近年來，人工智能（AI）依靠深度學(xué)習(xí)、計算機視覺、自然語言處理等技術(shù)突破與落地應(yīng)用，不斷顛覆著人類的既有認(rèn)知——AlphaGo 通過自我強化學(xué)習(xí)擊敗了人類的頂尖圍棋選手；而近日 Alphafold 更是破解了一項過去 50 年生物學(xué)領(lǐng)域的重大挑戰(zhàn)——蛋白質(zhì)分子折疊問題。

自 1956 年 AI 的概念首次被提出后，AI 至今已有 60 多年的發(fā)展史。如今，隨著相關(guān)理論和技術(shù)的不斷革新，AI 在數(shù)據(jù)、算力和算法“三要素”的支撐下越來越多地走進(jìn)我們的日常生活，比如我們常見的語音識別、人臉識別和機器翻譯等，都已經(jīng)在手機、電腦等智能設(shè)備上有所應(yīng)用。

但是，這一系列驚喜的背后，卻是大多數(shù) AI 在語言理解、視覺場景理解、決策分析等方面的舉步維艱：這些技術(shù)依然主要集中在感知層面，即用 AI 模擬人類的聽覺、視覺等感知能力，卻無法解決推理、規(guī)劃、聯(lián)想、創(chuàng)作等復(fù)雜的認(rèn)知智能化任務(wù)。當(dāng)前的 AI 缺少信息進(jìn)入“大腦”后的加工、理解和思考等，做的只是相對簡單的比對和識別，僅僅停留在“感知”階段，而非“認(rèn)知”，以感知智能技術(shù)為主的 AI 還與人類智能相差甚遠(yuǎn)。

究其原因在于，AI 正面臨著制約其向前發(fā)展的瓶頸問題：大規(guī)模常識知識庫與基于認(rèn)知的邏輯推理。而基于知識圖譜、認(rèn)知推理、邏輯表達(dá)的認(rèn)知圖譜，則被越來越多的國內(nèi)外學(xué)者和產(chǎn)業(yè)領(lǐng)袖認(rèn)為是“目前可以突破這一技術(shù)瓶頸的可行解決方案之一”。

目前，人工智能的發(fā)展經(jīng)歷了從表示、計算到感知兩個階段，下一個階段的核心是認(rèn)知。早在 2016 年，中國科學(xué)院院士、清華大學(xué)人工智能研究院院長張鈸就提出了第三代 AI 體系的雛形，并于 2018 年底正式公開第三代 AI 的理論框架體系，其核心思想為：建立可解釋、魯棒性的 AI 理論和方法；發(fā)展安全、可靠、可信及可擴展的 AI 技術(shù)；推動 AI 創(chuàng)新應(yīng)用。

2019 年，圖靈獎得主約書亞·本吉奧（Yoshua Bengio）在 NeurIPS 大會上也指出，深度學(xué)習(xí)應(yīng)該以感知為主向，向基于認(rèn)知的邏輯推理和知識表達(dá)的方向發(fā)展，這個思想和張鈸院士提出的第三代 AI 的思路不謀而合。

圖 ｜ AI 的發(fā)展階段

如今，第三代 AI 的理念在國內(nèi)外獲得廣泛影響力。業(yè)內(nèi)普遍認(rèn)為，認(rèn)知智能將是進(jìn)一步釋放人工智能產(chǎn)能的關(guān)鍵。而認(rèn)知圖譜是實現(xiàn)認(rèn)知智能技術(shù)突破的關(guān)鍵，不僅可以讓機器理解數(shù)據(jù)本質(zhì)，還可以讓機器解釋現(xiàn)象本質(zhì)。

認(rèn)知圖譜：實現(xiàn)認(rèn)知智能的關(guān)鍵

機器認(rèn)知智能的發(fā)展過程本質(zhì)上是人類腦力不斷解放的過程，是人工智能的最高階段。但是，讓機器具備認(rèn)知智能，其核心就是讓機器具備理解和解釋能力。這種能力的實現(xiàn)與大規(guī)模、結(jié)構(gòu)化的背景知識是密不可分的。

盡管目前的智能系統(tǒng)在感知方面已經(jīng)達(dá)到甚至超越人類水平，但在魯棒性、可解釋性、安全可靠等方面還存在很多不足。比如，模型魯棒性差，難以與準(zhǔn)確性共生；模型可解釋性差，對于可靠性要求高的任務(wù)很難勝任；缺乏積累知識的能力，也沒能和人類已有的知識體系進(jìn)行很好的關(guān)聯(lián)，缺乏可靠的推理方法。

