7月9日，2021年世界人工智能大会，竹间智能成功举办了“AI智简|认知智能创科技未来”分论坛。论坛上，竹间智能创始人兼CEO简仁贤先生发表了题为《认知智能赋能企业转型》的演讲。他重点探讨了认知智能的基石——知识图谱，环环相扣地阐述了知识图谱的定义、优势、独特能力与构建原理，接着围绕产业界极重视的大规模落地问题，结合具体例证及经验心得，描绘了跨越众多行业的不同应用，最后针对企业在创新进程中易陷入的两难境地，为“Buy or Build”这个经典难题给出了一个耐人寻味的答案。事不宜迟，立刻来品读一下本次演讲中最精华的部分。

认知智能的重要性

人工智能简单来讲分三个领域：一是机器视觉；二是ASR跟TTS，也就是语音识别；第三个部分是NLP相关领域，包括自然语言处理、意图理解、情绪识别、对话交互和知识推理，还有自动阅读理解，这部分是今天我要讲的重点。

竹间智能一直以来关注的便是NLP自然语言处理。人跟人之间的对话基本都要靠语言，让机器理解人类的自然语言表达，就叫做自然语言处理技术。前面说的机器视觉跟语音辨识更多是属于感知，而自然语言处理偏向于认知。

大家为什么要学认知智能？其实它在全世界各个高校的研究里面都是非常艰深的一个课题。我们这个世界现有的信息非常复杂，人们生活的方式也非常复杂，如果把整个世界当做一个模型，会是什么样的模型？假如没有认知智能与情感智能，你无法了解这个模型的运作，无法理清人跟人之间的关系，无法把握人跟人之间共通的以及相互连接的部分。

对企业来说，随着时代的发展，互联网已经变成了一个很常见的模型，是大家所生活的这个世界的一种表现方式。未来，个人的知识资产会决定个人的价值，企业的知识资产也将决定企业的价值。认知智能可以帮助企业在未来的数字化变革潮流当中加速业务发展，如果现在就开始积极采用认知智能，那企业在三五年之后获得的红利，将远远超过那些没有采用认知智能的企业。如果你今天不行动，企业未来的盈利和运营能力很可能会大大降低。

知识图谱是认知智能的基石

在认知智能领域，知识图谱是非常关键的技术。知识图谱，顾名思义，就是用图谱的形式对知识进行表达和表示。能够把知识图谱技术开发好、应用好，就可以产生更高的价值。

我用一个简单的例子来解释知识图谱。先问大家一个问题：大熊猫有没有尾巴？对这个问题，人会怎么回答？第一种，可能会回答：我去四川见过大熊猫，看到它有尾巴——这是感性记忆；另外一种回答可能是：由于大熊猫是哺乳动物，所以它有尾巴，这是理性推导；还有一种是说，我以前回答过这个问题，所以答案应该是怎样的——这是断言式的。以上这些是我们人类的回答，有多种逻辑，有不同的思考方式。

那如果是机器人，它会怎么回答？机器人没见过大熊猫，除非你给他植入机器视觉。描述大熊猫有很多信息，这些信息都是非结构化数据，你写出来的文字、你读过的文档都是非结构化数据，若没有经过处理和整理，你要花很多时间去读、去看、去理解才行，但我们用知识图谱将其转变为概念化的表示方式，就会变成下面这个样子：

然后，机器人就可以根据这个图谱来回答你：很简单，大熊猫有尾巴。如果各位用搜索引擎去解答这个问题，你可能找到很多文章，但你要自己去看内容，才会知道大熊猫有没有尾巴。有时候搜索引擎给你的还是不正确的信息。经过语义理解和知识图谱，你可以确认大熊猫有尾巴，这是可追溯而且是可解释的，是基于事实来回答的。这是知识图谱可以做到的很简单但很重要的事情。

知识图谱的突出优势

知识图谱能协助企业迎接形形色色的业务挑战。第一，它可以帮助采集知识，包括业务知识、商业知识在内的任何知识。IT行业发展了几十年，我们囤积了巨量的非结构化数据，以PDF、Word、PPT等多种形式存在。这里面蕴藏着丰富的知识，如果不挖掘出来，就毫无价值；如果能挖掘出来，就可以产生极大的作用——知识图谱可实现这一点。

第二，知识图谱有助于发现、整合和使用数据。它将结构化和非结构化数据进行连接，整体利用起来，能够找出一些以前不为人知的知识。而且知识图谱会持续性地发生改变，随着知识的变化而变化。不同的时间段，有些知识会不一样，我们称之为“时序知识图谱”。建立起这种时序性，才能更准确地描述事实及使用知识。

另外一个是，知识图谱能简洁快速地回答复杂的业务问题。过去，企业积累了很多知识，知识跟知识之间存在直接或间接的关联，你可能要翻查多个系统或大量文档才能解决问题，或者根本无法查到，如今，通过统一的知识图谱的推理能力加上自然语言理解能力，可以更快地找到答案。

第四，知识图谱技术可以让AI更加高效。因为它可以把实体和实体之间的关系特征都梳理好，在机器学习和深度学习方面减少很多不必要的数据标注以及训练，让深度学习模型具备可解释性，也可以辅助多任务的机器学习，从而提升整体效率。这是知识图谱的一大主要优势。

