原标题：DIKW金字塔，AI爬到第几层了？
你可能没听说过DIKW金字塔，但你一定曾被按在这座塔的鄙视链上摩擦过。
曾有某个游戏主播形容自己的预判：观众只看到了第二层，想到了第一层，实际上我在第五层。于是，网友们形容一些让人意想不到的操作，“这波啊，这波是在大气层”。
这种说法虽然有些戏谑，但还真有点科学道理。
DIKW金字塔，是一个关于人类理解、推理和解释的层次结构，分别是：数据（原始的事实集合）、信息（可被分析测量的结构化数据）、知识（需要洞察力和理解力进行学习）、智慧（指导行动）。
站在DIKW金字塔尖的人，相当于全部通关的顶级选手，掌握了数据、整理成信息、理解为知识、转化成智慧，才能让行动如有神助。足智多谋如诸葛亮，锦囊妙计用的那叫一个信手拈来，绝对是“站在大气层的男人”。
DIKW金字塔适用于人，也适用于AI吗？答案是肯定的。
如果AI也有鄙视链，那么基于数据的AI，一定会被基于知识的AI碾压。
这是因为，AI Is A Knowledge Technology，AI就是一种由知识驱动的技术。因此，从初级人工智能向高级人工智能、通用人工智能发展的过程，也是一个攀爬DIKW金字塔的过程。
近年来，AI领域的诸多学术力量、产业力量，从强调“数据出奇迹”的蛮力计算，向着“知识金字塔”的更高层级进发，推动知识计算引领AI应用的未来潮流。
可以说，我们正处于一个向基于知识的AI过渡的关键阶段。AI已经影响着你我生活的方方面面，所以有必要来聊一聊，AI沿着DIKW金字塔向上攀爬，将会带来怎样的变化？
回归的钟摆：理性主义的复兴
将知识运用在机器智能当中，并不是什么新鲜事。早在上个世纪，人类就开始了探索知识计算的步伐，并广泛应用到工作和生活当中。
AI诞生的那一刻起，就是理性主义和经验主义两大流派的交相辉映、此消彼长。它们的共同之处，都认为机器智能首先要拥有知识，知识是智能的核心；分歧在于，对于知识的理解和获取途径不同。
而伴随着这两大流派的发展，知识与AI的结合，也就表现为两种方式。
一种是理性主义的结合，人提供知识，机器负责计算。
理性主义认为人的智能是先天遗传的，要实现机器智能，就要理解人脑的运行机制，将这个东西总结成知识，再由人来告诉机器怎么做。
典型应用就是专家系统。
人类专家总结出知识，计算机根据专家系统知识库进行学习，这种方式可解释性非常高。从1968年世界上第一个专家系统——化学专家系统DENDRAL研制成功之后，针对某个单一领域、模仿专家进行推理分析的早期专家系统开始流行起来，广泛应用于工农业、医疗、气象、交通、军事等众多产业计算场景之中。
不过，专家机只能在一些特定领域发挥作用，建构成本非常高。并且，受限于专家的认知上限，如果人都没有找到那个知识，或者表述不出来的话，机器就更不可能学会了。
于是从九十年代到现在，另一种AI与知识的结合模式就占据了主流，那就是经验主义。
由人手工打造一个分类器，开发人员不必提前知道答案，机器可以不依赖那些人类专家描述不出来、“只可意会不可言传”的知识，按照自己的运作机制，从数据中来挖掘知识，通过大规模数据训练出模型参数，表现出超过人类的智能。
最具代表性的就是深度学习。
依靠强大的数据、算力和神经网络，谷歌大脑可以不需要人类的帮助，在不知道“猫”这个词的前提下，通过训练将数据转化为知识，看过数百万张图片后，自己提炼出猫的基本特性，知道猫是一种毛茸茸的（此处省略一堆形容词）生物，然后成功在一堆照片中识别出猫。
基于庞大的数据，AI虽然并不真正理解和掌握相关知识，也就是“知其然不知其所以然”，不可能真的取代人类专家，但可以将复杂的模式识别问题分解成更简单的模式识别问题，在一些特定任务中表现得比人类更好、效率更高，取得了长足的发展。深度学习也被视为经验主义的高峰，成为推动第三次AI浪潮的核心。
