可能是人工智能最好的變現(xiàn)方式，可以干到王思聰沒幣可撒
曾記得十幾天之前否？那時我們躊躇滿志的跨進了2018，滿懷著對未來的渴望和珍重然后我們驚奇的發(fā)現(xiàn)，2018第一個火起來的詞叫撒幣。
不是我說啥，這可真出戲啊。
似乎一夜之間，直播答題和這個叫做撒幣的關鍵詞就火了。王思聰?shù)臎_頂大會、映客的芝士超人、花椒的百萬贏家，一時之間大佬們瘋狂爭當大撒幣，人民群眾則紛紛出頭相當被幣砸到的那個幸運兒。
當然了，不管這些平臺們如何撒，最終幣還是要回到他們自己口袋里的，畢竟做生意是為了賺錢，搞出來這么大場面當然是為了放后招，沒聽說過哪位出題讓人答是為了做慈善的。除非除非AI化妝成選手，也來答個題，說不定能干到王思聰們沒幣可撒
畢竟，答題也是講科學的對不對？
AI答題這件事其實也不新鮮，不信你百度輸入一個長城有多長之類的，馬上就會給你跳出來答案。這里就是用了AI的專業(yè)答題姿勢：知識圖譜。
借著直播答題的春風，今天講講知識圖譜的故事吧。雖然在機器視覺、語音交互等網(wǎng)紅技術面前，作為AI重要分支之一的知識圖譜似乎不那么出位。但是以應用度和腦洞指數(shù)來說，這個技術絕對當仁不讓。更重要的是，在AI感知通向AI理解的大路上，知識圖譜近乎是無法繞開的一道關卡。
更更重要的是他能幫你答題啊。
知識圖譜是什么鬼？
知識圖譜這個概念被提出并不算太久，但是要追根溯源理解這個技術到底是玩什么的，那可能真要往上倒騰幾十年才行。
上世紀40年代，人工智能被提出之后，無數(shù)科學家們就開始琢磨，到底用什么方式能讓機器模擬出人的智慧呢？琢磨來琢磨去，人對于信息能夠進行關聯(lián)理解似乎是個路子。所謂信息關聯(lián)，就是人類在接受一個信息后，會把它放在記憶中進行歸納和調用。比如說你打小認識了你三舅，絕不可能過幾年管他叫二哥。
利用這個思路，www.whsntf.cn，上世紀50年代末，學術界提出了語義網(wǎng)絡（semanticnetwork）的設想，打算把數(shù)據(jù)進行結構化的處理，讓單個信息組合成有聯(lián)系、能共鳴的知識。今天我們用到的很多技術都來源于語義網(wǎng)絡，比如機器翻譯、自然語言處理等等，知識圖譜也是其中之一。
上世紀80年代，受到多方面刺激的地球人開始了一次AI復興運動，而這次運動的主角，就是各國開始打造專家系統(tǒng)和知識庫。那時候科學家們相信，如果把人類大量知識進行邏輯化關聯(lián)和語義網(wǎng)絡存儲，最終人類就能打造出全知全能，啥啥都懂的人工智能。可惜好景不長，最終AI沒等來呢PC先來了，專家系統(tǒng)紛紛被棄置。但是海量知識構成的知識庫卻成為了寶物流傳了下來。
2002年，基于語義web技術和Freebase等優(yōu)質知識庫，谷歌宣布推出了知識圖譜（KnowledgeGraph）概念，并在2013年投入使用。所謂知識圖譜，實際上是建立在網(wǎng)頁百科知識庫基礎上，利用語義網(wǎng)絡進行知識關聯(lián)的技術。它可以用來幫助學術人員快速搜集和理解信息，也可以用來分析情報，辨別信息真?zhèn)�。在產業(yè)端則為搜索、內容推薦和智能問答提供了基礎，成為今天AI領域不是十分熱門，卻也足夠強勢的一個技術類別。
如果說了這么多還沒明白，那就舉個直白的例子吧：
假如你這幾天很好奇一個叫PGone的詞為啥火了。然后你去搜索一下，結果給你推薦的詞是PGtwo、PGthree那你就跟沒搜一樣。假如蹦出來兩個詞，一個是賈乃亮一個是地溝油，那么你就了然了嘛
所謂的知識圖譜，就是讓智能體去理解知識之間網(wǎng)絡關系，并能主動以此提供服務的技術。
