作者:陈华钧
知识图谱的最终目标,是寻找合适的万物机器表示,记录有关世界的知识。在传统的专家系统时代,人们发明了描述逻辑等符号化的知识表示方法来描述万物,人类的自然语言也是符号化的描述客观世界的表示方法;到了互联网时代,人们又设想用本体和语义链接有关万物的数据和知识,这也是知识图谱的起源之一;随着表示学习和神经网络的兴起,人们发现数值化的向量表示更易于捕获那些隐藏的不易于明确表示的知识,并且比起符号表示更易于机器处理。知识图谱同时拥抱机器的符号表示和向量表示,并能将两者有机的结合起来解决搜索、问答、推理、分析等多个方面的问题。
在这一趋势下回顾传统的人工智能,可以有新的收获。传统的人工智能主要体现为专家系统(Expert System),被称为GOFAI(Good Old Fashioned AI),是一种“看上去很好”的人工智能,虽然在发展中遇到诸多问题,但能将人工智能的结构解析得比较清晰,其基本框架接近人的认知:知识来源一般源于专家,刻画知识的方式主要是知识库(Knowledge Base),通过推理引擎(Inference Engine)来实现交互。
结合知识图谱、深度