图网络，到底有什么用？

这个问题或许可以分远近两方面看。近的方面，有一些AI要面对的任务，天然就属于图结构数据。因此用图网络来学习和处理可谓事半功倍。比如说社交网络、智能推荐、化学分子预测、知识图谱等领域，都被证明可以广泛应用图网络技术来提升智能化效率，降低算力消耗。

而在非结构化数据，比如语音、文本、图片等场景，图网络可以用来提取结构化信息。比如在图片中更好地识别家庭成员关系，认识图片中正在发生的行为等等。此外，图网络还能为数据的优化组合提供更加智能化的应用。而从长远方面看，图网络是对图谱技术和深度学习技术两个技术领域的融合与再拓展。这不仅让沉睡已久的，AI中的知识表示流派具备了复活的潜力。更重要的因素在于，图网络可能让深度学习打开因果推理这扇大门。

具体一点，作为一种底层逻辑上的更新，图网络似乎可以起到对深度学习几个原生缺点的弥补：

增强AI可解释性。

“臭名昭著”的深度学习黑箱，来自于大量非结构数据输入之后，算法进行归纳的逻辑无从掌握。而图网络可以操作知识的归纳逻辑，看出行为的因果关系，显然对是黑箱性的一次突破。

减少“人工智障”式的视觉错判。

在机器视觉领域，AI另一个广为人知的问题，就是对对抗攻击的低抵抗力。比如AI本来已经认识这是鸟了，结果照片上沾一个黑点，它又不认识了。这个问题来自于AI本身识别的是像素，而不是物体概念本身。图网络如果将物体关系带入其中，或许会让AI的视觉判断力更像人类。

小样本学习的可能性。

深度学习的另一个问题，就是很多算法必须经历超大规模训练来提升精度。而这也是对算力和数据的暴力消耗。如果能让AI具备逻辑上的迁移可能，那么具备人类常识的AI，将可以在很小的数据样本中完成相对复杂的工作。

向着通用智能的一小步。

我们知道，AI今天的主要能力是识别和理解，而推理是其若想。假如图网络弥补了这一弱势，是否意味着AI将从单体智能向通用智能走上一步呢？

这么多价值的图网络，显然想不火都难。2019年，或许将是图网络放出更多光芒的一年。

然而也别太乐观，这个更多光芒完全是个相对值！虽然今天很多声音高调吹捧图网络的价值，但要看到，图网络并不是AI的万能钥匙。

心头一动，道阻且长：如何看待图网络的发展现状？

虽然今天产业端对于图网络的应用还没有怎么被提及，但就我所接触过的AI学术界人士，确实普遍对图网络报以非常强烈的兴趣。

当然了，对图网络的争议今天也普遍存在。整体而言，对它的整体评价分为了三个流派：

悲观派：有一种观点认为，图网络无非是对深度学习劣根性打的一个补丁，属于深度学习走不下去了，打算绕绕路。而且这个补丁并没有被证明有效。今天还只是停留在概念和浅层实验阶段。

客观派认为：图网络是深度学习发展的必然趋势和重要补充，恰恰证明了AI作为一种底层技术正在不断发展成长，拓展自己的边界。不管图网络是不是真的能做到畅想的一切，至少证明了深度学习体系在今天是有发展能力的。

乐观派则提出：图网络的关键意义，是让AI能够获取常识和推理能力，这种能力显然是人类智能的一个重要代表。我们一直期待的AI走向通用化的强人工智能，会不会就从图网络开始呢？在他们看来，图网络是关乎于AI去往下一个时代的关键开关。

到底哪一派更接近未来的真相呢？可能就交给诸位和未来一起检验吧。总体而言，图网络是一种对今天流行的AI体系，从技术思想，到技术逻辑的一次重要修补和升级。它在某种程度上是一个未来，但今天还缺乏实践检验和有效工作。

在实践中，图网络的限制还非常多。比如其表示能力不足，无法承担太复杂的图结构数据。并且对计算复杂度要求很高，对今天的计算架构又提出了新的挑战。而且图网络主要解决的是AI对结构化数据的处理，而在动态数据、大规模数据、非结构化数据等领域，图网络的作为依旧有限。

再一个，虽然AI是一个高度产学一体化的学科，从前瞻性研究到技术实践的周期已经被大大缩短。然而要客观看到，二者并不是无缝对接的，从算法理论提出到实际应用，还是会有一个比较长的蛰伏期。我们不能指望去年的AI学术明星，今年就走进千家万户。总之呢，这是个让人动心的技术，但今天还仅仅是发现了藏宝图。真正的宝藏，大概还在千山万水之外。