你可能沒聽說過DIKW金字塔，但你一定曾被按在這座塔的鄙視鏈上摩擦過。

曾有某個游戲主播形容自己的預判：觀眾只看到了第二層，想到了第一層，實際上我在第五層。于是，網友們形容一些讓人意想不到的操作，“這波啊，這波是在大氣層”。

這種說法雖然有些戲謔，但還真有點科學道理。

DIKW金字塔，是一個關于人類理解、推理和解釋的層次結構，分別是：數據（原始的事實集合）、信息（可被分析測量的結構化數據）、知識（需要洞察力和理解力進行學習）、智慧（指導行動）。

站在DIKW金字塔尖的人，相當于全部通關的頂級選手，掌握了數據、整理成信息、理解為知識、轉化成智慧，才能讓行動如有神助。足智多謀如諸葛亮，錦囊妙計用的那叫一個信手拈來，絕對是“站在大氣層的男人”。

DIKW金字塔適用于人，也適用于AI嗎？答案是肯定的。

如果AI也有鄙視鏈，那么基于數據的AI，一定會被基于知識的AI碾壓。

這是因為，AI Is A Knowledge Technology，AI就是一種由知識驅動的技術。因此，從初級人工智能向高級人工智能、通用人工智能發展的過程，也是一個攀爬DIKW金字塔的過程。

近年來，AI領域的諸多學術力量、產業力量，從強調“數據出奇跡”的蠻力計算，向著“知識金字塔”的更高層級進發，推動知識計算引領AI應用的未來潮流。

可以說，我們正處于一個向基于知識的AI過渡的關鍵階段。AI已經影響著你我生活的方方面面，所以有必要來聊一聊，AI沿著DIKW金字塔向上攀爬，將會帶來怎樣的變化？

回歸的鐘擺：理性主義的復興

將知識運用在機器智能當中，并不是什么新鮮事。早在上個世紀，人類就開始了探索知識計算的步伐，并廣泛應用到工作和生活當中。

AI誕生的那一刻起，就是理性主義和經驗主義兩大流派的交相輝映、此消彼長。它們的共同之處，都認為機器智能首先要擁有知識，知識是智能的核心；分歧在于，對于知識的理解和獲取途徑不同。

而伴隨著這兩大流派的發展，知識與AI的結合，也就表現為兩種方式。

一種是理性主義的結合，人提供知識，機器負責計算。

理性主義認為人的智能是先天遺傳的，要實現機器智能，就要理解人腦的運行機制，將這個東西總結成知識，再由人來告訴機器怎么做。

典型應用就是專家系統。

人類專家總結出知識，計算機根據專家系統知識庫進行學習，這種方式可解釋性非常高。從1968年世界上第一個專家系統——化學專家系統DENDRAL研制成功之后，針對某個單一領域、模仿專家進行推理分析的早期專家系統開始流行起來，廣泛應用于工農業、醫療、氣象、交通、軍事等眾多產業計算場景之中。

不過，專家機只能在一些特定領域發揮作用，建構成本非常高。并且，受限于專家的認知上限，如果人都沒有找到那個知識，或者表述不出來的話，機器就更不可能學會了。

于是從九十年代到現在，另一種AI與知識的結合模式就占據了主流，那就是經驗主義。

由人手工打造一個分類器，開發人員不必提前知道答案，機器可以不依賴那些人類專家描述不出來、“只可意會不可言傳”的知識，按照自己的運作機制，從數據中來挖掘知識，通過大規模數據訓練出模型參數，表現出超過人類的智能。

最具代表性的就是深度學習。

依靠強大的數據、算力和神經網絡，谷歌大腦可以不需要人類的幫助，在不知道“貓”這個詞的前提下，通過訓練將數據轉化為知識，看過數百萬張圖片后，自己提煉出貓的基本特性，知道貓是一種毛茸茸的（此處省略一堆形容詞）生物，然后成功在一堆照片中識別出貓。

基于龐大的數據，AI雖然并不真正理解和掌握相關知識，也就是“知其然不知其所以然”，不可能真的取代人類專家，但可以將復雜的模式識別問題分解成更簡單的模式識別問題，在一些特定任務中表現得比人類更好、效率更高，取得了長足的發展。深度學習也被視為經驗主義的高峰，成為推動第三次AI浪潮的核心。

但是，基于數據的AI，和基于知識的AI，還是有本質區別的。著名的莫拉維克悖論，早就指出過這個問題，因為機器無法像人一樣將隱性知識融入思想和行動之中，形成高階智慧，所以成了邏輯的巨人、常識的矮子，在一些困難的問題如下圍棋上能超越人類，但在很簡單的認知問題上，表現反而不如四五歲的人類小孩兒。

而解決思路之一，就是理性主義所推崇的，讓機器能夠如同真正的人類一樣理解知識并進行思考。

就像丘吉在《鐘擺擺得太遠》(A Pendulum Swung Too Far)所預測的那樣，AI已經偏離經驗主義太遠，將來回歸理性主義的速度就會越快，理性主義復興的步伐正在到來。

產業的呼喚：數智化浪潮與知識之光

或許你會認為，經驗主義和理性主義，只是學術界的流派之爭，跟普通人和工業界沒什么關系。

實際上，在產業智能化的浪潮中，有越來越多的行業和組織，開始呼喚基于知識的AI，這是因為——

模型設計階段，需要基于知識的理解。

我們知道，AI已經開始走出實驗室和象牙塔，走向千行百業，開始與物理世界和生物世界結合，而這些領域的數據并不是全部由1和0所構成。

比如AI預測蛋白質結構，每個蛋白質都不是一個簡單的圖像數據，它的背后是有具體意義的。不同的分子關系如何、怎樣相互作用、靠什么原理組合在一起等，有一整套生物學邏輯和知識體系支撐的，如果缺乏對藥學知識的了解，用純數據驅動的方法來設計模型，很可能做出來的模型無法發揮效用。

因此，想要AI模型真正能夠在產業端發揮價值，要結合實際工作的機理模型、專家知識等，轉化為AI可理解、可處理、可分析的數學語言。

模型訓練階段，需要基于知識的數據。

在產業AI中，數據中往往存在大量的信息，也就是沒有或無法被表征的知識，往往體現為專家經驗或師徒傳承。想要訓練出效果更好的產業模型，不僅需要大量、完備的數據，還要能夠精準描述出數據之間的知識關系，這樣才能夠從數據中挖掘出更多有用的知識。

就拿我們日常都會碰到的推薦算法來說，傳統的推薦算法是用戶喜歡什么就推薦什么，很容易陷入信息繭房。而國內某科研團隊，將食品營養科學的知識圖譜與推薦算法相結合，根據用戶反饋數據，比如點擊量、興趣偏好、身體數據等等，結合健康知識來進行組合搭配與推薦。

基于知識的數據，能夠幫助打造高質量、更懂人性的算法。就拿前面提到的推薦系統來說，相比不斷迎合用戶的算法，提供了一種既滿足口味喜好、又符合健康管理要求的選擇。再設想一下，如果AI能夠將外賣配送員的行為數據與人的常識性知識結合到一起，或許無限擠壓配送時間導致的內卷困境，也有望被解決了。

模型落地階段，需要基于知識的信任。

AI模型落地應用，在很大程度上取決于其可靠性：一是可信度，結果是否被人所信任，深度學習受限于可解釋性問題，在醫療等專精領域不如人類專家被信任；二是可靠性，能否在被干擾的情況下也能表現出較好的性能，也就是解決魯棒性問題。

中科院院士、清華大學人工智能研究院院長張鈸教授曾提出，在產業落地應用的人工智能，需要符合五個條件：豐富數據或知識、完全信息、確定性信息、靜態環境、特定領域或單一任務。這五個條件只要有一個不滿足，AI產業化落地都非常困難。

而改變困境的思路之一，就是知識計算，讓AI系統能夠讀懂知識、學會常識推理，從而讓模型變得可信任、高可靠。

此前，谷歌為了提高搜索引擎結果的可信度和說服力，就將NLP與知識圖譜相結合來進行學習。如果搜索者發現一些文章提到“XX曾在中國工作過”的信息，這些信息與知識庫融合在一起，顯示出XX曾為對華貿易委員會工作，而該組織在北京設有辦事處，那么“XX曾在中國工作過”的可信度就會大大提高。

同樣，如果自動駕駛系統從大規模文本信息中提取并學習到一些出行常識，比如“大卡車擋住了前方的視線，應該小心一點，說不定突然過來一個人就可能撞到”，對常識性知識的理解無疑會大大增加人們對自動駕駛安全性的信心。

模型應用階段，需要基于知識的計算。

當前產業智能化的一大瓶頸是高成本的算力。龐大的深度神經網絡系統需要大量計算資源來處理復雜任務。一份來自馬薩諸塞大學的研究顯示，常見的幾種大型 AI 模型，訓練過程會排放超過 626000 磅二氧化碳，幾乎是普通汽車壽命周期排放量的五倍。

拉踩一下，人類在思考（也是一種知識計算）時就十分節省能耗，心理學家卡尼曼在《思考，快與慢》中就提出，人腦既可以通過系統2進行較慢的理性思考，也可以經由系統1，基于已經內化的知識，實現無意識的、近似于肌肉記憶的快速運算，大腦能量消耗極少。

未來，打造基于知識的AI模型，如同激活腦區一樣，將成為綠色計算的重要方法，保證產業智能的可持續發展。

不難發現，行業知識與AI計算的結合，既是理論上技術發展的必然階段，也是事實上產業AI化所不可或缺的一步。

作為一種致用技術，AI只有真正接納并融合行業知識，讓計算與知識轉變成新時代的生產力，才能凝結出技術的長期價值，推動第三次人工智能浪潮繼續向前奔涌。

艱難的攀爬：從數據層到知識層總共分幾步？

拋開應用條件談技術前景的都是“畫餅”，基于知識的AI同樣少不了前提條件。需要具備至少幾個特征：

1. 知識表征的準確性。

要讓AI理解并利用知識來解決復雜的現實問題，首先需要將這些內容轉化為數學語言，變成AI可解的數據化路徑。

不過，一個AI系統中需要被表示的知識類型有很多，想要全面且準確地表示出來并不容易。

其中，既有容易被表征的陳述性知識，如何做某事的程序性知識；也有不易被描述出來的知識，像是基于某個領域的專家經驗所總結的啟發性知識，就未必全是正確的；以及表示概念關系的結構知識，比如分子和分子的相互作用，目前人類了解得還不夠全面。

知識表征的準確性，將直接影響到機器是否能像人類一樣智能。

2.知識推理的多樣性。

推理能力是人類與其他物種最大的不同，尤其是創造性思維。而知識計算的核心能力正是推理能力，根據現有的表征結構產生相對應的新知識，為產業側提供創造性見解。

完全可以想象這樣一個場景：建立一個龐大的知識庫，儲存著人類完成各種任務所需要的知識， AI不再需要對每一個特定場景、特定數據集進行專門訓練，可以像一個真正的聰慧人類一樣，觸類旁通、舉一反三，輕松地完成推理分析，應對現實世界中各種各樣的復雜任務。

3. 知識獲取的自動化。

建立常識庫并不是件容易的事，也被叫做“AI 的曼哈頓工程”。 尤其是信息爆炸帶來的海量數據，需要機器接管將信息轉化為知識的工作，要提高知識獲取的效率，自動化成為必須啃下的一塊硬骨頭。

使用自動化方法來獲取新知識，能夠加快AI知識系統迭代，實現模型的自動更新，縮短構建行業知識圖譜的時間。

4. 知識應用的高效率。

不同行業的知識沉淀、應用、管理方式千差萬別，讓企業自己去搭建一套個性化工具并不現實。因此，知識計算想要落地行業，還需要一系列標準化工具，提供知識搜索、高性能查詢、可視化分析等功能，提高對知識的挖掘效率。

作為一個新崛起的技術方向，需要有前瞻眼光的平臺化科技企業與組織來做好基礎設施建設，并將能力接口向各行各業企開放。

數據和信息描述世界，知識和智慧理解世界。從這個角度說，AI在DIKW金字塔上的層次越高，能力就越強，距離強人工智能也就越近。這條攀爬之路并不好走，卻是AI產業化和產業AI化的必經之路。

最后的最后，當AI登上金字塔尖的那一刻，獲得真正的智慧，屆時我們已經不能確定，AI會不會是地球上最聰明的物體了。或者說，人類還在智慧的最高層嗎？

正如艾略特在詩中所寫的：“我們在哪里丟失了知識中的智慧？又在哪里丟失了信息中的知識？”（Where is the wisdom we have lost in knowledge？ / Where is the knowledge we have lost in information？）

曾幾何時，智慧是人類所特有的東西，是人作為萬物之靈長的代表。很多人正在數字時代，越來越少地掌握知識、主動思考，越來越多地沉浸于支離破碎的數據和信息汪洋之中。

或許，當我們見證AI向金字塔尖攀爬的時候，更重要的是，對人類向金字塔底部的滑落保持一點警醒。

審核編輯：符乾江