谁是2018年AI圈最靓的妈？这覆以“桂冠”只有两位候选人：俗话说，前端能打看BERT，底层深度看图网络。只不过并没这句俗话……但是BERT和图网络在今天的AI界并驾齐驱，可谓被辩论最少的两种技术，这一点是毫无疑问的。

谷歌的BERT作为一种算法模型，在语言任务上展现了不讲道理的应用于效果，熠熠艳丽大自然很更容易解读。但另一个最近大家听见很多次的词，图网络，有可能就没有那么更容易解读了。比起某种算法，图网络更加看起来一个学术思维下若干种技术解决问题思路的子集，十分抽象化和底层。

它的价值究竟在哪？为什么甚至能被压低到“深度自学的救星”这种程度？我们找到，目前关于图网络的说明，大多都就是指论文抵达。非技术背景的读者可能会看得有点暗。

所以这里想要用一些“大白话”，来叙述一下：风口浪尖上的图网络，到底有什么秘密？想要让自己在AI圈潮酷一起吗？聊Graph和GNN吧所谓图网络，并不是指图片的网站……而是指基于图（Graph）数据展开工作的神经网络。Graph，翻译成“图”，或者“图谱”。

这是一个数学概念，指由顶点（nodes）和边（edges）包含的一种数学关系。后来这个概念衍生到了计算机科学中，沦为了一种最重要的数据形式，用来回应单元间互相有联系的数据网络。此外，这个概念还衍生到了生物学、社会科学和历史学等无数学科，甚至变为了我们生活中的少见概念。

在警匪片里，警局或者刑警办公室的墙上，往往挂着罪犯的关系网络图，这大约是我们生活中最少见的Graph。返回计算机科学领域，图数据和基于图的分析，普遍应用于各种分类、链路、聚类任务里。

人工智能领域有个最重要的分支，叫作科学知识图谱。基本逻辑就是将科学知识展开Graph化，从而在我们找寻科学知识时，可以依据图谱关系展开跟踪和定位。比如我们在搜索引擎中搜某个名人时，涉及引荐不会跳跃出来跟这个人字面意义上牵涉到的其他人。

这就是科学知识图谱在起起到。那么图网络是怎么做出来的呢？大家有可能告诉这样一个“唱衰AI”的小故事：用机器视觉技术，AI今天可以很精彩辨识出来一张照片上的几张人脸。但它无法像真人一样，一眼看出来图上是朋友、恋人还是家庭聚会。

换句话说，一般意义上AI无法取得和强化用人类常识去展开逻辑推理的能力。很多人以此辨别，今天的AI并不怎么智能。

AI科学家们木村了一下，回应这事儿有办法搞定。如果把图/图谱作为AI的一部分，将深度自学带给的自学能力，和图谱代表的逻辑关系融合一起，是不是就好很多？事实上，Graph+Deeplearning并不是一个全新概念。最先在2009年，就有研究明确提出了二者的融合。

近几年这个领域相继在有研究出来。对于这个人组产物，学术界有人称作图卷积网络（GCN），也有人称谓其为图神经网络（GNN）或者图网络（GN，Graph Networks），其技术内涵和命名思路也各不相同。

这里不得已用于图网络这个笼统称谓。图网络作为一种新的AI研究思路，之所以需要在2018年被熄灭，相当大程度还是堪称AI扛把子的DeepMind的功劳。

在火种抛、全球第一时间以及重复争辩之后，图网络变为了AI学术圈最靓仔的那个关键词。今天大有一种，闲谈深度自学不说道图网络就很low的感觉……从辨识小能手到推理小说专家：AI富二代打工记有种论调是这么说道的：深度自学已杀，图网络才是未来。这句话怎么木村都有问题。

因为从图网络在去年被“装修”出来那一刻，它在本质上还是对风行的多层神经网络的一种补足。让我们来打个比方，看一下跟传统深度自学比起，图网络应当是如何工作的。荐个例子，假如我们想要让教育我们的孩子，让他了解新来的一家人一家人。

我们应当怎么办呢？可以自由选择给他谈，隔壁新的来了某个小朋友，他爸爸是谁妈妈是谁。但是这样不直观，孩子很更容易记不住。而更加慢的方式也许是拿着照片给他看，告诉他照片上的人都是什么关系。

而在这个工作之前，只不过我们早已已完成了一个先觉条件：我们早已告诉他过孩子，爸爸妈妈爷爷奶奶这些称谓，分别指代的是什么意思。他解读这些“边”，然后再行代入新邻居一家人明确的样貌性格聊天作为“顶点”，最后包含了对一家人一家这个“图”的网络化了解。而我们在用深度自学教导AI时，往往是省略掉第一步。

必要得出大量照片和语音文字资料展开训练，强制AI去“忘记”这一家人的关系。然而在AI缺少对家庭关系的基本常识情况下，它究竟能无法忘记，是怎么忘记的，不会会经常出现偏差，只不过我们都是不告诉的。或许上，这就是深度自学的黑箱性来源之一。

所以图网络的思路是，首先让AI建构一个“图”数据，再行解读爸爸妈妈这一类关系的含义，再行去自学明确的家庭数据。这样AI就可以依赖早已累积的节点间的消息传递性，来自己推理小说下一个要了解的家庭到底谁是爸爸谁是儿子。

这也就意味著，图网络或许下有了自己推理小说的能力。如果将这种能力推而广之，AI就将有可能在非常复杂的联系和推理小说中已完成智能工作。前面说道了，这个领域的工作只不过仍然没暂停。但是之所以没普遍风行，一方面是因为这个领域比较小众，缺乏重磅研究来引起大家的注目；另一方面也是因为看不到摸不着，缺乏开源模型来检验理论的正误。

