曾记得十几天之前否？那时我们趾高气扬的跨进了2018，满怀着对将来的盼望和保重……然后我们惊奇的发现，2018第一个火起来的词叫“撒币”。

不是我说啥，这可真出戏啊。

似乎一夜之间，直播答题和这个叫做”撒币”的关键词就火了。王思聪的冲顶大会、映客的芝士超人、花椒的百万赢家，一时之间大佬们疯狂争当“大撒币”，人民群众则纷繁出头相当被币砸到的那个侥幸儿。

当然了，不论这些平台们如何“撒”，最终“币”还是要回到他们本人口袋里的，毕竟做生意是为了赚钱，搞出来这么大局面当然是为了放后招，没听说过哪位出题让人答是为了做慈悲的。除非...除非AI化装成选手，也来答个题，说不定无能到王思聪们没币可撒...

毕竟，答题也是讲迷信的对不对？

AI答题这件事其实也不新颖，不信你百度输出一个“长城有多长”之类的，马上就会给你跳出来答案。这里就是用了AI的专业答题姿态：知识图谱。

借着直播答题的春风，明天讲讲知识图谱的故事吧。虽然在机器视觉、语音交互等“网红技术”面前，作为AI重要分支之一的知识图谱似乎不那么出位。但是以使用度和脑洞指数来说，这个技术相对当仁不让。更重要的是，在“AI感知”通向“AI了解”的大路上，知识图谱近乎是无法绕开的一道关卡。

更更重要的是——他能帮你答题啊。

知识图谱是什么鬼？

知识图谱这个概念被提出并不算太久，但是要追根溯源了解这个技术究竟是玩什么的，那能够真要往上倒腾几十年才行。

上世纪40年代，人工智能被提出之后，有数迷信家们就开端揣摩，究竟用什么方式能让机器模仿出人的智慧呢？揣摩来揣摩去，人关于信息可以停止关联了解似乎是个路子。所谓信息关联，就是人类在承受一个信息后，会把它放在记忆中停止归结和调用。比方说你打小看法了你三舅，绝不能够过几年管他叫二哥。

应用这个思绪，上世纪50年代末，学术界提出了语义网络（semantic network）的想象，计划把数据停止构造化的处置，让单个信息组分解有联络、能共鸣的“知识”。明天我们用到的很多技术都来源于语义网络，比方机器翻译、自然言语处置等等，知识图谱也是其中之一。

上世纪80年代，遭到多方面安慰的地球人开端了一次AI复兴运动，而这次运动的配角，就是各国开端打造专家零碎和知识库。那时分迷信家们置信，假如把人类少量知识停止逻辑化关联和语义网络存储，最终人类就能打造出全知全能，啥啥都懂的人工智能。惋惜好景不长，最终AI没等来呢PC先来了，专家零碎纷繁被弃置。但是海量知识构成的知识库却成为了宝物传播了上去。

2002年，基于语义web技术和Freebase等优质知识库，谷歌宣布推出了知识图谱（Knowledge Graph）概念，并在2013年投入运用。所谓知识图谱，实践上是树立在网页百科知识库根底上，应用语义网络停止知识关联的技术。它可以用来协助学术人员疾速搜集和了解信息，也可以用来剖析情报，区分信息真伪。在产业端则为搜索、内容引荐和智能问答提供了根底，成为明天AI范畴不是非常抢手，却也足够强势的一个技术类别。

假如说了这么多还没明白，那就举个直白的例子吧：

假设你这几天很猎奇一个叫PGone的词为啥火了。然后你去搜索一下，后果给你引荐的词是PGtwo、PGthree...那你就跟没搜一样。假设蹦出来两个词，一个是贾乃亮一个是地沟油，那么你就了然了嘛...

所谓的知识图谱，就是让智能体去了解知识之间网络关系，并能自动以此提供效劳的技术。

 明天的知识图谱专治各种“撒币”

假设你以为本文到此就该完毕了，那么你又错了。

上文说了知识图谱专治各种“大撒币”行为，并不是随意讲讲的。我们要晓得，2002年知识图谱技术假设跟王思聪刚一波正面，那是根本没有胜算的。

这里有几种能够：首先是假设你的知识库是更新到前年的，人家问你PGone的嫂子是谁你怎样办？或许人家不问你长城有多长，问你最长的墙有多长怎样办？

在考教真人的直播答题进程中，能够面临各种言语上的调整、发问方式的改动，以及参加最新信息。这都是几年前基于单一构造知识库的知识图谱技术难以胜任的。

这就把知识图谱难住了吗？不可以，毕竟为答题而生，必需要搞点新高度出来才行。

这项技术在近几年间发作了重要变化，比方：

1、大数据+机器学习带来了史无前例的效率契机。

明天的AI复兴，是树立在机器学习驱动大数据的根底上的，知识图谱也是如此。举例来说，搜索引擎知识图谱技术，是树立在搜索数据和百科、问答等数据库之上的。数据自身的优质化是知识图谱运转的根底。而在机器学习、深度学习范畴的积聚，则让图谱技术完成了及时化、逐渐完善图谱关联强度和了解力提升。换句话说，知识图谱技术正在变得愈发即时性与可生长。

2、语音交互成为启动知识图谱的新方式。

知识图谱想要真的为人类所用，那么就不能是人类用固定方式去动身知识图谱的模板。而应该是知识图谱自动了解人类的言语和思想习气，做到自动输入效劳。这就需求知识图谱与语音交互严密结合。

3、强语义了解才能成为关键。

能听懂“长城有多长”，却听不懂“长城从东到西一共多少间隔”的知识图谱，显然是知识没谱。深度学习各种语意、语义、语序和方言的知识图谱才能，也成为了目前知识图谱技术的唤醒中心。

这几种才能加持下，把知识图谱假装成选手去搞点“撒币”，显然曾经不算什么了...但是假如只干这点事，其实也蛮亏的。

撒出一个今天

无论是语音交互还是机器视觉，我们明天正在努力教会AI一件事，就是辨认。可是，在辨认之后呢？AI下一步要干什么？

辨认的下一步当然是了解和处置，但假如想让AI开启这些才能，很多人都以为，知识图谱的迸发将是AI下一步的必经之路。

明天知识图谱的中心，在于经过数据生成可视化的知识链条，用链条构成网络，应用网络来停止预测、生成自动化，最终生成机器自动提供的智能化效劳。

要晓得，人类了解世界并不是基于一个个散乱的信息，而是基于信息面前的“知识”。

我们等待的知识图谱技术，是经过这种技术的完善，把AI调整到自动输入效劳形式。经典计算阶段是你想到的，电脑帮你做出来。而知识图谱时代，是你想不到的，AI可以想到。

能做到这一步的AI技术，当然不会只满足去答答题，做个直播。人家的使命是改动世界好不好？

其实，知识图谱作为一种隐藏的后端技术，明天曾经悄然规划在了我们的生活。比方我们明天在百度搜“李白写过哪些饮酒诗？”，曾经不是跳出来有这些关键词的网站，而是直接跳出来你的答案，这面前就是知识图谱即便曾经解答了你的成绩。

更重要的是，知识图谱技术作为AI交互手腕的必要触达点，正在为其他AI产业提供协助，比方智能处置、无人驾驶。

更远的将来，或许是应用知识图谱技术达成物联网间的协作、人机交互的全新晋级，那么最终所能抵达的，远远不是答题这一件大事而已。

所以呢，直播平台上谁给谁撒币，谁是大撒币，其实也不是很重要了。真正重要的是，技术正在努力把将来的币，撒到如今的土壤里。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或许下载钛媒体App