都是为了“让计算机变智能” 这两个派系却一斗60年
文 | 木子Yanni
地球上，曾经生活着数十种人类，与无边旷野上肆意撒欢的动物相比，他们并没有什么不同。
突然有一天，其中一种人类开挂了。
智人原本蜗居在非洲的旷野之上，白天和野兽正面刚，日落以后，老婆孩子热炕头，日子过得痛并快乐着。然而，放纵的背后暗藏着一个尴尬的危机：娃多了，野兽不够吃了。
终于，当方圆几里内不难吃的野兽统统都进了肚子后，智人含泪走出了舒适圈。
向外扩张途中，严寒、风暴、猛兽，每一样都是生死考验，一旦闯关失败，Game over。情急之下，他们开始铁杵磨针、串叶成衣，盖房子、造武器，最不可思议的是，他们发明了语言。
“嘿，哥们，看见那头长毛象了么，我埋伏好了，你抡着锤子先上，我后面堵它。”
如果长毛象有朋友圈，内容可能会是这样的：“哎呦我去，那群人手里抡的是啥，会伤害我吗？他们嘴里念的说的怎么一句都听不懂？在线等，挺急的。”
在跨出非洲这条路上，智人一走就是 2 万年，正是靠着语言带来的这场认知革命，他们成功征服了亚洲和欧洲，最终统治了整个地球。
数万年后，人类在地球上站稳了脚跟，成了食物链顶端的王者，却也意外激发了艺术细胞。
于是有一天，又有一拨人开挂了。
一群理工男卷起裤管，从现实世界闯进代码空间，用了几十年的时间，薪火相传创造出了人工智能，然而他们却发现，让计算机真正变智能这件事，并不比当初祖先走出非洲容易：同一个目标，多年来却内斗不断；眼看着阿法狗下赢围棋又打赢星际，结果在中台元年，人工智能又被迫回炉重造。
1968 年的 HAL9000（电影《2001 漫游太空》中的完美型人工智能），到底在哪里呢？
0、序章：理科生的浪漫
在数学家眼里，世间万物都是数学定理。
在图灵测试出现的 14 年前，也就是 1936 年，图灵已经在思考人与机器之间的联系，一不留神造出了计算机的祖先：图灵机。
图灵机主要被用来模拟纸笔完成数学运算的过程。它的构造非常简单：一个读写磁头 + 一条无限长的纸带 + 一份程序表。其中，纸带被划分成了无数个规则的小方格，方格中只能被写入 0 或 1 两种符号，纸带的移动由程序表规定。
回忆一下小学数学老师教你笔算 22?25 的步骤。先列个竖式，个位数相乘（先算 22?5，再算 22?2），满十进位（110+44），对位相加得出结果（550），当你在完成这个过程的时候，你就可以被看做是一台图灵机。图灵机的运行原理就如同上面的计算过程，读写磁头根据读到的信息写出符号，纸带根据程序表（运算规则）做规律移动，最后得出结果。
图片来源于网络
图灵机虽然简陋，却五脏俱全，它不仅证明了通用计算理论，还鼓舞了计算机的出现。
1946 年，两位美国数学家造出了世界上第一台通用电子计算机 ENIAC，也就是历史书里都会提到的那个“巨脑”，40 块面板沿着三面墙排成 U 型，里面藏着十几万个真空管、电阻器、电容器、开关和继电器，比当时任何一台机电计算设备都要快上 1000 倍，ENIAC 的出现，让整个科学界兴奋起来。
图片来源于网络：1946年2月18日，有关ENIAC的报道
1950 年，图灵对着计算机这个钢铁巨物，再次开了个大脑洞。
他在 MIND 期刊上发表了一篇论文《计算机器与智能》，里面就提到了那个被无数好莱坞大片青睐的图灵测试，但在当时，图灵叫它「模仿游戏」。
