文｜腦極體

你可能沒聽說過DIKW金字塔，但你一定曾被按在這座塔的鄙視鏈上摩擦過。

曾有某個(gè)游戲主播形容自己的預(yù)判：觀眾只看到了第二層，想到了第一層，實(shí)際上我在第五層。于是，網(wǎng)友們形容一些讓人意想不到的操作，“這波啊，這波是在大氣層”。

這種說法雖然有些戲謔，但還真有點(diǎn)科學(xué)道理。

DIKW金字塔，是一個(gè)關(guān)于人類理解、推理和解釋的層次結(jié)構(gòu)，分別是：數(shù)據(jù)（原始的事實(shí)集合）、信息（可被分析測量的結(jié)構(gòu)化數(shù)據(jù)）、知識（需要洞察力和理解力進(jìn)行學(xué)習(xí)）、智慧（指導(dǎo)行動）。

站在DIKW金字塔尖的人，相當(dāng)于全部通關(guān)的頂級選手，掌握了數(shù)據(jù)、整理成信息、理解為知識、轉(zhuǎn)化成智慧，才能讓行動如有神助。足智多謀如諸葛亮，錦囊妙計(jì)用的那叫一個(gè)信手拈來，絕對是“站在大氣層的男人”。

DIKW金字塔適用于人，也適用于AI嗎？答案是肯定的。

如果AI也有鄙視鏈，那么基于數(shù)據(jù)的AI，一定會被基于知識的AI碾壓。

這是因?yàn)?，AI Is A Knowledge Technology，AI就是一種由知識驅(qū)動的技術(shù)。因此，從初級人工智能向高級人工智能、通用人工智能發(fā)展的過程，也是一個(gè)攀爬DIKW金字塔的過程。

近年來，AI領(lǐng)域的諸多學(xué)術(shù)力量、產(chǎn)業(yè)力量，從強(qiáng)調(diào)“數(shù)據(jù)出奇跡”的蠻力計(jì)算，向著“知識金字塔”的更高層級進(jìn)發(fā)，推動知識計(jì)算引領(lǐng)AI應(yīng)用的未來潮流。

可以說，我們正處于一個(gè)向基于知識的AI過渡的關(guān)鍵階段。AI已經(jīng)影響著你我生活的方方面面，所以有必要來聊一聊，AI沿著DIKW金字塔向上攀爬，將會帶來怎樣的變化？

回歸的鐘擺：理性主義的復(fù)興

將知識運(yùn)用在機(jī)器智能當(dāng)中，并不是什么新鮮事。早在上個(gè)世紀(jì)，人類就開始了探索知識計(jì)算的步伐，并廣泛應(yīng)用到工作和生活當(dāng)中。

AI誕生的那一刻起，就是理性主義和經(jīng)驗(yàn)主義兩大流派的交相輝映、此消彼長。它們的共同之處，都認(rèn)為機(jī)器智能首先要擁有知識，知識是智能的核心；分歧在于，對于知識的理解和獲取途徑不同。

而伴隨著這兩大流派的發(fā)展，知識與AI的結(jié)合，也就表現(xiàn)為兩種方式。

一種是理性主義的結(jié)合，人提供知識，機(jī)器負(fù)責(zé)計(jì)算。

理性主義認(rèn)為人的智能是先天遺傳的，要實(shí)現(xiàn)機(jī)器智能，就要理解人腦的運(yùn)行機(jī)制，將這個(gè)東西總結(jié)成知識，再由人來告訴機(jī)器怎么做。

典型應(yīng)用就是專家系統(tǒng)。

人類專家總結(jié)出知識，計(jì)算機(jī)根據(jù)專家系統(tǒng)知識庫進(jìn)行學(xué)習(xí)，這種方式可解釋性非常高。從1968年世界上第一個(gè)專家系統(tǒng)——化學(xué)專家系統(tǒng)DENDRAL研制成功之后，針對某個(gè)單一領(lǐng)域、模仿專家進(jìn)行推理分析的早期專家系統(tǒng)開始流行起來，廣泛應(yīng)用于工農(nóng)業(yè)、醫(yī)療、氣象、交通、軍事等眾多產(chǎn)業(yè)計(jì)算場景之中。

不過，專家機(jī)只能在一些特定領(lǐng)域發(fā)揮作用，建構(gòu)成本非常高。并且，受限于專家的認(rèn)知上限，如果人都沒有找到那個(gè)知識，或者表述不出來的話，機(jī)器就更不可能學(xué)會了。

