誰是2018年AI圈最靚的仔？
這頂“桂冠”只有兩位候選人：俗話說，前端能打看BERT，底層深度看圖網絡。
其實並沒有這句俗話……但是BERT和圖網絡在今天的AI界並駕齊驅，堪稱被討論最多的兩種技術，這一點是毫無疑問的。
谷歌的BERT作為一種演算法模型，在語言任務上展現出了不講道理的應用效果，熠熠奪目自然很容易理解。
但另一個最近大家聽到很多次的詞，圖網絡，可能就沒那麼容易理解了。相比某種演算法，圖網絡更像是一個學術思考下若干種技術解決思路的集合，非常抽象和底層。它的價值到底在哪？為什麼甚至能被抬高到“深度學習的救星”這種程度？
我們發現，目前關於圖網絡的解釋，大多都是從論文出發。非技術背景的讀者可能會看得有點暈。所以這裡想用一些“大白話”，來描述一下：風口浪尖上的圖網絡，究竟有什麼祕密？
想讓自己在AI圈潮酷起來嗎？聊Graph和GNN吧
所謂圖網絡，並不是指有圖片的網站……而是指基於圖（Graph）資料進行工作的神經網路。
Graph，翻譯成“圖”，或者“圖譜”。這是一個數學概念，指由頂點（nodes）和邊（edges）構成的一種數學關係。後來這個概念引申到了電腦科學中，成為了一種重要的資料形式，用來表示單元間相互有聯絡的資料網路。
此外，這個概念還引申到了生物學、社會科學和歷史學等無數學科，甚至變成了我們生活中的常見概念。在警匪片裡，警局或者偵探辦公室的牆上，往往掛著罪犯的關係網路圖，這大概是我們生活中最常見的Graph。
回到電腦科學領域，圖資料和基於圖的分析，廣泛應用於各種分類、鏈路、聚類任務裡。人工智慧領域有個重要的分支，叫做知識圖譜。基本邏輯就是將知識進行Graph化，從而在我們尋找知識時，可以依據圖譜關係進行追蹤和定位。比如我們在搜尋引擎中搜某個名人時，相關推薦會跳出來跟這個人字面意義上無關的其他人。這就是知識圖譜在起作用。
那麼圖網絡是怎麼搞出來的呢？
大家可能知道這樣一個“唱衰AI”的小故事：用機器視覺技術，AI今天可以很輕鬆識別出來一張照片上的幾張人臉。但它無法像真人一樣，一眼看出來圖上是朋友、戀人還是家庭聚會。
換句話說，一般意義上AI無法獲得和增強用人類常識去進行邏輯推理的能力。很多人以此判斷，今天的AI並不怎麼智慧。
AI科學家們琢磨了一下，表示這事兒有辦法搞定。
如果把圖/圖譜作為AI的一部分，將深度學習帶來的學習能力，和圖譜代表的邏輯關係結合起來，是不是就好很多？
事實上，Graph+Deeplearning並不是一個全新概念。最早在2009年，就有研究提出了二者的結合。近幾年這個領域陸續在有研究出來。對於這個組合產物，學術界有人稱之為圖卷積網路（GCN），也有人稱呼其為圖神經網路（GNN）或者圖網絡（GN，Graph Networks），其技術內涵和命名思路也各不相同。這裡暫且使用圖網絡這個籠統稱呼。
圖網絡作為一種新的AI研究思路，之所以能夠在2018年被點燃，很大程度還是號稱AI扛把子的DeepMind的功勞。
在火種丟擲、全球跟進以及反覆爭論之後，圖網絡變成了AI學術圈最靚仔的那個關鍵詞。今天大有一種，聊深度學習不說圖網絡就很low的感覺……
從識別小能手到推理專家：
AI新貴求職記
有種論調是這麼說的：深度學習已死，圖網絡才是未來。
這句話怎麼琢磨都有問題。因為從圖網絡在去年被“翻新”出來那一刻，它在本質上還是對流行的多層神經網路的一種補充。
讓我們來打個比方，看一下跟傳統深度學習相比，圖網絡應該是如何工作的。
舉個例子，假如我們想讓教育我們的孩子，讓他認識新來的鄰居一家人。我們應該怎麼辦呢？可以選擇給他講，隔壁新來了某個小朋友，他爸爸是誰媽媽是誰。但是這樣不直觀，孩子很容易記不住。而更快的方式或許是拿著照片給他看，告訴他照片上的人都是什麼關係。而在這個工作之前，其實我們已經完成了一個先覺條件：我們已經告訴過孩子，爸爸媽媽爺爺奶奶這些稱呼，分別指代的是什麼意思。他理解這些“邊”，然後再代入新鄰居一家人具體的樣貌性格交談作為“頂點”，最終構成了對鄰居一家這個“圖”的網路化認識。
而我們在用深度學習教導AI時，往往是省略掉第一步。直接給出大量照片和語音文字資料進行訓練，強迫AI去“記住”這一家人的關係。然而在AI缺乏對家庭關係的基本常識情況下，它到底能不能記住，是怎麼記住的，會不會出現偏差，其實我們都是不知道的。
某種程度上，這就是深度學習的黑箱性來源之一。
所以圖網絡的思路是，首先讓AI構建一個“圖”資料，先理解爸爸媽媽這一類關係的含義，再去學習具體的家庭資料。這樣AI就可以依靠已經積累的節點間的訊息傳遞性，來自己推理下一個要認識的家庭究竟誰是爸爸誰是兒子。
這也就意味著，圖網絡某種程度上有了自己推理的能力。如果將這種能力推而廣之，AI就將可能在非常複雜的聯絡和推理中完成智慧工作。
