如果認(rèn)真構(gòu)建人工智能 (AI)來(lái)做出與人類同樣聰明和明智的選擇，研究為決策提供信息的重要環(huán)境因素--上下文情境，則有非凡意義。

　　就本質(zhì)而言，人工智能需要上下文來(lái)模仿人類的智力水平。畢竟，上下文是構(gòu)建事物并賦予其意義的信息。例如，一個(gè)人說(shuō)"滾出去！"可能表達(dá)并無(wú)敵意的驚訝，或者憤怒地要求某人離開(kāi)房間。然而，這無(wú)法僅僅通過(guò)閱讀文字來(lái)判斷。

　　使用上下文情境判斷一種情況下的重點(diǎn)所在，以及如何將此類經(jīng)驗(yàn)應(yīng)用于新情況可以幫助解決這個(gè)問(wèn)題。機(jī)器人需要依賴上下文情境做出更接近人類的決策。如果沒(méi)有外部及相關(guān)信息，人工智能將需要更全面的訓(xùn)練、更規(guī)范的規(guī)則，而且長(zhǎng)期局限在更多特定應(yīng)用中。

　　問(wèn)題的關(guān)鍵在于必須發(fā)現(xiàn)上下文情境。人工智能科學(xué)家曾試圖通過(guò)構(gòu)建狹窄但功能強(qiáng)大到足以將一件事做到極致的系統(tǒng)來(lái)省略發(fā)現(xiàn)上下文情境。窄人工智能專注于出色地執(zhí)行一項(xiàng)任務(wù)，例如圖像識(shí)別等，但它無(wú)法橫向擴(kuò)展，無(wú)法圍繞計(jì)劃、語(yǔ)言理解、目標(biāo)識(shí)別、學(xué)習(xí)或解決問(wèn)題等產(chǎn)生與人類相似的復(fù)雜理解。

　　為人工智能應(yīng)用提供上下文情境的方法之一是通過(guò)圖擴(kuò)展人工智能的能力以應(yīng)對(duì)復(fù)雜性。圖數(shù)據(jù)庫(kù)是一種管理數(shù)據(jù)的方式，與 Oracle 或 Microsoft SQL Server 等傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)的存儲(chǔ)方法截然不同。它也不同于MongoDB這樣的NoSQL。Gartner 指出企業(yè)對(duì)圖數(shù)據(jù)庫(kù)的關(guān)注是當(dāng)前主要趨勢(shì)之一，而行業(yè)也步入了"圖時(shí)代"。

　　圖適用于從亞馬遜購(gòu)物推薦到欺詐和洗錢(qián)檢測(cè)等各種用例。圖技術(shù)越來(lái)越多地被用于支持人工智能和機(jī)器學(xué)習(xí)(Machine Learning)計(jì)劃。因?yàn)槠湓�生架�?gòu)為人工智能應(yīng)用程序提供了缺失的上下文，早期研究結(jié)果表明有上下文關(guān)聯(lián)的人工智能遠(yuǎn)遠(yuǎn)優(yōu)于不包含此背景的人工智能。圖技術(shù)關(guān)聯(lián)數(shù)據(jù)并定義關(guān)系，有相關(guān)上下文情境的圖技術(shù)可以增強(qiáng)人工智能，它提供了一種有效的手段為復(fù)雜人工智能應(yīng)用程序的發(fā)展賦能。

　　以自動(dòng)駕駛汽車為例。因?yàn)槌睗裉鞖獯嬖诤艽笞償?shù)，設(shè)計(jì)自動(dòng)駕駛汽車在雨天的行駛非常困難，也無(wú)法針對(duì)所有可能發(fā)生的情況對(duì)車輛進(jìn)行訓(xùn)練。但如果為人工智能提供相關(guān)上下文信息（雨、光、交通擁堵和溫度），則可以整合多個(gè)上下文信息，幫助車輛推斷下一步行動(dòng)。

　　圖至少可以在四個(gè)方面為人工智能提供上下文情境支持。第一是知識(shí)圖譜，用于提升決策支持并確保針對(duì)某種特定情況提供最合適的答案。谷歌搜索是上下文豐富的知識(shí)圖譜中最常見(jiàn)的用例，文檔分類和客戶支持也是常見(jiàn)的應(yīng)用。上下文豐富的知識(shí)圖譜非常適用于以文檔形式獲取大量知識(shí)的組織機(jī)構(gòu)。例如 NASA經(jīng)驗(yàn)教訓(xùn)(Lessons Learned)數(shù)據(jù)庫(kù)收集了50年來(lái)所有太空項(xiàng)目的知識(shí)。

　　其次，通過(guò)圖加速的機(jī)器學(xué)習(xí)使用圖來(lái)優(yōu)化模型并加快流程。當(dāng)前的機(jī)器學(xué)習(xí)方法通常依賴于存儲(chǔ)在表格中的數(shù)據(jù)，但使用此類數(shù)據(jù)指導(dǎo)的網(wǎng)絡(luò)是資源密集型的。圖呈現(xiàn)了相互關(guān)聯(lián)的數(shù)據(jù)，并提供上下文情境以提高效率，實(shí)現(xiàn)快速、大規(guī)模地遍歷和分析多種分離度的關(guān)系。

　　第三，關(guān)聯(lián)特征提取分析數(shù)據(jù)以識(shí)別其中包含的最具預(yù)測(cè)性的要素。例如，研究表明，與直接朋友相比，更廣的朋友網(wǎng)絡(luò)可能是預(yù)測(cè)其如何投票的更適合指標(biāo)。另一用例是圖算法如何簡(jiǎn)化查找隱藏社區(qū)的異常情況，這些社區(qū)可能是欺詐團(tuán)伙或洗錢(qián)網(wǎng)絡(luò)。

　　第四，圖為人工智能如何決策提供一種透明方式。這種能力對(duì)于長(zhǎng)期應(yīng)用人工智能至關(guān)重要，因?yàn)樵卺t(yī)療保健、信用風(fēng)險(xiǎn)評(píng)分和刑事司法等行業(yè)，解釋決策的方式和原因非常必要。獲得上下文支持的人工智能可以幫助監(jiān)督者在上下文數(shù)據(jù)集里繪制決策路徑并將其可視化，消除影響決策過(guò)程中下結(jié)論及提供建議的信心的"黑匣子"。

　　Neo4j 堅(jiān)信圖對(duì)人工智能至關(guān)重要，因此已正式向正在制定美國(guó)人工智能政府標(biāo)準(zhǔn)的 NIST（美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院）提交了圖和人工智能提案。提案指出，當(dāng)只有圖軟件提供上下文信息支持和解釋時(shí)，人工智能和智能計(jì)算相關(guān)應(yīng)用（如機(jī)器學(xué)習(xí)）才會(huì)更加有效、可信和強(qiáng)大。

　　未明確包含上下文信息的人工智能將導(dǎo)致低于標(biāo)準(zhǔn)的結(jié)果，但代表關(guān)聯(lián)數(shù)據(jù)的圖軟件可以進(jìn)一步提供幫助。利用圖技術(shù)的力量來(lái)豐富數(shù)據(jù)集，使其更具效力，為下一代人工智能的成功奠定更好的基礎(chǔ)。