3月27日，大数据与人工智能领域企业明略数据宣布完成D轮融资，新一轮融资金额为20亿元人民币，由腾讯领投。在如今的资本环境下，能获得这么高融资额度的AI公司并不多。
明略数据成立于2014年，现在将自己定位为企业级人工智能产品与服务平台，不过这家公司其实是做知识图谱起家的公司，其业务形式是将多源异构数据进行融合治理，形成垂直行业领域的知识图谱，再利用人工智能技术形成行业+AI解决方案。
实际上在2017年的明略数据C轮10亿元融资中，腾讯也参与了。此次腾讯又领投了D轮，此轮明略数据获20亿元融资。
腾讯为什么看上这家知识图谱公司，行业知识图谱对腾讯有什么价值？本次周报我们一起来了解一下知识图谱这个领域。
知识图谱行业纵览
1）我们知道现在的AI可以分为感知智能与认知智能，感知智能让机器学会看和听，大家熟知的人脸识别、语音识别都属于此类。认知智能是让机器有理解和推理的能力。知识图谱是其中一项比较重要的技术。
让机器有认知能力，首先得把人类所总结出来的知识在计算机世界里表示出来，即知识表示，而且知识不能是无序的，需要将知识之间的关系表述出来。
知识图谱（Knowledge Graph）本质上是就是一种知识表示形式，是一种图状的数据结构，由节点和边组成。节点有三种，即实体、概念、属性，可以理解为不同层级的知识点。而边则为节点与节点之间的“关系”。
简单的知识图谱
具体来看，实体、概念、属性三种节点的范围从小到大。
这样，实体、概念、属性三种层面的知识包含着知识图谱里面，而不同的实体、概念、属性之间的关系，也是知识，这些共同构成一个关系网络。知识图谱从关系的角度去分析问题。
举例来说，北京、上海等不同的实体，从属于中国这一概念，中国又是国家中的一个，国家是中国的属性，国家属性下还有美国等国家。中国的概念下又还有广东、浙江等实体。这就把不同的知识包含着同一个图谱里面。当然，这是最简单的图谱了。
专业级的图谱，如医疗图谱中，糖尿病这个概念之下，又有重度胰岛素缺乏型糖尿病（SIDD）、重度胰岛素抵抗型糖尿病（SIRD）、轻度肥胖相关型糖尿病（MOD）、轻度年龄相关型糖尿病（MARD）等不同的实体，不同实体之间会有关系，而且不同的致病因素等实体，与这些病症也会存在因果关系，体现在图谱中。这需要专业知识去建立图谱。
因此我们看到，知识图谱既有通用的知识图谱，也有行业或垂直领域的知识图谱。通用知识图谱可以用于搜索、推荐、问答等业务场景，行业知识图谱对准确度要求非常高，可以用于辅助各种复杂的分析应用或决策支持。通用知识图谱中的知识，可以作为行业知识图谱的认知基础，而行业知识图谱作为专业知识，可以补充到通用知识图谱里面去。
2）真正商业的知识图谱是非常复杂的，是大数据量的关系集合。复杂的知识图谱是怎么建立起来的？
简单来看一下知识图谱的建立过程。建立一个知识图谱，大概会经历知识建模、知识获取、知识融合、知识存储、知识图谱查询和推理计算、知识应用。
简单来说，建立知识图谱，需要先确立图谱的构架，这时候可以由专家自下而上去建立构架，也可以基于行业的通用标准去建立，另外，自然语言处理技术在不断发展，词向量嵌入等技术逐渐兴起，可以高效率处理大规模文本语料库，也在应用到知识建模过程中。
构架搭起来，下面是填充知识点，即知识获取，从不同来源、不同结构的数据中去提取实体、概念、属性，这其中涉及到的技术包括实体识别与链接技术、实体关系学习技术、事件知识学习技术等。
有了充足的知识后，还要考虑知识数据的多样性和异构性，做知识的融合，将不同的知识图谱融合为一个统一、一致、简洁的形式，使知识图谱更加容易操作。这里涉及到概念合并、确立概念的上下位关系等，以及实体之间的合并、舍弃等处理。