認(rèn)知圖譜旨在結(jié)合認(rèn)知心理學(xué)、腦科學(xué)和人類知識等，研發(fā)融合知識圖譜、認(rèn)知推理、邏輯表達(dá)的新一代認(rèn)知引擎，支持大規(guī)模知識的表示、獲取、推理與計算的基礎(chǔ)理論和方法，實現(xiàn)人工智能從感知智能向認(rèn)知智能的演進(jìn)，建立可解釋、魯棒性的認(rèn)知智能。

作為一種實現(xiàn)機器認(rèn)知智能的底層支撐手段，認(rèn)知圖譜在電商平臺、智慧城市、司法行業(yè)、金融行業(yè)、安防行業(yè)、大數(shù)據(jù)的精準(zhǔn)與精細(xì)分析、智慧搜索、智能推薦、智能解釋、自然人機交互等方面具有極為重要的作用。

認(rèn)知圖譜的歷程發(fā)展可以追溯到語義網(wǎng)絡(luò)（Semantic Network）。1968 年，M． Ross Quillian 在研究人類長期記憶模型時，描述了人類長期記憶的一般結(jié)構(gòu)模型，認(rèn)為記憶由概念之間的聯(lián)系來實現(xiàn)，并存儲在復(fù)雜的網(wǎng)絡(luò)中，并基于此提出了語義網(wǎng)絡(luò)的概念。

同年，專家系統(tǒng)之父、圖靈獎得主愛德華·費根鮑姆（Edward Feigenbaum）等人研發(fā)出了世界首個專家系統(tǒng) DENDRAL。專家系統(tǒng)是早期 AI 的一個重要分支，它可以看作是一類具有專門知識和經(jīng)驗的計算機智能程序系統(tǒng)，一般采用 AI 中的知識表示和知識推理技術(shù)來模擬通常由領(lǐng)域?qū)＜也拍芙鉀Q的復(fù)雜問題。

1998 年，萬維網(wǎng)之父、ACM 圖靈獎獲得者蒂姆·伯納斯－李（Tim Berners－Lee）爵士也提出了語義網(wǎng)的概念，其核心理念是通過給萬維網(wǎng)上的文檔（如：HTML 文檔、XML 文檔）添加能被計算機理解的語義“元數(shù)據(jù)”（Meta Data），使整個互聯(lián)網(wǎng)成為一個通用的信息交換媒介，即用知識表示互聯(lián)網(wǎng)，建立常識知識庫。

2006 年，蒂姆·伯納斯－李提出鏈接數(shù)據(jù)（Linked Data）的概念，表示數(shù)據(jù)不僅僅發(fā)布于語義網(wǎng)中，還要建立起數(shù)據(jù)之間的鏈接，從而形成一張巨大的鏈接數(shù)據(jù)網(wǎng)，其目的是構(gòu)建一張計算機能理解的語義數(shù)據(jù)網(wǎng)絡(luò)，而不僅僅是人能讀懂的文檔網(wǎng)絡(luò)，從而在此之上構(gòu)建更智能的應(yīng)用。

2012 年，Google 的阿米特·辛格爾（Amit Singhal）等人介紹了知識圖譜（Knowledge Graph）的概念。知識圖譜以語義網(wǎng)絡(luò)的結(jié)構(gòu)化方式描述客觀世界中概念、實體、事件以及它們之間的關(guān)系，相對于傳統(tǒng)的本體和語義網(wǎng)絡(luò)而言，實體覆蓋率更高，語義關(guān)系也更加復(fù)雜而全面。

圖 ｜ 認(rèn)知圖譜的演化歷程（來源：報告《人工智能之認(rèn)知圖譜》）

但是，要讓機器具備認(rèn)知智能，其核心就是讓機器具備理解和解釋能力，這種能力的實現(xiàn)與大規(guī)模、結(jié)構(gòu)化的背景知識是密不可分的。2020 年，清華大學(xué)計算機系教授、系副主任唐杰在“人工智能下一個十年”報告中，結(jié)合認(rèn)知科學(xué)和計算機理論，提出了一個實現(xiàn)認(rèn)知智能的可行思路，即“認(rèn)知圖譜 ＝ 知識圖譜 ＋ 認(rèn)知推理 ＋ 邏輯表達(dá)”，并希望利用知識表示、推理和決策，以及人的認(rèn)知來解決復(fù)雜問題。

