“目前的感知人工智能很弱，基于知识图谱的认知智能才是未来。”
知识图谱跟风新基建？新基建新在哪？新基建不是修路也不是搭桥，而是面向新产业、新业态和新模式，同时助力传统基础设施的智能化改造。新基建三大规划领域中，两大领域直接提及了人工智能，其中信息基础设施领域，人工智能与云计算将成为新的技术基础设施，而在融合基础设施领域中，人工智能将会成为传统基础设施转型升级的重要工具。当前的人工智能看似一片繁荣，但是普遍还处于弱人工智能（感知智能）的状态，许多行业和研究机构都在探索以认知智能为核心的强人工智能。感知智能vs认知智能现在的机器可以做到识别语音、自主对话，但是如果对话的内容有事实错误，机器是反应不过来的，也就是没有判断力，但是人就可以，因为人可以基于过往知识进行推理和演绎，这就是认知的能力。知识图谱可以集合这些过往知识，将世界万物之间的关联关系进行建模，让机器获得类似人的认知能力，同时赋能千行百业。知识图谱赋能新制造：经验最宝贵近年来，我国制造业的进步有目共睹，全球的衣食住行都有「madeinChina」。但随着产业的不断升级，国内制造业最依赖的人口红利逐渐消失。跟发达国家相比，我国制造业在量上有优势，但是高端制造的竞争力还有较大差距。高端装备制造业自主创新能力弱、产业结构不合理等问题还是很多，部分企业还是建立在高能耗、高污染、高投入、低效益的基础之上，急需新的变革。全球主要的制造大国均提出了制造业转型升级的战略方向，我国也提出了制造业从资源密集型向技术密集型、数字密集型转型的目标，但还是存在一些短板：数据粗放采集管理，无法满足AI应用的需求现阶段大部分企业信息化、自动化基础都较为薄弱，数据积累和知识理解都不完善，而现阶段提供智能制造转型服务的多为软件或硬件服务商，对制造业行业知识理解有限，而知识图谱技术可能为精益的数字化、智能化升级提供助力。人员流动率大，培训成本高随着竞争加剧，知识密集型行业的人力成本逐渐提高。同时，人才的培养需要管理、技术等多方面人才的密切配合，员工离职导致企业流失很多经验，培训成本也随之增大。因此，企业也希望用知识图谱去沉淀经验，培训和赋能员工。技术瓶颈、人才断层，创新能力不足传统的制造业领域经历了几十年的发展，基础理论、材料、工艺等已经到了发展的瓶颈期，另一方面在金融、IT等行业的冲击下，制造业人才流失和断层十分严重，导致制造业整体创新能力不足。因此，加强知识图谱建设，增强技术流通，将有助于提升行业创新能力，从而赋能制造业转型升级。而除了制造业，知识图谱在金融、教育、安防、医疗等诸多领域都有应用，知识赋能AI将成为今后几年人工智能发展的重要方向。知识图谱的构建：依赖人类专家没有*金标准那在构建一个行业知识图谱的过程中，有哪些实际困难？比如，要为汽车制造厂构建一个工艺知识图谱，来解决工业知识管理和重用的问题。首先，对于刚入行的业务人员来说，构造一个标准的知识本体都很难。「本体」被引入到人工智能领域用来刻画知识。本体是共享概念模型的明确的形式化规范说明，该定义体现了本体的四层含义:概念模型、明确、形式化、共享。本体是实体存在形式的描述，往往表述为一组概念定义和概念之间的层级关系，本体框架形成树状结构，通常被用来为知识图谱定义schema。比如以零件为顶层概念，加工工艺、材料特征等为子概念构建零件本体：零件概念关系零件加工工艺概念关系要构建好这个知识图谱，业务人员需要需要了解什么是主体、客体，复杂的怎么拆分，什么是属性、属性关系和实体关系怎么去区分，等等，这个既需要了解细节的业务，也需要将业务抽离、抽象，构建出许多schema，这个对于业务人员来讲是很难的。所以，现在需要大量的知识架构师，或者叫知识产品经理，他们是未来知识图谱构建最紧缺的人才。在图谱的构建过程中，对业务的梳理或者说理解尤为重要，既需要有跳出来的宏观把控，只有跳出来才能尽可能地建模场景元素，也需要对细节的把控，针对不同的需求，如问答、检索等，制定不同的本体。另外一个就是动态schema的问题，schema的版本会一直随着业务变化，也会根据自己对业务的认识而变化，如何尽可能地减少这种变化，也是知识图谱构建当中的一个难点。如果从技术角度，我们能从哪方面发力，降低这个构建难度呢？要做的话，用shcema的自动生成来辅助schema的编辑，降低工作量，是一个不错的选择。但是，目前工业界所做的效果并不好，最后还是以人类专家为主。所以，知识图谱的构建不存在一种标准的方法，也没有一种可以通用的技术，结合自然语言处理等辅助构建手段和专家的经验，是最现实可行的。一个行业知识图谱就能把老师傅和专家的经验统一表示出来，帮我们解决很多知识问答、知识检索和知识复用的问题，结构化、可计算的知识图谱也会给机器带来真正的效率和认知提升。