現(xiàn)在有非常多的大公司在做人工智能方面的研究，包括Google、IBM、Facebook、Apple、百度等，也有數(shù)不盡的小型創(chuàng)業(yè)團隊進入，使得人工智能方面變得熱鬧非凡。每一公司都有自己的研究思路，也取得了不同程度的進展，比如百度李彥宏就透露，百度大腦已經(jīng)相當(dāng)于2~3歲小孩的智力水平，而按照我們對自己人工智能系統(tǒng)的模擬測試結(jié)果，可以達到12歲中學(xué)生的智力水平，大幅度領(lǐng)先百度度學(xué)習(xí)研究院。下邊在不泄露技術(shù)機密的前提下，簡要分享我們?nèi)斯ぶ悄芟到y(tǒng)的設(shè)計思路與背后基于的原理。

1、文字與編程語言（視頻、圖片、文字與程序的結(jié)構(gòu)化分析）

1）文字的發(fā)明與價值

在介紹人工智能之前，我們先來簡單認識一下“文字”。在人類看來，文字是人類約定創(chuàng)造的視覺形式，可以說文字是一個視覺系統(tǒng)，它以簡單方式將視覺場景圖案再現(xiàn)，并且富有便于口語聲音表達的特點，因而更加清晰，可以反復(fù)閱讀，可以突破時間和空間的限制。

更準確的說，文字使人類突破口語受到時間和空間的限制，把時空的影像變化轉(zhuǎn)碼成視覺可見的符號系統(tǒng)，并通過書面語的方式傳承下來，使后人能通過間接的文字想象出畫面，了解歷史和學(xué)習(xí)技術(shù)經(jīng)驗，從而提自己的智慧，發(fā)展科學(xué)技術(shù)，并終促使人類能進入有歷史記錄的文明社會。

2）編程語言與文字的區(qū)別

在了解完文字后，我們再來簡單的看一下自然語言（文字）與計算機編程語言之間的區(qū)別。顯然，自然語言是更的編程語言，其每一個字都有特定的含義，在現(xiàn)實世界中映射非常龐大視覺影像，并且具備較容錯率的特點，而現(xiàn)有的計算機編程語言是簡單的命令序列與邏輯組合，本質(zhì)上說，這兩者之間差別巨大。

由于在計算機語言的內(nèi)在邏輯無法映射到現(xiàn)實事物，于是在計算機看來，文字是人類用來記錄語言的符號系統(tǒng)，僅僅是符號，沒有任何意義。于是，當(dāng)計算機識別到“樹”這個字時，它沒有任何“樹”真實樣子、信息的概念與數(shù)據(jù)，也就無法理解“樹”這個字的真正含義。

其實，這也說明計算機和現(xiàn)實的接口沒有打通，所以，人工智能的關(guān)鍵環(huán)節(jié)即為幫助計算機將符號與真實視覺影響之間建立聯(lián)系，即補全每一個詞語背后的真實對象數(shù)據(jù)，填補計算機文字符號與現(xiàn)實影像數(shù)據(jù)之間的鴻溝。

現(xiàn)在技術(shù)突破方向是通過建立知識圖譜與事物組合圖譜，試圖將現(xiàn)實世界的景象與知識組織起來。當(dāng)然，這僅僅是一步，只有將其與自然語言解析、視覺解析結(jié)合到一起時，再結(jié)合大數(shù)據(jù)統(tǒng)計，才能實現(xiàn)真正的突破。

2、人工智能發(fā)展限制因素的誤解

雖然基于現(xiàn)有計算機發(fā)展人工智能技術(shù)仍舊面臨或多或少的限制，但將其歸結(jié)于計算能、編程方式等原因，顯然是不正確的，因為這些都可以基于現(xiàn)有技術(shù)來解決，下邊依次簡要說明。

1）計算機計算能限制的誤解

許多人認為，雖然現(xiàn)在處于科技發(fā)達的互聯(lián)網(wǎng)時代，但現(xiàn)有計算機的計算能力非常有限，如果要完成自然語言解析這種海量計算的工程，或許只能依靠計算機、量子計算機、光子計算機、生物工程計算機等更的技術(shù)解決。其實這種想法是不對的，因為自己不能找到解決人工智能的解決方案，而將其歸咎于現(xiàn)有硬件能低下，是一種錯誤的邏輯。雖然計算能力的提升有助于更簡單的解決人工智能問題，但計算能力并非限制人工智能發(fā)展的核心問題，而且計算能力可以靠大規(guī)模服務(wù)器集群有解決。