玩法很简单，测试者 C 使用键盘，向互相隔离的机器 A 和被测试人 B 随机提问，如果超过 30% 的测试者都无法辨别回答者是人还是机器，那么，这台机器就算通关了，可以获得「智能」的称号。
图片来源于网络：图灵测试
冷冰冰的庞然大物居然有“智能”的可能性？图灵把一个浪漫的幻想抛给了全世界。
围绕着图灵的计算机浪漫，社会上开始出现两种观点。一种观点是，把规则教给计算机（符号学派），计算机如果能证明出定理，它就能做到像人一样思考；另一种观点是，给计算机装上像人一样的神经系统（联结学派），它就可以自己思考。
两种观点互不相让，逐渐分裂成对立的两派。
1956 年 8 月，正值初夏，在美国东北部的达特茅斯学院里，聚集了一群在各自领域内充满影响力的帅气男人，他们来到这里，不是为了避暑，而是为了吵一架，不是，是脑暴一下。
史称「达特茅斯会议」。
图片来源于网络：参加达特茅斯会议的主要成员
这场会议持续了长达 8 个星期，如果要说有什么达成的共识，那就是：可以像人一样思考的计算机，应该被称为「人工智能」。
正是从这场会议开始，在如何实现人工智能这个终极问题上，符号学派和联结学派展开了长达几十年的互怼模式。
针锋相对，寸土必争。
1、符号学派先声夺人
达特茅斯会议上，两派之间的分歧，已经激起了火花。
作为本次会议的组织者，大神明斯基作为联结学派的代表，向在座的各位介绍了自己发明的 Snare，世界上第一个神经网络模拟器，然而，任凭明斯基讲的再精彩，也架不住符号派手里有货。
在卡内基梅隆大学任教的青年才俊艾伦·纽厄尔教授，和他的老师赫伯特·司马贺，隶属于符号派。在所有人的注目礼下，他们略显得意地展示了一个叫做“逻辑理论家”的小程序，当每个人的目光都死死盯住这个新奇玩意儿时，画外音般的声音开始揭秘：“逻辑理论家”可以自动证明《数学原理》第 2 章 52 条定理中的前 38 条。
这让在场的不少人，倒吸了一口夏日特供的闷热。
这本书虽然叫做《数学原理》，却是哲学家罗素和老师一起完成的。3 卷近 2000 页，是当时数学界最牛的一本书，没有之一。据说罗素在写这本书的时候，每天专注写 8 个小时，写了 10 年，这期间不知道崩溃了多少次，经常写着写着就哭了，哭着哭着再继续写，终于熬到了出版。
这本书虽然叫做《数学原理》，但它其实包含了哲学、数学和数理逻辑，内容艰深无比，就连业内老司机啃起来都费牙，更别说一般人了，比如 1+1=2 的证明，都已经排到了第二卷的 83 页 。这本书一开始大概就没想让人去阅读，仅仅是想证明，数学真理都是从逻辑推理中得出来的。靠着这本书，罗素获得了英国的荣誉勋章。
图片来源于网络：《数学原理》中 1+1=2 的证明
老司机都难以看懂的定理，却被“逻辑理论家”盘的明明白白，不扶墙也得扶它。这么一来，“逻辑理论家”抱走了「第一款能实际工作的人工智能程序」的荣誉称号，同时，作为符号学派发言人的纽厄尔和司马贺，也是出尽了风头，把联结学派死死的摁在会议桌上摩擦。
也许你会有些不理解，纽厄尔和司马贺作为象牙塔里的知识人，为何喜怒竟如此形于色？这里其实有个小插曲。
早在达特茅斯会议之前，两人的“逻辑理论家”就已经能证明《数学定理》第一卷中很大一部分定理了，两人激动万分的写了篇文章，兴冲冲地投稿给了当时逻辑学最重要的刊物《符号逻辑杂志》，万万没想到，被主编退稿了，理由是：把一本过时逻辑书里的定理用机器重证一遍，没啥意思。这把窝心火，大概憋着难受，才故意在会议上整了这么一出。
