人工智能重新火起來之后，談到AI技術(shù)，人們首先會聯(lián)想到深度學習、機器學習技術(shù)；談到AI應(yīng)用，人們很可能會馬上想起語音助理、自動駕駛等等，但是如果你一直關(guān)注AI的話，會發(fā)現(xiàn)，知識圖譜在不知不覺中被越來越多的談起。筆者認為，這也的確是AI不能不提的依托技術(shù)。我們在進行人工智能探索的道路上，需要了解其本質(zhì)，在其基礎(chǔ)上衍生出各種上層的智能應(yīng)用。在筆者看來，知識圖譜正是起到了這樣一個作用。

知識圖譜不難理解，就是通過不同知識的關(guān)聯(lián)性形成一個網(wǎng)狀的知識結(jié)構(gòu)，形成知識圖譜的過程本質(zhì)是在建立認知。知識圖譜最能體現(xiàn)人工智能的特色——像人類大腦一樣思考！因為人類最擅長的思考方式就是將點和線關(guān)聯(lián)起來并由點及面，然后抽絲剝繭，慢慢理清其中的邏輯推理關(guān)系。

在國外，谷歌最早提出知識圖譜這個詞，作為谷歌的兩大重要技術(shù)儲備，一個是深度學習，另一個就是知識圖譜，用來支撐下一代搜索和在線廣告業(yè)務(wù)。在國內(nèi)，百度最近明顯加大了對知識圖譜的宣傳，其實力我們不得而知，但其應(yīng)用方式和谷歌有類似之處。從現(xiàn)在來看，將知識圖譜實現(xiàn)行業(yè)垂直應(yīng)用的鳳毛麟角。

既然知識圖譜如此重要，如此具有價值，那為什么應(yīng)用案例幾乎沒有呢？我想被譽為AI領(lǐng)域宗師的加州大學伯克利分校計算機教授、美國國家科學院院士 Michael I. Jordan的一句話多少能說明一些問題。他說：“如果有10億美金的話，自然語言的理解是我最想研究的問題”。自然語言理解，這一知識圖譜的依托技術(shù)之一是非常重要，但同時也是非常難做的一件事。

除了NLP技術(shù)本身存在難度外，還在于建立行業(yè)知識圖譜，要對行業(yè)建立起深厚的認知，需要長時間的行業(yè)積淀，這是知識圖譜垂直應(yīng)用少的另外一個原因。因為只有理解了行業(yè)和場景，才能真正智能化。比如我們可能認為很簡單的零售行業(yè)，如果真要實現(xiàn)個性化的商品推薦，機器必須理解不同商品的特性，以及商品與銷售場景（如季節(jié)、地區(qū)、時段）、與促銷行為、與用戶需求之間的關(guān)系，才能推薦滿足用戶需求的產(chǎn)品。這也是一個優(yōu)秀的推銷員或商場導(dǎo)購的思考邏輯。針對不同的零售細分領(lǐng)域，可能又要建立完全不同的知識圖譜。

這兩年，筆者作為咨詢顧問的身份接觸了一些信息化走在前面的公司，其中有一家大型能源集團公司，他們目前正在做這件事情，他們把自己做的叫“知識管理、知識工程”，但背后的支撐就是知識圖譜。

這家公司通過知識管理項目建成了專業(yè)知識網(wǎng)。業(yè)務(wù)人員可以通過基于知識圖譜的一站式搜索，快速查找到所需資料及專業(yè)知識，可以基于知識圖譜進一步對這些知識進行分析挖掘，支撐解決科研與生產(chǎn)中的問題。業(yè)務(wù)人員工作過程和交流過程中所產(chǎn)生的新知識又回歸到知識庫，進一步通過知識圖譜進行推送、共享和復(fù)用。

這個項目的服務(wù)單位是一家叫北明智通的公司，筆者也略有接觸，研發(fā)團隊做NLP、知識圖譜相關(guān)的研究開發(fā)工作也有將近十年了，最早是在航空航天做行業(yè)化應(yīng)用，從12、13年開始做包括石油在內(nèi)的能源行業(yè)的知識圖譜垂直應(yīng)用。

他們提出的企業(yè)知識網(wǎng)解決方案分三步：第一步，先把企業(yè)開展工作需要哪些關(guān)鍵知識識別出來，找到源頭，不管是企業(yè)內(nèi)部的還是外部的，不管是數(shù)據(jù)庫、文檔庫還是網(wǎng)頁，都匯聚起來；第二步，是通過知識圖譜，讓系統(tǒng)能“認識理解”這些數(shù)字和文字代表的含義，把各個源頭的知識抽取出來，把知識和人都關(guān)聯(lián)起來，形成一張知識網(wǎng)；第三步，讓知識圍繞業(yè)務(wù)轉(zhuǎn)起來，實現(xiàn)智能化應(yīng)用，包括語義搜索、個性化推薦、智能問答、協(xié)同研究、決策支持等等。

總之，筆者認為，知識圖譜是未來AI發(fā)展的必經(jīng)之路，行業(yè)化知識圖譜的構(gòu)建有難度，更有價值。AI的發(fā)展具備了天時、地利、人和，筆者作為AI技術(shù)與產(chǎn)品研發(fā)與推廣的參與者之一，對生逢這個時代倍感榮幸，也樂見更多的同仁共同鑄就更輝煌的未來。