AIは人間の知能の本質を理解し、模倣する人間の知性は、そのようなAIのプレイングゲームとして注目に値する成功、応答システム、オートパイロット、ドローン、ロボットの一部の地域で行われているを反応させることができ、インテリジェントなマシンを作成しよう、翻訳、顔認識、音声認識およびその他の分野。、対立のネットワークを生成する、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、強化学習の深学習、注意を表し：画期的な深い学習は、人々は人工知能で多大な関心を持っていることを主な理由の一つであり、それはいくつかの重要な技術が含まれていますメカニズム。
2つの具体例は、ここに引用しました。人工知能で、我々はすぐに助けに深い学習医用画像処理技術を使用して、正確に患者を診断することができます。現在、結核の検出のために使用されるAIは、97％の感度および100％の特異性を達成することができました。人工知能では、我々はまた、何かを行うことができ、気候問題を解決するために、ガスタービンの窒素酸化物の排出量を削減するために機械学習アルゴリズムを使用して制御パラメータを最適化するために、ガスタービンを最適化することができます。
学習深い知識+ =ラプラスの悪魔の深さ？
人工知能技術の開発を共同で統計的手法などの様々なサポートするために、深い学習、機械学習、データマイニングを必要とし、深い学習は、人工知能の新世代のコア技術となっています。その他のタグデータは、人工知能業界の大きな発展を促進するために、より深い、より効率的なアルゴリズム、より強力なコンピューティング能力を、より多くの研究者をモデル化しようとしています。しかし、学習と開発の深さの深化とともに、より多くの研究では、深さの調査は、主にデータや事前知識に強く依存に反映さ制限は、使用することはできませんがあることを示しています。
知識が豊富な意味情報が物理的な世界の現実との間の関係を反映しているが含まれています。マシンは、人々の考え方や知識構造解析のために、理解と意思決定に常識の多くの知識を持っている必要があります。例えば、自律走行車は、GPSとマップを設定する必要があり、IBMワトソンは、ロボットのドキュメントライブラリには、迅速な検索を持っている装備する必要があります。地図などのドキュメントライブラリ、知識マップ、ウィキペディア、Webコンテンツ、ネットワーキングおよび産業用大規模データ、患者情報は、練習を見た後に出てすべての人間の深い知識を簡潔に要約されています。したがって、真の人間のような知能を実現するために、人工知能技術の開発も、知識の深さのサポートを必要とします。
深い知識と人工知能の深さは、それを開発する方法の助けに学びますか？これは、「ラプラスの魔仮説」類推することができます。宇宙の各原子の「鬼」は正確な位置と運動量を知っている場合は、古典力学のその後の使用：サイモンラプラスは1814年に科学的な仮説を提案-ラプラスの悪魔の仮定はフランスの数学者ピエールということです宇宙の法則は、過去と未来を含め、任意の時点でイベント状態を計算することができるようになります。深い知識は、「すべての原子の正確な位置と運動量、」深い学習モデルは、「古典力学の法則、」おそらく共同深い知識とスーパー人工知能を実現することが可能な技術を学ぶの深さのようなものであるようなものです。
それでは、どのよう我々はそれは、人間の抽象レベルの知識表現とストレージを得るのですか？一部の企業は現在、この古来の問題のエンジニアリングの観点から取り組まれている、知識の使用は、コンピュータのメモリと推論のために簡単にそれを作る、マップに人間の知識のマッピングします。知識マップデータソースを構築することは構造化データと非構造化データに分けることができます。こうした歴史、関係、ソーシャルネットワーク、固定構造、一般的に格納するデータベースを使用して、検索を容易にするなどの構造化データ、非構造化データ、などの写真、ビデオ、テキスト、音声録音、などは、簡単に、検索するために、通常のように保存され、何の固定構造はありませんバイナリデータ形式。
