計算機是個傻孩子，為了教這小崽子學聰明，人類絞盡腦汁。 2012 年 Google 又給孩子搞了套玩具，叫知識圖譜。這幾年開始大流行，做搜索引擎的，做大數據，做人工智能的，都給自家孩子裝備了一套，內卷啊！
知識圖譜說起來很簡單，黑板上畫一個個圈，代表 “實體”，圈跟圈之間畫線，代表 “關系”。完事齊活。
比如，比爾蓋茨是個 “實體”，美琳達蓋茨是另個 “實體”，之間的關系是 “夫妻”。?
Google 搞這個東東，對它的搜索業務那是真有用。 Google 早年間跟喜鵲一樣，收集全天下的網頁，藏自己家服務器上，用戶想搜比爾蓋茨，呼啦一下砸過去 2.76 億個網頁。
王老五就很痛苦，查查比爾蓋茨老婆的名字，你給我 2.76 億？ Google 倒也有個對策，那就是 Page Rank，給網頁一個比重。但這玩意也沒啥鳥用，Page Rank 只是個網頁權重排名，它哪里猜得到王老五查人家老婆的陰暗心理。
Google 也有點不好意思，俺是搜索引擎，盡給用戶一堆 HTML 文件算什么本事。這種傳統搜索，就是個字符匹配，匹配上了，就給一堆 unicode 的 html 文件。所以 Google 搞了知識圖譜，打的口號是： Things， not strings。 要讓計算機理解用戶的語義，給用戶搜出 “東西” 來，而不是給一堆亂字符。
所以，用戶王老五在 Google 搜索框里寫： who is bill gates' wife。 Google 馬上給出美琳達蓋茨。 這背后，就是 Google 的知識圖譜在發揮作用。Google 的知識圖譜，就是在天下事物之間，建立普遍關聯。這種知識圖譜，有點半結構化數據的意思。當然，其實計算機也并非真的理解了語義，只是了解了事物之間的關聯而已。不過，人類自己的字典，也不過是用字詞互相解釋罷了。人類的優勢在于，說起蘋果，人類是摸過、啃過、看過蘋果的，計算機就沒戲了，只能得到一個解釋：蘋果是一種水果。 用水果這個詞來解釋蘋果。
知識圖譜的用途，可就大了，真不是就搜索下蓋茨太太那么簡單。 有了好的知識圖譜，搜索、推理、分析都容易了，尤其是深度發掘，比關系型數據庫效果可好多了。另外，知識圖譜的更新還特容易，關系型數據庫你想改個字段，費老勁了。
更重要的是，知識圖譜這種數據結構，給神經網絡、深度學習做自然語言處理，可謂如虎添翼。沒有知識圖譜之前，深度學習輸入的都是詞向量什么的，仿佛機器沒有潤滑油。有了知識圖譜，詞與詞之間已經帶著語義關系，那深度學習在處理自然語言上，效果突飛猛進。
知識圖譜這個詞啊，最早來自 1972 年，一位叫 Schneider 的教授為了設計一套輔助教學計算機系統，在論文中提及了 Knowledge Graph，在課堂講解的各種概念之間建立關聯。后來，80年代，荷蘭的兩家大學 Groningen 和 Twente 發起了個項目，認真開始開發知識圖譜，但其實，那個不是今天的知識圖譜，而是要算做知識圖譜的祖先，是一種語義網絡 （Semantic Network）。
語義網絡 （Semantic Network）來自一本書，M. Ross Quillian 在 1963 年寫的，名字叫：A Notation for Representing Conceptual Information: an Application to Semantics and Mechanical English Paraphrasing。實在找不到這本書了，也不知道內容是干嘛的，看名字，似乎是關于怎樣表示概念信息的。Robert F. Simmons 在?Synthetic language behavior 一書中也提及過 Semantic Network。
