3月10日上午，在复旦大学知识工场联手北京理工大学大数据创新学习中心举办的“知识图谱前沿技术课程暨学术研讨会”上，复旦大学计算机科学技术学院教授肖仰华，给大家进行了题为“知识图谱与认知智能”的报告，主要回答了：“为什么知识图谱这么繁荣，知识图谱主要来解决哪些问题。”
首先，肖仰华教授介绍了知识图谱背景：计算智能–>感知智能–>认知智能。如图一，智能时代催生了智能应用、智能应用需要认知智能、认知智能依赖知识图谱，这些智能都依赖知识图谱。
随着大数据的日益积累、计算能力的快速增长为人类进入智能时代奠定了基础；大数据为智能技术的发展带来了前所未有的数据红利。
机器计算智能、感知智能达到甚至超越人类；智能化升级与转型已经成为各行各业的普遍诉求；从信息化走向智能化是必然趋势。
随着数据红利消耗殆尽，以深度学习为代表的感知智能遇到天花板；认知智能将是未来一段时期内AI发展的焦点，是进一步释放AI产能的关键。
当人类社会已经进入智能化时代，各行各业纷纷踏上智能化升级与转型的道路，各类智能化应用需求大量涌现。AI+成为AI赋能传统行业的基本模式，知识图谱为传统行业带来增加收入、降低成本、提高效率、安全保障的解决方案。
这些智能化应用需求对于机器认知水平提出了全新要求。实现机器认知智能的关键技术之一是知识库技术。智能化需要机器智能，特别是认知智能。
接下来，肖仰华教授给大家介绍了认知智能的应用场景和需求：
（一）数据的精准、精细分析需要智能化技术支撑，大数据的精准、精细分析需要智能化技术支撑
（二）智慧搜索，一切皆可搜索，搜索必达
（三）智能推荐，精准感知任务与场景，想用户之未想
（四）智能解释，智能系统决策结果被采纳信任的前提
（五）自然人机交互，对话式交互取代关键词搜索成为主流方式
（六）深层关系发现/推理，隐式关系、深层关系推理成为智能主要体现
随后，肖仰华教授介绍，“认知智能是智能化的关键”，而知识图谱是实现认知智能的关键技术。知识图谱狭义是一个大规模语义网络，广义是大数据时代知识工程的代表性进展；而上世纪七八十年代知识工程局限性：专家构建，代价高昂，规模有限。现在大规模开放应用需要的是大规模知识库，“小知识”在大数据赋能下变成“大知识”。
接下来，肖仰华教授介绍：为什么知识图谱能够帮助实现认知智能？从原理上看，实现认知智能就是要让机器实现解释和理解的能力；而机器理解过程就是建立从数据到知识库中实体、概念、关系的映射的过程。
肖仰华教授认为：“自然语言处理走向自然语言理解的道路，必须要走知识的道路。”没有知识的基础，NLU会很难做到。解释和理解必须要和知识相关，和知识库相关。
然后，肖仰华教授介绍了，知识引导将成为解决问题的主要方式。很多问题纯粹用数据驱动统计模型是很难去解决的，还是需要很多知识的。
肖仰华教授观点认为，知识将显著增强机器学习能力。机器学习怎么利用知识、知识怎么增强机器学习是非常重要的。知识将成为比数据更重要的资产。
最后，肖仰华教授总结到，知识就是力量。人类文明到今天这个高度，靠的是知识的沉淀和传承，而机器水平的持续提升也要走这条道路，只不过知识的沉淀变成了知识的表示，知识的传承变成了知识的应用。归纳为三个公式：
（一）定理1: NLP+KB=NLU
（二）定理2: Small knowledge+ big data= big knowledge
（三）定理3: ML+KB= ML2
PPT 肖仰华
图文 / 刘振中
排版 / 孔亚茹
审核 / 逄金辉
