百度王海峰：知识图谱是AI的基石
作者：王海峰 来源：infoq
各位热爱AI以及关心AI的朋友们，各位从事AI的同仁们，大家上午好，非常感谢杨静女士给我这个机会，和大家交流人工智能相关的话题。我的主题聚焦在AI具体领域—即知识图谱。
我们认为，知识是AI非常重要的基石，所以，今天我专门和大家交流一下我们在知识图谱方面的工作。
“科学技术是第一生产力”， 这句话相信所有朋友都知道。从18世纪第一次工业革命开始，科学技术就把巨大的自然力和自然科学注入到生产过程中，从而大大提升了生产力，生产力又影响生产关系的变化，进而为整个社会方方面面都带来改变。19世纪的第二次工业革命使我们进入电气时代，20世纪第三次工业革命使我们进入了信息时代。随着这些工业革命的发生，科技对我们越来越重要。而今天，我们非常幸运地处在第四次工业革命之中，这其中最核心的科技就是人工智能。我们看到，人工智能已经在影响我们生活的方方面面，渗透到各行各业。无论是我们想搜索信息还是浏览信息，还是根据地图导航出行，或者翻译……各行各业都在大量地应用人工智能。
我们可以清晰地看到，不管世界范围内还是在中国，人工智能的投资、产业规模等都在迅速增长，而且可以预计未来还会高速增长。人工智能在各个领域、各个方向上都非常活跃。
总结以上所说的，我们认为，人工智能是新的生产力，是未来很长一段时间里，人类生产力提升最重要的基础。
众所周知，百度是从做搜索引擎开始的。差不多18年前，我们开始做搜索引擎。从做的那天开始，一些人工智能技术就在其中得到应用，比如自然语言处理技术。七八年前，我们更全面地布局人工智能，从自然语言处理开始，到语音、图像、深度学习、机器学习、数据挖掘等等，今天，我们形成了相对完整的人工智能布局。
基础层，是人工智能很重要的组成部分，要有大数据，强大的计算能力，还要有非常强大的算法。
而真正可以模拟人的能力，我们把它们分成两层：感知层和认知层。我们知道，每个人通过眼睛、耳朵等来感知这个世界，所以，我们要做计算机视觉相关的图像、视频技术，也要做AR、VR技术，还要做和人的听觉相关的语音技术，如语音识别等等。应该说，感知能力不仅人有，很多动物也有，甚至有的动物听觉比人强，有的动物视觉比人强。而认知是人特有的，语言是人区别于其他动物的能力。同时，知识也是人不断进步的重要基础。我们除了要有认识客观世界的知识，人和人之间还要交互，以及对人的理解，这就是认知层的技术要解决的。
在此基础上，我们提供AI开放平台。在百度内部，我们用平台化的方式支持了公司大量的应用，同时也把我们的平台对外开放，打造AI生态，最终通过产品应用为每个用户、企业等提供服务。
假如我们要搜索一张图片，用图像处理技术很容易在网上找到一张相似的图，这个图像处理技术就能完成了。如果我们想问的问题是，白葡萄酒的营养价值，仅仅图像处理技术就不够了，这需要知识。百度在回答这样一个问题时就会用到背后的知识图谱。下面这个例子也是一样：语音技术可以把曲子识别出来是什么，相应地在曲库里找到歌曲，甚至专辑的封皮也能调出来，但是如果想知道这个曲子谁演奏过，仅仅语音技术就不够了，这就需要知识以及知识图谱的支撑。
因此，大家看到，感知层、认知层技术看似是相对独立的，而且每个技术也有非常多的问题要继续研究解决，但是，把它们组合在一起，尤其是赋予知识以后，我们就可以做更多的事情。所以我想说，知识是AI进步的阶梯。我们每个人都知道高尔基这句话——“书籍是人类进步的阶梯”，这里面包含两方面的意思，一方面人通过读书可以不断地学习更多的知识，不断地进步；同时，有了更多知识，更多能力的人也可以不断地产生新的知识，有更多的知识可以沉淀下来、传承下去，这个阶梯也会随之越大越高，人也可以越走越高。对人工智能来讲，知识也是一样的，有了知识的人工智能会变得更强大，可以做更多的事情，反过来，因为强大的人工智能，也可以帮我们更好地从客观世界中去挖掘、获取和沉淀知识，而这些知识和人工智能系统形成正循环，两者共同进步。