語義網絡看上去跟知識圖譜幾乎一樣，也是在“實體” 之間拉線拉箭頭，然后標上關系。但是語義網絡比較初級，所以就比較自由，不管是節點，還是關系，都是隨意寫的。看上去實現了實體之間的關系，但這種關系依賴自然語言，依然是模糊的。所以，語義網絡用來做查詢和推理，就不大容易。而知識圖譜，在設計的時候，就必須定義好節點類型和關系類型。 例如，如果用語義網絡，那么“比爾蓋茨” 和 “美琳達蓋茨” 就是兩個節點，之間的關系可以寫 “夫妻”，也可以寫 “感情破裂的夫妻”。 而如果用知識圖譜，則必須首先定義一種節點類型叫 “人”，在定義一種關系叫 “夫妻”，然后把比爾夫妻倆給填寫進去。如果用上 OWL 本體，那還可以定義夫妻這種關系是雙向的：比爾哥，你是我的夫啊，美琳姐，你是我的妻呀。推理做起來就更方便了。
語義網絡和知識圖譜，都是知識表示這個大范疇里的。 是不是知識表示，就只能在黑板上畫圈圈，畫線？ 當然不是，畫圖是后來人聰明了才想出來的，之前就還是直接用語言，當然用的是一種抽象過的語言，邏輯語言。 這個歷史就悠久了，可追溯到亞里士多德。亞里士多德是邏輯學的祖師爺，他是很多領域祖師爺，簡直可以說，他是所有領域的祖師爺，除了中藥、風水和 Kong Fu。在講解邏輯時，他用自己老師蘇格拉底做了個比喻，這就是著名的三段論： 人皆有一死；蘇格拉底是人；蘇格拉底必死。
后來經過萊布尼茨、布爾的努力，一直到弗雷格手里，現代邏輯學成熟了。羅素厚厚的《數學原理》則用邏輯重建了整個數學體系。有一種說法，指責咱中國人不重視邏輯，這真是胡扯。養生理論里吃什么補什么，吃腰子補腎，這邏輯杠杠的，多么硬啊。這里安利一本書，叫《邏輯的引擎》，一路講萊布尼茨、布爾、弗雷格、康托爾、阿爾伯特、哥德爾、圖靈的故事，看起來很過癮。
用來表述知識的邏輯有命題邏輯、一階邏輯、多階邏輯。 命題邏輯表述能力弱，不能做復雜的推理。我感覺，命題邏輯比較適合亞洲人的思維，Yes 或者 No，跟我扯別的沒用。看看微博還有一些討論群，發言多數都是命題邏輯。一階邏輯可以量化個體，且引入了謂詞函數，但一階邏輯不可判定（為啥不可判定，這個有證明，但看不懂）。多階邏輯則量化了一階關系和謂詞。由于一階邏輯無可判定，后來又出來個描述邏輯，描述邏輯是一階邏輯的子集，其中不使用變量，而是只使用常量。
邏輯可不僅僅用于語言描述，它是計算機和人工智能的基礎。人工智能中的符號派，就是依賴邏輯。符號一派追求真理，他們認定人類思考的方式就是邏輯和符號，所以一門心思要教計算機學會邏輯和符號。
關于思維到底是什么形式，這個問題太詭異。 人人都有腦，也都能思維，但愣是不知道這2斤半是怎么工作的。 要計算機學會人腦思維，符號派認為要模擬思維，要擺弄邏輯、符號；連接派就認為你費那勁干啥，吃腰子補腎，吃腦花補腦，根據腦神經搭個電路不就完了？所以，這幾年連接派占上峰，那也是中醫理論的偉大勝利。
心理學和語言學的學者們，也不甘示弱，怎么知識表示這個領域讓邏輯學家搶占了呢？ 認知科學家喬治米勒發明了 WordNet，這個看起來跟個大字典一樣，只是字典是用其他詞句來解釋一個詞，而 WordNet 則在詞與詞之間建立了關系，例如 Bill Gates 的上位詞（就是層次歸類）：
喬治米勒是認知科學的創始人，后來IBM把自己的人工智能就稱為認知計算。
人工智能鼻祖之一，馬文明斯基在 1975 年的論文 “A Framework for Representing Knowledge” 中提出框架理論。框架這個詞聽起來莫名其妙，但程序員一看，就得大呼，這不就是面向對象么。 OO來自框架理論，當然看起來面熟。 馬文明斯基的框架理論，影響了眾多領域，包括計算機編程語言、知識表示、人工智能、認知科學，甚至包括新聞傳播。 本質上，框架理論與前面所述的語義網絡是一致的。一個框架，在語義網絡中就是一個節點，代表一個實體，而框架的槽，則是語義網絡的邊。
計算機處理知識的另一個領域是專家系統，這個也是歷史悠久。第一個專家系統是費根鮑姆領導的 Dendral，合作者是李德伯格和卡爾·杰拉西。費根鮑姆是大神，圖靈獎獲得者，他老師就是諾貝爾和圖靈獎的雙料西蒙。李德伯格是諾貝爾獎獲得者。杰拉西雖然沒得圖靈獎和諾貝爾獎，但他是口服避孕藥的發明人，男女歡愉的守護神。Dendral 很像今天的規則引擎，其目的是分析火星物質的質譜數據，以尋找火星生命，正是今天首富 Elon 所喜歡的領域。 Deneral 把化學家們的質譜分析知識寫成代碼規則，然后對實際數據進行分析。
