学习，广泛存在算法黑盒化、计算不可解释且算力浪费严重、计算效率低下等问题，第三代人工智能需要数据、知识、算法与算力四要素协同，注重算法白盒化可解释，以及算力的大幅提升。图计算（图数据库）被认为是一种典型的通过增强智能方式实现的稳健的、更贴近人类智能的——第三代人工智能技术。

图：清华张钹院士专刊文章：迈向第三代人工智能

全文链接：http://scis.scichina.com/cn/2020/SSI-2020-0204.pdf

从实验室到实际应用这个问题也许改为：从高校实验室到工业界实际应用有何大不同更为准确一些。

图计算肇始于学术界对图论的研究，从最早的200多年前的欧拉的七桥问题演化出早期图论，再到后来的地图上色问题、20世纪60年代的随机图理论研究、多种最短路径算法，以及过去20年间随着大数据框架和理论发展而形成的各种社交图谱（图数据集）研究。

欧拉的七桥问题演化出早期图论

这些偏学术研究的图数据集都有一个非常典型的特点：

1.简单图，也可以叫单边图，英文是simple-graph。
2.同构图，学术界的图基本都是同构数据，比如路网、社交网络数据……
3.静态图，图数据集一次性导入计算框架，之后不再更改，如果更改，则需要重新加载。
4.无属性，除了可能的方向之外，几乎没有属性，完全依赖图集所形成的拓扑结构（topology）来进行计算分析。
5.通常学术研究的都是小图（比如一般都是几千个点的图），大图几乎都是合成出来的，为了造出大图而生产出大图，而且只有一张图，图与图之间不会有任何关联关系，更不用说联动）。
6.根本无需考虑用户体验。

单边图 vs. 多边图

如果我们来总结工业化图数据的特点：

多边图，英文称为Multi-graph。
异构图，工业界不能仅限于同构图，这个太理想化了，异构图、多源融合数据需要被支持……
动态图，数据不断动态变化，包括增删改查等操作。
多属性：例如金融行业，交易图谱等，点、边都会有多种属性！
一般都是中大图，从几百万到几亿、几十亿的规模；也会有千亿规模的图，但是往往会形成多张图，图与图之间可能会联动。
用户体验是必要的一环。

上面这几点已经能说明学术界和工业界的区别!

双方的研究对象、解决问题的思路和出发点都不同。

结果就是，今天几乎所有学术界产出的图计算框架都符合学术界的特点——静态、无属性、单边..……

很多工业界的图数据库是从学术界出发的，可想而知在底层架构上面他们就会遇到各种各样的挑战，例如无法很好的应对动态的、海量的数据、无法对多边模式进行直观、便捷的数据建模（如上图所示）、包括用户体验等等。

人才很多都源自于学术界的培养，但是很多时候，象牙塔里面做了太多的假设，理论很丰富，工程能力和实践很骨感，久而久之一定会与工业界脱节。

最好的、最流行的关系型数据库不是象牙塔里面构建的，无论是从IBM的System R到后面的Oracle，还是Sun Microsystems的Mysql或者是PostgreSQL；图数据库大抵也会遵循类似的思路，工业界的解决方案更贴近应用贴近客户需求，或可在很大程度上反哺学界。

理论到实践，基本就是实验室与实际应用之间的“大不同”之所在。

·END·