接下来对知识进行存储，以支持上层的知识推理、知识快速查询、图实时计算等应用。
在形成的知识构架基础上，该考虑怎么用了。应用起来，需要构建起算法，支持用户的知识图谱查询，支持图谱去做推理计算，也就是怎么用算法把构建的知识体系调用起来。这其中包括图挖掘计算、本体推理、基于规则的推理等。这是知识图谱建立的关键点，也是难点。如大规模图算法的效率、大数据量下的快速推理、对于增量知识和规则的快速加载等。
接下来就是应用的环节，常用的应用包括语义搜索、智能问答、决策支持等。
可以看到，建立知识图谱的过程，是非常复杂的过程，需要人的经验的参与，也需要用技术去提取技术，还需要用算法去确立实体之间的关系，这些关系怎么去使用起来，也需要算法来支持。
3）这么复杂的建立过程，形成了知识图谱，用处是什么？
来看看知识图谱的应用场景。
知识图谱最初有搜索引擎提出，最早的应用也是在搜索领域。2012年，Google推出第一版知识图谱，引发广泛关注，互联网企业纷纷推出了自己的知识图谱。在国内，搜索引擎厂商百度和搜狗分别推出”知心“和”知立方”。在搜索引擎领域，知识图谱的作用在于改善搜索质量，对于一些问题，如“马云出生于哪一年”，可以直接给出答案。搜索关键词时，在给出搜索结果的同时，搜素引擎还可以将相关的信息在搜索引擎右侧予以展示。这在搜索结果中已经比较常见，这是知识图谱的作用。
其次是问答场景，在聊天机器人背后，需要有知识图谱来提供知识体系，当用户提到某关键词时，实现对图谱的检索，提供相关信息。这里面的典型应用包括微软小冰、IBM Watson、苹果的Siri、Google Allo、Amazon Echo、百度度秘。
在各种垂直行业的知识图谱中，知识图谱都得到广泛的应用。可以帮助实现信息检索，也可以对决策构成支持。在金融、安防、教育、零售、物流、农业、医疗健康、广告、通信、IT、制造业、传媒、环境保护、法律等垂直领域，都有知识图谱建立，帮助实现在各自领域的决策过程。
资料来源：美团AI Lab NLP 中心负责人王仲远
金融是典型场景，这些年给消费金融带来革命性变革的大数据风控，背后有知识图谱的贡献。依据所掌握的借款人身份信息，结合借贷历史数据、信用卡数据、消费数据等与信用强相关的数据，以及社交信息、通讯录名单、网络行为数据等与信用弱相关的数据，建模分析各种信息之前的关系，构建知识图谱，可以辅助进行信用水平的判断。如可以查询借款人的一系列数据信息以及信用评分判断信用，也可以依据通讯录中存在的联系人情况，判断是否处身于诈骗团伙。这方面应用已经很多。在企业金融领域，通过整合工商信息、法院信息等，形成公司行为图谱，发掘企业的上下游、合作、竞争对手、子母公司、投资、对标、高管与企业间的任职等关系，可以在一定程度上发掘企业的信用情况。
再比如公安场景。案件发生后，通常情况下是办案人员依据自己的知识和经验，综合去发现和判断人、事、地、物、组织等要素，寻找线索来破案。严重依赖经验，且工作强度非常大。而通过建立公安知识图谱，将案件中的各种利害相关人的历史信息、与案件相关的系统信息、历史上类似案例的破案信息等通过查询方式来调用，可以让机器来高效整合信息，寻找破案思路。
以明略数据的公安解决方案为例，明略数据利用知识图谱形成解决方案，建立全维度数据关联，绘制社会关系网络图谱，连通孤立数据，形成面向业务应用的大数据平台，转化为破案线索；集成大量犯罪和预测模型，通过大数据对案件研判和预警；在界面上，形成可视化分析，帮助执法人员发现关键线索。
