人工智能的發(fā)展從低到高可分為三個階段：運算智能、感知智能、認知智能。運算智能是最初級的階段，主要指計算機擁有快速計算和記憶存儲能力。感知智能階段建立在運算智能的基礎上，指機器能夠擁有視覺、聽覺等能力。而認知智能則是更高級的階段，指機器能夠?qū)崿F(xiàn)“理解與思考”。

在深度學習技術的推動下，人工智能在感知層面上取得了重要成果和廣泛的應用，但仍然停留在感知智能層面上。目前，深度學習技術在圖片識別、語音識別、視頻識別等應用上已經(jīng)達到或超越了人類水準，然而基于深度學習技術的人工智能，卻無法勝任認知智能層面上的任務。例如，深度學習技術能夠讓機器從視頻中識別出貓咪，但無法讓機器理解為什么視頻中的貓咪喜歡玩毛線球，更不具備在發(fā)現(xiàn)貓咪不開心時給貓咪扔毛線球的智能。究其根本是因為深度學習技術不具備推理的能力，無法賦予機器認知智能。所謂認知智能是指讓機器獲得推理能力，能夠像人一樣思考，而這種思考能力具體體現(xiàn)在機器能夠理解數(shù)據(jù)、理解語言，進而理解現(xiàn)實世界的能力，能夠解釋數(shù)據(jù)、解釋過程，進而解釋現(xiàn)象的能力，以及推理、規(guī)劃等一系列人類所獨有的認知能力。

圖神經(jīng)網(wǎng)絡的重要意義

圖神經(jīng)網(wǎng)絡是近年來新興的一種智能算法，其將深度學習算法和圖計算算法相融合，取長補短，以達到更優(yōu)的認知與問題處理等能力，被廣泛應用于 搜索、推薦、風險控制等重要領域。圖神經(jīng)網(wǎng)絡在發(fā)展演變的過程中，適用場景不斷拓寬。在發(fā)展早期， 由于潛在的認知能力未被充分挖掘與發(fā)揮，圖神經(jīng)網(wǎng)絡通常應用于圖分類、節(jié)點分類和鏈路預測場景中。而隨著學術界對圖神經(jīng)網(wǎng)絡的重視程度和挖掘深度的不斷提升，圖神經(jīng)網(wǎng)絡開始用于解決自然語言處理、推薦、金融、集成電路等領域的問題。此外，相對于深度學習算法，圖神經(jīng)網(wǎng)絡還能勝任一些更具挑戰(zhàn)性的任務，例如重新發(fā)現(xiàn)宇宙、模擬玻璃分子的動態(tài)特性、大腦神經(jīng)元鏈接分析、知識圖譜分析等。在2019年后，圖神經(jīng)網(wǎng)絡力壓深度學習等熱門詞匯，成為各人工智能頂級會議的新增熱詞和研究熱點。

不僅學術界，工業(yè)界也對圖神經(jīng)網(wǎng)絡給予了高度重視，并逐漸加大該方向的基礎設施建設力量。包括谷歌、臉書、阿里巴巴等在內(nèi)的眾多主流企業(yè)，將圖神經(jīng)網(wǎng)絡部署于數(shù)據(jù)中心中。圖神經(jīng)網(wǎng)絡已然成為近年來工業(yè)界非常重要的應用之一。阿里巴巴自主研發(fā)的大規(guī)模分布式圖學習框架Euler，已成功應用于阿里公司的營銷、反作弊、廣告排序等眾多核心場景，大幅提升了業(yè)務效率。Euler已于2019年完成開源，成為國內(nèi)首款工業(yè)級圖深度學習開源框架。騰訊公司也于2019年開源了自研高性能圖計算框架Plato，致力于在有效時間和有限資源內(nèi)完成海量計算，已成功將10億級節(jié)點超大規(guī)模圖的計算時間降至分鐘級別。Euler 和Plato的研發(fā)團隊均在人工智能領域的頂會中發(fā)表了多篇有關圖神經(jīng)網(wǎng)絡在推薦、風控等業(yè)務中應用的高水平論文。包括曠視科技在內(nèi)的許多國內(nèi)知名企業(yè)也已經(jīng)將圖神經(jīng)網(wǎng)絡應用于推薦、風控、視覺等主流業(yè)務場景中。此外，中科院計算所和中科睿芯聯(lián)合研制的高通量計算機力壓IBM獲得Green Graph 500大小數(shù)據(jù)集榜單的第1名，清華大學教授陳文光的研究團隊在“神威·太湖之光”超級計算機上的研究成果獲得Graph 500 BFS榜單第2名。中科院計算所不僅具有深度學習芯片先驅(qū)者寒武紀在深度學習芯片的多年耕耘，在圖處理加速結構研究方向上也取得了全世界認可的優(yōu)異研究成果，并提出了國際首個圖神經(jīng)網(wǎng)絡加速芯片設計。

圖神經(jīng)網(wǎng)絡的優(yōu)勢特點

圖神經(jīng)網(wǎng)絡能夠備受學術界和工業(yè)界的青睞，歸功于其強大的數(shù)據(jù)理解能力和認知能力。第一，傳統(tǒng)神經(jīng)網(wǎng)絡處理的圖片、序列等，為歐幾里得空間的數(shù)據(jù)，結構十分規(guī)則；而圖神經(jīng)網(wǎng)絡的處理對象則為結構極其不規(guī)則的非歐幾里得空間的圖數(shù)據(jù)。圖數(shù)據(jù)具有比圖片、序列更強的數(shù)據(jù)和知識表示能力，不僅能表示樣本（節(jié)點）的獨立特性，還能表達相同類型甚至不同類型樣本之間的聯(lián)系（鏈接）。然而，現(xiàn)實世界的不確定性導致了圖數(shù)據(jù)的結構不規(guī)則，因此深度學習算法無法直接處理現(xiàn)實場景中的圖數(shù)據(jù)。例如，卷積神經(jīng)網(wǎng)絡的卷積操作無法在具有不規(guī)則結構的圖數(shù)據(jù)上進行有效的計算。第二，相對于深度學習算法，圖神經(jīng)網(wǎng)絡能夠高效地利用樣本實例之間的結構性特征。圖結構數(shù)據(jù)蘊含著豐富的信息，節(jié)點通過邊相連接，將不同樣本之間的關系等信息進行有效和充分的表達，從而最大化利用現(xiàn)實圖的結構性特征。在傳統(tǒng)的深度學習算法適用場景中，實例需要彼此獨立，因此無法挖掘樣本之間的潛在聯(lián)系。而圖神經(jīng)網(wǎng)絡算法則將圖數(shù)據(jù)的結構性特征融入算法模型實現(xiàn)中，增強知識的理解能力。第三，無法有效進行關系推理是制約深度學習發(fā)展的核心因素之一，而具有處理各種關系能力的圖神經(jīng)網(wǎng)絡算法則能勝任關系推理，從而造就了圖神經(jīng)網(wǎng)絡強大的認知能力。因此，圖神經(jīng)網(wǎng)絡被認為是推動認知智能發(fā)展強有力的推理方法，有望解決深度學習無法處理的關系推 理等一系列問題，讓機器“能理解、會思考”。

責任編輯：lq