前面說了，這個領域的工作其實一直沒有停止。但是之所以沒有廣泛流行，一方面是因為這個領域相對小眾，缺少重磅研究來引發大家的關注；另一方面也是因為看不見摸不著，缺少開源模型來檢驗理論的正誤。
去年6月，DeepMind聯合谷歌大腦、麻省理工等機構的27位學者，共同發表了關於圖網絡的論文《Relational inductive biases, deep learning, and graph networks.》，接著開源了相關的演算法包GraphNet。
這篇文章中，DeepMind不僅提出了新的演算法模型，希望能用圖網絡實現端到端的學習；同時也總結歸納了此前圖網絡各個流派的研究方法，並將其在新演算法上進行了融合。
在這個有點承上啟下意味的研究出來後，大量關於圖網絡的綜述、應用檢驗，以及新演算法的探討開始在學術界萌生。隨著全球AI圈的共同發力，這門AI技術新貴正在嘗試走向臺前。
圖網絡，到底有什麼用？
這個問題或許可以分遠近兩方面看。
近的方面，有一些AI要面對的任務，天然就屬於圖結構資料。因此用圖網絡來學習和處理可謂事半功倍。比如說社交網路、智慧推薦、化學分子預測、知識圖譜等領域，都被證明可以廣泛應用圖網絡技術來提升智慧化效率，降低算力消耗。
而在非結構化資料，比如語音、文字、圖片等場景，圖網絡可以用來提取結構化資訊。比如在圖片中更好地識別家庭成員關係，認識圖片中正在發生的行為等等。此外，圖網絡還能為資料的優化組合提供更加智慧化的應用。
而從長遠方面看，圖網絡是對圖譜技術和深度學習技術兩個技術領域的融合與再擴充。這不僅讓沉睡已久的，AI中的知識表示流派具備了復活的潛力。更重要的因素在於，圖網絡可能讓深度學習開啟因果推理這扇大門。
具體一點，作為一種底層邏輯上的更新，圖網絡似乎可以起到對深度學習幾個原生缺點的彌補：
1、增強AI可解釋性。
“臭名昭著”的深度學習黑箱，來自於大量非結構資料輸入之後，演算法進行歸納的邏輯無從掌握。而圖網絡可以操作知識的歸納邏輯，看出行為的因果關係，顯然對是黑箱性的一次突破。
2、減少“人工智障”式的視覺錯判。
在機器視覺領域，AI另一個廣為人知的問題，就是對對抗攻擊的低抵抗力。比如AI本來已經認識這是鳥了，結果照片上沾一個黑點，它又不認識了。這個問題來自於AI本身識別的是畫素，而不是物體概念本身。圖網絡如果將物體關係帶入其中，或許會讓AI的視覺判斷力更像人類。
3、小樣本學習的可能性。
深度學習的另一個問題，就是很多演算法必須經歷超大規模訓練來提升精度。而這也是對算力和資料的暴力消耗。如果能讓AI具備邏輯上的遷移可能，那麼具備人類常識的AI，將可以在很小的資料樣本中完成相對複雜的工作。
4、向著通用智慧的一小步。
我們知道，AI今天的主要能力是識別和理解，而推理是其若想。假如圖網絡彌補了這一弱勢，是否意味著AI將從單體智慧向通用智慧走上一步呢？
這麼多價值的圖網絡，顯然想不火都難。2019年，或許將是圖網絡放出更多光芒的一年。
然而也別太樂觀，這個更多光芒完全是個相對值！雖然今天很多聲音高調吹捧圖網絡的價值，但要看到，圖網絡並不是AI的萬能鑰匙。
如何看待圖網絡的發展現狀？
當然了，對圖網絡的爭議今天也普遍存在。整體而言，對它的整體評價分為了三個流派：
1、悲觀派。有一種觀點認為，圖網絡無非是對深度學習劣根性打的一個補丁，屬於深度學習走不下去了，打算繞繞路。而且這個補丁並沒有被證明有效。今天還只是停留在概念和淺層實驗階段。
2、客觀派認為，圖網絡是深度學習發展的必然趨勢和重要補充，恰恰證明了AI作為一種底層技術正在不斷髮展成長，擴充自己的邊界。不管圖網絡是不是真的能做到暢想的一切，至少證明了深度學習體系在今天是有發展能力的。
3、樂觀派則提出，圖網絡的關鍵意義，是讓AI能夠獲取常識和推理能力，這種能力顯然是人類智慧的一個重要代表。我們一直期待的AI走向通用化的強人工智慧，會不會就從圖網絡開始呢？在他們看來，圖網絡是關乎於AI去往下一個時代的關鍵開關。
到底哪一派更接近未來的真相呢？可能就交給諸位和未來一起檢驗吧。
總體而言，圖網絡是一種對今天流行的AI體系，從技術思想，到技術邏輯的一次重要修補和升級。它在某種程度上是一個未來，但今天還缺乏實踐檢驗和有效工作。
在實踐中，圖網絡的限制還非常多。比如其表示能力不足，無法承擔太複雜的圖結構資料。並且對計算複雜度要求很高，對今天的計算架構又提出了新的挑戰。
而且圖網絡主要解決的是AI對結構化資料的處理，而在動態資料、大規模資料、非結構化資料等領域，圖網絡的作為依舊有限。
再一個，雖然AI是一個高度產學一體化的學科，從前瞻性研究到技術實踐的週期已經被大大縮短。然而要客觀看到，二者並不是無縫對接的，從演算法理論提出到實際應用，還是會有一個比較長的蟄伏期。我們不能指望去年的AI學術明星，今年就走進千家萬戶。
總之呢，這是個讓人動心的技術，但今天還僅僅是發現了藏寶圖。真正的寶藏，大概還在千山萬水之外。