誰是2018年AI圈最靚的仔？
這頂“桂冠”只有兩位候選人：俗話說，前端能打看BERT，底層深度看圖網絡。其實并沒有這句俗話……但是BERT和圖網絡在今天的AI界并駕齊驅，堪稱被討論最多的兩種技術，這一點是毫無疑問的。谷歌的BERT作為一種算法模型，在語言任務上展現出了不講道理的應用效果，熠熠奪目自然很容易理解。
但另一個最近大家聽到很多次的詞，圖網絡，可能就沒那么容易理解了。相比某種算法，圖網絡更像是一個學術思考下若干種技術解決思路的集合，非常抽象和底層。它的價值到底在哪？為什么甚至能被抬高到“深度學習的救星”這種程度？我們發(fā)現，目前關于圖網絡的解釋，大多都是從論文出發(fā)。非技術背景的讀者可能會看得有點暈。所以這里想用一些“大白話”，來描述一下：風口浪尖上的圖網絡，究竟有什么秘密？
想讓自己在AI圈潮酷起來嗎？聊Graph和GNN吧
所謂圖網絡，并不是指有圖片的網站……而是指基于圖（Graph）數據進行工作的神經網絡。
Graph，翻譯成“圖”，或者“圖譜”。這是一個數學概念，指由頂點（nodes）和邊（edges）構成的一種數學關系。后來這個概念引申到了計算機科學中，成為了一種重要的數據形式，用來表示單元間相互有聯系的數據網絡。此外，這個概念還引申到了生物學、社會科學和歷史學等無數學科，甚至變成了我們生活中的常見概念。在警匪片里，警局或者偵探辦公室的墻上，往往掛著罪犯的關系網絡圖，這大概是我們生活中最常見的Graph。
回到計算機科學領域，圖數據和基于圖的分析，廣泛應用于各種分類、鏈路、聚類任務里。人工智能領域有個重要的分支，叫做知識圖譜?；具壿嬀褪菍⒅R進行Graph化，從而在我們尋找知識時，可以依據圖譜關系進行追蹤和定位。比如我們在搜索引擎中搜某個名人時，相關推薦會跳出來跟這個人字面意義上無關的其他人。這就是知識圖譜在起作用。
那么圖網絡是怎么搞出來的呢？
大家可能知道這樣一個“唱衰AI”的小故事：用機器視覺技術，AI今天可以很輕松識別出來一張照片上的幾張人臉。但它無法像真人一樣，一眼看出來圖上是朋友、戀人還是家庭聚會。換句話說，一般意義上AI無法獲得和增強用人類常識去進行邏輯推理的能力。很多人以此判斷，今天的AI并不怎么智能。
AI科學家們琢磨了一下，表示這事兒有辦法搞定。如果把圖／圖譜作為AI的一部分，將深度學習帶來的學習能力，和圖譜代表的邏輯關系結合起來，是不是就好很多？
事實上，Graph＋Deeplearning并不是一個全新概念。最早在2009年，就有研究提出了二者的結合。近幾年這個領域陸續(xù)在有研究出來。對于這個組合產物，學術界有人稱之為圖卷積網絡（GCN），也有人稱呼其為圖神經網絡（GNN）或者圖網絡（GN，Graph Networks），其技術內涵和命名思路也各不相同。這里暫且使用圖網絡這個籠統(tǒng)稱呼。
圖網絡作為一種新的AI研究思路，之所以能夠在2018年被點燃，很大程度還是號稱AI扛把子的DeepMind的功勞。在火種拋出、全球跟進以及反復爭論之后，圖網絡變成了AI學術圈最靚仔的那個關鍵詞。今天大有一種，聊深度學習不說圖網絡就很low的感覺……
從識別小能手到推理專家：AI新貴求職記
有種論調是這么說的：深度學習已死，圖網絡才是未來。這句話怎么琢磨都有問題。因為從圖網絡在去年被“翻新”出來那一刻，它在本質上還是對流行的多層神經網絡的一種補充。讓我們來打個比方，看一下跟傳統(tǒng)深度學習相比，圖網絡應該是如何工作的。
舉個例子，假如我們想讓教育我們的孩子，讓他認識新來的鄰居一家人。我們應該怎么辦呢？可以選擇給他講，隔壁新來了某個小朋友，他爸爸是誰媽媽是誰。但是這樣不直觀，孩子很容易記不住。而更快的方式或許是拿著照片給他看，告訴他照片上的人都是什么關系。而在這個工作之前，其實我們已經完成了一個先覺條件：我們已經告訴過孩子，爸爸媽媽爺爺奶奶這些稱呼，分別指代的是什么意思。他理解這些“邊”，然后再代入新鄰居一家人具體的樣貌性格交談作為“頂點”，最終構成了對鄰居一家這個“圖”的網絡化認識。
而我們在用深度學習教導AI時，往往是省略掉第一步。直接給出大量照片和語音文字資料進行訓練，強迫AI去“記住”這一家人的關系。然而在AI缺乏對家庭關系的基本常識情況下，它到底能不能記住，是怎么記住的，會不會出現偏差，其實我們都是不知道的。
某種程度上，這就是深度學習的黑箱性來源之一。
所以圖網絡的思路是，首先讓AI構建一個“圖”數據，先理解爸爸媽媽這一類關系的含義，再去學習具體的家庭數據。這樣AI就可以依靠已經積累的節(jié)點間的消息傳遞性，來自己推理下一個要認識的家庭究竟誰是爸爸誰是兒子。這也就意味著，圖網絡某種程度上有了自己推理的能力。如果將這種能力推而廣之，AI就將可能在非常復雜的聯系和推理中完成智能工作。
前面說了，這個領域的工作其實一直沒有停止。但是之所以沒有廣泛流行，一方面是因為這個領域相對小眾，缺少重磅研究來引發(fā)大家的關注；另一方面也是因為看不見摸不著，缺少開源模型來檢驗理論的正誤。
去年6月，DeepMind聯合谷歌大腦、麻省理工等機構的27位學者，共同發(fā)表了關于圖網絡的論文《Relational inductive biases， deep learning， and graph networks．》，接著開源了相關的算法包GraphNet。這篇文章中，DeepMind不僅提出了新的算法模型，希望能用圖網絡實現端到端的學習；同時也總結歸納了此前圖網絡各個流派的研究方法，并將其在新算法上進行了融合。
在這個有點承上啟下意味的研究出來后，大量關于圖網絡的綜述、應用檢驗，以及新算法的探討開始在學術界萌生。隨著全球AI圈的共同發(fā)力，這門AI技術新貴正在嘗試走向臺前。
12下一頁>（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
