AI离我们如此之近，与我们的生活如此交织，了解AI还有助于了解一门正在从根本上改变科技、改变行业、改变我们所处的世界的重要技术——图数据库技术（图计算）。在这里我们先前置一个概念：人工智能发展的终极目标是实现强人工智能，强人工智能指的是让机器和算法像人类一样具备图的思维方式。图思维方式在本质上是用高维图的方式100%映射和还原世界——实际上是一种依托图数据库的计算与分析方式。如果人脑是终极的数据库，图数据库就是迈进并实现它的最佳路径。
图：与人类大脑神经网络类似，深度学习就是试图模仿大脑神经元之间的递质的传导和信息的处理
第三代人工智能（AI）是2019—2021年间由中国人工智能之父、中科院院士、清华大学人工智能研究院院长张钹教授率先提出的。区别于第一代人工智能（1950—1980年代）着重于计算机推理运算；第二代人工智能（1990—当下）以机器学习与深度学习，广泛存在算法黑盒化、计算不可解释且算力浪费严重、计算效率低下等问题，第三代人工智能需要数据、知识、算法与算力“四要素”协同，注重算法白盒化可解释，以及算力的大幅提升。图计算（图数据库）被认为是一种典型的通过增强智能方式实现的稳健的、更贴近人类智能的——第三代人工智能技术。
图：《中国科学》2020年第50卷 第9期：1281—1302
张钹教授指出，世界范围内的AI已经触碰到了天花板，后续突破可能的途径包括知识图谱、图计算（图数据库）等新的体系架构的发展。这番话背后的逻辑是清晰的：人类庞杂的知识体系的逻辑化、结构化与可视化表达最好的途径就是知识图谱（关系图谱），而对知识图谱进行逻辑推理、推导、演算、查询，尤其是进行深度的运算与查询最可行的工具就是实时的、深度的图计算引擎。而当计算引擎与存储引擎有机地统一的时候就形成了图数据库。可以进行深度、实时、高并发图计算与分析的图数据库是推动AI向前发展的核心武器。
图：欧拉开创了数学的一个新的分支——图论与几何拓扑
图计算（图数据库）肇始于学术界对图论的研究，从最早的200多年前的欧拉的七桥问题演化出早期图论，再到后来的地图上色问题、20世纪60年代的随机图理论研究、多种最短路径算法，以及过去20年间随着大数据框架和理论发展而形成的各种社交图谱（图数据集）研究。
图：地图上色问题是数学中典型的NP完全问题。随着计算机的算力的提升被不断演进，直至2005年，通过复杂的人机交互理论证明软件的帮助，以通用的方式证明了四色地图的可行性，后期又演进到五色图
那么，学术研究的图数据和工业界的图数据有哪些区别呢？
| 学术界 | 工业界 |
| 简单图（单边图） | 多边图 |
| 同构图 | 异构图 |
| 静态图 | 动态图 |
| 无属性 | 多属性 |
| 小图形式 | 中大图形式 |
| 忽略用户体验 | 注重用户体验 |
表：学术界VS.工业界图数据的特点对比
1
简单图
简单图，也可以叫单边图，英文是simple-graph。任意两个顶点间只能存在一条边的情况在图论中的定义为单边图。
2
同构图
学术界的图基本都是同构数据，比如路网、社交网络数据……
3
静态图
图数据集一次性导入计算框架，之后不再更改，如果更改，则需要重新加载。
4
无属性
除了可能的方向之外，几乎没有属性，完全依赖图集所形成的拓扑结构（topology）来进行计算分析。
5
通常学术研究的都是小图
通常学术研究的都是小图（比如一般都是几千个点的图），大图几乎都是合成出来的，为了造出大图而生产出大图，而且只有一张图，图与图之间不会有任何关联关系，更不用说联动。
6
用户体验
根本无需考虑用户体验。
1
多边图
多边图，英文称为Multi-graph。任意两个顶点间可以存在多条边的情况为多边图。要更自然的表达真实的世界，显然是需要多边图的。否则的话，就需要制造大量的实体和没有太多意义的关联边来构图。单边图的构图会有数倍于多边图构图所消耗的顶点与边，并且效率低下。
2
异构图
工业界不能仅限于同构图，这个太理想化了，异构图、多源融合数据需要被支持……
3
动态图
数据不断动态变化，包括增、删、改、查等操作。
4
多属性
例如金融行业、交易图谱等，点、边都会有多种属性。
5
中大图、多图、有联动
一般都是中大图，从几百万到几亿、几十亿的规模；也会有千亿规模的图，但是往往会形成多张图，图与图之间可能会联动。
6
用户体验
一流的用户体验。
上面这几点已经能简要地说明学术界和工业界的区别了。此外，双方的研究对象、解决问题的思路和出发点也都不同。值得一提的是，今天几乎所有学术界产出的图计算框架都符合学术界的特点——静态、无属性、单边……其实，很多工业界的图数据库是从学术界出发的，可想而知在底层架构上面他们就会遇到各种各样的挑战，例如无法很好的应对动态的、海量的数据，无法对多边模式进行直观、便捷的数据建模，不注重用户体验……是的，很多人才都源自于学术界的培养，但是很多时候，象牙塔里面做了太多的假设，理论很丰富，工程能力和实践落实却很骨感，久而久之一定会与工业界脱节。
窃以为，最好的、最流行的关系型数据库不是象牙塔里面构建的，无论是从IBM的System R到后面的Oracle，还是Sun Microsystems的Mysql或者是PostgreSQL；图数据库大抵也会遵循类似的思路，工业界的解决方案更贴近应用、贴近客户需求，或可在很大程度上反哺学界。理论到实践，基本就是实验室与实际应用之间的“大不同”之所在！
历史回顾