2）現(xiàn)有編程方式與計算體制的誤解

許多人認為，現(xiàn)有的計算機語言僅僅是簡單的命令序列與邏輯集合，而自然語言解析所需要的編程方式注重的是視覺、聽覺、嗅覺、觸覺、味覺等為一體的編程體制，因此其并不適合解決自然語言與人工智能方面的問題，這也就意味著如果想的實現(xiàn)人工智能技術(shù)，好開發(fā)出全新的編程模式，開發(fā)一款全新的計算機架構(gòu)。

是的，我承認如果能夠開發(fā)出更加優(yōu)秀的編程體制，能夠?qū)⒄麄€系統(tǒng)的計算量降低過50%，大幅度降低硬件、人力等技術(shù)設(shè)施的投入，從而使得整個過程的運算更加，響應(yīng)速度提一倍，但這并不意味著現(xiàn)有的編程體制解決不了所面臨的問題。

雖然IBM公司已經(jīng)發(fā)布了基于人腦特征的全新計算架構(gòu)，號稱基于此的新生態(tài)系統(tǒng)將為市場帶來參數(shù)化的神經(jīng)模型，能形成類人腦計算的基礎(chǔ)信息處理單位，以及具備對空間、時間和多模態(tài)化環(huán)境的識記、感知，或者是做出行動的能力，從而讓下一代應(yīng)用在感知、行為和認知方面的率堪比人腦，但這種計算架構(gòu)仍不成熟，在現(xiàn)實使用過程中，仍面臨非常多的技術(shù)問題。

3、度學(xué)習(xí)與知識單元

1）度學(xué)習(xí)

度學(xué)習(xí)的原理是通過多層次的學(xué)習(xí)而得到對于原始數(shù)據(jù)的不同抽象層度的表示，進而提分類和預(yù)測等任務(wù)的準確。即針對某一個“事物”，對于其圖像（或物體、聲音、嗅覺、觸覺、味覺）進行參量分解與組合，然后通過大量同類事物來重復(fù)操作，從而驗證每種參量（或參量組合）重要（或?qū)哟危?，終獲得一組識別該事物識別數(shù)據(jù)包的一種機制。

度學(xué)習(xí)整個訓(xùn)練過程非常簡單，以機器學(xué)會在圖片上識別狗為例，我們不需要人為事先給出狗的特征定義，只需要提供足夠的相關(guān)圖片，用以劃上一個大致的識別邊界，然后機器將所看到的圖像或圖片分解成10億多個不同的參量，對這些參量的層次、權(quán)重進行概率統(tǒng)計，并將這些參量按照其可能進行各種“組合”，并對這些組合的層次、權(quán)重進行概率統(tǒng)計，并終形成識別數(shù)據(jù)包。

舉個簡單例子，機器反復(fù)學(xué)習(xí)桃花的特征后，就會自己找到判定一朵桃花的方法，它會將這類有顏、有花瓣、有花蕊的物體自動和花這個單詞聯(lián)系到一起，并終形成一個特定的識別數(shù)據(jù)包，再依據(jù)這種“識別包的數(shù)據(jù)”，就可以從千萬張圖片或視頻中識別出桃花來。

度學(xué)習(xí)大的特點是分層，即在進行事物識別時，由于事物的不同特征的重要、空間位置、時間順序等是不同的，需要對事物特征建立層來度認知事物，背后的理論在于，你應(yīng)當(dāng)有一種模式來反映想要學(xué)習(xí)的自然現(xiàn)象的層。

借助這種分層的特征識別提取機制，機器能夠像人的大腦一樣可以從多角度識別搜索目標，甚至可識別多樣且被扭曲的圖像，即當(dāng)圖像發(fā)生傾斜、倒置、扭曲時，仍然具有一定的識別果。

度學(xué)習(xí)終得到的是一個針對某一事物的數(shù)據(jù)識別包。當(dāng)然，這個數(shù)據(jù)識別包也存在局限，就比如衣服這類物體很容易發(fā)生形變，機器通過學(xué)習(xí)雖然能夠?qū)W習(xí)判斷長袖短袖等衣服類型，然而形變過大然降低識別概率，但即便是識別率較低的數(shù)據(jù)包，仍然具有價值。

2）三維建模

度學(xué)習(xí)是一向基于信息提取的技術(shù)，但產(chǎn)生人工智能需要的基礎(chǔ)“數(shù)據(jù)識別”，仍需要搭配另一套技術(shù)體系，即三維建模相關(guān)技術(shù)，這是因為現(xiàn)實世界中的事物大多是三維的，因此在“數(shù)據(jù)識別包”提取的過程中，需要基于三維真實的事物。

