我在通用電氣研究中心工作的10年里，我們對(duì)通用電氣所有業(yè)務(wù)進(jìn)行了創(chuàng)新，以提高客戶的影響力。我學(xué)會(huì)了將客戶問(wèn)題與技術(shù)匹配起來(lái)的微妙平衡。當(dāng)業(yè)務(wù)專(zhuān)家描述了挑戰(zhàn)，而技術(shù)上不同的專(zhuān)家進(jìn)行了辯論，每個(gè)專(zhuān)家都代表不同的技術(shù)時(shí)，這種方法就奏效了。多樣性是關(guān)鍵;否則，您最終會(huì)僅僅得到一個(gè)錘子（最喜歡的技術(shù)解決方案）被應(yīng)用到釘子（手頭的業(yè)務(wù)問(wèn)題）上。

今天，我們有兩個(gè)錘子正在受到關(guān)注：人工智能（AI）和區(qū)塊鏈。在本文中，我將描述這兩種技術(shù)的一個(gè)關(guān)鍵方面，它可以幫助您確定它們是否適合于客戶問(wèn)題。

由于人工智能是一門(mén)非常廣泛的學(xué)科，讓我們把重點(diǎn)放在知識(shí)表示方面，特別是知識(shí)圖，它正在成為許多人工智能解決方案中表示數(shù)據(jù)的基礎(chǔ)層。當(dāng)我最近有機(jī)會(huì)與來(lái)自亞馬遜（Amazon）、優(yōu)步（Uber）、富國(guó)銀行（Wells Fargo）等公司的學(xué)術(shù)和行業(yè)專(zhuān)家一起，在哥倫比亞大學(xué)（Columbia University）舉行的人工智能知識(shí)圖譜大會(huì)（Knowledge Graphs for AI）上發(fā)言時(shí)，這個(gè)事實(shí)就很明顯了。

現(xiàn)有的、定義良好的和填充的知識(shí)圖對(duì)企業(yè)來(lái)說(shuō)是有價(jià)值的。知識(shí)圖的挑戰(zhàn)在于如何將其開(kāi)發(fā)出來(lái)并加以維護(hù)。具體來(lái)說(shuō)，很難為圖定義正確的結(jié)構(gòu)并將有價(jià)值的數(shù)據(jù)放入其中。

這可以被描述為“本體問(wèn)題”。本體是圖結(jié)構(gòu)的定義，它就像一個(gè)描述所有關(guān)鍵概念和關(guān)系的數(shù)據(jù)庫(kù)模式。糟糕的本體定義將使將數(shù)據(jù)放入圖中變得非常困難，而糟糕的本體定義也會(huì)使訪問(wèn)數(shù)據(jù)變得非常痛苦。解決本體問(wèn)題通常需要一小群訓(xùn)練有素的本體學(xué)家、分類(lèi)學(xué)家或信息科學(xué)家。換句話說(shuō)，需要一個(gè)集中的組來(lái)定義和維護(hù)知識(shí)圖結(jié)構(gòu)的質(zhì)量。這種集中通常意味著知識(shí)圖的終結(jié)。在這種情況下，企業(yè)（除非其業(yè)務(wù)是知識(shí)圖，如谷歌或Microsoft）將把集中化視為失敗的臨界點(diǎn)，而將所需的特定技能集視為風(fēng)險(xiǎn)。通常情況下，知識(shí)圖是被創(chuàng)建的，但是過(guò)了一段時(shí)間，它就不再被維護(hù)，不再被使用，不再存在。

那么，如何解決本體問(wèn)題呢？由于比特幣和區(qū)塊鏈（詳見(jiàn)下文），分布式技術(shù)的概念變得更加流行。我最近看到了兩種通過(guò)分布式方法解決本體問(wèn)題的方法。第一種方法（也許不那么令人驚訝）是保持本體非常簡(jiǎn)單和非常專(zhuān)注于領(lǐng)域，同時(shí)使知識(shí)圖中的價(jià)值來(lái)自于知識(shí)的分布式創(chuàng)建。這方面的一個(gè)例子是我在通用電氣共同領(lǐng)導(dǎo)開(kāi)發(fā)的一個(gè)分析建模工具。該工具的一部分是基于云的分析創(chuàng)作環(huán)境，專(zhuān)門(mén)用于創(chuàng)建工業(yè)數(shù)字孿生模型，第二部分是知識(shí)圖和助手，用于捕獲有關(guān)資產(chǎn)、數(shù)字孿生和用戶操作，以便向根據(jù)資產(chǎn)、現(xiàn)有模型或其他用戶可能對(duì)其當(dāng)前操作“感興趣”的新用戶。

知識(shí)圖中的本體非常簡(jiǎn)單：它的價(jià)值來(lái)自于用戶創(chuàng)建知識(shí)并通過(guò)他們的行為添加到其中——他們對(duì)幕后發(fā)生的事情沒(méi)有任何特定的知識(shí)。 在平臺(tái)上工作的用戶越多，他們利用知識(shí)圖推薦的機(jī)會(huì)就越多，使用的分析模型越多，知識(shí)圖就越豐富。該工具的成功并不依賴(lài)于本體問(wèn)題——而是轉(zhuǎn)移到用戶活動(dòng)及其創(chuàng)建有用知識(shí)的成功上。

我看到的第二個(gè)解決知識(shí)圖和人工智能本體問(wèn)題的創(chuàng)新方法是通過(guò)分布式的更小的知識(shí)圖集合來(lái)構(gòu)建它。這里有兩個(gè)例子。首先是使用一個(gè)通用標(biāo)準(zhǔn)——在本例中是萬(wàn)維網(wǎng)聯(lián)盟的語(yǔ)義網(wǎng)。有了數(shù)十億的事實(shí)可用，語(yǔ)義網(wǎng)通過(guò)數(shù)千個(gè)實(shí)體的分布式貢獻(xiàn)，匯集了一個(gè)巨大的知識(shí)圖。

其次，與基于標(biāo)準(zhǔn)的方法類(lèi)似，創(chuàng)建和集成分布式微服務(wù)，每個(gè)服務(wù)提供一些小型本體和數(shù)據(jù)或計(jì)算，可以促進(jìn)知識(shí)圖的生成。您需要一個(gè)平臺(tái)來(lái)理解微服務(wù)定義，就像Facebook發(fā)布的GraphQL定義一樣，并得到正在成長(zhǎng)的GraphQL基金會(huì)的支持。通過(guò)微服務(wù)的聚集，知識(shí)圖的成功和價(jià)值依賴(lài)于平臺(tái)支持的同一種商品：由客戶創(chuàng)建有價(jià)值的微服務(wù)。

最后，為了更清楚地說(shuō)明這一點(diǎn)，讓我們回到區(qū)塊鏈。比特幣網(wǎng)絡(luò)的成功得益于其創(chuàng)造者的分布式思維。要繞過(guò)現(xiàn)有貨幣，需要一個(gè)不可變的賬本，使其不能被黑。工作證明共識(shí)方法確保支持區(qū)塊鏈的全球用戶網(wǎng)絡(luò)將得到“挖掘”或驗(yàn)證交易的獎(jiǎng)勵(lì)。一組購(gòu)買(mǎi)和交換比特幣的分布式參與者給出了比特幣的價(jià)值，而這些分布式的礦工為網(wǎng)絡(luò)提供了信任，同時(shí)獲得了同樣的商品回報(bào)：比特幣。

要為你的人工智能或區(qū)塊鏈找到合適的釘子，想想分布式：一個(gè)客戶社區(qū)在你的技術(shù)上互動(dòng)，在那里他們發(fā)現(xiàn)價(jià)值，同時(shí)又能創(chuàng)造更多的價(jià)值，所有這些都在你技術(shù)所提供的商品上。