计算机是个傻孩子，为了教这小崽子学聪明，人类绞尽脑汁。 2012 年 Google 又给孩子搞了套玩具，叫知识图谱。这几年开始大流行，做搜索引擎的，做大数据，做人工智能的，都给自家孩子装备了一套，内卷啊！
知识图谱说起来很简单，黑板上画一个个圈，代表 “实体”，圈跟圈之间画线，代表 “关系”。完事齐活。
比如，比尔盖茨是个 “实体”，美琳达盖茨是另个 “实体”，之间的关系是 “夫妻”。
Google 搞这个东东，对它的搜索业务那是真有用。 Google 早年间跟喜鹊一样，收集全天下的网页，藏自己家服务器上，用户想搜比尔盖茨，呼啦一下砸过去 2.76 亿个网页。
王老五就很痛苦，查查比尔盖茨老婆的名字，你给我 2.76 亿？ Google 倒也有个对策，那就是 Page Rank，给网页一个比重。但这玩意也没啥鸟用，Page Rank 只是个网页权重排名，它哪里猜得到王老五查人家老婆的阴暗心理。
Google 也有点不好意思，俺是搜索引擎，尽给用户一堆 HTML 文件算什么本事。这种传统搜索，就是个字符匹配，匹配上了，就给一堆 unicode 的 html 文件。所以 Google 搞了知识图谱，打的口号是： Things， not strings。 要让计算机理解用户的语义，给用户搜出 “东西” 来，而不是给一堆乱字符。
所以，用户王老五在 Google 搜索框里写： who is bill gates' wife。 Google 马上给出美琳达盖茨。 这背后，就是 Google 的知识图谱在发挥作用。Google 的知识图谱，就是在天下事物之间，建立普遍关联。这种知识图谱，有点半结构化数据的意思。当然，其实计算机也并非真的理解了语义，只是了解了事物之间的关联而已。不过，人类自己的字典，也不过是用字词互相解释罢了。人类的优势在于，说起苹果，人类是摸过、啃过、看过苹果的，计算机就没戏了，只能得到一个解释：苹果是一种水果。 用水果这个词来解释苹果。
知识图谱的用途，可就大了，真不是就搜索下盖茨太太那么简单。 有了好的知识图谱，搜索、推理、分析都容易了，尤其是深度发掘，比关系型数据库效果可好多了。另外，知识图谱的更新还特容易，关系型数据库你想改个字段，费老劲了。
更重要的是，知识图谱这种数据结构，给神经网络、深度学习做自然语言处理，可谓如虎添翼。没有知识图谱之前，深度学习输入的都是词向量什么的，仿佛机器没有润滑油。有了知识图谱，词与词之间已经带着语义关系，那深度学习在处理自然语言上，效果突飞猛进。
知识图谱这个词啊，最早来自 1972 年，一位叫 Schneider 的教授为了设计一套辅助教学计算机系统，在论文中提及了 Knowledge Graph，在课堂讲解的各种概念之间建立关联。后来，80年代，荷兰的两家大学 Groningen 和 Twente 发起了个项目，认真开始开发知识图谱，但其实，那个不是今天的知识图谱，而是要算做知识图谱的祖先，是一种语义网络 （Semantic Network）。
语义网络 （Semantic Network）来自一本书，M. Ross Quillian 在 1963 年写的，名字叫：A Notation for Representing Conceptual Information: an Application to Semantics and Mechanical English Paraphrasing。实在找不到这本书了，也不知道内容是干嘛的，看名字，似乎是关于怎样表示概念信息的。Robert F. Simmons 在 Synthetic language behavior 一书中也提及过 Semantic Network。