我们有很多方法可以把现实的知识富集起来，通过各种算法，让它变成一个网状的知识图谱，这里面的知识非常多，比个人脑子里存储的知识都要多，同时可以有强大的网络，成为人工智能应用的基石。
先举个例子，这是从数据到信息、到知识、到智能的“金字塔”。比如我们看到95这个数字，我们都知道这是数字，但它意味着什么呢？如果我不给你更多的信息，你只知道它是一个数字，如果我告诉你，这是今天的PM2.5指数，那95这个数字就变成了一条有用的信息。但是如果我没有背景知识，不知道PM2.5是95意味着什么，这个信息对我的价值也不大，95是好还是不好呢，不知道。如果这时候有知识，我知道95意味着空气质量大概是良，这就已经是有知识了。进一步，我可以知道这个指数可以正常户外活动，但敏感人群应该减少外出，这就是从信息到知识到智能的过程。
这是百度知识图谱。最下面一层，我们要有基础的存储、运算和服务能力。百度的知识图谱从非常多的海量数据里挖掘出来，包括互联网上的数据、行业数据，也包括日志数据等等，再进行挖掘、归一、融合。同时，图中一个个节点要建边，最终形成通用知识图谱、行业知识图谱。在这些基础之上的巨大图谱，会有基本的算子去查询、标注、计算、推理、预测等，每一个产品会调用这些算子访问图谱，从而完成特定的能力。
这样讲还比较抽象，给大家看一个图。这是百度庞大的知识图谱里一个很小的局部。我们随便从中间看一个节点，比如《中国有嘻哈》，会发现很多事实可以连接到这个节点上，比如它相关的演员、音乐的类型，办这个节目的爱奇艺等等。经过几次大家发现会关联到很远，右边是关联到中国诺贝尔奖得主屠呦呦，左边也关联到其他很多人。知识图谱包含大量的知识，在不同的应用中会起作用。当然，这里面每个节点，远远大于我此刻所展现出来的，，如果这个屏更大，能给大家展现更多。
回到抽象的部分，看看我们这个知识图谱到底有多大。这里面的每个节点可以理解为一个实体，不管是人、物还是实体，大概有几亿个，实体和实体之间会有很多边，一个实体可能会有几十个、几百个、几千个边，这是组合关系，非常多。每个边构成一个事实，比如《中国有嘻哈》谁参加了这个演出就是一个事实，谁举办了它又是一个事实。现在百度知识图谱里这个事实的量已经有千亿个。同时，我们支持基于图谱的动态计算，包括几十个应用场景，每天有几百个数据流同时在工作，都支持秒级更新，可以多层次地查询。
下面举一个通用知识图谱的例子。这里有一段百度百科里的文字，通过自然语言分析理解，可以把这段文字抽取成一个图谱。比如银河系会和太阳、地球等连接，会有很多边，这是抽取出来的一个通用图谱。而右边相当于从另一篇文章里抽取的又一个图谱。这两个图谱有些相似但又不同，他们有不同的数据来源，尤其一些常见的实体，网上有成千上万的网页和它有关，能抽取非常多的知识，这时候要做知识的融合，甚至有一些数据可能带来错误，不管是原始数据的错误还是分析过程中的错误，都要校验，最后保证知识图谱的质量。
再举一个行业知识图谱的例子，这是电信行业某一个运营商的手机流量套餐。和流量套餐相关的会有很多联接，比如日流量、月流量、流量包等等，可以建这样的图谱。同时，对于一个行业来讲，除了它静态的实体、属性、关系以外，还有业务逻辑。比如你打一个运营商的客服电话，想办流量包，他会问你是什么包，全国包还是本地包等等。你选择了其中一个以后，要查流量或者其他服务，又是一个完整的流程。这个流程实际上组成行业知识图谱的一部分。结合左边的图和右边的流程，我们就完成了一个运营商自动的客服。现在大家打到运营商某个客服电话，有一定比例其实是在和百度的智能客服机器人对话。
刚才讲的是一些基本的图谱应用，再讲一个带有一定推理色彩的。比如我们问今天离圣诞节还有几天。这样的问题对人来讲不是很难，对知识图谱而言，这就不是一个静态的知识，我们无法把这个问题的答案直接存在图谱里，而是需要先把今天是几号搞清楚，圣诞节是哪一天搞清楚，然后做个简单的计算得到一个正确的答案。