這個思路的基本思想是結(jié)合認(rèn)知科學(xué)中的雙通道理論：人腦的認(rèn)知系統(tǒng)中存在兩個系統(tǒng)，即 System 1 和 System 2。System 1 是一個直覺系統(tǒng)，它可以通過人對相關(guān)信息的直覺匹配尋找答案，非?？焖?、簡單；而 System 2 是一個分析系統(tǒng)，它通過一定的推理、邏輯找到答案。比如，回答一個具體問題：2003 年在洛杉磯 Quality 咖啡館拍過電影的導(dǎo)演是誰？

要回答這一問題，首先需要 System 1 找到相關(guān)的影片，然后 System 2 做出決策，如果是標(biāo)準(zhǔn)答案，就結(jié)束整個推理過程；如果不是，而相應(yīng)的信息又有用，就把它作為一個有用信息提供給 System 1，System 1 繼續(xù)做知識擴展，System 2 則再次做出決策，直到找到最終答案。

由此可見，認(rèn)知圖譜的核心是以實現(xiàn)融合知識驅(qū)動和數(shù)據(jù)驅(qū)動相結(jié)合的知識表示和推理的認(rèn)知引擎為目標(biāo)，研究支持魯棒可解釋人工智能的大規(guī)模知識的表示、獲取、推理與計算的基礎(chǔ)理論和方法；建設(shè)包含語言知識、常識知識、世界知識、認(rèn)知知識的大規(guī)模知識圖譜以及典型行業(yè)知識庫，建成知識計算服務(wù)平臺。

機遇與挑戰(zhàn)并存

近年來，雖然 AI 已經(jīng)取得了快速發(fā)展，但如何將深度學(xué)習(xí)與大規(guī)模常識知識結(jié)合起來，實現(xiàn)認(rèn)知推理與邏輯表達(dá)，還面臨著很大挑戰(zhàn)。

研發(fā)融合常識知識圖譜、認(rèn)知推理和邏輯表達(dá)等核心技術(shù)的認(rèn)知圖譜將成為實現(xiàn)下一代 AI 技術(shù)突破的關(guān)鍵，實現(xiàn)以認(rèn)知圖譜作為底層數(shù)據(jù)支撐，具有推理、具有可解釋性、具有認(rèn)知的新一代 AI，是 AI 領(lǐng)域下一個 10 年重要的發(fā)展方向，也是一個機遇與挑戰(zhàn)并存的發(fā)展方向。

眾所周知，技術(shù)的突破與發(fā)展離不開來自人才的持續(xù)創(chuàng)新，科技競爭歸根結(jié)底也是人才的競爭。那么，放眼中國乃至全世界，認(rèn)知圖譜領(lǐng)域的人才在哪里？

近日，清華大學(xué)人工智能研究院、北京智源人工智能研究院、清華－中國工程院知識智能聯(lián)合研究中心、阿里集團(tuán)－新零售智能引擎事業(yè)群聯(lián)合發(fā)布了《人工智能之認(rèn)知圖譜》（Research Report of Cognitive Graph）報告（文末福利，免費下載完整版報告）。該報告依托 AMiner 平臺，對技術(shù)領(lǐng)先的國家、機構(gòu)和學(xué)者，以及認(rèn)知圖譜相關(guān)領(lǐng)域的技術(shù)發(fā)展趨勢、技術(shù)創(chuàng)新熱點等進(jìn)行了詳細(xì)分析。

數(shù)據(jù)顯示，全球范圍內(nèi)認(rèn)知圖譜相關(guān)領(lǐng)域的學(xué)者主要集中在北美、歐洲和亞洲。美國的高水平學(xué)者數(shù)量在全球位居首位，其次是中國，第三是英國。

其中，中美兩國的高水平學(xué)者數(shù)量遠(yuǎn)高于其他國家，在認(rèn)知圖譜相關(guān)領(lǐng)域具有較強的發(fā)展?jié)摿?。中國雖然僅次于美國，但是高水平學(xué)者數(shù)量約是美國的一半，相差較大。

圖 ｜ h－index TOP 5000 全球?qū)W者的國家統(tǒng)計前 10 名

而國內(nèi)認(rèn)知圖譜相關(guān)領(lǐng)域?qū)W者主要分布在中國的經(jīng)濟(jì)和政治發(fā)達(dá)地區(qū)，包括京津冀、長江三角洲、珠江三角洲、香港、臺灣等地區(qū)，中部、西部和東北地區(qū)的學(xué)者則相對較少。

