引言：获取知识方式的方式，看来不仅仅是人工了，AI给知识萃取和落地应用带来了新的解决方案。
1
两种萃取思维：人工知识和机器学习知识
作为一名知识工程的顾问，越是深入了解AI，就越有新的发现。
人类获取知识的方式甚至定义知识的方式，和机器学习差异非常大，可以说，是两种差异非常大的思维方式。
要理解这一点很不容易，为了避免学术化，我以一个下棋的知识获取过程作为例子来进行说明。
“琴棋书画”是中国的四艺，其中，棋特别是围棋变幻极大，每一步棋都有海量的可能性，以至于下围棋到了日本，有了禅道的境界。这么复杂的东西，人类是如何总结知识和学习的呢？
我不下围棋，所以特意去了解了一下，按知识解法分类的方式分析，围棋知识主要是三方面：
- 规则。比如落子规则、胜负判定规则、活棋和死棋等。
- 关键行为技巧。比如如何做眼、打劫、收官等。
- 布局。包括布局类型和结构（比如，二连星布局）和布局的原则（高低配合、抢占大场）。
下围棋的历史有几千年了，人类对于下棋的知识做了很多的总结和记录，知识载体形式，主要是书和棋谱，比如《李昌镐精讲围棋定式》、《玄玄棋经》等，书就是知识经验，棋谱其实就是下围棋的优秀案例。
我们人类的知识，细看就是这么朴实无华。
下棋这个领域，AI已经完全攻克，并且实现了对人类的完全碾压，这个例子，值得分析一下。
接下来，我们看看人工智能下棋是怎么做的。看看
进入智能化阶段之后，上面的下棋知识和下棋过程有什么变化？
总结下来，主要有三个主要的进化过程：
1、人工编程的下棋程序 - 人类经验的数字化。
以世界上最好的象棋程序Stockfish为例，它将下棋的规则以及应对策略变成算法，有些算法策略还相当复杂。这种程序使用的就是人类的显性知识，在和人对弈的过程中，下棋程序基本是专家高手的段位。
2、下棋专用AI - 经数据训练的神经网络。
这个例子就是AlphaGo，Deepmind公司使用一个非常庞大的围棋棋谱数据库来训练下围棋的神经网络，这个神经网络可以预测落子的获胜概率以及下一步落子的最佳策略。
注意，这一次，AI是完全不同的策略，它并没有使用人类的知识（参见上面三方面的知识），而是使用了人类围棋对弈的棋谱数据（当然，也包含自我对弈的棋谱数据），通过机器学习训练，直接获得下棋的能力。
结果大家都知道了，AlphaGo成为了人类有史以来最高明的棋手，有很多创新的招数。
比如，下图的这个招数，据说非常高明，李世石说自己很震惊。
3、自反馈强化学习的AI - 不需要人类知识和数据的神经网络
这就是2017年的AlphaZero，这个AI完全不用几千年以来人类积累的围棋知识和智慧，也忽视几百万盘棋局棋谱，从零开始学习。
它不仅打败了人类棋手，也打败了AlphaGo。也就是说，在它的算法中，人类的经验、知识、智慧都不需要，在它面前，这些其实变得过时了。
在以上三个层次中，层次1使用人类自己总结提炼的知识，层次2使用人类的数据，通过训练获得更好的知识，层次3通过海量的自反馈，AI自己获得知识。
2
新思维：知识萃取的三重门
尽管我们知道层次3的框架和算法，但是，这其中的涌现过程，对于我们人类来说，仍然不可解释。
接下来，我们只关注前两个我们可以理解和解释的层次。
有了AI这个对手的启发，我们对于知识萃取有了新的视角，这个视角，就是审视比较的视角。
我们可以将知识萃取划分为明确的三个层次和梯级，分别是：
1、经验萃取级
就是将实践的经验归纳总结出来，体现的形式通常是一些原则（比如围棋布局的原则：高低配合、抢占大场）、流程（比如X步法）、工具（比如各种操作表单）等。
这种层级的萃取，主要是运用归纳法，提炼出一些知识要点。范围有限，碎片化和个体化特征明显。比如，我国古代算术发现了一个勾三股四弦五的特例，但真正带有普遍性的知识是哥达毕拉斯定理，也就是a²+b²=c²。
2、知识萃取级
简单来说，就是萃取出普遍性、一般性的知识。演绎式知识萃取中，我将主要的知识解法框架分为8种，深度由浅逐渐深入，分别是：
- 流程模型
- 行为策略
- 特征模型
- 组成结构模型
- 行为原则（规则）
- 情境分类策略
- 条件要素模型
- 公式规律数学模型
比如，前面下围棋的知识体系中，经过演绎式知识萃取的识别，它是具有一个多样化的知识解法框架的。
在这个层级的萃取中，主要是运用演绎的方法，根据知识的一般规律，分析甚至设计一个场景任务完成过程、一个问题解决过程可能包含的知识。在高端的科学理论研究中，这种演绎甚至必须要用数学方法才能得到发展。
3、机器学习级
前面两种方法，本质上都是靠人的认知来完成的。尽管人作为一个社会化的群体，实践丰富，加之科学方法论的加持，获得的知识体量和有效性惊人，但是，仍然有两个方面的问题：
（1）在特定的领域中，实践的宽度不够。
比如，在人类和AI在围棋的智力对决中，很明显，AI找到的一些布局方法是人类几千年来没有尝试和发现的。
在围棋这个领域中有这种现象，在一些其他领域也是如此，特别到了现代，人类实践的细分领域太多了，在每一个领域，人类实践、尝试和研究，其实并不充分，相关的知识也比较缺乏。
（2）在特定的领域中，实践的深度也不够。
对照知识萃取8个等级的知识框架，就可以知道，我们每一个业务领域的知识，大多都是一个模糊的、不精准的知识。在实际完成工作或解决问题时，需要靠人的智力或模式识别能力进行直觉判断。
可以这样说，任何一个领域，如果还没有做到用数学的方式来表达其中的知识，都可以说深度不够。
单凭这个简单的定义，就可想象各个领域的知识深度。
然
而，机器学习能解决这个问题。
方
法简单粗暴，就是利用领域的大量实践数据，通过深度学习算法，分析和拟合出各个要素对结果的影响权重，以及各个要素之间的相关性程度，最后形成一个神经网络大的知识模型。这个模型，就包含着我们人类最有效的经验和可复用的知识。
3
知识萃取的主线：演绎萃取和AI专业小模型训练
从上面的分析，可以看出：
1、演绎式知识萃取的价值高于普通的经验萃取。因为，前者更系统和全面，萃取的知识更有深度。
2、有优质数据加持训练的AI专业小模型明显优于人工的知识萃取。因为，前者挖掘的知识宽度和深度是目前已知最高的，并且直接软件工具化，真正做到了service as software。
考虑到应用场景的差异，接下来的知识挖掘、知识萃取，最优的选择路径应该是：演绎式知识萃取和高价值场景AI小模型训练。经验丰富的业务专家，如果能够绘制、设计任务场景、岗位的知识图谱（知识地图），在此基础上，借助大语言模型，他完全可以高质量地完成一次深度的知识萃取。如果在这个业务领域，还积累了大量的业务数据，完全可以通过知识工程的方式，训练出业务领域的专业AI小模型，它的业务价值和知识的准确性更值得称道。