于是從九十年代到現(xiàn)在，另一種AI與知識的結(jié)合模式就占據(jù)了主流，那就是經(jīng)驗(yàn)主義。

由人手工打造一個(gè)分類器，開發(fā)人員不必提前知道答案，機(jī)器可以不依賴那些人類專家描述不出來、“只可意會不可言傳”的知識，按照自己的運(yùn)作機(jī)制，從數(shù)據(jù)中來挖掘知識，通過大規(guī)模數(shù)據(jù)訓(xùn)練出模型參數(shù)，表現(xiàn)出超過人類的智能。

最具代表性的就是深度學(xué)習(xí)。

依靠強(qiáng)大的數(shù)據(jù)、算力和神經(jīng)網(wǎng)絡(luò)，谷歌大腦可以不需要人類的幫助，在不知道“貓”這個(gè)詞的前提下，通過訓(xùn)練將數(shù)據(jù)轉(zhuǎn)化為知識，看過數(shù)百萬張圖片后，自己提煉出貓的基本特性，知道貓是一種毛茸茸的（此處省略一堆形容詞）生物，然后成功在一堆照片中識別出貓。

基于龐大的數(shù)據(jù)，AI雖然并不真正理解和掌握相關(guān)知識，也就是“知其然不知其所以然”，不可能真的取代人類專家，但可以將復(fù)雜的模式識別問題分解成更簡單的模式識別問題，在一些特定任務(wù)中表現(xiàn)得比人類更好、效率更高，取得了長足的發(fā)展。深度學(xué)習(xí)也被視為經(jīng)驗(yàn)主義的高峰，成為推動第三次AI浪潮的核心。

但是，基于數(shù)據(jù)的AI，和基于知識的AI，還是有本質(zhì)區(qū)別的。著名的莫拉維克悖論，早就指出過這個(gè)問題，因?yàn)闄C(jī)器無法像人一樣將隱性知識融入思想和行動之中，形成高階智慧，所以成了邏輯的巨人、常識的矮子，在一些困難的問題如下圍棋上能超越人類，但在很簡單的認(rèn)知問題上，表現(xiàn)反而不如四五歲的人類小孩兒。

而解決思路之一，就是理性主義所推崇的，讓機(jī)器能夠如同真正的人類一樣理解知識并進(jìn)行思考。

就像丘吉在《鐘擺擺得太遠(yuǎn)》(A Pendulum Swung Too Far)所預(yù)測的那樣，AI已經(jīng)偏離經(jīng)驗(yàn)主義太遠(yuǎn)，將來回歸理性主義的速度就會越快，理性主義復(fù)興的步伐正在到來。

產(chǎn)業(yè)的呼喚：數(shù)智化浪潮與知識之光

或許你會認(rèn)為，經(jīng)驗(yàn)主義和理性主義，只是學(xué)術(shù)界的流派之爭，跟普通人和工業(yè)界沒什么關(guān)系。

實(shí)際上，在產(chǎn)業(yè)智能化的浪潮中，有越來越多的行業(yè)和組織，開始呼喚基于知識的AI，這是因?yàn)椤?/p>

模型設(shè)計(jì)階段，需要基于知識的理解。

我們知道，AI已經(jīng)開始走出實(shí)驗(yàn)室和象牙塔，走向千行百業(yè)，開始與物理世界和生物世界結(jié)合，而這些領(lǐng)域的數(shù)據(jù)并不是全部由1和0所構(gòu)成。

比如AI預(yù)測蛋白質(zhì)結(jié)構(gòu)，每個(gè)蛋白質(zhì)都不是一個(gè)簡單的圖像數(shù)據(jù)，它的背后是有具體意義的。不同的分子關(guān)系如何、怎樣相互作用、靠什么原理組合在一起等，有一整套生物學(xué)邏輯和知識體系支撐的，如果缺乏對藥學(xué)知識的了解，用純數(shù)據(jù)驅(qū)動的方法來設(shè)計(jì)模型，很可能做出來的模型無法發(fā)揮效用。

因此，想要AI模型真正能夠在產(chǎn)業(yè)端發(fā)揮價(jià)值，要結(jié)合實(shí)際工作的機(jī)理模型、專家知識等，轉(zhuǎn)化為AI可理解、可處理、可分析的數(shù)學(xué)語言。

模型訓(xùn)練階段，需要基于知識的數(shù)據(jù)。

在產(chǎn)業(yè)AI中，數(shù)據(jù)中往往存在大量的信息，也就是沒有或無法被表征的知識，往往體現(xiàn)為專家經(jīng)驗(yàn)或師徒傳承。想要訓(xùn)練出效果更好的產(chǎn)業(yè)模型，不僅需要大量、完備的數(shù)據(jù)，還要能夠精準(zhǔn)描述出數(shù)據(jù)之間的知識關(guān)系，這樣才能夠從數(shù)據(jù)中挖掘出更多有用的知識。

