知识就是力量，让机器站在巨人的肩膀上

<hr>
<blockquote>
作者：微软亚洲研究院闫峻博士
</blockquote>
<hr>
知识是什么？抽象来说，是人类对世界的认知，对宏观及微观世界客观规律的总结。具体来说，大到牛顿定律、量子力学中的科学发现，小到自家孩子的生日、太太做饭常用的酱油颜色，都是我们所掌握的知识。如果这些人类掌握的知识可以被表示成计算机可以读取并计算的形式，那就是计算机科学领域研究的可计算知识了。
可计算的知识类型很多，常见的有知识图谱，比如一部电影通过导演这层关系可以链接到一个具体的人，这个人通过国籍关系又可以链接到一个国家，最后所有的实体和关系在一起会构成一个很大的图结构，这就是知识图谱。另一个例子是，我们将大量的常见问题与对应的答案放在一起，就可以构成一个问答知识库，通过自然语言理解技术能让机器进行自动问答。
还有一类知识经常容易被忽略，那就是已经被训练好的用来解决具体问题的机器学习模型。因为每个模型都会有定义好的输入和输出，它被训练后已经是对数据或人类经验的拟合，所以，虽然很多情况下模型无法直观地解释，但它其实已经是机器学习到的知识了。
在具体应用中，各种类型的知识还可以通过不同方式组合在一起使用，比如一般意义上的知识图谱中的每个节点或关系，除了可以是电影、国家、国籍这种确定的符号以外，还可以是一个已经训练好的机器学习模型与其它实体或模型链接在一起作为图的一部分，这类例子我们在研究中将其称为广义知识图谱。 <img alt="" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-9996be0a316c669c24d7ddcf7f48ba45.jpg">
<h2 id="toc_0">为什么要研究可计算的知识？</h2>
首先，如果将一个智能的机器与智人来类比，它除了需要一个聪明的大脑，还需要受过良好的教育并具有丰富的经验才能解决实际的问题。而知识的引入就是一种对机器进行教育并赋予其经验的重要手段。儿时我们可能都幻想过是不是可以不用上学，在脑袋上插个东西就可以学会所有课程。这对于人类来讲确实很难实现，但对于机器却是切实可行的。
其次，我们现在的很多统计机器学习算法都倡导一切从数据出发，从零开始学习。但回想人类社会的进步，尤其是科技的进步，大多是站在前人的肩膀上一步一步发展起来的。前人们通常会把学到的东西和积累的经验总结成知识。而这激发了我们去想象为什么不能直接教授给机器知识而一定要机器在数据中从头学起呢？这样的话，可计算的知识就变得十分重要，它可以让机器直接读取已知的知识并在此基础上进行新的学习，也就是让机器站在巨人的肩膀上进步了。
另一方面，我们常把人工智能问题分为感知计算与认知计算。前者学习人的感官，如看东西的能力、听声音的能力等等。后者则学习人的认知，如自然语言理解的能力等。其中，知识对于认知计算具有重要意义。这个论断或许有些抽象，我们举个例子来进行说明：我没有学过基因组学，所以当我拿到一篇这方面的文章时，好像每个词/字都能读出来，但就是看不懂内容。什么原因让我看不懂？因为我没有背景知识，不知道每个词背后有什么深刻的含义，也不知道提及的实体间有什么关系。
人类能理解自然语言，很重要的一个原因是我们拥有相关知识，而不是只靠读表面上的几个字符。反观机器，如果没有背景知识，单纯靠那些字符，有可能真正理解自然语言吗？所以说，我们相信知识对于人工智能领域的进一步发展，尤其是对认知计算的进一步发展，将具有重大意义。
<h2 id="toc_1">在“知识”这个领域，我们都在研究什么？</h2>
接下来，让我们简单看一下在“知识”这个领域，我们都在研究什么问题。在海量的数据中，我们需要的知识在哪？哪些是有价值的知识，哪些是信息垃圾？如何从数据中把我们需要的知识有结构地提取出来？得到知识以后，怎样才能把获取的知识表示成计算机可以计算的形式？以及接下来，由于知识的来源很多，怎样可以把不同来源、不同表示的知识融合在一起？然后在基于知识进行计算的过程中，如何让机器像人一样利用知识进行理性的推理，或者做感性的决策或预测？
<