回到正题上来。在符号学派眼里，人工智能就应该是一套规则验证系统，把规则告诉计算机，然后拿已有的东西让计算机验证，得出结论，完事。所以这一时期，大家都拼命让计算机去证明数学定理，哪个难就证明哪个，以此来显示自己的权威。
达特茅斯会议结束后，符号学派的地位可想可知，有钱有势：钱是政府资助的，势是舆论给的。
满大街的人都竖着大拇指：人工智能好啊，有搞头；符号学派棒啊，有钱途。当然了，符号学派自己也夸：不服气？去瞧瞧论文引用率，甩联结学派好几条街呢。
但是，龟兔赛跑的故事，大家应该都不陌生吧？
2、联结学派后发制人
在达特茅斯会议上惨遭冷落的联结学派，也在暗搓搓的较劲。
功夫不负有心人，1957 年，康奈尔大学的实验心理学家罗森布拉特，在一台 IBM 704 计算机上，模拟了自己发明的一种神经网络模型，起名叫做“感知机”，它称得上是神经网络的 “Hello World”，可以进行简单的图像识别。
在说感知器之前，需要补充个背景知识。
1943 年，两位科学家麦卡洛克和皮茨，对神经元倍感兴趣，他们对生物学大脑进行抽象简化后，提出了 M-P 模型，证明了单个神经元也可以执行逻辑功能，这一发现开启了人工神经网络的研究时代。
想象一下，你走进一家店，空气中飘着浓郁的四川辣椒味儿，已经落座的桌上都摆着正在翻滚的九宫格，穿梭在店里的服务生正吆喝着“9 号桌加一盘羊肉”。此时，你看到的、听到的、闻到的，都在告诉你一件事：这是一家火锅店。
1949 年，美国东南部的耶基斯国家灵长类研究中心，一个叫做赫布的神经心理学家，在夜以继日的观察黑猩猩后，又发现了一些有关神经元的有趣现象，进一步深化了 MP 模型。
赫布观察到：当黑猩猩看到一个头，或者模型手时，轻则会后退，重则会尖叫逃开；如果在固定时间播放铃声、提供食物，黑猩猩就会记住它们之间的联系。基于这些现象，著名的“赫布法则”问世了：如果两个神经元细胞总是同时被激活，它们之间就会出现某种关联，同时激活的概率越高，这种关联程度也会越高。而神经网络的学习过程，实际上就发生在连接神经元之间的突触部位。
基于此，著名的赫布定理出现了：如果把神经系统比作一个山丘，突触就是山丘上零星分布的小沟槽（下图左），遇到下雨天，雨水会随机通过一些小沟槽向下流淌，久而久之，雨水常常流过的小沟槽就会加深、拉长，变成大沟（下图右），供雨水向下流淌。从这个例子可以看到，重复场景下，神经元之间的连接会逐渐变强，从而形成一个习惯，一度风靡全网的“21 天习惯养成法”，也差不多就是这个意思。
图片来源于网络：赫布定理简单示意图
现在回到罗森布拉特的“感知机”，可以说，他的感知机就是赫布法则的梦想成真。
罗森布拉特利用感知机，完成了一个非常“惊艳”的实验：50 组训练图片，每组两幅图，一张左标识，一张右标识。在实验过程中，通过人工调节权重，感知机慢慢找到了最佳的连接权值，形成了识图的判断“习惯”，随后，换新图继续测试，在没有人工辅助的情况下，感知机依然可以自主判断出标识是左还是右。
当时，感知机主要被用来给图形做分类，是人工神经网络的前身。
作为科技新品问世的“感知机”，被《纽约时报》描述为“一个能够行走、拥有视觉、能够写作、能自我复制，且有自我意识的电子计算机的雏形”。这个描述显然是夸大的，但在这个阶段，吹嘘是必要的，有关注才有资助，有资助才能活下来。
这不，靠着媒体的大肆宣传，罗森布拉特很快就拿到了美国海军的资助，联结学派终于扬眉吐气了一把，发展之路也顺畅了很多。