后來，Dendral 項目組成員?Bruce G. Buchanan 布坎南，敏銳認識到，專家系統應該應用到醫學領域，他發起了 MYCIN 項目，用專家系統來幫助診斷細菌感染的疾病。 準確率能夠趕上一般的醫生。 MYCIN 比起 DENDRAL 系統還是有進步的，因為 MYCIN 引入了產生式規則，可用于不精確的規則匹配。 所以今天知識圖譜廣泛的應用于醫療，這也是有傳統的。人們一提起專家，就想起醫生，總盼望著能用計算機替代醫生，然而這件事至今還是前途未卜。 IBM 的 Watson 醫療投入巨大，但最終黯然收場。不止一個醫生對我冷笑：AI 替代程序員了，都替代不了俺們醫生。
第一個大規模商用的專家系統是 DEC 的 Xcon，用來根據訂單配置零部件，有點像 ERP 里的 BOM。專家系統的高峰時期，是 80 年代日本發起的五代機項目。日本當時經濟發展火得一塌糊涂，于是雄心勃勃要在計算機領域當老大，五代機目的是人工智能，邏輯推理和知識是其核心發展目標。 后來，大家都知道，沒搞成，也不可能搞成。但是，日本的計劃也嚇到了美歐等國家，一窩蜂的跟著喊口號、投錢，最后都沒做成，搞得專家系統也跟著冷落下去。
還有個東西，跟語義網絡和知識圖譜都有關系，那就是語義網（Semantic Web），聽上去跟語義網絡很像，容易混淆，但不是一回事。 語義網是 Tim Lee，Web 之父發起的，目的可以理解成，把整個互聯網構造成一個大的知識圖譜。語義網中設計應用了 RDF 語言，這個和知識圖譜用的一樣，用來建模和存儲知識。另外，語義網還設計了 RDFS 和 OWL，對 RDF 加了兩層標準定義，一來呢，讓所有的網站和機器之間交換數據時能夠互相理解，另一個，可以實現復雜的邏輯推理。Tim Lee 一直關注的是數據的自由流動，希望所有網站都能鏈接起來，并且可以互相理解。 這幾年他老人家還搞了個 Solid，就是用RDF、LinkData技術，要讓個人掌握自己的數據，革他媽媽大網站的命。
對于語義網有兩種沖突的評價，一種是批評，例如尼克老師的人工智能簡史中說 “W3C 語義網經過幾次迭代后演化成大雜燴，理論上不嚴謹，實踐上不可用。與 Dendral 和 Mycin 對比，無論理論還是實踐上都不可同日而語。” 尼克老師甚至評價 Tim Lee 的圖靈獎是歷屆中含金量最低的，可謂辛辣；另一種是贊美，例如鮑捷老師在演講中說：“2006年，Tim Berners-Lee（就是我們的神），已經看不慣這種事情了。他說，要有光！（呵呵）不是，要有Linked Data，于是就有了Linked Data。他發了個圣旨之后，大家都開始研究。”，他還說了： “但是很不幸，1998年，它落入了邏輯學家的魔爪。2004年，被一群邏輯學家綁架了一個怪胎在上面，這個怪胎叫RDF語義。”，以及：“我們回過頭來看，向工程妥協的時候，我們就勝利。向教條主義堅持的時候，我們就失敗。”
我是個智商一般的普通從業者，完全迷惑了，不知道該聽那一邊的，知識儲備完全不具備這個判斷能力。得，都聽一下吧。 尼克老師的人工智能簡史成了我的工具書，隨手翻。其中關于學界的八卦逸事讀起來有鹽有甜，滋味十足。 我手頭隨手翻的，還有一套金瓶梅，清河縣翻騰的是哥弟爹爺、姐妹姑婆，計算機學界里翻騰的就是師徒弟子、教授博士，都一樣精彩。
人工智能還在曲折前行，故事瑣碎一郎當。知識表示也好，邏輯推理也好，還在步步向前。知識圖譜生逢其時，數據積累已多，人們需要計算機能夠理解數據的語義關系，深度學習也需要人類給它喂點精料，而不是一堆無意義的字符串讓它啃得口吐白沫。
有了這教具，計算機這孩子會越來越聰明。反過來說，人類也會越來越聰明，畢竟，教孩子的同時，自己也有提高。人類的自然語言，太笨拙了。如果有一天，外星人來造訪，聽了英語中文那模糊不清嘟嘟囔囔的黏糊勁，沒準拋開人類直接對話計算機。計算機就從知識圖譜里推理并檢索出一條知識給外星人:
