曾记得十几天之前否?那时我们踌躇满志的跨进了2018，满怀着对未来的渴望和珍重……然后我们惊奇的发现，2018第一个火起来的词叫“撒币”…

不是我说啥，这可真出戏啊。

似乎一夜之间，直播答题和这个叫做“撒币”的关键词就火了。王思聪的冲顶大会、映客的芝士超人、花椒的百万赢家，一时之间大佬们疯狂争当“大撒币”，人民群众则纷纷出头想当被币砸到的那个幸运儿。

当然了，不管这些平台们如何“撒”，最终“币”还是要回到他们自己口袋里的，毕竟做生意是为了赚钱，搞出来这么大场面当然是为了放后招，没听说过哪位出题让人答是为了做慈善的。除非...除非AI化妆成选手，也来答个题，说不定能干到王思聪们没币可撒...

毕竟，答题也是讲科学的对不对?

很多人在答题冲关时，会借助搜索引擎寻找信息,搜索引擎返回的结果有两种形式，一种是我们要在返回页面的中自己继续寻找关键的答案,另一种呢，搜索引擎则直接明了的告诉我们答案，比如“长城有多长”，在分秒必争冲向百万奖金的途中，简直获得了直挂云帆济沧海的痛快!这背后的功劳主角，就是今天我们要讲的知识图谱。

在由“AI感知”通向“AI理解”的大路上，知识图谱是被公认的技术基石。更更重要的是——他能帮你答题啊……

知识图谱是什么鬼？

知识图谱这个概念被提出并不算太久，但是要追根溯源理解这个技术到底是玩什么的，那可能真要往上倒腾几十年才行。

上世纪40年代，人工智能被提出之后，无数科学家们就开始琢磨，到底用什么方式能让机器模拟出人的智慧呢?琢磨来琢磨去，人对于信息能够进行关联理解似乎是个路子。所谓信息关联，就是人类在接受一个信息后，会把它放在记忆中进行归纳和调用。比如我们会记住一些信息：橘子属于水果，柠檬属于水果，水果的维生素含量高，这样我们可以推断，橘子的维生素含量也高。利用这个思路，上世纪50年代末，学术界提出了语义网络(semantic network)的设想，打算把数据进行结构化的处理，让单个信息组合成有联系、能共鸣的“知识”，语义网常常被看做是知识图谱的前身。

上世纪80年代，受到多方面刺激的地球人开始了一次AI复兴运动，而这次运动的主角，就是各国开始打造专家系统和知识库。那时候科学家们相信，如果把人类大量知识进行逻辑化关联和语义网络存储，最终人类就能打造出全知全能，无所不懂的人工智能，虽然这场运动之后被保留的专家系统不多，但是海量知识构成的知识库却成为了更有价值的产物。

2012年，基于语义web技术和Freebase等优质知识库，谷歌提出了知识图谱(Knowledge Graph)概念，所谓知识图谱，是利用多个来源的数据，将真实世界中关于事物的知识、事物之间的关系，组织成一张巨大的、联通的、让计算机可以去理解的图结构，于是文字不仅仅是文字，而是有了它在现实世界中的具体的含义和关联关系。在产业端它为搜索、内容推荐和智能问答提供了基础，成为今天AI领域足够强势的一个技术类别。举个直白的例子吧：

假如你这几天很好奇一个叫PGone的词为啥火了，然后你去搜索一下，结果给你推荐的词是PGtwo、PGthree...那你就跟没搜一样。假如蹦出来两个词，一个是贾乃亮一个是地沟油，那么你看完整个故事就了然了嘛...

所谓的知识图谱，就是让智能体去理解事物以及他们之间的关系，并能基于此提供相关的技术和服务，比如这里举例的推荐技术。