4）这个领域内都有哪些公司？
来看看知识图谱领域的公司。
知识图谱领域的公司也非常多，大公司一般都会建立自己的知识图谱，主要作用是辅助自己的核心业务。
而知识图谱领域的创业公司，多是扎根某几个领域做行业专属的知识图谱，为行业内企业的决策过程赋能。获得融资的知识图谱领域的创业公司也有一些，公安和金融领域是普遍的应用落地场景。
目前在创业公司中，明略数据、百分点、达观数据等算是这个领域较大的公司，融资轮次也更高。不过相对于AI的主要细分领域，如计算机视觉、语音识别、自然语言处理，知识图谱领域的公司明星公司更少。
知识图谱领域的创业公司在商业模式上，主要是以定制化解决方案的形式与客户进行深度绑定，建图谱、跑数据，训练算法，交付项目。明略数据就是这种类型，与公安、金融、工业领域的客户建立深度合作，技术公司本身很难靠自己深度了解行业，与客户深度绑定，也可以在于客户的磨合中积累行业经验，所建立的知识图谱的深度和覆盖面也可以获得提高，也只有这样才能逐步建立起壁垒来。当然，这样需要较长的时间去跟客户磨，沟通方案、调整产品、更新知识和算法。数据显示，明略数据在公安、金融、工业等领域客单价在数百万左右，2016年、2017年的营收规模在1亿元、2亿元左右。
此外有一些公司如渊亭科技采用销售知识图谱标准化模块的形式，试图获得更快的发展，但这种形式的问题是标准化的模块很难全面满足客户需求，客户做知识图谱，为的是优化决策，其中的知识信息需求与搜索需求都是个性化的，标准化模块作用不大，且客单价更低。
知识图谱行业解析
1）回到最初的问题，明略数据对腾讯有哪些价值？
腾讯现在在向产业互联网转型，腾讯服务C端的能力出众，但在B端缺乏足够的经验和资源积累。B端服务需要深扎行业，深入理解行业需求，服务难度太大，而且很慢。从阿里到腾讯，做产业互联网都是以云服务为中心，做行业的解决方案，为增强方案的落地能力，更快速地占领市场，都是采用招募具体行业里的软件独立开发商（ISV），去建生态，形成更可靠的解决方案。
可以理解为明略数据是腾讯云的大型供应商，在所擅长的公安、金融、工业等领域，依据已经形成的知识图谱能力，帮助腾讯云增强落地能力。事实上腾讯云与明略数据在2018年就是特别战略伙伴，在金融、工业与物联网等垂直行业，有深度合作。
在腾讯云2018年“数字北京”等数字城市系列项目中，明略数据参与了数据治理、汇聚以及解决方案规划等工作。腾讯投资明略数据，可以理解为深度绑定，利用明略数据积累的行业知识图谱，丰富腾讯云在行业里的落地能力。
2）与大企业深度绑定，甚至被大企业收购，似乎是知识图谱领域创业公司的更好归宿。因为知识图谱虽然做起来有价值，但靠本身的内生增长，很难快速形成大规模营收和利润。
在需求层面，有技术的互联网公司，基本都自建知识图谱。创业公司只能面向传统行业。大多数行业里面，知识图谱并不能带来直接的收入增长或者成本下降，也并不能直接给企业指明解决问题的具体办法，而是通过知识工具，提高研究过程和形成决策过程的效率，这并不像人脸识别或者语音识别，可以实打实地完成某项明确目标。也因此，客户的付费意愿会受到一定影响。
从成本看，建立行业知识图谱，往往需要跟客户进行深度沟通，去完成项目交付，客户的需求往往是个性化的，大多需要用定制化方式去完成。成本往往是随着项目的增多而线性增长。
就本身的发展路径看。知识图谱公司要形成壁垒，只能靠深扎行业去提高对行业的理解力，跟客户长时间绑定，去提取行业里的实体与关系，这决定了企业很难快速做大。这是一个需要慢慢熬炼的行业，需要不断打磨。
明略数据是行业里位于前列的公司，营收也只有几亿而已。
评论