知识图谱的四大能力

知识图谱有四项重要能力，第一个是可推论，第二个是可关联，此外还有可解释和可交付这两大能力。

什么叫可推论呢？首先，知识图谱可以从大量的数据中发掘出新的insights和 patterns，发现信息之间的关联性，这靠人力是做不到的。过去没法形成大规模商业应用，正是因为很多企业都是借助人工来构建知识图谱，没办法自动去发现和挖掘知识，导致它们处于冷封状态。其次，知识图谱可以用最自然的方式来挖掘珍贵数据，而无需凭借关系型数据库，这在是以前也是做不到的。你不用去总结一个关键词来搜索，只要自然而然地发问就行了。此外，可推论能力有利于加速相关的调查研究流程，让搜索范围更大。

第二是可关联，这非常关键。知识图谱用数据和概念的方式去呈现实体及实体间的关系，相当于我们用自然语言的方式，将整个世界变成一个超大的模型。所有的图谱里的所有实体，上下文中的内容和内涵，都是可关联的，因而能够找到一些平常难以发现的隐藏信息或连接。

第三是可解释。知识图谱的很多特征可以用到深度学习上面，使其变得可解释。大家知道深度学习中的非监督机器学习，要一层一层抽丝剥茧地去训练，是不可解释的，但是知识图谱可以让它变成可解释的。而且图谱具有丰富的特征数据，能够联结各种数据，从而将整个流程变得更大。

最后，知识图谱是可交付的。它不像传统数据库，数据如孤岛般分散，它可以将零散的数据连接起来，用简单的方式，在中台完成元数据的交付，我们称之为Knowledge Fabric。

知识图谱的构建原理

2005年，我第一次接触到RDF（Resource Description Framework, 资源描述框架），深深受到了Tim Berners-Lee的影响。从那个时候起，我就认为世界可以变成一张宏大的知识图谱。一直到现在，我们有了机器学习和深度学习，能够处理大量的非结构化数据，才有办法让新一代的认知技术适应各种文档和数据，可以进行交互。没有自然语言处理与理解NLP与NLU，就没有办法做交互，那你纵使有知识也是无法利用的。

我们所说的多源异构数据，涵盖PDF、PPT、Word、纸质文档，还有网络上的信息。知识抽取主要是指抽取关系、抽取属性、抽取事件，抽取完了以后进行知识融合。知识融合方面，一个是做实体消岐，一个是做实体链接，另外还要做实体融合。先看是不是有一样的实体可以对齐，如果有，那就将它们融合起来，继而进行消岐，再创建链接，然后去补全、校正这些知识，这就形成了知识图谱。这是一个循环的过程，整个知识图谱会一直演进，越来越大，不断更新。加上时间维度，它就变成了时序知识图谱。

自监督的实体消岐技术非常重要，我们通过已知的知识图谱去学习不同实体之间的特征，可以自动构建训练集、测试集，让训练更快，如此一来人工标注量会大大减少，甚至于不需要。另外一个焦点是推理的生成，我们通过NLP技术能够抽取信息，从文本中构建实体间的关系。

就自动构建方面而言，NLP可以把任何的句子和词都拆解成很小的元素，以此去构建各种实体与属性，从语义方面进行解析，去发现他们之间的关系，解析完以后也可以建立一幅知识图谱。

认知智能的实际应用

认知技术该怎么落地？如果把它应用到企业中？首先是看在当前的业务流程里，可不可以找出一个清晰的四元组模型，囊括人、实体、地点、事件这四大元素。如果有，那这就是你落地的一个选择。其次，要关注复杂有难度的业务，不要考虑太简单的业务，挑选那些需要花很长时间、人力难以企及的场景，知识图谱可以立竿见影取得极佳的效果。比如我们曾帮很多企业去实现文档的查重、比对和抽取，靠人力是无法完成的。接着，找到合适的业务场景之后，就可以开始构建MVP，分多个步骤，逐渐迭代，不要一次性把业务系统全部换掉。知识图谱用不着推翻企业内部结构，它是以企业知识为中心，将数据孤岛统统连接起来。

未来，企业的实力取决于科技。竞争力强的企业，经过业务重构之后会成为一家认知智能企业，享受认知技术的便捷，而ERP、OA之类的平台都只是工具罢了。竹间智能钻研了6年，取得了一系列突破，如今，从原始文档自动构建知识图谱，到对话机器人自动回答，只需要一个小时，就可以达到过去花6个月也无法达到的预期效果。

比如，在我们的产品界面上，先输入一篇类风湿免疫疾病的文档，里面讲了风湿病的特征、症状、治疗方式，然后经过我们的平台，自动生成标签，把关系、属性、事件都抽取出来，建立三元组，随后便可形成可视化的知识图谱。如果有一万篇文档，那这幅图谱就会变得相当大。通过图谱，你可以查询、问答，找到自己想要的答案。它就如同一个大脑，不光是能开展简单的Q&A。机器人马上就可以调用这幅图谱，直接回答你的提问。你查搜索引擎是没法找到这样的答案的，因为机器人是用自然语言理解的技术加上整个知识图谱来进行解答。

 竹间已经将自动构建知识图谱的技术产品化了，这个产品叫做 Gemini，并可以大规模应用。上面这个例子是落地在医药医疗行业的，你可以想象，制造、金融、保险、公共安全、城市管理等领域，亟待解决的问题有多少？而且，知识图谱给出的答案都是正确的，不存在模棱两可的现象，所以知识图谱+语义理解，机器人把短文本NLP和长文本NLP结合起来，实现自动化应用，即将颠覆常规的搜索引擎，来赋能于企业。将来，企业和人都不需要搜索引擎了，我们只需要一个载体——将知识图谱跟对话输出融合为一的载体就够了。