但是，基于数据的AI，和基于知识的AI，还是有本质区别的。著名的莫拉维克悖论，早就指出过这个问题，因为机器无法像人一样将隐性知识融入思想和行动之中，形成高阶智慧，所以成了逻辑的巨人、常识的矮子，在一些困难的问题如下围棋上能超越人类，但在很简单的认知问题上，表现反而不如四五岁的人类小孩儿。
而解决思路之一，就是理性主义所推崇的，让机器能够如同真正的人类一样理解知识并进行思考。
就像丘吉在《钟摆摆得太远》(A Pendulum Swung Too Far)所预测的那样，AI已经偏离经验主义太远，将来回归理性主义的速度就会越快，理性主义复兴的步伐正在到来。
产业的呼唤：数智化浪潮与知识之光
或许你会认为，经验主义和理性主义，只是学术界的流派之争，跟普通人和工业界没什么关系。
实际上，在产业智能化的浪潮中，有越来越多的行业和组织，开始呼唤基于知识的AI，这是因为——
模型设计阶段，需要基于知识的理解。
我们知道，AI已经开始走出实验室和象牙塔，走向千行百业，开始与物理世界和生物世界结合，而这些领域的数据并不是全部由1和0所构成。
比如AI预测蛋白质结构，每个蛋白质都不是一个简单的图像数据，它的背后是有具体意义的。不同的分子关系如何、怎样相互作用、靠什么原理组合在一起等，有一整套生物学逻辑和知识体系支撑的，如果缺乏对药学知识的了解，用纯数据驱动的方法来设计模型，很可能做出来的模型无法发挥效用。
因此，想要AI模型真正能够在产业端发挥价值，要结合实际工作的机理模型、专家知识等，转化为AI可理解、可处理、可分析的数学语言。
模型训练阶段，需要基于知识的数据。
在产业AI中，数据中往往存在大量的信息，也就是没有或无法被表征的知识，往往体现为专家经验或师徒传承。想要训练出效果更好的产业模型，不仅需要大量、完备的数据，还要能够精准描述出数据之间的知识关系，这样才能够从数据中挖掘出更多有用的知识。
就拿我们日常都会碰到的推荐算法来说，传统的推荐算法是用户喜欢什么就推荐什么，很容易陷入信息茧房。而国内某科研团队，将食品营养科学的知识图谱与推荐算法相结合，根据用户反馈数据，比如点击量、兴趣偏好、身体数据等等，结合健康知识来进行组合搭配与推荐。
基于知识的数据，能够帮助打造高质量、更懂人性的算法。就拿前面提到的推荐系统来说，相比不断迎合用户的算法，提供了一种既满足口味喜好、又符合健康管理要求的选择。再设想一下，如果AI能够将外卖配送员的行为数据与人的常识性知识结合到一起，或许无限挤压配送时间导致的内卷困境，也有望被解决了。
模型落地阶段，需要基于知识的信任。
AI模型落地应用，在很大程度上取决于其可靠性：一是可信度，结果是否被人所信任，深度学习受限于可解释性问题，在医疗等专精领域不如人类专家被信任；二是可靠性，能否在被干扰的情况下也能表现出较好的性能，也就是解决鲁棒性问题。
中科院院士、清华大学人工智能研究院院长张钹教授曾提出，在产业落地应用的人工智能，需要符合五个条件：丰富数据或知识、完全信息、确定性信息、静态环境、特定领域或单一任务。这五个条件只要有一个不满足，AI产业化落地都非常困难。
而改变困境的思路之一，就是知识计算，让AI系统能够读懂知识、学会常识推理，从而让模型变得可信任、高可靠。
此前，谷歌为了提高搜索引擎结果的可信度和说服力，就将NLP与知识图谱相结合来进行学习。如果搜索者发现一些文章提到“XX曾在中国工作过”的信息，这些信息与知识库融合在一起，显示出XX曾为对华贸易委员会工作，而该组织在北京设有办事处，那么“XX曾在中国工作过”的可信度就会大大提高。
同样，如果自动驾驶系统从大规模文本信息中提取并学习到一些出行常识，比如“大卡车挡住了前方的视线，应该小心一点，说不定突然过来一个人就可能撞到”，对常识性知识的理解无疑会大大增加人们对自动驾驶安全性的信心。
模型应用阶段，需要基于知识的计算。
当前产业智能化的一大瓶颈是高成本的算力。庞大的深度神经网络系统需要大量计算资源来处理复杂任务。一份来自马萨诸塞大学的研究显示，常见的几种大型 AI 模型，训练过程会排放超过 626000 磅二氧化碳，几乎是普通汽车寿命周期排放量的五倍。