去年6月，DeepMind牵头谷歌大脑、麻省理工等机构的27位学者，联合公开发表了关于图网络的论文《Relational inductive biases, deep learning, and graph networks.》，接着开源了涉及的算法包在GraphNet。这篇文章中，DeepMind不仅明确提出了新的算法模型，期望能用图网络构建末端到端的自学；同时也总结概括了此前图网络各个流派的研究方法，并将其在新的算法上展开了融合。

在这个有点承上启下意味的研究出来后，大量关于图网络的综述、应用于检验，以及新的算法的探究开始在学术界打消。随着全球AI圈的联合发力，这门AI技术富二代正在尝试南北台前。

图网络，究竟有什么用？这个问题也许可以分远近两方面看。将近的方面，有一些AI要面临的任务，天然就归属于图结构数据。

因此用图网络来自学和处置堪称事半功倍。比如说社交网络、智能引荐、化学分子预测、科学知识图谱等领域，都被证明可以广泛应用图网络技术来提高智能化效率，减少算力消耗。

而在非结构化数据，比如语音、文本、图片等场景，图网络可以用来萃取结构化信息。比如在图片中更佳地辨识家庭成员关系，了解图片中正在再次发生的不道德等等。此外，图网络还能为数据的优化组合获取更为智能化的应用于。而从将来方面看，图网络是对图谱技术和深度自学技术两个技术领域的融合与再行扩展。

这不仅让深渊已幸的，AI中的科学知识回应流派不具备了复活的潜力。更加最重要的因素在于，图网络有可能让深度自学关上因果推理小说这扇大门。明确一点，作为一种底层逻辑上的改版，图网络或许可以起着对深度自学几个原生缺点的填补：强化AI可解释性。

“臭名昭著”的深度自学黑箱，来自于大量非结构数据输出之后，算法展开概括的逻辑不得而知掌控。而图网络可以操作者科学知识的概括逻辑，显现出不道德的因果关系，似乎对是黑箱性的一次突破。

增加“人工智障”式的视觉错判。在机器视觉领域，AI另一个广为人知的问题，就是对对付反击的较低抵抗力。比如AI本来早已了解这是鸟了，结果照片上涂一个黑点，它又不了解了。这个问题来自于AI本身辨识的是像素，而不是物体概念本身。

图网络如果将物体关系带进其中，也许不会让AI的视觉判断力更加像人类。小样本自学的可能性。深度自学的另一个问题，就是很多算法必需经历超大规模训练来提高精度。

而这也是对算力和数据的暴力消耗。如果能让AI不具备逻辑上的迁入有可能，那么不具备人类常识的AI，将可以在较小的数据样本中已完成比较简单的工作。向着标准化智能的一小步。我们告诉，AI今天的主要能力是辨识和解读，而推理小说是其若想。

假如图网络填补了这一弱势，否意味著AI将从单体智能向标准化智能踏上一步呢？这么多价值的图网络，似乎想不火都无以。2019年，也许将是图网络释放出更加多光芒的一年。然而也别过于悲观，这个更加多光芒几乎是个相对值！虽然今天很多声音高调讥讽图网络的价值，但要看见，图网络并不是AI的万能钥匙。

心头动，道阻且宽：如何看来图网络的发展现状？虽然今天产业末端对于图网络的应用于还没怎么被提到，但就我所认识过的AI学术界人士，显然广泛对图网络博得十分反感的兴趣。当然了，对图网络的争议今天也普遍存在。

整体而言，对它的整体评价分成了三个流派：悲观派：有一种观点指出，图网络无非是对深度自学劣根性打的一个补丁，归属于深度自学回头不下去了，想绕绕路。而且这个补丁并没被证明有效地。今天还只是逗留在概念和浅层实验阶段。

客观为首指出：图网络是深度自学发展的必然趋势和最重要补足，才是证明了AI作为一种底层技术正在大大发展茁壮，扩展自己的边界。不管图网络是不是知道能做飨宴的一切，最少证明了深度自学体系在今天是有发展能力的。

悲观为首则明确提出：图网络的关键意义，是让AI需要提供常识和推理小说能力，这种能力似乎是人类智能的一个最重要代表。我们仍然期望的AI南北通用化的强劲人工智能，不会会就从图网络开始呢？在他们显然，图网络是牵涉到于AI去往下一个时代的关键电源。

究竟哪一派更加相似未来的真凶呢？有可能就转交诸位和未来一起检验吧。总体而言，图网络是一种对今天风行的AI体系，从技术思想，到技术逻辑的一次最重要修复和升级。

它在或许上是一个未来，但今天还缺少实践中检验和有效地工作。在实践中，图网络的容许还十分多。

比如其回应能力严重不足，无法分担过于简单的图结构数据。并且对计算出来复杂度拒绝很高，对今天的计算出来架构又明确提出了新的挑战。而且图网络主要解决问题的是AI对结构化数据的处置，而在动态数据、大规模数据、非结构化数据等领域，图网络的作为依旧受限。

再行一个，虽然AI是一个高度产学一体化的学科，从前瞻性研究到技术实践中的周期早已被大大缩短。然而要客观看见，二者并不是无缝接入的，从算法理论明确提出到实际应用于，还是不会有一个较为宽的潜伏期。

我们无法确信去年的AI学术明星，今年就走出千家万户。总之呢，这是个让人动心的技术，但今天还意味着是找到了藏宝图。确实的宝藏，大约还在千山万水之外。

本文来源：半岛·BOB官方网站-www.mpolash.com