実用的な知識のGoogleマップ
セマンティックWebをもとに2012年にGoogleは、リンクされたデータは、主に知識表現の分野で画期的な成果であるGoogle検索の品質を向上させるために使用され、マッピング知識をリリースしました。Googleのマッピング知識の拡大は、今やなど以上千億事実、および高い信頼性や信憑、専用のメンテナンス、簡単に情報統合、検索するために使用することができ、質問と回答、テキスト理解の領域を、含まれている、すべてのある生活の散歩これは強い関心を生成しました。
しかし、高品質の知識マップを構築するためには、生のデータがマルチソース異機種環境、深刻な問題と膨大な知識の抽出と統合中にしばしば存在し、容易ではない、それは主要な缶がない回避することになります。そして実際、企業のデータと柔軟なビジネスの変化、データソース、データ構造、内容の変更はいつでも発生する可能性がありますデータ、ビジネスの理解とデータの解釈も変更されますインチ したがって、リアルタイムアジャイル、柔軟かつスケーラブルなインテリジェント適応動的マッピング知識の確立が特に重要です。
Googleのマッピング知識
建築知識マップ
ビルドプロセス知識マップは、要素、プロセスおよび記憶その知識ベースのうち生データから抽出知識への自動または半自動の技術のシリーズを使用して、生データから開始することです。情報抽出、知識の統合と知識処理：これは、反復更新処理は、反復の各ラウンドは3つのフェーズから構成されています。
ここでは、知識処理段階に焦点を当てています。情報抽出を通じて、知識の統合後、予備的なマッピング知識が出て構築するが、ナレッジグラフが不完全であるという事実は、推論による知識の知識マップを補完する必要があります。知識のマッピングは、既存の知識マップを通じてエンティティ間の関係を予測するための補完です：知識ベースの既存のエンティティ関係から、拡張するエンティティと充実知識ネットワーク間の新しい関係を確立するために、コンピュータの推論を通過します。この知識は、プロセスの重要な部分であり、関係抽出に重要補数です。
知識情報のマッピング、一般的に組織的トリプル、一般的に2つの形態（エンティティ、リレーションシップ、エンティティ）と（エンティティ、属性、属性値）を持ちます。しかしながら、機械学習アルゴリズムは、行列の形式でデータを扱うに優れているので、推論の知識は通常テンソル分解という事実によって判断未知を達成するための知識マップテンソル形式として表現されます。
RESCAL知識推論モデルは、一般的モデルで使用され、その核となるアイデアは、三次元テンソルへと符号化された全体の知識をマッピングすることで、テンソルは非常にスパース、0の値は、対応関係が存在しないことを示し、1の関係値が存在する対応することを示し。コアのこのテンソル分解及びテンソル因子行列から、各スライスのコアテンソルは、二次元アレイの関係、物理的因子行列の行の各代表を表します。そうでない場合は誤った;核テンソルと、対応する確率係数行列から減少の結果は、確率が閾値よりも大きい場合、対応するトリプルが修正、トリプレットの確立と見られています。
RESCALモデル
ニッケル、TRESP、Kriegel。Aスリーマルチ・リレーショナル・データの集団学習のための-Wayモデル。ICML 2011
RESCALテンソル分解
知識と学習パターンの深さの統合
メソッドをマッピングするために技術を学ぶのステージ深い知識は、より直接的です。深い学習モデルの多くは、効果的に完全なエンドエンティティ認識、関係抽出タスク一致と補完関係ができるので、ビルドや知識豊富なマップに使用することができます。
デプスマップと知識学習モデルのアプリケーション、2つの方法がある：一つはセマンティック情報マップ深い知識学習モデルに入力され、離散的な連続的知識は、ベクトルとして表されるので、先験的知識マップその知識入力深度調査として使用することができ、傾向は多くの研究が知識マップの学習を示し生み出された、他には、学習プロセスの深学習モデルを導く制約最適化の目標としての知識を使用することで、通常の知識マップ知識定期的な検査項目の最適化目標として表現。
