谁是2018年AI圈最靓的仔？
这顶“桂冠”只有两位候选人：俗话说，前端能打看BERT，底层 看图网络。其实并没有这句俗话……但是BERT和图网络在今天的AI界并驾齐驱，堪称被讨论最多的两种技术，这一点是毫无疑问的。谷歌的BERT作为一种算法模型，在语言任务上展现出了不讲道理的应用效果，熠熠夺目自然很容易理解。
但另一个最近大家听到很多次的词，图网络，可能就没那么容易理解了。相比某种算法，图网络更像是一个学术思考下若干种技术解决思路的集合，非常抽象和底层。它的价值到底在哪？为什么甚至能被抬高到“ 学习的救星”这种程度？我们发现，目前关于图网络的解释，大多都是从论文出发。非技术背景的读者可能会看得有点晕。所以这里想用一些“大白话”，来描述一下：风口浪尖上的图网络，究竟有什么秘密？
想让自己在AI圈潮酷起来吗？聊Graph和GNN吧
所谓图网络，并不是指有图片的网站……而是指基于图（Graph）数据进行工作的神经网络。
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）构成的一种数学关系。后来这个概念引申到了计算机科学中，成为了一种重要的数据形式，用来表示单元间相互有联系的数据网络。此外，这个概念还引申到了生物学、社会科学和历史学等无数学科，甚至变成了我们生活中的常见概念。在警匪片里，警局或者侦探办公室的墙上，往往挂着罪犯的关系网络图，这大概是我们生活中最常见的Graph。
回到计算机科学领域，图数据和基于图的分析，广泛应用于各种分类、链路、聚类任务里。人工智能领域有个重要的分支，叫做知识图谱。基本逻辑就是将知识进行Graph化，从而在我们寻找知识时，可以依据图谱关系进行追踪和定位。比如我们在搜索引擎中搜某个名人时，相关推荐会跳出来跟这个人字面意义上无关的其他人。这就是知识图谱在起作用。
那么图网络是怎么搞出来的呢？
大家可能知道这样一个“唱衰AI”的小故事：用机器视觉技术，AI今天可以很轻松识别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无法获得和增强用人类常识去进行逻辑推理的能力。很多人以此判断，今天的AI并不怎么智能。
AI科学家们琢磨了一下，表示这事儿有办法搞定。如果把图／图谱作为AI的一部分，将 学习带来的学习能力，和图谱代表的逻辑关系结合起来，是不是就好很多？
事实上，Graph＋Deeplearning并不是一个全新概念。最早在2009年，就有研究提出了二者的结合。近几年这个领域陆续在有研究出来。对于这个组合产物，学术界有人称之为图卷积网络（GCN），也有人称呼其为图神经网络（GNN）或者图网络（GN，Graph Networks），其技术内涵和命名思路也各不相同。这里暂且使用图网络这个笼统称呼。
图网络作为一种新的AI研究思路，之所以能够在2018年被点燃，很大程度还是号称AI扛把子的DeepMind的功劳。在火种抛出、全球跟进以及反复争论之后，图网络变成了AI学术圈最靓仔的那个关键词。今天大有一种，聊 学习不说图网络就很low的感觉……
从识别小能手到推理专家：AI新贵求职记
有种论调是这么说的： 学习已死，图网络才是未来。这句话怎么琢磨都有问题。因为从图网络在去年被“翻新”出来那一刻，它在本质上还是对流行的多层神经网络的一种补充。让我们来打个比方，看一下跟传统 学习相比，图网络应该是如何工作的。
举个例子，假如我们想让教育我们的孩子，让他认识新来的邻居一家人。我们应该怎么办呢？可以选择给他讲，隔壁新来了某个小朋友，他爸爸是谁妈妈是谁。但是这样不直观，孩子很容易记不住。而更快的方式或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，其实我们已经完成了一个先觉条件：我们已经告诉过孩子，爸爸妈妈爷爷奶奶这些称呼，分别指代的是什么意思。他理解这些“边”，然后再代入新邻居一家人具体的样貌性格交谈作为“顶点”，最终构成了对邻居一家这个“图”的网络化认识。
而我们在用 学习教导AI时，往往是省略掉第一步。直接给出大量照片和语音文字资料进行训练，强迫AI去“记住”这一家人的关系。然而在AI缺乏对家庭关系的基本常识情况下，它到底能不能记住，是怎么记住的，会不会出现偏差，其实我们都是不知道的。
某种程度上，这就是 学习的黑箱性来源之一。
所以图网络的思路是，首先让AI构建一个“图”数据，先理解爸爸妈妈这一类关系的含义，再去学习具体的家庭数据。这样AI就可以依靠已经积累的节点间的消息传递性，来自己推理下一个要认识的家庭究竟谁是爸爸谁是儿子。这也就意味着，图网络某种程度上有了自己推理的能力。如果将这种能力推而广之，AI就将可能在非常复杂的联系和推理中完成智能工作。
前面说了，这个领域的工作其实一直没有停止。但是之所以没有广泛流行，一方面是因为这个领域相对小众，缺少重磅研究来引发大家的关注；另一方面也是因为看不见摸不着，缺少开源模型来检验理论的正误。
去年6月，DeepMind联合谷歌大脑、麻省理工等机构的27位学者，共同发表了关于图网络的论文《Relational inductive biases， deep learning， and graph networks．》，接着开源了相关的算法包GraphNet。这篇文章中，DeepMind不仅提出了新的算法模型，希望能用图网络实现端到端的学习；同时也总结归纳了此前图网络各个流派的研究方法，并将其在新算法上进行了融合。
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、应用检验，以及新算法的探讨开始在学术界萌生。随着全球AI圈的共同发力，这门AI技术新贵正在尝试走向台前。
12下一页>（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