具體而言，北京、上海和江蘇的認(rèn)知圖譜相關(guān)領(lǐng)域?qū)W者數(shù)排名前三位，分別為 129、45 和 36。（參考 h－index 作為篩選條件，選擇 TOP 5000 全球?qū)W者以地圖形式展示和分析學(xué)者的地區(qū)分布，其中顏色越紅、圓圈越大，表示人才越集中。）

圖 ｜ h－index TOP 5000 中國學(xué)者的省市統(tǒng)計前 10 名

而且，美國在認(rèn)知圖譜相關(guān)領(lǐng)域的論文發(fā)表量和總被引頻次、高水平學(xué)者數(shù)量均位居世界前列。中國雖然在論文發(fā)表量和高水平學(xué)者數(shù)量方面僅次于美國，但與美國差距較大，并且論文總被引頻次要低于英國和德國，在全球排名第四。

圖 ｜ 論文總被引頻次排名前 10 的國家

此外，報告還基于 AMiner 平臺將學(xué)者流入和流出數(shù)量之和作為篩選條件，統(tǒng)計了認(rèn)知圖譜相關(guān)領(lǐng)域的全球?qū)W者在2009年—2020年間的流動數(shù)量排名前 10 的國家。

數(shù)據(jù)顯示，美國、加拿大、法國的學(xué)者流入數(shù)量大于流出數(shù)量，而中國、英國、德國、意大利、印度、日本、西班牙的學(xué)者流出數(shù)量大于流入數(shù)量。

圖 ｜ 全球認(rèn)知圖譜領(lǐng)域?qū)W者的流動情況（來源：報告《人工智能之認(rèn)知圖譜》）

由此看出，中國近 10 年來的學(xué)者流動較為頻繁，這與中國制定的出國培養(yǎng)、人才引進(jìn)等相關(guān)人才政策不無關(guān)系。隨著經(jīng)濟(jì)全球化深入發(fā)展，科技人才的跨國流動更加頻繁，各國對科技人才的爭奪更加激烈。

那么，國內(nèi)認(rèn)知圖譜相關(guān)領(lǐng)域的學(xué)者分布情況又如何呢？

數(shù)據(jù)顯示，北京是學(xué)者流入和流出數(shù)量都很高的城市，比其他城市高出較多，這可能與北京的高校和科研院所數(shù)量較多有一定關(guān)系。此外，北京、香港、上海、哈爾濱的學(xué)者流出數(shù)量高于流入數(shù)量，而武漢、南京、西安、杭州、廣州、合肥的學(xué)者流入數(shù)量高于流出數(shù)量。北京、香港、上海的學(xué)者流失與這三個城市的高校數(shù)量較多、供求關(guān)系不平衡、人才競爭力和生活壓力較大不無關(guān)聯(lián)，而哈爾濱的地域環(huán)境造成了一定的學(xué)者流失。針對學(xué)者凈流入數(shù)量為正值的這幾個城市，通過調(diào)研相關(guān)資料，可以發(fā)現(xiàn)這些地方在積極推行人才引進(jìn)政策，包括落戶、房補、薪酬等方面均制定了相應(yīng)的優(yōu)惠措施。

圖 ｜ 中國認(rèn)知圖譜領(lǐng)域?qū)W者的流動情況（來源：報告《人工智能之認(rèn)知圖譜》）

以上分析表明，在下一代 AI 的機遇與挑戰(zhàn)下，中國相關(guān)部門需要重視并采取相關(guān)措施，讓中國學(xué)者在重視論文數(shù)量的同時，也要提升論文質(zhì)量，同時也要加快高水平科技人才隊伍的建設(shè)，一方

針對國際新局勢從政策、資金、資源等多個方面加快本土培養(yǎng)，另一方面加大力度引進(jìn)國外重要機構(gòu)的杰出學(xué)者，改善人才結(jié)構(gòu)，加速認(rèn)知圖譜領(lǐng)域的技術(shù)發(fā)展。

未來 10 年，具有推理、具有可解釋性、具有認(rèn)知的新一代 AI，是 AI 領(lǐng)域的下一個重要發(fā)展方向，而研發(fā)融合常識知識圖譜、認(rèn)知推理和邏輯表達(dá)等核心技術(shù)的認(rèn)知圖譜將成為實現(xiàn)下一代 AI 技術(shù)突破的關(guān)鍵，但歸根結(jié)底還要依靠相關(guān)人才基于不懈努力做出的創(chuàng)新。

責(zé)任編輯：xj