将知识灌输给机器为何困难？

近年来，越来越多的智能机器人走进了我们的日常生活与生产。不同的领域对机器人的智能水平要求完全不同。生产车间的机械手臂只需要按照固定程序完成工作即可。仓库中的无人驾驶汽车也只需要沿着固定路线行驶即可。这些封闭的应用场景，对于机器的智能水平要求相对不高。但是服务机器人的使命不同，大部分服务机器人是直接面向人类的，是直接“生活”或“工作”在一定的家庭或者社会环境中的。这一类直接面向人类社会的服务机器人需要应对“开放性”挑战。所谓开放性挑战是指无法预期可能发生的事态，从而无法有效预设先验规则。换言之，在开放环境中，机器很容易碰到无法合理处理的情形，因为这些情形没有被定义描述过，机器显得无所适从。开放性问题是整个人工智能的根本难题。这个问题或许太难，以至于很少被提及与讨论。开放性难题被巧妙地隐藏在诸如常识理解、小样本学习、元学习等一系列表层问题背后，成为一次次人工智能寒冬的“罪魁祸首”。

在“数据+算力+模型”的三驾“马车”的牵引下，开放性难题的解决面临一些新机遇。本文着重讨论知识库相关技术应对开放性难题的主要思路。首先大规模通用知识图谱的建设，为应对开放性难题带来新机遇。互联网上有海量数据，使得从中获取大规模通用知识图谱成为可能，再加上人类专家经年累月积累的各类知识库，我们可以灌输给机器的知识库规模是前所未有的，甚至可以企及普通人类的知识容量。量变总是酝酿质变，当机器的知识库规模逐步增大，开放环境所需知识被命中的可能性势必上升。其次，最近几年大规模概念图谱的出现，使得归纳和类比成为可能，进而使得类人化的开放问题求解成为可能。归纳能力是人类抽象思考的前提。归纳使得人类不必纠缠于不熟悉的实例，而只需关注其类别就可以进行准确的认知。类比使得人类能够通过相似的案例从容应对从未遇到的情形。随着概念图谱的日益完善，这些人类解决开放性问题的典型思路对于机器而言也将越加可行。