1959 年，世界上第一台硬件感知机“Mark 1”问世；
图片来源于网络：罗森布拉特和 Mark 1
1962 年，罗森布拉特出版了《神经动力学原理：感知机和大脑机制的理论》，被联结主义学派奉为“圣经”。
常言道，人怕出名猪那啥，随着感知机在社会上的广泛传播，罗森布拉特根本不用费心争取，就得到了美国国防部、美国海军的争相资助，一时间，钱也有了，名气也有了，罗森布拉特内心的小天使很快被小恶魔干翻，他开始飘了，出门开跑车、上台接采访，科学家的严谨完全被抛之脑后，这幅嘚瑟样子，让很多埋头研究的科学家们心生怨恨：政府的经费一共就那么多，你丫拿着钱还不好好搞研究，一天到晚不务正业，岂有此理？
况且，从实际情况来看，感知机并不像吹得那么厉害。
1960 年，麻省理工学院拿到了来自军方的一笔钱，要求很简单，做一个会打乒乓球的机器人。听起来很简单对不对？当时所有人都是这么想的，于是把任务随手抛给了一个本科生，没想到栽坑里了：给计算机一张照片，电费蹭蹭上涨，可它就是找不到乒乓球在哪里。
怎么样才能让计算机看到东西呢？想回答这个问题，科学家自然而然要从自己身上找答案，可是找了半天，除了神经元这三个字外，一无所获。
于是，趁着夜黑风高，两个哈佛大学的科学家 (David h. Hubel 和 Torsten Wiesel) 动手了：他们先用麻药灌醉了一只不谙世事的猫咪，然后扼住它命运的天灵盖，把一个微电极植入到了猫咪的初级视觉皮层中。
一波操作猛如虎，手术完成后，他们给猫咪打开了电视，电视屏幕上是一条明亮的线条，两位科学家不断调整线条的亮度、宽窄和方向，在小本本上成功绘制出了视皮层细胞的活动。
图片来源于网络：猫咪看电视
实验中，他们发现了三点有趣的事情：1、只有当线条处于视网膜的特定位置时，才能激活神经元；2、神经元的活动轨迹，与线条的移动方向一致；3、有些神经元比较高冷，只有当线条向特定方向移动时，才会被激活。（视频来源于 YouTube）
实验结束，猫咪原地自闭：你把我灌醉，就只给我看这个？
虽然猫咪是无辜的，但这个实验还是非常有价值，它还原了人看东西的过程：视觉细胞分为初级和高级，初级视觉细胞最先看见物体，它们会把看到的信息进行一次抽象，然后传递给高级视觉细胞，高级视觉细胞把接收到的信息进行二次抽象，最终传递给大脑，大脑结合过往经验就能做出判断，让你知道你眼前的东西到底是什么。
图片来源于网络
尽管猫咪实验进行的很顺利，却无法阻挡联结学派退烧的脚步。
1969 年，曾作为联结学派代表的明斯基出版了一本书，书名叫做《感知机》，公开批判神经网络，而且试图通过数学和逻辑推理的方式，证明感知机和神经网络具有缺陷。这本书一出，整个人工智能学术圈都炸锅了，要知道，明斯基可是人工智能领域里的名人，并且一直钟情于神经网络，现在连他都说神经网络没前途，肯定实锤了。
一本书，就把神经网络打入了冷宫。
难道神经网络真的不行吗？其实更主要的原因是当时的计算机性能不行，内存太小，运算力和数据都跟不上，这才导致感知器的局限性在短时间内无法解决。况且，按照摩尔定律所说，18-24 个月，计算机性能就提升一倍，这样看来，神经网络潜力无限，可惜明斯基忽略了这一点，当然，现在根本不需要 18 个月。
就这样，联结主义凉了，接棒的符号学派又站起来了。
3、符号学派再度逆袭
1976 年，一个重要理论的出现，给符号学派注入了活力。
