如果認真構建人工智能 (AI)來(lái)做出與人類(lèi)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(lèi)的智力水平。畢竟，上下文是構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(lèi)經(jīng)驗應用于新情況可以幫助解決這個(gè)問(wèn)題。機器人需要依賴(lài)上下文情境做出更接近人類(lèi)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練、更規范的規則，而且長(cháng)期局限在更多特定應用中。

　　問(wèn)題的關(guān)鍵在于必須發(fā)現上下文情境。人工智能科學(xué)家曾試圖通過(guò)構建狹窄但功能強大到足以將一件事做到極致的系統來(lái)省略發(fā)現上下文情境。窄人工智能專(zhuān)注于出色地執行一項任務(wù)，例如圖像識別等，但它無(wú)法橫向擴展，無(wú)法圍繞計劃、語(yǔ)言理解、目標識別、學(xué)習或解決問(wèn)題等產(chǎn)生與人類(lèi)相似的復雜理解。

　　為人工智能應用提供上下文情境的方法之一是通過(guò)圖擴展人工智能的能力以應對復雜性。圖數據庫是一種管理數據的方式，與 Oracle 或 Microsoft SQL Server 等傳統關(guān)系型數據庫的存儲方法截然不同。它也不同于MongoDB這樣的NoSQL。Gartner 指出企業(yè)對圖數據庫的關(guān)注是當前主要趨勢之一，而行業(yè)也步入了"圖時(shí)代"。

　　圖適用于從亞馬遜購物推薦到欺詐和洗錢(qián)檢測等各種用例。圖技術(shù)越來(lái)越多地被用于支持人工智能和機器學(xué)習(Machine Learning)計劃。因為其原生架構為人工智能應用程序提供了缺失的上下文，早期研究結果表明有上下文關(guān)聯(lián)的人工智能遠遠優(yōu)于不包含此背景的人工智能。圖技術(shù)關(guān)聯(lián)數據并定義關(guān)系，有相關(guān)上下文情境的圖技術(shù)可以增強人工智能，它提供了一種有效的手段為復雜人工智能應用程序的發(fā)展賦能。

　　以自動(dòng)駕駛汽車(chē)為例。因為潮濕天氣存在很大變數，設計自動(dòng)駕駛汽車(chē)在雨天的行駛非常困難，也無(wú)法針對所有可能發(fā)生的情況對車(chē)輛進(jìn)行訓練。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(chē)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。第一是知識圖譜，用于提升決策支持并確保針對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圖譜中最常見(jiàn)的用例，文檔分類(lèi)和客戶(hù)支持也是常見(jiàn)的應用。上下文豐富的知識圖譜非常適用于以文檔形式獲取大量知識的組織機構。例如 NASA經(jīng)驗教訓(Lessons Learned)數據庫收集了50年來(lái)所有太空項目的知識。

　　其次，通過(guò)圖加速的機器學(xué)習使用圖來(lái)優(yōu)化模型并加快流程。當前的機器學(xué)習方法通常依賴(lài)于存儲在表格中的數據，但使用此類(lèi)數據指導的網(wǎng)絡(luò )是資源密集型的。圖呈現了相互關(guān)聯(lián)的數據，并提供上下文情境以提高效率，實(shí)現快速、大規模地遍歷和分析多種分離度的關(guān)系。

　　第三，關(guān)聯(lián)特征提取分析數據以識別其中包含的最具預測性的要素。例如，研究表明，與直接朋友相比，更廣的朋友網(wǎng)絡(luò )可能是預測其如何投票的更適合指標。另一用例是圖算法如何簡(jiǎn)化查找隱藏社區的異常情況，這些社區可能是欺詐團伙或洗錢(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。這種能力對于長(cháng)期應用人工智能至關(guān)重要，因為在醫療保健、信用風(fēng)險評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督者在上下文數據集里繪制決策路徑并將其可視化，消除影響決策過(guò)程中下結論及提供建議的信心的"黑匣子"。

　　Neo4j 堅信圖對人工智能至關(guān)重要，因此已正式向正在制定美國人工智能政府標準的 NIST（美國國家標準與技術(shù)研究院）提交了圖和人工智能提案。提案指出，當只有圖軟件提供上下文信息支持和解釋時(shí)，人工智能和智能計算相關(guān)應用（如機器學(xué)習）才會(huì )更加有效、可信和強大。

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