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，底层深度看图网络。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“深度学习的救星”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，将深度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，聊深度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：深度学习已死，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，看一下跟传统深度学习相比，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。

而我们在用深度学习教导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，这就是深度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。