給弱人工智慧裝上“大腦”，應用瓶頸能否突破？

現在很多安檢口都裝上了人臉識別的閘機，掃描對比，綠燈亮，透過，經過高鐵安檢閘口的這一流程時，你也許會想：機器認識我。而實際上，並不是。

如果強行把這個劃分為認知智慧實際是上是不合理的，當前的人工智慧（AI）識別做的只是比對，缺少資訊進入大腦之後的‘加工、理解、思考’步驟，因此僅僅停留在‘感知’，而並非‘認知’。”6月18日的“認知智慧行業應用大會”舉行，中國人民大學高瓴人工智慧學院執行文繼榮表示，要讓AI有類似大腦的活動，走到認知階段，需要讓它掌握知識、進行推理。但是如果完全的將AI從“感知層面”拋向“認知層面”以當下的技術來實現通用狀態下智慧水平是比較困難的。

雖然不能完全從“感知層面”跳躍到“認知層面”但是我們可以先試試第一步，先給AI裝上“大腦”，也就是核心知識庫。“現在的AI處於弱人工智慧狀態，它沒有大腦，要讓它形成大腦，最核心的是要有‘知識’。”如果現有的演算法、模型是神經或腦結構，那麼知識是大腦能夠運轉起來的原動力。

讓AI獲得知識的知識庫在業界稱為“知識圖譜”，它不僅要關注知識點還要關注知識點間的關聯，那麼這些“知識圖譜”從何而來呢？那要歸功於現在網際網路產生的大資料，無數的資料透過引擎進行抓取反饋記錄。這些關聯將賦予AI聯想力。提到水，它要反應到密度、透明等多個性質，還要和澆水、能喝的功能聯絡起來，更高階的是計算出用多大力道去取水。

透過大資料建立的“知識圖譜”非常困難，人類海量的知識如何翻譯成機器的語言，並與之建立聯絡，很成問題。尤其是之前這項工作一直是人工完成的，例如谷歌詞庫、百度百科、維基百科等都可以轉換為知識圖譜，但工作量大、內容異常龐雜。

在關聯密度不足的情況下，AI的“大腦”即便擁有一個上千萬詞條體量的通用知識圖譜也難以達到應用的級別。

但是行業知識圖譜能達“認知層面”

知識點的關聯密度更像是一個AI大腦皮層，越複雜密集AI將越“聰明”。例如在企業電話機器人產業內，AI可以做到相對聰明一點。這些行業本身就有自己的基礎關聯圖，這為其制定圖譜提供了幫助。企業的CRM系統有一套體系，從海量的多源異構資料中抽取知識構建關係、理解語義以及與業務場景有效結合，更標準化、效率更高、關聯密度能做到更高，

密集的行業資訊透過這套系統就能夠解決電話機器人好不好用的問題。把這些雜亂的資料整理歸納加入進來之後，可固定成專屬的“知識圖譜”

雖然在大資料上面的建立類似“大腦”一樣的“知識圖譜”並不能突破目前應用的瓶頸，但是情至少有了向好處發展的變化，也許聲紋識別也是一個突破的方向。

“目前市面上，以語音識別、轉寫為主打方向的SaaS服務提供商已經有很多；但是鑑於聲紋識別的技術難度要更為複雜，這個領域應該還在剛起步階段，但隨著應用場景的越來越多，它很快會迎來爆發。”相比於人臉識別和指紋識別，聲紋的採集只需要麥克風模組，成本相比於攝像頭或者指紋識別模組而言要低，採集的方便性和安全性則要高，將此技術用於電話機器人客服，會有更高的私密性和安全性，因此這項技術有著比較明確的市場前景。

“現在還只是一個弱人工智慧時代，長遠來看，AI需要和行業以及場景結合，提升效率；可以說，有多少行業就需要多少個方向的AI，這個領域無疑需要更多資本的進入。”相比於行業格局已經趨向穩定的語音識別識別而言，聲紋識別確實是一個潛力有待挖掘的賽道，如果將這兩者結合在一起，肯定會碰撞出不一樣的火花，應用瓶頸的突破也指日可待。