終，數(shù)據(jù)識別包要符合以下要求：

①?能夠滿足事物在不同空間位置、視角、動作的識別機制，即具備在不同情況下識別概率的描述。

②?針對同一事物，在特定的視角之下，要具備柔識別的數(shù)據(jù)，比如可以提供99%、98%、97%……30%……1%等一系列識別概率的數(shù)據(jù)。

③?事物的意境展現(xiàn)，即當(dāng)出現(xiàn)“蘋果”詞語時，能夠迅速給出“蘋果”的各種普通立體圖，并支持各種簡單操作。（畫面展現(xiàn)）

由蘋果詞語映射出來的各種結(jié)果

3）知識單元

然而，度學(xué)習(xí)與三維建模等技術(shù)僅僅是針對某一元素進行入分析的工具，能夠針對某一事物分層次的提取其特征庫，并能夠基于此識別其它景象是否存在這一事物，這僅僅屬于“知識單元”模型中的一個要部分。

因此，我們需要將度學(xué)習(xí)技術(shù)輸出的結(jié)果構(gòu)建模型以使符合我們“知識單元”的范式要求，只有這樣，我們才能正確的使用這些數(shù)據(jù)，從而實現(xiàn)后續(xù)“知識圖譜”、“事物組合圖譜”、“視覺解析引擎”、“語境解析引擎”等的構(gòu)建。

知識單元是我們搭建的一個基于事物自身相關(guān)屬的知識組合，為了便于以后在知識單元基礎(chǔ)上進行更入的數(shù)據(jù)分析操作，知識單元所應(yīng)具備以下基礎(chǔ)功能：

① 物體“二維”、“三維”識別功能；

② 將文字符號與畫面建立連接的展現(xiàn)功能；

③ 物體多種名稱及“名稱與屬”的對應(yīng)關(guān)系；

如果更詳細的話，知識單元在構(gòu)建時需要包含以下幾個特點：

1、視覺識別方面，需要分層次化的特征識別體系。

在數(shù)據(jù)識別包方面，要形成一種分層次的識別數(shù)據(jù)包，不僅要識別出整個事物，也要提供識別事物某一部分的識別數(shù)據(jù)包，比如：識別一朵桃花，既要提供整個花朵的數(shù)據(jù)識別包，也要提供針對花瓣的數(shù)據(jù)識別包。

2、知識單元屬方面，事物的屬要做的盡可能，分類要盡可能的精細化，這是后期在知識單元之間建立聯(lián)系的基礎(chǔ)。

3、知識單元的概念名稱、屬表述可能有多種，需要詳細的羅列出來，而且概念、屬要與所對應(yīng)的視覺特識別數(shù)據(jù)包形成一一對應(yīng)關(guān)系，這是后期自然語言理解的基礎(chǔ)。

4、識別數(shù)據(jù)包要具備功能，也即當(dāng)出現(xiàn)“桃花”這個詞時，能夠提供桃花的標準圖（普通圖）。

5、知識單元中的相關(guān)識別數(shù)據(jù)包好是基于三維真實事物的特征采樣，這樣的數(shù)據(jù)更加真實、自然，也更加有。

6、知識單元中的元素包括：視覺識別數(shù)據(jù)包、聲音識別包、嗅覺識別包、觸覺識別包、味覺識別包，以及事物的各種概念、屬、行為等文字特征信息。

7、基于統(tǒng)計學(xué)進行優(yōu)化。當(dāng)我們搭建完知識單元的初模型后，仍舊需要根據(jù)大規(guī)模數(shù)據(jù)統(tǒng)計的方法來逐步、優(yōu)化知識單元的設(shè)計模型，因此，在要建立數(shù)據(jù)自動修改優(yōu)化機制。

8、識別數(shù)據(jù)包是一個空間范圍內(nèi)的識別結(jié)果，也即無論物體發(fā)生了變形、扭曲、拉伸、視角變換等一系列處理，仍能識別出來，雖然識別成功率不同，但這些具備一定識別率的數(shù)據(jù)仍舊具備一定的價值。

9、知識單元須帶有空間、時間、物體、聲音、觸覺、組合等一系列信息，也即這個單元是否具有空間屬？是否具有隨時間變化的屬？是否是一個物體？是否具有聲音屬？是否具有觸覺屬？是否是一系列物體的組合？……

……

知識單元也即為知識圖譜的基元，后續(xù)視覺分析、自然語言分析、計算引擎等進行計算時直接在此調(diào)取數(shù)據(jù)，因此其設(shè)計模型至關(guān)重要，這直接決定著整個人工智能工程的成敗。

