先設想這樣一個場景，平靜的水面上漂著一片樹葉，一個小孩往水裡扔了一個石子，激起的漣漪一圈一圈地散開，最後都聚集到葉子的周圍，因為水波的能量被阻斷而無處擴散。
水面的各個部分是相互連接的，就像一個圖譜，葉子就是其中的一個異常點。當圖譜中發生一個事件時，能量或破壞力一定會體現在異樣的地方。這種破壞力，可能發生在近鄰，也可能發生在遠鄰，甚至可能是發生在千里之外的蝴蝶效應，因為世界是相互連接的，而圖譜能夠描述和表示這種世界的抽象和連接。
AlphaGo顛覆的不是圍棋世界
AlphaGo在圍棋比賽中完勝人類，顛覆了人類對圍棋的認識，實際上是顛覆了人類對自己思維方式的認識。由於大腦的容量和計算能力是有限的，人類的思維受深度和廣度的限制，所以，只好用一些定式來減少思考的深度和廣度。
比如，看到某個定式時，人類對於這一著棋就不用再往下想了。因為按照定式、按照經驗、按照棋手們的共識，大家應該這麼走。同時，對於某些可能的廣度搜索，有些棋子，至少對當前的棋局影響不大，至少對於人類棋手能預料的短期來看影響不大，所以也不用浪費帶寬思考。而電腦，也就是AlphaGo，只要有計算能力和計算時間，完全可以大幅度地擺脫這種限制，能有更深的深度和更廣的廣度。
更甚的是，AlphaGo可以在人類休息時，通過自己和自己對弈，提前探索更多的搜索空間，這也就是現在很火的強化學習。那麼，在天生不平衡的情況下，如何能擴大人類的聯想？知識圖譜就能完成這一使命。先看看Google的PageRank模型。
由於網頁是相互鏈接的，一個高能量的網頁會將能量順著鏈接，傳播到其他的網頁，最後，能量會聚集到真正有價值的頁面上。這也是圖譜的一種表現形式，只是在這裡，節點是一個個的網頁，邊是網頁之間的鏈接。別小看這些鏈接，它們是人類智慧的結晶。只有當人覺得這兩個網頁相關或重要時，它們才會給出一個鏈接。
谷歌PageRank是怎樣挖掘人類智慧
PageRank正是挖掘了人類智慧，通過隨機行走模型和算法，讓所有的網頁有了自己的重要性指標，讓它們有序。有序之後，很多任務就好辦多了。比如，抓取網頁知道先抓誰，索引時知道誰先處理，搜索結果排序時知道誰在前，等等。之後，Google進一步將PageRank算法進化成BrainRank，考慮了更多的特徵和關係。有了圖譜，加上先進的算法，將知識圖譜中的節點和關係有序化，人類能夠做很多的事情。
簡單來講，知識圖譜，就是一張由知識點相互連接而成的語義網絡。它是一種人工智能技術，是基於現有數據的再加工、結構化，再通過各種數據挖掘、信息抽取和知識融合技術形成一個統一的、邏輯上全局的知識庫。一個知識圖譜描述了世界裡概念和概念之間的關係。
一般圖譜中有實體、事件和關係。這些因素都有很多屬性。實體一般是“物”，在語言中一般以名詞形式出現，比如人、車、地點等。事件一般是在某個時間發生的行動，在語言中一般體現為動詞，比如招聘、收購、發財報等。屬性一般包括名字、標籤、重量、高度、價格、時間、地點等，能以數字或具體值標識。關係表示了實體和實體、實體和事件之間的聯繫。
來看一個具體的例子：“2016年6月22日，騰訊86億美元收購芬蘭手遊公司Supercell。”
實體：騰訊公司（名字：騰訊；營業地點：中國；主營業務：娛樂），Supercell公司（名字：Supercell；營業地點：芬蘭；主營業務：手遊）。事件：公司收購（名字：騰訊收購Supercell；收購時間：2016年6月22日；收購價格：86億美元）。關係：（A）收購了（B），（B）被（A）收購了。屬性：名字（標籤）。收購時間，收購價格，主營業務，營業地點。
對於投資，各個股票、公司、事件等之間是相互連接和影響的。一個事件的發生會影響與它直接相關或間接相關的方面。比如，一款新電池進入市場，會影響它的上游，比如原材料、原材料廠商；也會影響它的下游，使用電池的商家，比如電動汽車、手機。而且還會影響與它相關的間接行業，比如通信、運營商，甚至電商、內容提供商等。
當Netflix超出盈利預期，Amazon明天表現如何
現在，我們來看兩個將知識圖譜用於投資分析決策的成功案例。
Kensho是一個市場數據分析系統，它能掃描90000多個可用戶定製的行為，然後回答6500萬個以上投資相關的問題。那些行為包括財報發佈、全球數據環境、經濟報告、公司產品發佈、FDA藥品批准，等等，也能監控股票價格變動，比如一個股票上漲了10%，明天將會怎樣。來看看一些實際操作中的問題：
當Netflix超出盈利預期，Amazon明天表現將如何？
Apple發佈新產品前後的股票交易如何？
美聯儲發佈stress test結果後，大銀行的股票交易會怎樣？
在過去十年，從感恩節到年底，哪些零售股票表現最好？
Kensho系統中，對於事件的抽取和表示，充分利用了知識圖譜。它們有實體，主要是公司與公司相關的股票信息；有事件，這些是有可能影響股票交易價格的行為，比如管理層的變動、新品的發佈等。然後，這些實體和事件通過關係連接起來，任何一個事件的影響都可能是連鎖反應。分析師和交易員可以通過它們來驗證假設或是警示風險。
PalantirMetropolis平臺非常適合大規模的量化數據分析和調研。它整合了多個數據源，將不同的信息統一到一個量化分析環境中。至今，它部分解決了跟蹤和分析保險賠付數據、網絡流量分析和金融財務交易模式分析。通過Metropolis提供的豐富的統計和數學操作模塊，分析師可以在模型上建立和執行計算來加深理解他們所擁有的數據。
知識圖譜，讓計算機學會思考
簡單的模型可以作為複雜模型的構建模塊，從而使複雜高深的分析變成流線化、模塊化的處理過程。任何分析師能想象的分析都能夠容易和迅速地表達。
Palantir投入了很大的精力去開發系統創建和管理知識圖譜，它們甚至有一個自己的名字叫動態知識圖譜。基本上它只定義了一個知識圖譜的框架，類似於編程中的interface或是virutual，然後不同的應用，可以在這個框架下創建自己特有的圖譜。
這樣做的好處是可以開發大量不依賴於領域的算法、模塊、工具和應用。比如，對於金融投資分析，它們在大的動態知識圖譜的框架之下，定義了通用的金融股市相關領域的框架，然後框架上定義和實現了很多的分析模塊。之後，對於特定的公司、特定的股票，只要按照這個領域框架實例化，那些通用的、在大的和領域實現的模塊就可以隨便使用了，不用再從頭實現。
“人類失去聯想，世界將會怎樣。”知識圖譜的發明和壯大，在某種程度上就是解決人類的聯想，同時也讓世界有機地數字化，讓計算機能夠思考，讓人類能夠快速全面地聯想，而且是因果關係的、可解釋性的聯想。
有別於現在大數據很大程度上強調相關性，深度學習很大程度上強調難以解釋的結果。尤其在投資決策領域，沒有因果關係，不可理解的投資，那叫投機，不可持續。
作者簡介：
尼克：烏鎮智庫理事長；
陳利人：烏鎮智庫首席科學家
本文為作者應博鰲亞洲論壇邀請，為其年度報告《互聯網金融報告2017》所寫