让计算机吃下棋谱，拥有和高手对决的能力是可以做到的，但是要让计算机拥有一岁孩子的感觉和行动能力，却难如登天，这就是莫拉维克的观点。
莫拉维克悖论：和传统假设不同，人类所独有的高阶智慧能力只需要非常少的计算能力，例如推理，但是无意识的技能和直觉却需要极大的运算能力。
符号学派从中意识到，之前让人工智能一门心思推导定理的方向，好像走错了。古话说：书中自有黄金屋，书中自有颜如玉。黄金屋和颜如玉是什么？知识。如此看来，人工智能缺知识。
知识不够、专家来凑。符号学派掀起了一场声势浩大的“知识工程”，其中，又以专家系统风头最盛。
早在 1964 年，爱德华·费根鲍姆就在思考一个问题：如果把专家已有的知识和经验，打包放进计算机里，那么计算机能不能像吃了记忆面包的大雄那样，从知识库里自主推理，寻找规律，从而像真正的专家那样，解决专业领域里的问题呢？
带着这个想法，费根鲍姆找了个帮手，开发出了 DENDRAL 专家系统，他们把化学知识编成代码，喂给 DENDRAL，而 DENDRAL 也不负众望，吃进去的是知识，吐出来的是答案。
人工智能终于不再像个“玩具”，可以解决实际问题了！喜大普奔啊，这意味着，专家系统有落地应用的潜力，靠它可以搞到钱了。
紧接着，一大批专家系统出现了，有麻省理工学院的符号数学专家系统 MACSYMA，有诊断和治疗青光眼病的专家系统 CASNET，诊断内科疾病的专家系统 INTERNIST 等等。
1980 年，卡内基梅隆大学为数字设备公司量身定做的专家系统 XCON，一鸣惊人，每年可以给公司节省 4000 万美元，这种一次投资、长期收益的买卖，谁会觉得不香？这下，全球刮起了一股专家系统的应用风暴，针对人工智能项目的研发资金滚滚而来，与专家系统相关的软硬件公司如雨后春笋般冒芽，撑起了一整条产业链。
就在这场以专家系统为主角的人工智能风暴愈演愈烈之际，日本政府想要再添把火。
此时的日本，靠着在科技领域的巨大投入，已经成长为世界第二大经济体，全国上下形势一片大好，高涨的民族主义情绪让政府坚信，日本必将引领下一次科技革命。在这样的伟大愿景下，日本政府的目标是：没有蛀牙，错了，是“第五代计算机”。而“第五代计算机”的目标是：以十年为期，实现与人对话、语言翻译、图像识别、推理思考。
1981 年，日本经济产业省拨款 8.5 亿美元，开始建造这颗“超级大脑”。很快，日本这一动作就传到了美国耳朵里，美国媒体用了“科技界的珍珠港事件”这样的字眼来表达内心的震惊，DARPA (美国国防部高级研究计划局) 迅速响应，从斟酌模式切换到撒币模式，力鼎国内的人工智能项目。
然而，民族自信并不是万能的，日本“第五代计算机”就是个例子。起初，所有人都死死盯着目标，但渐渐的，眼神就涣散了，十年之期才进行到第七年，五代机已经失去灵魂，成了一具行尸走肉，传统计算机能干的，它干不快；传统计算机不能干的，它好像也不会。
眼看十年之期就要到了，所有人都想着努把力再抢救一下，奈何人想留、天不留，互联网出现了，个人计算机性能不断攀升，超过了昂贵的人工智能计算机，硬件需求的下跌，让这个价值数亿美元的人工智能硬件产业链拦腰崩塌。
1992 年，日本“五代机”计划正式宣告失败，与此同时，伴随着个人计算机的普及，专家系统也遭到重创，维护费用高、知识更新速度难以保证等问题愈发刺眼，符号学派以专家系统为代表的黄金十年，悄然结束。
4、联结主义救星降世