今天的知識圖譜專治各種撒幣
假如你以為本文到此就該結束了，那么你又錯了。
上文說了知識圖譜專治各種大撒幣行為，庫卡機器人何服電機維修，并不是隨便講講的。我們要知道，2002年知識圖譜技術假如跟王思聰剛一波正面，那是基本沒有勝算的。
這里有幾種可能：首先是假如你的知識庫是更新到前年的，人家問你PGone的嫂子是誰你怎么辦？或者人家不問你長城有多長，問你最長的墻有多長怎么辦？
在考教真人的直播答題過程中，可能面臨各種語言上的調整、提問方式的改變，以及加入最新信息。這都是幾年前基于單一結構知識庫的知識圖譜技術難以勝任的。
這就把知識圖譜難住了嗎？不能夠，畢竟為答題而生，必須要搞點新高度出來才行。
這項技術在近幾年間發(fā)生了重要變化，比如：
1、大數(shù)據(jù)+機器學習帶來了史無前例的效率契機。
今天的AI復興，是建立在機器學習驅動大數(shù)據(jù)的基礎上的，知識圖譜也是如此。舉例來說，搜索引擎知識圖譜技術，是建立在搜索數(shù)據(jù)和百科、問答等數(shù)據(jù)庫之上的。數(shù)據(jù)本身的優(yōu)質化是知識圖譜運行的基礎。而在機器學習、深度學習領域的積累，則讓圖譜技術實現(xiàn)了及時化、逐步完善圖譜關聯(lián)強度和理解力提升。換句話說，知識圖譜技術正在變得愈發(fā)即時性與可成長。
2、語音交互成為啟動知識圖譜的新形式。
知識圖譜想要真的為人類所用，那么就不能是人類用固定方式去出發(fā)知識圖譜的模板。而應該是知識圖譜主動理解人類的語言和思維習慣，做到主動輸出服務。這就需要知識圖譜與語音交互緊密結合。
3、強語義理解能力成為關鍵。
能聽懂長城有多長，卻聽不懂長城從東到西一共多少距離的知識圖譜，顯然是知識沒譜。深度學習各種語意、語義、語序和方言的知識圖譜能力，也成為了目前知識圖譜技術的喚醒核心。
這幾種能力加持下，把知識圖譜偽裝成選手去搞點撒幣，顯然已經不算什么了但是如果只干這點事，其實也蠻虧的。
撒出一個明天
無論是語音交互還是機器視覺，我們今天正在努力教會AI一件事，就是識別�？墒�，在識別之后呢？AI下一步要干什么？
識別的下一步當然是理解和處理，但如果想讓AI開啟這些能力，很多人都認為，KUKA機器人維修，知識圖譜的爆發(fā)將是AI下一步的必經之路。
今天知識圖譜的核心，在于通過數(shù)據(jù)生成可視化的知識鏈條，用鏈條形成網(wǎng)絡，利用網(wǎng)絡來進行預測、生成自動化，最終生成機器主動提供的智能化服務。
要知道，人類理解世界并不是基于一個個散亂的信息，而是基于信息背后的知識。
我們期待的知識圖譜技術，是通過這種技術的完善，把AI調整到主動輸出服務模式。經典計算階段是你想到的，電腦幫你做出來。而知識圖譜時代，是你想不到的，AI可以想到。
能做到這一步的AI技術，當然不會只滿足去答答題，做個直播。人家的使命是改變世界好不好？
其實，知識圖譜作為一種隱藏的后端技術，今天已經悄然布局在了我們的生活。比如我們今天在百度搜李白寫過哪些飲酒詩？，已經不是跳出來有這些關鍵詞的網(wǎng)站，而是直接跳出來你的答案，這背后就是知識圖譜即使已經解答了你的問題。
更重要的是，知識圖譜技術作為AI交互手段的必要觸達點，正在為其他AI產業(yè)提供幫助，比如智能處理、無人駕駛。
更遠的未來，或許是利用知識圖譜技術達成物聯(lián)網(wǎng)間的協(xié)作、人機交互的全新升級，那么最終所能抵達的，遠遠不是答題這一件小事而已。
所以呢，直播平臺上誰給誰撒幣，誰是大撒幣，其實也不是很重要了。真正重要的是，技術正在努力把未來的幣，撒到現(xiàn)在的土壤里。