就拿我們?nèi)粘６紩龅降耐扑]算法來說，傳統(tǒng)的推薦算法是用戶喜歡什么就推薦什么，很容易陷入信息繭房。而國內(nèi)某科研團(tuán)隊(duì)，將食品營養(yǎng)科學(xué)的知識圖譜與推薦算法相結(jié)合，根據(jù)用戶反饋數(shù)據(jù)，比如點(diǎn)擊量、興趣偏好、身體數(shù)據(jù)等等，結(jié)合健康知識來進(jìn)行組合搭配與推薦。

基于知識的數(shù)據(jù)，能夠幫助打造高質(zhì)量、更懂人性的算法。就拿前面提到的推薦系統(tǒng)來說，相比不斷迎合用戶的算法，提供了一種既滿足口味喜好、又符合健康管理要求的選擇。再設(shè)想一下，如果AI能夠?qū)⑼赓u配送員的行為數(shù)據(jù)與人的常識性知識結(jié)合到一起，或許無限擠壓配送時(shí)間導(dǎo)致的內(nèi)卷困境，也有望被解決了。

模型落地階段，需要基于知識的信任。

AI模型落地應(yīng)用，在很大程度上取決于其可靠性：一是可信度，結(jié)果是否被人所信任，深度學(xué)習(xí)受限于可解釋性問題，在醫(yī)療等專精領(lǐng)域不如人類專家被信任；二是可靠性，能否在被干擾的情況下也能表現(xiàn)出較好的性能，也就是解決魯棒性問題。

中科院院士、清華大學(xué)人工智能研究院院長張鈸教授曾提出，在產(chǎn)業(yè)落地應(yīng)用的人工智能，需要符合五個(gè)條件：豐富數(shù)據(jù)或知識、完全信息、確定性信息、靜態(tài)環(huán)境、特定領(lǐng)域或單一任務(wù)。這五個(gè)條件只要有一個(gè)不滿足，AI產(chǎn)業(yè)化落地都非常困難。

而改變困境的思路之一，就是知識計(jì)算，讓AI系統(tǒng)能夠讀懂知識、學(xué)會常識推理，從而讓模型變得可信任、高可靠。

此前，谷歌為了提高搜索引擎結(jié)果的可信度和說服力，就將NLP與知識圖譜相結(jié)合來進(jìn)行學(xué)習(xí)。如果搜索者發(fā)現(xiàn)一些文章提到“XX曾在中國工作過”的信息，這些信息與知識庫融合在一起，顯示出XX曾為對華貿(mào)易委員會工作，而該組織在北京設(shè)有辦事處，那么“XX曾在中國工作過”的可信度就會大大提高。

同樣，如果自動駕駛系統(tǒng)從大規(guī)模文本信息中提取并學(xué)習(xí)到一些出行常識，比如“大卡車擋住了前方的視線，應(yīng)該小心一點(diǎn)，說不定突然過來一個(gè)人就可能撞到”，對常識性知識的理解無疑會大大增加人們對自動駕駛安全性的信心。

模型應(yīng)用階段，需要基于知識的計(jì)算。

當(dāng)前產(chǎn)業(yè)智能化的一大瓶頸是高成本的算力。龐大的深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)需要大量計(jì)算資源來處理復(fù)雜任務(wù)。一份來自馬薩諸塞大學(xué)的研究顯示，常見的幾種大型 AI 模型，訓(xùn)練過程會排放超過 626000 磅二氧化碳，幾乎是普通汽車壽命周期排放量的五倍。

拉踩一下，人類在思考（也是一種知識計(jì)算）時(shí)就十分節(jié)省能耗，心理學(xué)家卡尼曼在《思考，快與慢》中就提出，人腦既可以通過系統(tǒng)2進(jìn)行較慢的理性思考，也可以經(jīng)由系統(tǒng)1，基于已經(jīng)內(nèi)化的知識，實(shí)現(xiàn)無意識的、近似于肌肉記憶的快速運(yùn)算，大腦能量消耗極少。

未來，打造基于知識的AI模型，如同激活腦區(qū)一樣，將成為綠色計(jì)算的重要方法，保證產(chǎn)業(yè)智能的可持續(xù)發(fā)展。

不難發(fā)現(xiàn)，行業(yè)知識與AI計(jì)算的結(jié)合，既是理論上技術(shù)發(fā)展的必然階段，也是事實(shí)上產(chǎn)業(yè)AI化所不可或缺的一步。

作為一種致用技術(shù)，AI只有真正接納并融合行業(yè)知識，讓計(jì)算與知識轉(zhuǎn)變成新時(shí)代的生產(chǎn)力，才能凝結(jié)出技術(shù)的長期價(jià)值，推動第三次人工智能浪潮繼續(xù)向前奔涌。