风水轮流转，这下又转回到了联结主义。
这一次，联结主义出战的代表，是伊利诺伊大学香槟分校的计算机教授李飞飞，她要做一件前无古人的事。
用 ImageNet (数据集) 勾勒出整个世界。
2006 年，“深度学习”概念的提出，一下子成了人工智能行业的新风向标，而背后的算法，则成了学术圈争相探索的宝藏。此时，业内的共识是，只有算法才是打开人工智能之门的金钥匙，但李飞飞却不这么认为：如果算法使用的数据，不能反映真实世界，那么再好的算法也没用。
用大白话翻译就是：不接触真实世界，懂的道理再多，也过不好这一生。
1980 年，心理学家乔治·米勒想要给英语建立起一套完整的体系，便启动了一个项目，给它命名为 WordNet。它运用机器逻辑，范围由大到小来进行单词排列，比如“猫”会放在“猫科”下面，“猫科”又会放在“哺乳动物”下面，按照这个逻辑，WorldNet 共收集了超过 15.5 万个单词。
李飞飞在思考 ImageNet (数据集) 时，正巧看到了 WordNet，受到启发后，她决定组建一个更加丰富的数据集。在团队配合下，李飞飞用两年半时间完成了 ImageNet，里面包含了 5247 类，一共 320 万张经过标记的图片。
2010 年起，ImageNet 演变成一年一度的挑战赛，能够有效验证算法的错误率，在 ImageNet 挑战赛中获得冠军的人，先后都成为人工智能领域优秀企业的主力。
起初，李飞飞并没有连续举办 ImageNet 挑战赛的计划，2014 年准备停办时，谷歌、Facebook 等公司纷纷跳了出来，希望比赛能够坚持办下去，这无疑佐证了李飞飞的初衷：好数据集才能造就好算法。
算法、数据、计算力的齐头并进，让深度学习火了起来，尤其是 2016 年，阿法狗战胜李世石后，更是掀起了一波全民关注深度学习的热潮。
联结主义俨然成了这一时期人工智能的主方向。
5、符号学派雪中送炭
不知你有没有注意到，在人工智能领域的发展初期，绝大多数问题都已经通了，比如神经元、神经网络的探索，专家系统、知识工程的拓展等，但随着时间的流逝，人工智能的进展开始变得缓慢，很少有喜人的突破，就算有，也多是因为硬件效率的提升。
这不， 阿法狗乘胜而归才三年，2019 年，深度学习就已经出现了唱衰的声音，反倒是当李飞飞用 ImageNet 勾勒世界时，谷歌一边搞深度学习，一边把专家系统的进化版——“知识图谱”，玩的风生水起。
“知识图谱”是谷歌在 2012 年提出的，听起来是个新词，其实不是。
刚刚我们说过的专家系统，其实就是知识图谱的早期形态。虽说当时的专家系统已经能卖钱了，但它也有致命缺陷，比如系统本身不具备认知能力，知识全靠人工输入，本身就需要高昂的维护费用。另外，要想系统卖得好，知识更新少不了，谁来更新？必然是专家。可专家是什么身价，请人出场就得花不少钱，万一再遇上专家档期繁忙，“专家系统”就变“砖家系统”，简直伤不起。
幸好，互联网的出现，给了专家系统继续升级进化的机会。
互联网从诞生到现在，经历了三个时期：信息开始聚集（出现网页）的 web1.0，信息开始流动（出现社交和点评等网站）的 web2.0，信息开始智能（出现智能匹配、精准推送）的 web3.0。web3.0 有个很关键的构成部分，叫做「语义网络」，这就是专家系统在互联网时代的进阶版。
维基百科给「语义网络」的定义是：一个知识库，能够表示网络中概念之间的语义关系，典型的表示形式为语义三元组。这里面，我们需要搞清楚两点，什么是知识？什么是语义三元组？
