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。王思聰的沖頂大會、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想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裏的，畢竟做生意是為了賺錢，搞出來這麽大場面當然是為了放後招，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，說不定能幹到王思聰們沒幣可撒...

畢竟，答題也是講科學的對不對？

很多人在答題沖關時，會借助搜索引擎尋找信息,搜索引擎返回的結果有兩種形式，一種是我們要在返回頁面的中自己繼續尋找關鍵的答案,另一種呢，搜索引擎則直接明了的告訴我們答案，比如“長城有多長”，在分秒必爭沖向百萬獎金的途中，簡直獲得了直掛雲帆濟滄海的痛快！這背後的功勞主角，就是今天我們要講的知識圖譜。

在由“AI感知”通向“AI理解”的大路上，知識圖譜是被公認的技術基石。更更重要的是——他能幫你答題啊……

知識圖譜是什麽鬼？

知識圖譜這個概念被提出並不算太久，但是要追根溯源理解這個技術到底是玩什麽的，那可能真要往上倒騰幾十年才行。

上世紀40年代，人工智能被提出之後，無數科學家們就開始琢磨，到底用什麽方式能讓機器模擬出人的智慧呢？琢磨來琢磨去，人對於信息能夠進行關聯理解似乎是個路子。所謂信息關聯，就是人類在接受一個信息後，會把它放在記憶中進行歸納和調用。比如我們會記住一些信息：橘子屬於水果，檸檬屬於水果，水果的維生素含量高，這樣我們可以推斷，橘子的維生素含量也高。利用這個思路，上世紀50年代末，學術界提出了語義網絡（semantic network）的設想，打算把數據進行結構化的處理，讓單個信息組合成有聯系、能共鳴的“知識”，語義網常常被看做是知識圖譜的前身。

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和語義網絡存儲，最終人類就能打造出全知全能，無所不懂的人工智能，雖然這場運動之後被保留的專家系統不多，但是海量知識構成的知識庫卻成為了更有價值的產物。

2012年，基於語義web技術和Freebase等優質知識庫，谷歌提出了知識圖譜（Knowledge Graph）概念，所謂知識圖譜，是利用多個來源的數據，將真實世界中關於事物的知識、事物之間的關系，組織成一張巨大的、聯通的、讓計算機可以去理解的圖結構，於是文字不僅僅是文字，而是有了它在現實世界中的具體的含義和關聯關系。在產業端它為搜索、內容推薦和智能問答提供了基礎，成為今天AI領域足夠強勢的一個技術類別。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，然後你去搜索一下，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，那麽你看完整個故事就了然了嘛...

所謂的知識圖譜，就是讓智能體去理解事物以及他們之間的關系，並能基於此提供相關的技術和服務，比如這裏舉例的推薦技術。

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，那麽你又錯了...

上文說了知識圖譜專治各種“大撒幣”行為，並不是隨便講講的。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。

這裏有幾種可能：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，你怎麽辦？或者人家不問你長城有多長，問你最長的墻有多長怎麽辦？

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。這都是幾年前基於單一結構知識庫的知識圖譜技術難以勝任的。

這樣的問答就能把知識圖譜難住了嗎？不能夠。

以百度的知識圖譜技術為例，我們可以看到這項技術幾年間發生了重要的變化，比如：

1.大數據+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據的基礎上的，知識圖譜也是如此。舉例來說，百度的知識圖譜技術，在數據上依賴於全網信息，在技術上，機器學習、深度學習技術則讓百度知識圖譜實現了數據更新時效性更強、以及更完善的語言理解能力。換句話說，百度這類AI巨頭掌握的知識圖譜技術，具有高度的即時性和成長性。往往網友都沒反應過來呢，知識圖譜已經完成數據更新了。

2.強語義理解能力成為關鍵。

能聽懂“黃磊的妻子是誰”，卻聽不懂“黃磊女兒的媽媽是誰”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，像百度知識圖譜這樣的代表性智能技術偽裝成選手去搞點“撒幣”，顯然已經不算什麽了...但是如果只幹這點事，其實也蠻虧的。

3.語音交互成為知識圖譜的新形式。

知識圖譜技術想要更好的為人類所用，就要更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自然語言理解、語音交互等技術緊密結合，比如百度知識圖譜技術就與DuerOS相互聯系，為喚醒DuerOS的用戶提供各種知識、和分析類功能，同時借助DuerOS來加大自身的打開力度。

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：“識別”。可是，在“識別”之後呢？AI下一步要幹什麽？是理解和處理。但如果想讓AI開啟這些能力，很多人都認為，知識圖譜將是AI下一步的必經之路。

今天知識圖譜的核心，在於通過數據生成可視化的知識鏈條，用鏈條形成網絡，利用網絡來進行預測、生成自動化，最終生成機器主動提供的智能化服務。

要知道，人類理解世界並不是基於一個個散亂的信息，而是基於信息背後的“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，知識圖譜作為一種後端基礎技術，今天已經悄然布局在了我們的生活。還是以百度為例，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站，而是直接跳出來你的答案，這背後就是知識圖譜即使已經解答了你的問題。

利用知識圖譜，百度已經對搜索、內容推薦等傳統強勢業務進行了升級和叠代，不僅僅是幫我們尋找到相關的信息，而是直接利用知識滿足用戶當前的需求，並基於知識猜測你接下來的相關需求。

更重要的是，知識圖譜技術作為AI交互手段的必要支撐技術，正在為百度構建語音交互和無人駕駛兩大AI產業提供幫助。比如一些廠商最開始使用DuerOS時只是為了提升體驗，但是後來發現它知道的東西、能解答的問題遠遠超過想象，那麽帶來的產業粘合度自然也就提升。百度還有一個知識圖譜開放平臺，提供的技術和數據可以幫助開發者來打造屬於自己的知識圖譜。

未來或許利用知識圖譜技術能達成物聯網間的協作、人機交互的全新升級，那麽最終所能抵達的，遠遠不是答題這一件小事而已。像百度這樣的知識圖譜集成產業模式，顯然已經在準備從量變積累向技術奇點過度，更大的產業變革已經在醞釀中。

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，撒到現在的土壤裏。

AI有一招，能幹到王思聰沒幣可撒