道翰天琼万维图谱知识图谱与认知智能

人类社会已经进入智能时代，智能时代的社会发展催生了大量的智能化应用，智能化应用对机器的认知智能化水平提出了前所未有的要求，而机器认知智能的实现依赖于知识图谱技术。
 

知识图谱自2012年提出至今，发展迅速，如今已经成为人工智能领域的热门问题之一，并在一系列实际应用中取得了较好的落地效果，产生了巨大的社会与经济效益。以知识图谱为代表的符号主义有日渐复兴的迹象，成为以深度学习为代表的联结主义在近几年大发展后人工智能另一个值得期待的方向。
大数据的发展与应用离不开符号知识
经过从2012年开始的一波大数据浪潮，各行各业都积累了非常多的数据。但是，数据并没有像我们想象的那样创造出我们期待的价值，很多时候甚至变成负担，不仅需要增加运维人员，还需要增加设备来存储这些数据。数据如果不能够变现，那就是负资产。然而，大数据变现困难重重，就好比高射炮打蚊子，大材小用。缺乏有效的智能化手段是阻碍大数据价值变现的根本原因。
那么，我们需要怎样的智能化手段？计算机解决问题一直以来有两个基本的观念，一是靠统计管理解决问题，二是靠符号推理解决问题。例如，如果问3乘以4等于几？很多人可以脱口而出答案是12。这是因为大家在小时候都记住了九九乘法运算表，已经把3乘以4跟12建立了非常强的统计关联。所谓题海战术，其实就是建立题目与解题之间较强的统计关联来解决问题。当然，很多时候还需要用符号推理来解决问题。例如，如果问345乘以123等于几？估计很少有人能够立刻给出答案。这时，大家通常会拿出笔和纸，把符号写下来，然后运用学习过的乘法运算规则一步步求解，这实际上就是利用了符号推理在解决问题。
事实上，人工智能的发展从20世纪90年代后期开始，以挖掘统计中统计模式为主，这也成就了今天的机器学习。但是，仅用统计学习不足以支撑智能化实现。符号知识对于智能化实现是不可或缺的，因为符号知识使机器具备可解释能力，也使机器具备语言“理解”能力。因此，我们必须让机器学会利用符号知识解决问题，实现认知智能。
所谓让机器具备认知智能，其核心就是让机器具备理解和解释能力。这种能力的实现与知识库、符号化的知识是密不可分的。一直以来，社会科学家还不能精准回答什么是理解、什么是解释。但是，人工智能的研究迫切需要定义这些问题。在我看来，所谓的理解离不开知识库，机器理解数据在某种程度上就是建立起从数据到知识库中实体、概念、关系的映射。解释数据，是指利用知识库中实体、概念、关系解释现象的过程。
 

知识工程是认知智能的核心
既然符号知识这么重要，那么符号知识在应用中的具体抓手到底是什么？符号知识的一系列应用体现为新一代的知识工程。知识工程是以专家系统构建为核心内容，研究知识表示、处理和应用的方法和开发工具的学科。在大数据时代，知识工程实际上是由知识图谱来引领的。知识图谱富含实体、概念、属性、关系等信息，使得机器理解与解释成为可能。简单来说，知识图谱就是大规模语义网络，这是大数据时代知识表示的重要方式之一。但是，知识图谱发展到今天已经不仅仅作为语义网络，而是作为一个技术体系，这是大数据时代知识工程的代表性进展。回顾过去，知识图谱是从符号主义演化而来