曾記得十幾天之前否?那時我們躊躇滿志的跨進了2018，滿懷著對未來的渴望和珍重……然后我們驚奇的發現，2018第一個火起來的詞叫“撒幣”…

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里的，畢竟做生意是為了賺錢，搞出來這么大場面當然是為了放后招，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，說不定能干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，簡直獲得了直掛云帆濟滄海的痛快!這背后的功勞主角，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……

知識圖譜是什么鬼？

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

上世紀40年代，人工智能被提出之后，無數科學家們就開始琢磨，到底用什么方式能讓機器模擬出人的智慧呢?琢磨來琢磨去，人對于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后，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：橘子屬于水果，檸檬屬于水果，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，雖然這場運動之后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，基于語義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，將真實世界中關于事物的知識、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，于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，然后你去搜索一下，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，那么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，并能基于此提供相關的技術和服務，比如這里舉例的推薦技術。