艱難的攀爬：從數(shù)據(jù)層到知識層總共分幾步？

拋開應(yīng)用條件談技術(shù)前景的都是“畫餅”，基于知識的AI同樣少不了前提條件。需要具備至少幾個(gè)特征：

1. 知識表征的準(zhǔn)確性。

要讓AI理解并利用知識來解決復(fù)雜的現(xiàn)實(shí)問題，首先需要將這些內(nèi)容轉(zhuǎn)化為數(shù)學(xué)語言，變成AI可解的數(shù)據(jù)化路徑。

不過，一個(gè)AI系統(tǒng)中需要被表示的知識類型有很多，想要全面且準(zhǔn)確地表示出來并不容易。

其中，既有容易被表征的陳述性知識，如何做某事的程序性知識；也有不易被描述出來的知識，像是基于某個(gè)領(lǐng)域的專家經(jīng)驗(yàn)所總結(jié)的啟發(fā)性知識，就未必全是正確的；以及表示概念關(guān)系的結(jié)構(gòu)知識，比如分子和分子的相互作用，目前人類了解得還不夠全面。

知識表征的準(zhǔn)確性，將直接影響到機(jī)器是否能像人類一樣智能。

2.知識推理的多樣性。

推理能力是人類與其他物種最大的不同，尤其是創(chuàng)造性思維。而知識計(jì)算的核心能力正是推理能力，根據(jù)現(xiàn)有的表征結(jié)構(gòu)產(chǎn)生相對應(yīng)的新知識，為產(chǎn)業(yè)側(cè)提供創(chuàng)造性見解。

完全可以想象這樣一個(gè)場景：建立一個(gè)龐大的知識庫，儲存著人類完成各種任務(wù)所需要的知識， AI不再需要對每一個(gè)特定場景、特定數(shù)據(jù)集進(jìn)行專門訓(xùn)練，可以像一個(gè)真正的聰慧人類一樣，觸類旁通、舉一反三，輕松地完成推理分析，應(yīng)對現(xiàn)實(shí)世界中各種各樣的復(fù)雜任務(wù)。

3. 知識獲取的自動化。

建立常識庫并不是件容易的事，也被叫做“AI 的曼哈頓工程”。 尤其是信息爆炸帶來的海量數(shù)據(jù)，需要機(jī)器接管將信息轉(zhuǎn)化為知識的工作，要提高知識獲取的效率，自動化成為必須啃下的一塊硬骨頭。

使用自動化方法來獲取新知識，能夠加快AI知識系統(tǒng)迭代，實(shí)現(xiàn)模型的自動更新，縮短構(gòu)建行業(yè)知識圖譜的時(shí)間。

4. 知識應(yīng)用的高效率。

不同行業(yè)的知識沉淀、應(yīng)用、管理方式千差萬別，讓企業(yè)自己去搭建一套個(gè)性化工具并不現(xiàn)實(shí)。因此，知識計(jì)算想要落地行業(yè)，還需要一系列標(biāo)準(zhǔn)化工具，提供知識搜索、高性能查詢、可視化分析等功能，提高對知識的挖掘效率。

作為一個(gè)新崛起的技術(shù)方向，需要有前瞻眼光的平臺化科技企業(yè)與組織來做好基礎(chǔ)設(shè)施建設(shè)，并將能力接口向各行各業(yè)企開放。

數(shù)據(jù)和信息描述世界，知識和智慧理解世界。從這個(gè)角度說，AI在DIKW金字塔上的層次越高，能力就越強(qiáng)，距離強(qiáng)人工智能也就越近。這條攀爬之路并不好走，卻是AI產(chǎn)業(yè)化和產(chǎn)業(yè)AI化的必經(jīng)之路。

最后的最后，當(dāng)AI登上金字塔尖的那一刻，獲得真正的智慧，屆時(shí)我們已經(jīng)不能確定，AI會不會是地球上最聰明的物體了。或者說，人類還在智慧的最高層嗎？

正如艾略特在詩中所寫的：“我們在哪里丟失了知識中的智慧？又在哪里丟失了信息中的知識？”（Where is the wisdom we have lost in knowledge？/ Where is the knowledge we have lost in information？）

曾幾何時(shí)，智慧是人類所特有的東西，是人作為萬物之靈長的代表。很多人正在數(shù)字時(shí)代，越來越少地掌握知識、主動思考，越來越多地沉浸于支離破碎的數(shù)據(jù)和信息汪洋之中。

或許，當(dāng)我們見證AI向金字塔尖攀爬的時(shí)候，更重要的是，對人類向金字塔底部的滑落保持一點(diǎn)警醒。