常识图谱如何让 更智能 人工智能

本文将带读者一同讨论两个话题——人工智能不智能的点在哪里，基于常识图谱的认知智能怎样就变得智能了。

一、为什么人人都议论的人工智能是不智能的？ 1. 智能驾驶这个行业所存在的疑问 咱们一同先来聊聊智能驾驶这个话题，先说下论断，无论是智能驾驶、机器人还是人工智能的任何畛域都高度依赖于历史的数据，并且只能成功单项或许局部多项的协同义务，所有处于弱人工智能的阶段。

（1）产业及技术

从智能驾驶的产业链的体系中咱们可以看到，这个行业大略会有3局部组成，感知端-客户端-云端。

（2）智能驾驶等级

而内行业外面大家把智能驾驶分为 5个级别L0-L5 ，而目前为止即使像谷歌和百度这样的头部公司，重金砸到了智能驾驶这个畛域，目前也只能处在L3的级别，而其余钻研智能驾驶的公司处在L2阶段。

而且有局部人以为智能驾驶要到达L5这个级别是无法能的，由于人工智能永远处置不了异常，而异常是历史数据包括不了的。

（3）用户经常使用（不安保）

2016年，特斯拉因智能驾驶未识别红色汽车造成驾驶意外；2016年的uber智能驾驶世界首例智能驾驶死亡事情；这样的事情还有很多，对用户来讲智能驾驶，至少如今它是不安保的。

所以单从目前的人工智能来说，数据-技术-运行都或多或少出现了很多疑问，而 适度依赖历史的数据 这团体工智能最大的疑问。

2. 现阶段的人工智能是什么水平？ AI名目投入 ：企业在AI名目上的投入是反响AI价值的一个维度，相比于制作和互联网行业， 金融行业在AI上的投入最大。

成熟度： 从技术及业务成熟度的角度剖析，单拿金融行业来说， 反欺诈、动物识别验证、智能客服 这3项是在金融行业已成熟落地的场景，相比如其余行业运行最为成熟，其中金融行业最大的一点得益于 金融行业在线化的数据 ，这也是AI可以极速落地的前提条件。

市场角度： 从市场的角度来看，人工智能行业依照平台及市场的划分，曾经构成头部及垂直行业的企业，不同角度的竞争及单干角度将极速促成这个行业的鼎力开展。

二、基于认知计算的常识图谱会变得智能吗？ 1. 论断是侧面的 间接给出论断：是的，而且是质的扭转，常识图谱开局不再过火依赖于已有的历史数据了，比如精准营销，以前的精准营销服务，是基于已知数据做的，而实践状况往往失掉不到那么多的数据来启动剖析，而图谱开局应用常识推理来猜想用户的喜好。还有一点，图谱开局破好人和机器反理想的形态了（这一点在后续的文章中再论述）。

（1）数据、消息、常识、智慧

为了更好的了解常识图谱这项技术，咱们先得悉道数据、消息、常识、智慧这4个词的含意，它们之接的相关像一个金字塔一样，数据是构成消息、常识和智能的原资料， 数据的量十分大，消息的量要小一些；

举个例子，咱们人和人间接的相处，从生疏人开局接触对方这团体的言谈和举止都可以当做数据，然而当过一段期间后，你会对这团体有个显明的标签，比如这团体很致力，很靠谱，致力和靠谱就是消息了，所以 数据是非指向性、非结构性的 ，消息是有指向性和结构性的；

而常识是在消息基础之上，那些被人们宽泛接受并且成为共识的物品，而智慧其实是经常使用常识的这团体应用常识处置了某项疑问就说这团体很有智慧。

从某种意义过去说， 常识图谱是人工智能变的愈加智能的必修阶段 。

（2）从AI技术的方向去看常识图谱

从目前2019的技术成熟度来看，这项技术很快就会成为行业热点，而且对图谱技术的投资也会放大。

2. 举例 咱们以一个智能问答的例子作为切入，基于常识图谱的智能问容许该是什么样子的。

（1）智能问答新趋向

目前智能问答这个畛域大略教训了3个阶段，从传统的数据库检索到消息检索也就是智能客服类的机器人，再到以常识图谱树立为主常识型的问答机器人。

（2）从用户角度登程

而一切的无论是现内行业里听到的 实体机器人、在线客服、智能语音导航、外呼 这些新名词最终都可以归纳为问答这个畛域，而最关键对问答对象起到的不外乎客户维系以及客户优化这两方面的作用。

（3）技术组成

一个完整的问答系统，离不开的底层技术，包括 NLP、ASR、TTS ，而常识图谱在常识库构建及问答中才刚刚施展作用。

智能外呼 智能X导航 智能质检

（4）智能服务机器人

实体机器人智能问答系统经过智能配件作为载体成功实在的银行业务场景。

智能机器人与线上政务联合

（5）常识图谱与智能常识库

在常识库构建层面，目前关键还是以FAQ为主，未来基于常识图谱技术的常识库构建将施展关键的作用。

（6）基于深度学习的图谱问答构成

关键会有两个方面，一种是应用深度学习对传统的方法启动改良，另一种就是基于深度学习端到端的问答构建。

框架算法设计 ：

应用LSTM启动实体模块儿识别，对传统的实体识别及相关映射启动改良：

基于深度学习的卷积神经网络：

端到端的深度学习问答模型 ，将疑问和常识库中的消息均转化为向量示意， 经过向量间的相似度计算方式 成功用户疑问与常识库答案的婚配，进一步优化了问答的准确性。

最终问答的全体技术架构是 基于多战略的一致问答 ，让问答更精准，疑问笼罩更广。

全体的上班流程： 从疑问输入用认识别再到答案融合与生成。

回到理想，关于企业来说，无论是如今热议的新冠疫情还是自身技术开展阶段带来的一系列疑问，对企业来说都包括着“危”和“机”，而在此次社会疑问出现的时刻，我想会减速催化产业的重组及技术的翻新，政府也会在人工智能、5G这些高新技术上放大投资，我想未来是可期的。

对团体而言，我蛮青睐罗胖跨年演讲中的一句话，疫情也好金融危机也罢，这就是我辈要处置的疑问，“直面理想，躬身入局”。