4、知識圖譜

1）知識圖譜的價值與意義

將眾多知識單元組合在一起，并挖掘不同知識單元之間的關(guān)聯(lián)屬，以此為基礎(chǔ)使知識單元之間建立入而廣泛的關(guān)聯(lián)，終形成一張龐大的、具有廣泛聯(lián)系的知識單元關(guān)系網(wǎng)，這張網(wǎng)就是知識圖譜。

比如說一個明星（是一個知識單元）可以通過度學(xué)習(xí)技術(shù)得到她的視覺特征庫（識別數(shù)據(jù)包），并基于此搜尋她所有演過的電影和唱過的歌（每一部電影、每一歌曲都是一個知識單元），并在彼此之間建立關(guān)聯(lián)，終通過這種模式逐漸將知識單元關(guān)聯(lián)起來。

2）知識單元分組歸類

知識單元聚合成知識圖譜的過程并非是簡單的加法過程，而是一個2的N次方的相乘過程，這個過程中能找到許多歸類的同類項，從而使它們之間建立較為廣泛的簡單聯(lián)系。

舉個簡單的例子，菊花、油菜花、桃花、荷花、迎春花、葵花、石榴花、梅花、槐花、玫瑰這十種花，如果按照顏的角度來看，通過尋找同類項，其中，顏偏向黃的花為迎春花、桃花、油菜花、梅花、菊花、葵花等，顏偏向紅的有荷花、石榴花、玫瑰花。如果按照開花的季節(jié)來看，春季開花的有迎春花、油菜花、桃花、槐花，夏季開花的有荷花、葵花、石榴花、玫瑰，秋天開花的有菊花，冬天開花的有梅花。以類似的方法，可以在彼此之間建立非常多的關(guān)聯(lián)。

3）量化世界

知識圖譜可以說是在“量化世界”，讓以前模糊的世界變得更加清晰，這也是人類文明進步的關(guān)鍵一步，曾經(jīng)人類發(fā)明了語言文字，用戶符號代表世界上各種事物，進而加以認識與區(qū)分，知識圖譜是在這個基礎(chǔ)上的巨大創(chuàng)新，從而達到量化世界的果，讓整個世界都進入數(shù)據(jù)化時代。

另外，知識圖譜是視覺解析引擎與自然語言解析引擎的基礎(chǔ)，只有將知識圖譜做好，才能在此基礎(chǔ)上發(fā)展事物組合圖、視覺解析引擎和自然語言解析引擎，因此，知識圖譜是人工智能的基礎(chǔ)環(huán)節(jié)。

5、事物組合圖譜雙鴨山預(yù)應(yīng)力鋼絞線價格

“事物組合圖譜”是以知識圖譜為基礎(chǔ)建立的另一個異常龐大的知識庫，甚至說是比“知識圖譜”大100倍的知識體系，這個東西是人工智能的另一個基礎(chǔ)。

那什么是“事物組合”呢？通俗的說只要是兩個或多個事物組合在一起，發(fā)生的任何事件、情況等等，均是“事物組合”，小到“水和水龍頭”，大到“上萬人組成的騰訊公司”，都是事物組合。

1）事物組合圖譜的價值

知識圖譜是通過度學(xué)習(xí)等方法，搭建起基于視覺數(shù)據(jù)包、三維模型、語言符號、層關(guān)系等為一體的知識單元，但在真實的視覺識別、自然語言解析過程中，知識圖譜在很多方面都存在數(shù)據(jù)不足的特點，為了彌補這個缺陷，我們需要度挖掘事物之間的關(guān)聯(lián)，以獲得更加豐富的數(shù)據(jù)，這也就意味著“事物組合圖譜”的誕生。

“事物組合圖譜”更多的是根據(jù)知識圖譜上邊知識單元，基于現(xiàn)實世界的真實組合情況，而形成的機器可以運算的數(shù)據(jù)，基于這些數(shù)據(jù)的進一步運算會做很多理的事情，并產(chǎn)生更大的價值，甚至是后續(xù)視覺解析引擎和自然語言解析引擎的基礎(chǔ)。所以，“事物組合圖譜”的一個非常重要的應(yīng)用即為做化算。

2）事物組合概率統(tǒng)計

人每關(guān)注一個事物或場景（多個事物的組合），大腦都會對相關(guān)事物進行一次記錄，記憶程度取決于相關(guān)參量的記錄次以及記憶時間，著重記錄那些（或事物的組合）出現(xiàn)概率的事物景象，而對于那些不經(jīng)常出現(xiàn)的事物（或事物的組合），記憶中的特征也將隨著時間的流逝而逐漸減弱，這說明人是根據(jù)景象出現(xiàn)次數(shù)、時間的遠近、事物組合特點等來決定記憶與權(quán)重。

