深度學習局限

你信嗎，機器人在未來可能比人類更聰明，曾被斷言不可能的事情為何今日又舊事重提，到底發生了什么。這一切都是因為那個曾賦予深度學習基礎的人，一直在致力的事情有了新的突破。

Judea Pearl是2011年圖靈獎得主，被稱為“貝葉斯網絡之父”，他的貝葉斯網絡曾一直被譽為人工智能的希望，然而，Judea Pearl卻表示：現在所有的深度學習成果加起來不過是曲線擬合罷了。

如今的深度學習達不到他對智能的愿景。因為概率只能展示兩個事件之間的相關性，不能表示先后因果關系，這樣的智能終究存在極限。而若是能通過構建關聯，判斷數據的因果關系，就有可能實現真正的智能。《the book of why》一書表明了Judea Pearl多年致力于扭轉人工智能的方向，寄希望于AI能夠進軍“因果推理”，達到真正智能的領域。

“圖網絡”出世

這一切在DeepMind開源了內部的圖網絡庫之后引起了轟動，“圖網絡”由于其通用的、富有表現力的結構在關系推理和組合泛化上擁有巨大的優勢。它的出現為因果推理提供了巨大助力，圖模型作為表征知識的語言，反事實邏輯幫助表達問題，結構化方程以清晰的語義將前兩者關聯起來，以此構建結構性因果推理模型，實現進一步的自動化推理。從而使得模型驅動推理出一個更有前途的方向，建立接近于人腦的深度學習模型。

DeepMind圖網絡庫

AI戰勝人腦欠缺的那塊拼圖

相比于深度學習只能更新權重，圖網絡的學習發生于每一個環節上。我們可以這樣理解圖網絡的學習能力：圖網絡將前饋的思路放在了每一個環節，連邊、節點、全局信息就都可以在反饋過程中被調整，這就使得網絡的整體架構變得可學習。

圖網絡依賴底層圖數據庫和圖計算平臺作為存儲查詢和分析的依托。而華為云圖引擎GES就是其中的翹楚。作為新一代高性能圖計算平臺，憑借著其強大的計算性能、分析規模、運算效率以及高兼容性充分滿足了企業高階智能分析的需求。

構建Graph Nets

圖引擎通過對海量數據的關聯和關系分析，形成知識圖譜Knowledge Graph，利用知識圖譜刻畫現實事物的關系，構建關系網絡實現因果推理。在實際場景中還可以利用對關系網絡的挖掘和分析重現用戶的行為，從而輔助各種現實場景的應用，如社交與商品推薦，金融詐騙分析等。

當前最為火熱的語義搜索技術，就是圖引擎在人工智能領域最直觀的實踐。理解語義是一直以來都是當今技術發展的目標，而如今的語義搜索是什么樣子的，我們來看看圖引擎在圖片搜索上的技術應用。

使用語義搜索，構建關系網絡、查找相關圖片操作實例

url地址：https://cbc-bbs-video.obs.myhwclouds.com/video/media/20190315/20190315100832_65974/圖引擎服務 語義搜索Demo.mp4

在知識圖譜的支持下，圖引擎以圖片，語義文字構建起來的語義關系進行搜索分析，實現實體和關系的檢索，搜索到符合語義環境的圖片。成功將搜索演變成一場對話。

2018年，華為云圖引擎已正式成為Apache TinkerPop官方認證圖計算平臺，自研內核EYWA應用在了城市工業生產，管道監控，商品推薦，社交推薦，項目分析，企業洞察，知識圖譜，金融風險管控，企業IT應用，關系挖掘等多項領域并獲得客戶的廣泛認可。在智能領域，因圖引擎更是成為了多項智能AI技術如車聯網，智能客服，深度學習的核心助力。

https://www.huaweicloud.com/product/ges.html