證件、大腦人臉，人工掃描對比，智能知走知AI正綠燈亮，從感通過，向認形成在經過高鐵安檢閘口的大腦這一流程時，你也許會想：機器認識我。人工而實際上，智能知走知AI正并不是從感。
“當前的向認形成人工智能(AI)識別做的只是比對，缺少信息進入大腦之后的大腦‘加工、理解、人工思考’步驟，智能知走知AI正因此僅僅停留在‘感知’，從感而并非‘認知’。向認形成”6月18日，紀念吳文俊誕辰一百周年活動的“認知智能行業應用大會”舉行，中國人民大學高瓴人工智能學院執行院長文繼榮表示，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。AI從“感知智能”走向“認知智能”的實踐目前在通用狀態下比較困難，但在一些諸如反洗錢、偵察等領域正在應用。
AI“大腦”長成要先建知識庫
“現在的AI處于弱人工智能狀態，它沒有大腦，要讓它形成大腦，最核心的是要有‘知識’。”
微軟亞洲研究院前研究員、北京一覽群智數據科技有限責任公司首席執行官胡健表示，如果現有的算法、模型是神經或腦結構，那么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。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、能喝的功能聯系起來，更高級的是計算出用多大力道去取水。”胡健說。
知識圖譜的建立非常困難，人類海量的知識如何翻譯成機器的語言，并與之建立聯系，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。
“關聯密度不足是另一個難以達到應用的‘瓶頸’。”胡健解釋，一個知識點可能最多出現在幾個關系中，能解決比爾·蓋茨的爸爸的鄰居的媽媽這種單維度的問題，但離反映現實世界中“蝴蝶效應”里的相互影響還差很遠。
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。
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，越復雜密集AI將越“聰明”。
“聚焦到行業，AI可以做到相對聰明一點。”胡健說，一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。例如公安系統有一套體系，包括人、地、事、物、組織、機構以及關聯，將出入境數據、第三方物流數據等加入進來之后，可固定成知識圖譜。
中國人民公安大學公共安全行為科學實驗室主任丁寧介紹，在做入室盜竊、公交扒竊等一些行為規律的研究時，知識圖譜中除了引入歷史數據的發展態勢、風險感知之外，還逐步加入了環境、天氣等數據，包括PM2.5的值，結果發現PM2.5的值對公交扒竊是有影響的。
“我們也提出虛實網絡結合的方向，在掌握了實際的社交網，和資金流、社交流聯系之后，我們對于團伙的刻畫就比較準確了。”丁寧說，這將大大提高AI通過分析輔助決策的能力。
越密集越準確，AI知識圖譜的關系圖要做到像“福爾摩斯”一樣綜合分析，要形成凝集大量信息的知識圖譜，這對傳統的人工建立知識圖譜的效率提出了挑戰。“為此，我們研發出人工智能的解決方式，能夠自動從海量的多源異構數據中抽取知識構建關系、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。”胡健說。
“在此基礎上，我們研究出來跨境資金網絡可疑交易的一套AI模型。”中信銀行反洗錢專家沈可生說，它習得“認知智能”后每年的可疑交易預警量從50萬份下降到10萬份，減少80%人工甄別的工作量，同時把結果的準確度提升了80%。