知识库现在扮演什么角色，将来扮演什么角色？

如今，人工智能似乎几乎等于机器学习，尤其是深度学习。有人说深度学习将取代人类专家，在这一领域，人类专家对特征工程非常重要。据说深度学习的兴起有两个突破：一方面是神经科学，另一方面是神经可塑性尤其是告诉我们，就像高度可塑的人脑一样，人工网络可以用于几乎所有功能的建模。另一方面，计算能力的提高，特别是GPU和FPGA的引入，以惊人的方式增强了算法智能，并已使数十年前创建的模型具有强大而通用的功能。我还要补充说，过去几年中积累的大数据（主要是标签数据）也很重要。

这种发展将计算机视觉（和语音识别）带入了一个新时代，但是在自然语言处理和专家系统中，情况似乎并没有太大变化。

实现神经网络的常识似乎是一项艰巨的任务，但是大多数句子，对话和短文本都包含从背景知识中得出的推论。因此，知识图谱对人工智能非常重要。神经网络可用于构建知识库，但似乎神经网络模型难以利用这些构建的知识库。

我的问题是：

1. 知识库（例如，由Google创造的“知识图”）在AI中是很有前途的分支吗？如果是这样，知识库可以通过哪些方式增强机器学习能力？我们如何将离散的潜在变量合并到NLU和NLG中？

2. 对于在DL主导的时代中的生存，知识库的方向（或总称符号方法）在哪里？像Wolfram一样的z动态知识库是否是新的方向？还是任何新的方向？

我是否缺少一些基本知识或解决这些问题的想法？

首先，我想指出知识库和（深度）机器学习之间的主要区别，特别是当主要关注“ AI”而不是“ Data Science”时：

• NN就像一个黑匣子。即使他们学习了数据集并获得了在问题域上进行泛化的能力，您也永远不会知道他们的工作方式。如果您仔细检查所开发模型的细节，您所看到的只是数字，粗细，不良和牢固的联系以及转换功能。训练阶段之前的“特征提取”步骤从字面上告诉您：“嘿，人类，对于您的复杂世界已经足够，让我们开始零与一”。在DL的情况下，情况更糟！我们甚至看不到选择的有效功能是什么。我不是DL专家，但据我所知，DL的黑匣子更暗！但是知识库是以人类友好的语言编写的。在知识积累阶段之后，您可以看到实体之间的所有联系，更重要的是，您可以解释这些联系。如果您在知识库中剪断电线，您的模型将只失去其一点力量，并且您知道确切会失去什么；例如，断开“ Pluto”节点与“太阳系”节点的连接，将告诉您的模型deGrasse Tyson告诉我们的内容。但是在ML模型中，这可能会变成一个纯粹无用的模型：如果您在用于预测哪些行星属于太阳系的NN模型中操纵14号和47号神经元之间的连接会发生什么？

• ML模型只是数据的题字。他们没有推论的力量，也没有给你一个。另一方面，知识库可以根据您在问题中指出的先验知识进行推断。结果表明，已经用图像分类数据训练的DL模型也可以应用于语音检测问题。但这并不意味着DL模型可以将其在图像领域的先验知识应用于语音领域。

• 传统ML算法需要数以千计的数据，而DL算法则需要数以千计的数据。但是数据集的单个实例将为您创建有意义的知识库。

NLP中有两个主要的研究主题：机器翻译和问题解答。实践证明，DL在解决机器翻译问题方面表现出色，但在回答问题时却表现得很愚蠢，尤其是在人机对话涵盖的主题范围很广的情况下。知识库不是机器翻译的好选择，但可能是高尚的答题机的关键。因为在机器翻译中重要的只是文本的翻译版本（而且我不在乎机器到底是如何做到的），但在回答问题方面，我不需要鹦鹉重复我给他的相同信息，但是在我告诉他“苹果是水果”和“