知识，和信息不同。信息是分散的，比如下雨，堵车，打车难，这就是三条信息，彼此之间没有体系。但是，在信息的基础上，找到它们之间的联系，它就变成了知识，比如下雨天容易堵车，从而会造成打车难的局面。
语义三元组，是一条知识的表示形式。它的形式多样，可以是 (实体 A，关系，实体 B)，比如蜡笔小新的爸爸是野原广志，王健林的儿子是王思聪，蒙娜丽莎的作者是列奥纳多·迪·皮耶罗·达·芬奇；也可以是 (实体、属性、属性值)，比如冰在零度以上会化成水，玻璃杯掉在地上会碎，人的体温超过 37.4℃ 就是发烧。
理解了这两个概念后，你有没有发现点什么？计算机 + 语义网络，计算机可以自己学习和理解互联网中海量的知识，这不就是智能版的专家系统吗？不过别急，这里还必须有个前提，那就是计算机可以“看懂”互联网上的知识。
可是，计算机毕竟不是人，怎么能让它“看懂”呢？有个办法，那就是把互联网上的知识，从人话改成机话。比如我们有百度百科、搜狗百科、维基百科，计算机也可以有 Wikidata、Freebase、DBpedia，人看人的，机读机的，和平共处。
就是在这种背景下，谷歌收购了 Freebase，并且在 2012 年提出了“知识图谱”的概念。知识图谱就是由无数个语义三元组构成，作为用户，最先感受到“知识图谱”气息的，就是在谷歌搜索。
谷歌在浏览器搜索结果的右侧开辟了一小块区域，专门显示来自于知识图谱的内容，称之为“知识面板”。比如我搜索“蜡笔小新”，谷歌就会在知识图谱中自动抽取与蜡笔小新相关的内容，集中显示在右侧的知识面板中，例如作者、相关角色名称等，一目了然。
右侧：蜡笔小新知识面板
据谷歌官方数据称，截止到 2020 年 5 月，知识图谱中已经包含了与大约 50 亿个实体相关的 5000 亿条信息，有点厉害。
在深度学习止步不前、人工智能在智障边缘来回试探的局面下，到底要不要花力气，把已经被深度学习碾压下的知识图谱搞起来呢？其实留意一下你就会发现，BAT 都已经搞起了，2019 年开始大火的中台背后，都是知识图谱在做支撑。
回到初心，我们仔细思考一个问题：我们到底需要什么样的人工智能。是科幻片里一抬手就能帮你干掉仇人的痛快型？是如今已经普及开的智能音箱听不懂乱答型？还是知道你明天要上班，默默查好天气，在你出门时提醒你带伞的贴心不废话型？
反正我会选最后一种。
回顾如今的人工智能，身躯里被各式各样的算法、数据支配着，算法越精妙、数据越丰富，它就显得越高大，但这种高大很容易坍塌，因为缺乏常识，不具备认知能力，只能故作谦虚。比如我问小爱同学：“第一只兔子和第五只兔子中间，有几只兔子？”它的回答是：“对不起，我找不到这个问题的答案。”
知识图谱是人工智能的基石，在如今人工智能发展只能小步前进时，知识图谱和深度学习的联手，也许会带来新的惊喜，中台的兴起就是最好的体现。
山脚人多，往上走走，咱们山顶再会。
嗨，这里是浅黑科技，在未来面前，我们都是孩子。想看更多科技故事，欢迎戳→微信公众号：浅黑科技（qianheikeji）
新闻推荐
西南交通大学出版社：7月1日上午，振兴出版工作推进会在成都召开，西南交通大学出版社被评为“社会效益考核优秀单位（2019年...
四川新闻，讲述家乡的故事。有观点、有态度，接地气的实时新闻，传播四川正能量。看家乡事，品故乡情。家的声音，天涯咫尺。