而右边的更复杂一点，用户的问题是，“Zippo能不能带上飞机”。我们需要先在知识图谱里知道Zippo是打火机，而民航规定打火机是不允许带的，这时候再推理一步就得到最终的答案，坐飞机是禁止带Zippo的。
百度很早就在做知识图谱了，真正大规模上线是2014年，到今年三年时间，这个曲线一直在飞速地增长，长了大概160倍，说明百度搜索这样的应用越来越依赖知识图谱。
传统的搜索是搜索一个内容，主流搜索引擎一页给10个结果。有了知识图谱的支撑，我们可以给用户更直接的答案，并以一种更友好的方式呈现。比如第一个例子是搜索“胡歌”，大家看到图文并茂的结果，需要的常用信息放在这儿。第二个问“太阳的重量”，虽然网页也能找到，但不如直接把重量给出来。最右边的例子是用户搜索“孙俪”，除了给一些孙俪的信息出来，还会有相关的人、作品等等。我们把相关的影视作品推荐出来，用户可能感兴趣，比如《那年花开月正圆》，在界面一点就可以进入《那年花开月正圆》的页面。
汉语语言本身非常博大精深，有专门针对汉语语言的知识图谱，比如问“凹凸的凹，笔顺。”这个字我相信每个人都会写，但是不是每个人都能写对笔顺呢？知识图谱可以直接把笔顺告诉大家。我们现在大多用拼音输入法和语音输入，一些字不会念，也没法拼音输入。针对中文，我们会把汉字拆解，用语言描述它。比如，如果不知道“怼”字怎么念，我们就可以这样提问，“上面是对下面是心怎么念。”家里有学生的朋友可能会比较关心这个问题，比如要查美好的“好”字的多音字词组，或者成语等等，知识图谱可以直接列出来。
屏幕上是我们根据新智元曾经发表的一篇文章，分析这篇文章里面提到的关键词语和关键实体，组成的一个图谱。文章由此被打上标签。比如主题标签是“人工智能”，话题标签是“深度学习”等等，还有加上其他标签。我们对用户也有自己的模型，知道他关心什么领域，关心什么话题，有了两者的标签，我们就可以把合适的文章推荐给合适的用户。比如这个用户的画像是“IT精英”、“互联网”等等，新智元这篇文章可能正好是这个用户所喜欢的。
再举一个NBA的例子。NBA很著名的球员，比如詹姆斯、库里等等，他们之间有各种关系，不只是和现在球队之间的关系，比如他的基本信息，身高、体重、成就等等。很多人把詹姆斯和科比做对比，这个对比在图里也能看到。用户有时会在一些产品里提问，比如问詹姆斯取得了什么成就，和科比对比等等。机器之所以能回答这些问题，是因为背后有这些知识。所以，一轮一轮，机器和人之间就交流下去了。
我上中学的时候在看1983版的《射雕》，现在有了最新的2017版《射雕》。我们现在知道这个视频是新《射雕》，它的主题曲是《铁血丹心》。当我们问类似的视频是什么，就能找到1983版的《射雕》。知识图谱会纵横交错把各种信息关联起来，不管现在还是历史的。1983版的郭靖是黄日华演的，如果问黄日华其他作品，就能看到《天龙八部》；如果问这部书的作者是谁，就会找到金庸先生。一步步延伸下去，相当于在这样巨大的图里畅游，每个用户关心的方向不一样，往任何方向都可以不断地延展下去。
刚才讲了一些应用的例子，从搜索到对话，到推荐等等。虽然这次人工智能的爆发很大程度上和互联网关系很大，但人工智能影响的远远不止是互联网行业，它会影响到各行各业，深入到我们工作和生活中的方方面面。这次十九大报告也指出，将互联网、大数据、人工智能这些技术与实体经济深度融合，包括工业、农业、金融等领域。融合的过程中，人工智能要想为这些行业有更好的服务，需要对这些行业进行定制化，要有行业的知识，这时候在通用知识的图谱上也就进而要有行业的知识图谱，帮助这些行业提升生产力，帮助这些行业和产业去升级。
最后，我想总结一下。我们通过AI技术和大量的数据、以及与用户的互动不断地学习，汇集越来越多的知识，这些知识不仅包括通用的知识，也包括行业的知识，进而更好地理解世界，从而让我们用人工智能来提升我们的产品，提升每一个行业，让我们的生活变得更加美好。
谢谢大家！
,