拉踩一下，人类在思考（也是一种知识计算）时就十分节省能耗，心理学家卡尼曼在《思考，快与慢》中就提出，人脑既可以通过系统2进行较慢的理性思考，也可以经由系统1，基于已经内化的知识，实现无意识的、近似于肌肉记忆的快速运算，大脑能量消耗极少。
未来，打造基于知识的AI模型，如同激活脑区一样，将成为绿色计算的重要方法，保证产业智能的可持续发展。
不难发现，行业知识与AI计算的结合，既是理论上技术发展的必然阶段，也是事实上产业AI化所不可或缺的一步。
作为一种致用技术，AI只有真正接纳并融合行业知识，让计算与知识转变成新时代的生产力，才能凝结出技术的长期价值，推动第三次人工智能浪潮继续向前奔涌。
艰难的攀爬：从数据层到知识层总共分几步？
抛开应用条件谈技术前景的都是“画饼”，基于知识的AI同样少不了前提条件。需要具备至少几个特征：
1. 知识表征的准确性。
要让AI理解并利用知识来解决复杂的现实问题，首先需要将这些内容转化为数学语言，变成AI可解的数据化路径。
不过，一个AI系统中需要被表示的知识类型有很多，想要全面且准确地表示出来并不容易。
其中，既有容易被表征的陈述性知识，如何做某事的程序性知识；也有不易被描述出来的知识，像是基于某个领域的专家经验所总结的启发性知识，就未必全是正确的；以及表示概念关系的结构知识，比如分子和分子的相互作用，目前人类了解得还不够全面。
知识表征的准确性，将直接影响到机器是否能像人类一样智能。
2.知识推理的多样性。
推理能力是人类与其他物种最大的不同，尤其是创造性思维。而知识计算的核心能力正是推理能力，根据现有的表征结构产生相对应的新知识，为产业侧提供创造性见解。
完全可以想象这样一个场景：建立一个庞大的知识库，储存着人类完成各种任务所需要的知识， AI不再需要对每一个特定场景、特定数据集进行专门训练，可以像一个真正的聪慧人类一样，触类旁通、举一反三，轻松地完成推理分析，应对现实世界中各种各样的复杂任务。
3. 知识获取的自动化。
建立常识库并不是件容易的事，也被叫做“AI 的曼哈顿工程”。 尤其是信息爆炸带来的海量数据，需要机器接管将信息转化为知识的工作，要提高知识获取的效率，自动化成为必须啃下的一块硬骨头。
使用自动化方法来获取新知识，能够加快AI知识系统迭代，实现模型的自动更新，缩短构建行业知识图谱的时间。
4. 知识应用的高效率。
不同行业的知识沉淀、应用、管理方式千差万别，让企业自己去搭建一套个性化工具并不现实。因此，知识计算想要落地行业，还需要一系列标准化工具，提供知识搜索、高性能查询、可视化分析等功能，提高对知识的挖掘效率。
作为一个新崛起的技术方向，需要有前瞻眼光的平台化科技企业与组织来做好基础设施建设，并将能力接口向各行各业企开放。
数据和信息描述世界，知识和智慧理解世界。从这个角度说，AI在DIKW金字塔上的层次越高，能力就越强，距离强人工智能也就越近。这条攀爬之路并不好走，却是AI产业化和产业AI化的必经之路。
最后的最后，当AI登上金字塔尖的那一刻，获得真正的智慧，届时我们已经不能确定，AI会不会是地球上最聪明的物体了。或者说，人类还在智慧的最高层吗？
正如艾略特在诗中所写的：“我们在哪里丢失了知识中的智慧？又在哪里丢失了信息中的知识？”（Where is the wisdom we have lost in knowledge？ / Where is the knowledge we have lost in information？）
曾几何时，智慧是人类所特有的东西，是人作为万物之灵长的代表。很多人正在数字时代，越来越少地掌握知识、主动思考，越来越多地沉浸于支离破碎的数据和信息汪洋之中。
或许，当我们见证AI向金字塔尖攀爬的时候，更重要的是，对人类向金字塔底部的滑落保持一点警醒。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