语义网络看上去跟知识图谱几乎一样，也是在“实体” 之间拉线拉箭头，然后标上关系。但是语义网络比较初级，所以就比较自由，不管是节点，还是关系，都是随意写的。看上去实现了实体之间的关系，但这种关系依赖自然语言，依然是模糊的。所以，语义网络用来做查询和推理，就不大容易。而知识图谱，在设计的时候，就必须定义好节点类型和关系类型。 例如，如果用语义网络，那么“比尔盖茨” 和 “美琳达盖茨” 就是两个节点，之间的关系可以写 “夫妻”，也可以写 “感情破裂的夫妻”。 而如果用知识图谱，则必须首先定义一种节点类型叫 “人”，在定义一种关系叫 “夫妻”，然后把比尔夫妻俩给填写进去。如果用上 OWL 本体，那还可以定义夫妻这种关系是双向的：比尔哥，你是我的夫啊，美琳姐，你是我的妻呀。推理做起来就更方便了。
语义网络和知识图谱，都是知识表示这个大范畴里的。 是不是知识表示，就只能在黑板上画圈圈，画线？ 当然不是，画图是后来人聪明了才想出来的，之前就还是直接用语言，当然用的是一种抽象过的语言，逻辑语言。 这个历史就悠久了，可追溯到亚里士多德。亚里士多德是逻辑学的祖师爷，他是很多领域祖师爷，简直可以说，他是所有领域的祖师爷，除了中药、风水和 Kong Fu。在讲解逻辑时，他用自己老师苏格拉底做了个比喻，这就是著名的三段论： 人皆有一死；苏格拉底是人；苏格拉底必死。
后来经过莱布尼茨、布尔的努力，一直到弗雷格手里，现代逻辑学成熟了。罗素厚厚的《数学原理》则用逻辑重建了整个数学体系。有一种说法，指责咱中国人不重视逻辑，这真是胡扯。养生理论里吃什么补什么，吃腰子补肾，这逻辑杠杠的，多么硬啊。这里安利一本书，叫《逻辑的引擎》，一路讲莱布尼茨、布尔、弗雷格、康托尔、阿尔伯特、哥德尔、图灵的故事，看起来很过瘾。
用来表述知识的逻辑有命题逻辑、一阶逻辑、多阶逻辑。 命题逻辑表述能力弱，不能做复杂的推理。我感觉，命题逻辑比较适合亚洲人的思维，Yes 或者 No，跟我扯别的没用。看看微博还有一些讨论群，发言多数都是命题逻辑。一阶逻辑可以量化个体，且引入了谓词函数，但一阶逻辑不可判定（为啥不可判定，这个有证明，但看不懂）。多阶逻辑则量化了一阶关系和谓词。由于一阶逻辑无可判定，后来又出来个描述逻辑，描述逻辑是一阶逻辑的子集，其中不使用变量，而是只使用常量。
逻辑可不仅仅用于语言描述，它是计算机和人工智能的基础。人工智能中的符号派，就是依赖逻辑。符号一派追求真理，他们认定人类思考的方式就是逻辑和符号，所以一门心思要教计算机学会逻辑和符号。
关于思维到底是什么形式，这个问题太诡异。 人人都有脑，也都能思维，但愣是不知道这2斤半是怎么工作的。 要计算机学会人脑思维，符号派认为要模拟思维，要摆弄逻辑、符号；连接派就认为你费那劲干啥，吃腰子补肾，吃脑花补脑，根据脑神经搭个电路不就完了？所以，这几年连接派占上峰，那也是中医理论的伟大胜利。
心理学和语言学的学者们，也不甘示弱，怎么知识表示这个领域让逻辑学家抢占了呢？ 认知科学家乔治米勒发明了 WordNet，这个看起来跟个大字典一样，只是字典是用其他词句来解释一个词，而 WordNet 则在词与词之间建立了关系，例如 Bill Gates 的上位词（就是层次归类）：
乔治米勒是认知科学的创始人，后来IBM把自己的人工智能就称为认知计算。
人工智能鼻祖之一，马文明斯基在 1975 年的论文 “A Framework for Representing Knowledge” 中提出框架理论。框架这个词听起来莫名其妙，但程序员一看，就得大呼，这不就是面向对象么。 OO来自框架理论，当然看起来面熟。 马文明斯基的框架理论，影响了众多领域，包括计算机编程语言、知识表示、人工智能、认知科学，甚至包括新闻传播。 本质上，框架理论与前面所述的语义网络是一致的。一个框架，在语义网络中就是一个节点，代表一个实体，而框架的槽，则是语义网络的边。
计算机处理知识的另一个领域是专家系统，这个也是历史悠久。第一个专家系统是费根鲍姆领导的 Dendral，合作者是李德伯格和卡尔·杰拉西。费根鲍姆是大神，图灵奖获得者，他老师就是诺贝尔和图灵奖的双料西蒙。李德伯格是诺贝尔奖获得者。杰拉西虽然没得图灵奖和诺贝尔奖，但他是口服避孕药的发明人，男女欢愉的守护神。Dendral 很像今天的规则引擎，其目的是分析火星物质的质谱数据，以寻找火星生命，正是今天首富 Elon 所喜欢的领域。 Deneral 把化学家们的质谱分析知识写成代码规则，然后对实际数据进行分析。