知識と学習パターンの深さの統合は、このようなリサイクルニューラルネットワークと知識マップの使用などの実用的なアプリケーション、多数の臨床意思決定、情報畳み込みニューラルネットワークや抽出を行うための画像マッピング知識のサポートを提供してきました。
画像情報抽出
リサイクルニューラルネットワークや知識の使用は、臨床意思決定支援を提供するためにマップさ
ゾンターク、TRESP、ら、臨床データインテリジェンスプロジェクト。Informatikは、SPEKTRUM、2016年
の情報畳み込みニューラルネットワークと知識が描かれたマップのイメージ行う
呂C、クリシュナをR、バーンスタインM、フェイ・フェイ言語の事前分布とL.ビジュアル関係検出。。2016年にECCV
認知深い学習
人工智能有三个层次，分别是运算智能、感知智能和认知智能。对于前两个层面，机器的能力已经超越人类，而正在蓬勃发展的认知智能成为当下人工智能工业应用破局的着力点。
要赋予机器认知能力，我们要先了解人类的认知过程。客观事物的刺激会使人产生感觉（视觉、味觉、触觉等），人脑对不同感觉信息进行综合、加工产生知觉，最终存储在脑海中形成记忆，包括情景记忆（Episodic Memory ）和语义记忆（Semantic Memory ）。情景记忆指我们记得的事件，如回忆过去事件的感官印象；语义记忆指我们知道的事实，如“奥巴马是前美国总统”。人类在漫长的进化过程中发展出独特的语言功能，我们可以用语言来说出情景记忆和语义记忆。可见，人脑的感觉、知觉和记忆存在潜在的联系。
根据海马体记忆索引理论（Hippocampal Memory Indexing Theory），知觉的高阶表示形成情景记忆，并随着时间而不同；对于有意义的情景记忆，会根据时间产生一个索引，保存在海马体中。当我们回忆过去事件时，我们能说出当时的感官印象，这是对情节记忆进行感知解码（Perceptual Decoding）得到当时的事实，这个过程常常会使用海马体中其它记忆作为先验知识。
人的认知过程
借鉴人类的认知过程，我们以图像的信息抽取为例来展示机器的认知过程。输入图像数据（视觉），得到图像的表示（知觉），这个过程就是感知（Perception），表示学习是实现感知智能的关键，深度神经网络在这方面表现相当优秀。要描述图像上的物体之间的关系，那么就要对图像的表示进行感知解码，这里可以结合知识图谱作为先验知识，最终得到描述事实的三元组。知识图谱的使用正是照应了歌德的名言“你只能看到你知道的”。借助深度学习和知识图谱，我们能够赋予机器类人的认知智能。
图像的信息抽取
人工智能的未来：量子机器学习
量子机器学习（Quantum Machine Learning）是一个结合量子计算和机器学习的跨学科领域。两者间像一种共生关系，我们可以利用量子计算产生机器学习算法的量子版，也可以使用经典机器学习算法来分析量子系统。
而对于知识图谱来说，由于知识图谱规模巨大，在构建和应用上需要很强的算力，能否利用量子计算的力量来加速计算呢？知识图谱的量子计算将是一个很有前景的研究方向，其关键在于如何将知识图谱映射到量子态，这是一个很有趣的问题。目前科学家们提出的研究思路是结合经典计算机和量子计算机各自的优势，用量子计算机归纳推理，用经典计算机更新参数。总之，量子计算将为人工智能带来重大变革。
量子机器学习
知识图谱的量子计算
Ma, Tresp, Zhao, Wang. Variational Quantum Circuit Models for Knowledge Graph Embeddings, 2018
Ma, Tresp. Quantum Machine Learning on Knowledge Graphs, 2018
结语
我们生活在机器学习和深度学习的时代，它们是实现人工智能不可或缺的技术。知识图谱与深度学习的结合，更让我们看到了实现强人工智能的希望。知识图谱可以作为先验知识辅助理解传感器输入，也可以作为后验知识约束模型学习。知识图谱与深度学习的结合甚至有助于赋予机器认知智能。深度学习与深度知识的大交融，将是未来人工智能研究领域的重大挑战，同时也是重大机遇。