免费久久国产&夜夜毛片&亚洲最大无码中文字幕&国产成人无码免费视频之奶水&吴家丽查理三级做爰&国产日本亚欧在线观看

圖網絡，到底有什么用？

這個問題或許可以分遠近兩方面看。近的方面，有一些AI要面對的任務，天然就屬于圖結構數據。因此用圖網絡來學習和處理可謂事半功倍。比如說社交網絡、智能推薦、化學分子預測、知識圖譜等領域，都被證明可以廣泛應用圖網絡技術來提升智能化效率，降低算力消耗。

而在非結構化數據，比如語音、文本、圖片等場景，圖網絡可以用來提取結構化信息。比如在圖片中更好地識別家庭成員關系，認識圖片中正在發生的行為等等。此外，圖網絡還能為數據的優化組合提供更加智能化的應用。而從長遠方面看，圖網絡是對圖譜技術和深度學習技術兩個技術領域的融合與再拓展。這不僅讓沉睡已久的，AI中的知識表示流派具備了復活的潛力。更重要的因素在于，圖網絡可能讓深度學習打開因果推理這扇大門。

具體一點，作為一種底層邏輯上的更新，圖網絡似乎可以起到對深度學習幾個原生缺點的彌補：

增強AI可解釋性。

“臭名昭著”的深度學習黑箱，來自于大量非結構數據輸入之后，算法進行歸納的邏輯無從掌握。而圖網絡可以操作知識的歸納邏輯，看出行為的因果關系，顯然對是黑箱性的一次突破。

減少“人工智障”式的視覺錯判。

在機器視覺領域，AI另一個廣為人知的問題，就是對對抗攻擊的低抵抗力。比如AI本來已經認識這是鳥了，結果照片上沾一個黑點，它又不認識了。這個問題來自于AI本身識別的是像素，而不是物體概念本身。圖網絡如果將物體關系帶入其中，或許會讓AI的視覺判斷力更像人類。

小樣本學習的可能性。

深度學習的另一個問題，就是很多算法必須經歷超大規模訓練來提升精度。而這也是對算力和數據的暴力消耗。如果能讓AI具備邏輯上的遷移可能，那么具備人類常識的AI，將可以在很小的數據樣本中完成相對復雜的工作。

向著通用智能的一小步。

我們知道，AI今天的主要能力是識別和理解，而推理是其若想。假如圖網絡彌補了這一弱勢，是否意味著AI將從單體智能向通用智能走上一步呢？

這么多價值的圖網絡，顯然想不火都難。2019年，或許將是圖網絡放出更多光芒的一年。

然而也別太樂觀，這個更多光芒完全是個相對值！雖然今天很多聲音高調吹捧圖網絡的價值，但要看到，圖網絡并不是AI的萬能鑰匙。

心頭一動，道阻且長：如何看待圖網絡的發展現狀？

雖然今天產業端對于圖網絡的應用還沒有怎么被提及，但就我所接觸過的AI學術界人士，確實普遍對圖網絡報以非常強烈的興趣。

當然了，對圖網絡的爭議今天也普遍存在。整體而言，對它的整體評價分為了三個流派：

悲觀派：有一種觀點認為，圖網絡無非是對深度學習劣根性打的一個補丁，屬于深度學習走不下去了，打算繞繞路。而且這個補丁并沒有被證明有效。今天還只是停留在概念和淺層實驗階段。

客觀派認為：圖網絡是深度學習發展的必然趨勢和重要補充，恰恰證明了AI作為一種底層技術正在不斷發展成長，拓展自己的邊界。不管圖網絡是不是真的能做到暢想的一切，至少證明了深度學習體系在今天是有發展能力的。

樂觀派則提出：圖網絡的關鍵意義，是讓AI能夠獲取常識和推理能力，這種能力顯然是人類智能的一個重要代表。我們一直期待的AI走向通用化的強人工智能，會不會就從圖網絡開始呢？在他們看來，圖網絡是關乎于AI去往下一個時代的關鍵開關。

到底哪一派更接近未來的真相呢？可能就交給諸位和未來一起檢驗吧。總體而言，圖網絡是一種對今天流行的AI體系，從技術思想，到技術邏輯的一次重要修補和升級。它在某種程度上是一個未來，但今天還缺乏實踐檢驗和有效工作。

在實踐中，圖網絡的限制還非常多。比如其表示能力不足，無法承擔太復雜的圖結構數據。并且對計算復雜度要求很高，對今天的計算架構又提出了新的挑戰。而且圖網絡主要解決的是AI對結構化數據的處理，而在動態數據、大規模數據、非結構化數據等領域，圖網絡的作為依舊有限。

再一個，雖然AI是一個高度產學一體化的學科，從前瞻性研究到技術實踐的周期已經被大大縮短。然而要客觀看到，二者并不是無縫對接的，從算法理論提出到實際應用，還是會有一個比較長的蟄伏期。我們不能指望去年的AI學術明星，今年就走進千家萬戶。總之呢，這是個讓人動心的技術，但今天還僅僅是發現了藏寶圖。真正的寶藏，大概還在千山萬水之外。