人工智能也是基于類似的運作原理，需要將所有的事物放到一塊，基于大量的真實、自然的生活數(shù)據(jù)，來分析其各種事物組合到一起的可能概率，這種概率數(shù)據(jù)將對后期的人工智能運算起到關(guān)鍵作用，尤其是視覺解析、自然語言解析等領(lǐng)域。

對于事物組合情況的統(tǒng)計，除了需要獲取某些事物組合在一起的概率之外，更重要的是獲得這些事物組合在一起所具備的某些特點，比如過程的特點、過程的來源、過程的走向，以及相關(guān)環(huán)節(jié)體現(xiàn)的特點，這些數(shù)據(jù)非常有用，在后續(xù)人工智能體系中將產(chǎn)生巨大的價值。

事物組合圖譜主要包含三大基本功能：

①　統(tǒng)計各種事物所形成的各種真實組合，包括事物之間的組合、事物的空間位置、時間變換等等，并得出每個事物出現(xiàn)在各種組合中的概率；

②　統(tǒng)計各種組合所在過程中所具備的某些特點，預(yù)應(yīng)力鋼絞線無論是過程特點、來源、走向、分析等，都需要統(tǒng)計相關(guān)數(shù)據(jù)；

③　將各種組合按各種類別分類，并將其結(jié)果分析數(shù)據(jù)匯總出來；

舉個簡單的例子：水杯與其它物體組合在一起的概率？

水（46.27%）

桌子（17.62%）

塑料（12.39%）

玻璃（8.18%）

……

舉個稍微復(fù)雜的例子：獲取“女孩的跑步”特點的識別包？

顯然，“女孩的跑步”是由三個事物，即人、空間、時間組成的一個過程組合，通過對上述場景的大量度學(xué)習(xí)，可以得到隨著時間、空間變換的整個動作撲捉過程，并獲取相關(guān)的數(shù)據(jù)識別包，如果將“女孩跑步”定義為一個事物的話，則可以將相關(guān)數(shù)據(jù)模型化形成一個知識單元。

再舉個更復(fù)雜的例子：“女孩”、“失蹤”是過去一段時間新聞報道比較熱衷的話題，根據(jù)這些新聞報道，以簡的方式，統(tǒng)計出下邊一個四表格的數(shù)據(jù)。如果又出現(xiàn)了一個女孩失去聯(lián)系了，根據(jù)這個簡單的表格數(shù)據(jù)，則該女孩有可能被囚禁、搶劫或殺害的可能，這就是一個簡單的判斷。

有人會產(chǎn)生疑問，這世界上有上億個事物主體，上億個事物按照平均10個組合在一起，也就是C10個組合，即10億的十次方，終的結(jié)果是1080次方，這是一個天文數(shù)字，現(xiàn)在計算量不可完成的。

但真實世界中的真實情況并非如此，而是不同元素之間經(jīng)常是成組出現(xiàn)的，比如水杯與水等常見事物的出現(xiàn)組合，幾乎占到水杯與其它所有事物組合的概率上的90%以上，至于那些事物之間組合到一塊的概率過低，則不進行統(tǒng)計。

3）概率統(tǒng)計某一具體事物的所有相關(guān)信息

以前很難準確的了解某一個人，但是在人工智能大數(shù)據(jù)統(tǒng)計分析的情況下，這個解決起來就太簡單了。以某一事物為主體，通過大量的數(shù)據(jù)進行分析，按照概率相關(guān)程度進行統(tǒng)計，可以很快得出與這一事物關(guān)系近的一系列相關(guān)事物。

比如，以學(xué)生群體為例，可以很快得出99%的學(xué)生，每天早晨起床、洗刷、吃飯、上課、午休、上課、放學(xué)回、吃飯、洗刷、睡覺……，因此，很容易判定“周一上午十點它們大多數(shù)都在上課”。如果以單個學(xué)生為例，通過匯總這個學(xué)生的所有生活信息，可以很快分析出這個學(xué)生的所有生活習(xí)、好、思維方式，以及可能的行為等等。

4）構(gòu)建全人類數(shù)據(jù)庫

在知識圖譜的基礎(chǔ)上，進行相關(guān)“事物組合”的概率分析，是努力去構(gòu)建一個更復(fù)雜、龐大的且基于全人類的知識系統(tǒng)，其核心主要基于三點：

①?基于自然語言解析引擎來閱讀并理解互聯(lián)網(wǎng)內(nèi)容，然后對其有價值的相關(guān)資料進行提取，并將其歸入到知識圖譜與事物組合圖譜里邊；

②?基于視覺解析技術(shù)能夠使計算機能夠理解所有視覺場景內(nèi)的信息，并將這些信息逐一統(tǒng)計分析，并將其歸入知識圖譜和事物組合圖譜；

③?對人群進行精細分類，然后基于每種類型的人給出特定的事物組合圖譜。

5）組合概率引擎的分化

在自然語言解析的那部分，我們說到“當(dāng)一個句子成一個語境后，會出現(xiàn)非常多的語義可能，并通過語境限制因素與大規(guī)模數(shù)據(jù)統(tǒng)計來獲取定向語義”，但有一點需要提出的，那就是當(dāng)基于不同的解析方向、內(nèi)容類型時，終會出現(xiàn)不同的解析語義，從而形成種類繁多的面向特定知識的語境解析引擎，這就像不同的人看同一場景“一株玫瑰花枝上開著一朵玫瑰花”，終得到的卻是不同的結(jié)果，有的人說“花中有刺”，而有的人卻說“刺中有花”，其實從本質(zhì)上講，他們看到的場景是一樣的，但是后續(xù)的思維加工、思維計算過程卻不一致，因為他們在思維計算過程中分別強調(diào)了不同的因素，前者強調(diào)了“刺”，而后者強調(diào)了“花”。因此在后期，將針對特定人群，出特定的組合概率識別引擎，以提升分析的成功率。

6、視覺解析引擎

1）視覺范圍內(nèi)單個物體識別

“視覺解析引擎”是基于知識圖譜和事物組合圖譜的數(shù)據(jù)，按照一定的分析方法對視覺范圍內(nèi)的事物進行解析的系統(tǒng)，通過“視覺識別引擎”對場景內(nèi)事物的逐一識別，以及事物之間的組合分析，終全部理解視覺場景信息的一種技術(shù)。

具體來說，通過層學(xué)習(xí)來構(gòu)建可視化知識圖譜，并通過知識圖譜的多層特征體制來分析圖片中的事物，進而我們可以解析出場景中的所有事物（不一定都準確），由于在同一類場景中，不同事物形成的組合往往具有相互限制的作用（事物組合數(shù)據(jù)），因此我們可以通過這種限制作用（事物組合數(shù)據(jù)）來分析事物，終全部解析場景信息的一種技術(shù)，這一過程涉及到了大量基于數(shù)據(jù)的理判斷。

如果是視頻，具有時間線緯度，那就可以獲取更多的分析數(shù)據(jù)。當(dāng)場景跟隨著時間而漸進變動時，我們就可以從多個視角來觀察目標場景中的每一個事物，從而獲取更豐富的視覺數(shù)據(jù)，這將增加分析的準確度。

2）通過“事物組合圖譜”數(shù)據(jù)來對場景進行度分析

視野場景中具有眾多事物，這些事物之間往往具有相互聯(lián)系，甚至部分事物可以構(gòu)成一個組合，或者說這些事物往往以組合的方式出現(xiàn)，比如茶杯中的熱水與冒出的熱氣，因此可以通過它們之間的組合在一起的概率非常，而其它可能卻非常低，可以通過這種模式來分析事物。再比如說，一個人在一個秤上秤體重，我們很容易想到的是這個人在稱體重，而不是這個人在觀察這個秤是否美觀，是不是容易壞，它多貴，因為前一種可能出現(xiàn)的概率要遠于后者。

系統(tǒng)的分析場景內(nèi)的所有事物，以及這些事物之間的常見可能組合，基于類似組合的可能走向或特點，就可以理解圖片信息。

3）識別步驟

場景識別過程大致分為以下五個步驟：

①?針對圖像主體元素的識別，得出圖像的場景主題、主要構(gòu)成元素。

②?針對每一個元素進行逐一詳細識別。

③?基于事物組合圖譜的數(shù)據(jù)，將各個事物重新組合到一起，并對所有元素的組合結(jié)構(gòu)、視覺呈現(xiàn)等進行分析，從而完成對圖片的完整分析。

④?如果這是一個自然、真實生活中的案例，則將這個案例的相關(guān)數(shù)據(jù)進行簡要歸檔，也即歸入相關(guān)知識單元與知識圖譜里邊，對曾經(jīng)的知識圖譜進行優(yōu)化。

⑤?如果這種強調(diào)圖片中的那些點，則需要對這些點進行詳細的識別、分析。

4）基于類似場景分析圖片的含義

一般而言，分析場景的含義，都是通過同類場景的相似來理解預(yù)測現(xiàn)在所面對的場景的，從而理解場景所表達的真實意義。

在大多情況下，同類“事物組合”或同類場景的終可能走向，或者它們的來源于情況，或者會帶來那些結(jié)果，或者整個過程的價值（特點），這就是圖像的真正含義。

人們?yōu)槭裁纯吹綉已?，會害怕?/p>

答：因為在這里發(fā)生意外的可能比較大，一不小心跌落，就沒命了，于是害怕，也即出于對一種可能危險結(jié)果的擔(dān)心。

男士為什么喜歡和陌生美女聊天？

答：因為和陌生美女聊天交流，或許有許多進一步發(fā)生的可能，比如成為朋友、一起吃飯、看電影等一系列后續(xù)的可能。

舉例：三口之的郊外旅游

步驟一：

通過對這張圖片進行簡單識別，可以得出這張圖片大致包含的元素為四類：

①　、人（3個人）；

②　、草坪、樹木、天空；

③　、熱氣球；

④　、文字（logo）。

通過這四個元素的組合分析，可以得出，這張圖大致是一個郊外游玩圖。

步驟二：

針對圖像中的某些元素組合進行具體的分析，比如以“人”這個元素為例，很顯然能夠分析出圖中一共有3個人，進行更具體的分析，可以得出一個男士、一個女士、還有一個小女孩，如果機器能夠識別出她們是手牽手，再加上男士、女士、小女孩這樣的結(jié)構(gòu)，可以得出這很可能是一個三口之。

以類似方式完成對自然景觀（草坪、樹木、天空）、熱氣球、文字的分析。

步驟三：

這是一幅什么樣的場景？

答：三口之歡快的郊外旅游圖，“歡快”怎么來？，因為基于類似場景的統(tǒng)計分析，郊外旅游一般都是一件開心的事。

7、語境解析引擎

語句解析簡要流程

1）人基于什么進行交流？

人的所有交流都基于以下五類真實的素材：

①?視覺層面：可視化方面，素材、圖畫、動作、圖景隨時間變化……

②?味覺層面：味覺感官，如：甜、苦、澀、酸……

③?聽覺層面：聽覺感官，如：音質(zhì)連續(xù)、間斷、跳躍、清晰、模糊、洪亮、清脆……

④?觸覺層面：皮膚感官，如：柔軟、堅硬、摩擦……

⑤?嗅覺層面：嗅覺感官，如：臭、香……

2）基于語境展現(xiàn)的語句分析

人類所有的交流都是基于事實的、能夠真實感受到的事物來進行的，當(dāng)機器解析自然語言時，也需要將其轉(zhuǎn)成事實的、能夠真實感受到的事物。因此，“語境解析引擎”主要是將語言成一幅真實的圖畫，并基于“知識圖譜”、“事物組合圖譜”對其進行度解析的一種技術(shù)。

基于語境解析引擎的自然語言理解主要包括以下幾個部分：

①?基于事物組合圖譜尋找話語語境中的類似事物組合場景；

②?用類似事物場景的各種屬特點去理解話語場景；

③?如果針對話語語境中的某些點需要著重分析，則調(diào)取“知識圖譜”或“事物組合圖譜”數(shù)據(jù)進行入分析。

舉例1：“狗走進了房間，他是毛絨絨的?！?/p>

“狗走進了房間，它布滿了具?！?/p>

毛絨絨是狗的“外形表述”，具是一個物體，房間更多是一個空間區(qū)域，布滿則是物體擺放的位置，因此，基于人工智能技術(shù)，我們很容易通過語境來理解語句的語義。

要基于事物組合圖譜進行可視化動態(tài)聯(lián)想，將一句話展現(xiàn)為一幅動態(tài)簡約語境圖畫，如下邊例子所示：

舉例2：“詠鵝”古詩用圖畫表示出來

詠鵝

鵝，鵝，鵝，曲項向天歌。

白毛浮綠水，紅掌撥清波。

基于語境解析技術(shù)將古詩語境用圖畫展示出來，如下圖所示：

3）語境分析引擎

任何一幅語境圖畫所展現(xiàn)的內(nèi)容都是無窮多的，這無窮多的可能會帶來成千上萬種語義可能，通過將語境所有事物按照可能組合在一起，對這種事物組合的類似場景進行分析，來獲取有可能表達的那種語義，并終獲取某一語句表達的真實語義。

當(dāng)然，語境中的事物可能會出現(xiàn)多種組合形式，每一種組合形式都可能會對應(yīng)相應(yīng)的語義。但語境具有糾錯機制，隨著語句的持續(xù)，當(dāng)發(fā)現(xiàn)前邊的理解有誤時，即前邊的某一語句表達的并不是概率的那個語義時，可以糾正前邊的語句語義理解。

其實從另一方面來講，“話語”本身是能表達多種含義的，而語境對語義具有限制作用，將一句話限制在某一確定的語義，也即話語能夠表達多種不同的含義A/B/C/D，每種含義的概率分別是35%、30%、25%、10%，語境將語義限制在其中的某一種，比如B。

語境對語義的制約有多種情況，比如，同樣一句話，不同身份的人所表達的語義不同。例如：

一位教師說：“明天上午八點我去上課?！?/p>

一個學(xué)生說：“明天上午八點我去上課?！?/p>

上面的兩個例句中，教師和學(xué)生雖然都說同樣的話，由于教師和學(xué)生的職務(wù)身份不同而決定了同樣一句話的語義不同，教師說這句話的意思是“去講課”，而學(xué)生說句話的意思是“去聽課”。

按照傳統(tǒng)的語句邏輯分析，很難解決這種語義分歧錯誤，但是在人工智能大數(shù)據(jù)統(tǒng)計分析的情況下，這個解決起來就太簡單了，通過大量的數(shù)據(jù)分析發(fā)現(xiàn)，“學(xué)生”與“上課”這兩個事物組合到一起，99.9%的概率是去學(xué)生去聽課，So easy！

再比如，同樣的一句話，在不同的時間、地點、場合，就有不同的語義。

例如：“都八點了！”

按照傳統(tǒng)的語句解析技術(shù)，這句話很難理解，由于缺乏語境，它的語義很難確定。但是按照人工智能技術(shù)，這個問題很簡單，通過大數(shù)據(jù)分析，可以直接給出，這句話出現(xiàn)在各種場景中的概率：

①?快點走，否則飛機晚點了（0.1%）

②?快點走，否則上班時間要遲到了（15.1%）

③?快點走，否則上課要遲到了（11.1%）

④?你沒有時間概念（14%）

……

至于終表達的是一種什么樣的含義，無所謂，隨著語境的持續(xù)而自然解決。

舉例：交通事故

一位剛學(xué)會騎自行車的姑娘，因有急事飛駛在郊外的大馬路上。這時，她發(fā)現(xiàn)前面有個老人在路邊散步，她心里很慌亂，便在背后大聲叫道：“老大爺，站一下，請站住別動！”老人隨即站住，沒有回頭，只等姑娘過去。但不幸得很，姑娘三歪兩歪一下子撞在老人身上，老人摔倒了。老人爬起來說：“我說你讓我站住干什么，原來你是要瞄準呀！”

整個段子的語言解析的字數(shù)比本文所有字數(shù)還多，簡略起見，僅對其一句話進行解析：“一位剛學(xué)會騎自行車的姑娘，因有急事飛駛在郊外的大馬路上?！?/p>

①?“姑娘”是“女孩”的另一種稱呼，這點通過知識圖譜可以得到；

②?“自行車”是一種物體，通過知識圖譜可以查到；

③?“馬路”是“公路”或“泊油路”的另一種稱呼，是一個事物，通過知識圖譜可以查到；

④?“郊外”是一個“事物組合”，通常指麥田、道路、野草、村落等組成的場景，通過“事物組合圖譜”可以查到；

⑤?“騎自行車”是“人”與“自行車”兩種事物組合在一起的一種運動狀態(tài)，在“事物組合圖譜”里邊可以

⑥?“剛學(xué)會騎自行車”是“人”與“自行車”兩種事物組合在一起的一種運動狀態(tài)的子集，這在“事物組合圖譜”里邊可以查到；

⑦?“有急事”是“人”與“事情”兩種事物組合在一的一種狀態(tài)子集，這在“事物組合圖譜”里可以查到；

⑧?“飛馳”是車輛等事物運動過程中的一種描述，這在“事物組合圖譜”里可以查到；

⑨?基于上述這些理解與數(shù)據(jù)，通過“語境解析引擎”，很容易將這句話解析出來，后給出的是一個的簡略過程“描述視頻”，也即為該句話的“語境”，也即理解這句話的含義。

基于“知識單元”、“知識圖譜”、“事物組合圖譜”、“視覺解析引擎”、“語境解析引擎”等技術(shù)，已經(jīng)能夠搭建基于自然語言的龐大數(shù)據(jù)庫，并能夠以準確率識別自然語言，可以說，這已經(jīng)為真正實現(xiàn)人工智能搭建了良好的基礎(chǔ)，但這僅僅是整個“人工智能”技術(shù)體系中的一部分，鑒于本文篇幅，剩下的那部分將在后續(xù)的文章中展現(xiàn)給大。

后想說一句話：中國創(chuàng)新雙鴨山預(yù)應(yīng)力鋼絞線價格，改變世界！