人工智能的發展從低到高可分為三個階段：運算智能、感知智能、認知智能。運算智能是最初級的階段，主要指計算機擁有快速計算和記憶存儲能力。感知智能階段建立在運算智能的基礎上，指機器能夠擁有視覺、聽覺等能力。而認知智能則是更高級的階段，指機器能夠實現“理解與思考”。

在深度學習技術的推動下，人工智能在感知層面上取得了重要成果和廣泛的應用，但仍然停留在感知智能層面上。目前，深度學習技術在圖片識別、語音識別、視頻識別等應用上已經達到或超越了人類水準，然而基于深度學習技術的人工智能，卻無法勝任認知智能層面上的任務。例如，深度學習技術能夠讓機器從視頻中識別出貓咪，但無法讓機器理解為什么視頻中的貓咪喜歡玩毛線球，更不具備在發現貓咪不開心時給貓咪扔毛線球的智能。究其根本是因為深度學習技術不具備推理的能力，無法賦予機器認知智能。所謂認知智能是指讓機器獲得推理能力，能夠像人一樣思考，而這種思考能力具體體現在機器能夠理解數據、理解語言，進而理解現實世界的能力，能夠解釋數據、解釋過程，進而解釋現象的能力，以及推理、規劃等一系列人類所獨有的認知能力。

圖神經網絡的重要意義

圖神經網絡是近年來新興的一種智能算法，其將深度學習算法和圖計算算法相融合，取長補短，以達到更優的認知與問題處理等能力，被廣泛應用于 搜索、推薦、風險控制等重要領域。圖神經網絡在發展演變的過程中，適用場景不斷拓寬。在發展早期， 由于潛在的認知能力未被充分挖掘與發揮，圖神經網絡通常應用于圖分類、節點分類和鏈路預測場景中。而隨著學術界對圖神經網絡的重視程度和挖掘深度的不斷提升，圖神經網絡開始用于解決自然語言處理、推薦、金融、集成電路等領域的問題。此外，相對于深度學習算法，圖神經網絡還能勝任一些更具挑戰性的任務，例如重新發現宇宙、模擬玻璃分子的動態特性、大腦神經元鏈接分析、知識圖譜分析等。在2019年后，圖神經網絡力壓深度學習等熱門詞匯，成為各人工智能頂級會議的新增熱詞和研究熱點。

不僅學術界，工業界也對圖神經網絡給予了高度重視，并逐漸加大該方向的基礎設施建設力量。包括谷歌、臉書、阿里巴巴等在內的眾多主流企業，將圖神經網絡部署于數據中心中。圖神經網絡已然成為近年來工業界非常重要的應用之一。阿里巴巴自主研發的大規模分布式圖學習框架Euler，已成功應用于阿里公司的營銷、反作弊、廣告排序等眾多核心場景，大幅提升了業務效率。Euler已于2019年完成開源，成為國內首款工業級圖深度學習開源框架。騰訊公司也于2019年開源了自研高性能圖計算框架Plato，致力于在有效時間和有限資源內完成海量計算，已成功將10億級節點超大規模圖的計算時間降至分鐘級別。Euler 和Plato的研發團隊均在人工智能領域的頂會中發表了多篇有關圖神經網絡在推薦、風控等業務中應用的高水平論文。包括曠視科技在內的許多國內知名企業也已經將圖神經網絡應用于推薦、風控、視覺等主流業務場景中。此外，中科院計算所和中科睿芯聯合研制的高通量計算機力壓IBM獲得Green Graph 500大小數據集榜單的第1名，清華大學教授陳文光的研究團隊在“神威·太湖之光”超級計算機上的研究成果獲得Graph 500 BFS榜單第2名。中科院計算所不僅具有深度學習芯片先驅者寒武紀在深度學習芯片的多年耕耘，在圖處理加速結構研究方向上也取得了全世界認可的優異研究成果，并提出了國際首個圖神經網絡加速芯片設計。

圖神經網絡的優勢特點

圖神經網絡能夠備受學術界和工業界的青睞，歸功于其強大的數據理解能力和認知能力。第一，傳統神經網絡處理的圖片、序列等，為歐幾里得空間的數據，結構十分規則；而圖神經網絡的處理對象則為結構極其不規則的非歐幾里得空間的圖數據。圖數據具有比圖片、序列更強的數據和知識表示能力，不僅能表示樣本（節點）的獨立特性，還能表達相同類型甚至不同類型樣本之間的聯系（鏈接）。然而，現實世界的不確定性導致了圖數據的結構不規則，因此深度學習算法無法直接處理現實場景中的圖數據。例如，卷積神經網絡的卷積操作無法在具有不規則結構的圖數據上進行有效的計算。第二，相對于深度學習算法，圖神經網絡能夠高效地利用樣本實例之間的結構性特征。圖結構數據蘊含著豐富的信息，節點通過邊相連接，將不同樣本之間的關系等信息進行有效和充分的表達，從而最大化利用現實圖的結構性特征。在傳統的深度學習算法適用場景中，實例需要彼此獨立，因此無法挖掘樣本之間的潛在聯系。而圖神經網絡算法則將圖數據的結構性特征融入算法模型實現中，增強知識的理解能力。第三，無法有效進行關系推理是制約深度學習發展的核心因素之一，而具有處理各種關系能力的圖神經網絡算法則能勝任關系推理，從而造就了圖神經網絡強大的認知能力。因此，圖神經網絡被認為是推動認知智能發展強有力的推理方法，有望解決深度學習無法處理的關系推 理等一系列問題，讓機器“能理解、會思考”。

責任編輯：lq