后来，Dendral 项目组成员 Bruce G. Buchanan 布坎南，敏锐认识到，专家系统应该应用到医学领域，他发起了 MYCIN 项目，用专家系统来帮助诊断细菌感染的疾病。 准确率能够赶上一般的医生。 MYCIN 比起 DENDRAL 系统还是有进步的，因为 MYCIN 引入了产生式规则，可用于不精确的规则匹配。 所以今天知识图谱广泛的应用于医疗，这也是有传统的。人们一提起专家，就想起医生，总盼望着能用计算机替代医生，然而这件事至今还是前途未卜。 IBM 的 Watson 医疗投入巨大，但最终黯然收场。不止一个医生对我冷笑：AI 替代程序员了，都替代不了俺们医生。
第一个大规模商用的专家系统是 DEC 的 Xcon，用来根据订单配置零部件，有点像 ERP 里的 BOM。专家系统的高峰时期，是 80 年代日本发起的五代机项目。日本当时经济发展火得一塌糊涂，于是雄心勃勃要在计算机领域当老大，五代机目的是人工智能，逻辑推理和知识是其核心发展目标。 后来，大家都知道，没搞成，也不可能搞成。但是，日本的计划也吓到了美欧等国家，一窝蜂的跟着喊口号、投钱，最后都没做成，搞得专家系统也跟着冷落下去。
还有个东西，跟语义网络和知识图谱都有关系，那就是语义网（Semantic Web），听上去跟语义网络很像，容易混淆，但不是一回事。 语义网是 Tim Lee，Web 之父发起的，目的可以理解成，把整个互联网构造成一个大的知识图谱。语义网中设计应用了 RDF 语言，这个和知识图谱用的一样，用来建模和存储知识。另外，语义网还设计了 RDFS 和 OWL，对 RDF 加了两层标准定义，一来呢，让所有的网站和机器之间交换数据时能够互相理解，另一个，可以实现复杂的逻辑推理。Tim Lee 一直关注的是数据的自由流动，希望所有网站都能链接起来，并且可以互相理解。 这几年他老人家还搞了个 Solid，就是用RDF、LinkData技术，要让个人掌握自己的数据，革他妈妈大网站的命。
对于语义网有两种冲突的评价，一种是批评，例如尼克老师的人工智能简史中说 “W3C 语义网经过几次迭代后演化成大杂烩，理论上不严谨，实践上不可用。与 Dendral 和 Mycin 对比，无论理论还是实践上都不可同日而语。” 尼克老师甚至评价 Tim Lee 的图灵奖是历届中含金量最低的，可谓辛辣；另一种是赞美，例如鲍捷老师在演讲中说：“2006年，Tim Berners-Lee（就是我们的神），已经看不惯这种事情了。他说，要有光！（呵呵）不是，要有Linked Data，于是就有了Linked Data。他发了个圣旨之后，大家都开始研究。”，他还说了： “但是很不幸，1998年，它落入了逻辑学家的魔爪。2004年，被一群逻辑学家绑架了一个怪胎在上面，这个怪胎叫RDF语义。”，以及：“我们回过头来看，向工程妥协的时候，我们就胜利。向教条主义坚持的时候，我们就失败。”
我是个智商一般的普通从业者，完全迷惑了，不知道该听那一边的，知识储备完全不具备这个判断能力。得，都听一下吧。 尼克老师的人工智能简史成了我的工具书，随手翻。其中关于学界的八卦逸事读起来有盐有甜，滋味十足。 我手头随手翻的，还有一套金瓶梅，清河县翻腾的是哥弟爹爷、姐妹姑婆，计算机学界里翻腾的就是师徒弟子、教授博士，都一样精彩。
人工智能还在曲折前行，故事琐碎一郎当。知识表示也好，逻辑推理也好，还在步步向前。知识图谱生逢其时，数据积累已多，人们需要计算机能够理解数据的语义关系，深度学习也需要人类给它喂点精料，而不是一堆无意义的字符串让它啃得口吐白沫。
有了这教具，计算机这孩子会越来越聪明。反过来说，人类也会越来越聪明，毕竟，教孩子的同时，自己也有提高。人类的自然语言，太笨拙了。如果有一天，外星人来造访，听了英语中文那模糊不清嘟嘟囔囔的黏糊劲，没准抛开人类直接对话计算机。计算机就从知识图谱里推理并检索出一条知识给外星人: