人工智能的发展从低到高可分为三个阶段：运算智能、感知智能、认知智能。运算智能是最初级的阶段，主要指计算机拥有快速计算和记忆存储能力。感知智能阶段建立在运算智能的基础上，指机器能够拥有视觉、听觉等能力。而认知智能则是更高级的阶段，指机器能够实现“理解与思考”。

在深度学习技术的推动下，人工智能在感知层面上取得了重要成果和广泛的应用，但仍然停留在感知智能层面上。目前，深度学习技术在图片识别、语音识别、视频识别等应用上已经达到或超越了人类水准，然而基于深度学习技术的人工智能，却无法胜任认知智能层面上的任务。例如，深度学习技术能够让机器从视频中识别出猫咪，但无法让机器理解为什么视频中的猫咪喜欢玩毛线球，更不具备在发现猫咪不开心时给猫咪扔毛线球的智能。究其根本是因为深度学习技术不具备推理的能力，无法赋予机器认知智能。所谓认知智能是指让机器获得推理能力，能够像人一样思考，而这种思考能力具体体现在机器能够理解数据、理解语言，进而理解现实世界的能力，能够解释数据、解释过程，进而解释现象的能力，以及推理、规划等一系列人类所独有的认知能力。

图神经网络的重要意义

图神经网络是近年来新兴的一种智能算法，其将深度学习算法和图计算算法相融合，取长补短，以达到更优的认知与问题处理等能力，被广泛应用于 搜索、推荐、风险控制等重要领域。图神经网络在发展演变的过程中，适用场景不断拓宽。在发展早期， 由于潜在的认知能力未被充分挖掘与发挥，图神经网络通常应用于图分类、节点分类和链路预测场景中。而随着学术界对图神经网络的重视程度和挖掘深度的不断提升，图神经网络开始用于解决自然语言处理、推荐、金融、集成电路等领域的问题。此外，相对于深度学习算法，图神经网络还能胜任一些更具挑战性的任务，例如重新发现宇宙、模拟玻璃分子的动态特性、大脑神经元链接分析、知识图谱分析等。在2019年后，图神经网络力压深度学习等热门词汇，成为各人工智能顶级会议的新增热词和研究热点。

不仅学术界，工业界也对图神经网络给予了高度重视，并逐渐加大该方向的基础设施建设力量。包括谷歌、脸书、阿里巴巴等在内的众多主流企业，将图神经网络部署于数据中心中。图神经网络已然成为近年来工业界非常重要的应用之一。阿里巴巴自主研发的大规模分布式图学习框架Euler，已成功应用于阿里公司的营销、反作弊、广告排序等众多核心场景，大幅提升了业务效率。Euler已于2019年完成开源，成为国内首款工业级图深度学习开源框架。腾讯公司也于2019年开源了自研高性能图计算框架Plato，致力于在有效时间和有限资源内完成海量计算，已成功将10亿级节点超大规模图的计算时间降至分钟级别。Euler 和Plato的研发团队均在人工智能领域的顶会中发表了多篇有关图神经网络在推荐、风控等业务中应用的高水平论文。包括旷视科技在内的许多国内知名企业也已经将图神经网络应用于推荐、风控、视觉等主流业务场景中。此外，中科院计算所和中科睿芯联合研制的高通量计算机力压IBM获得Green Graph 500大小数据集榜单的第1名，清华大学教授陈文光的研究团队在“神威·太湖之光”超级计算机上的研究成果获得Graph 500 BFS榜单第2名。中科院计算所不仅具有深度学习芯片先驱者寒武纪在深度学习芯片的多年耕耘，在图处理加速结构研究方向上也取得了全世界认可的优异研究成果，并提出了国际首个图神经网络加速芯片设计。

图神经网络的优势特点

图神经网络能够备受学术界和工业界的青睐，归功于其强大的数据理解能力和认知能力。第一，传统神经网络处理的图片、序列等，为欧几里得空间的数据，结构十分规则；而图神经网络的处理对象则为结构极其不规则的非欧几里得空间的图数据。图数据具有比图片、序列更强的数据和知识表示能力，不仅能表示样本（节点）的独立特性，还能表达相同类型甚至不同类型样本之间的联系（链接）。然而，现实世界的不确定性导致了图数据的结构不规则，因此深度学习算法无法直接处理现实场景中的图数据。例如，卷积神经网络的卷积操作无法在具有不规则结构的图数据上进行有效的计算。第二，相对于深度学习算法，图神经网络能够高效地利用样本实例之间的结构性特征。图结构数据蕴含着丰富的信息，节点通过边相连接，将不同样本之间的关系等信息进行有效和充分的表达，从而最大化利用现实图的结构性特征。在传统的深度学习算法适用场景中，实例需要彼此独立，因此无法挖掘样本之间的潜在联系。而图神经网络算法则将图数据的结构性特征融入算法模型实现中，增强知识的理解能力。第三，无法有效进行关系推理是制约深度学习发展的核心因素之一，而具有处理各种关系能力的图神经网络算法则能胜任关系推理，从而造就了图神经网络强大的认知能力。因此，图神经网络被认为是推动认知智能发展强有力的推理方法，有望解决深度学习无法处理的关系推 理等一系列问题，让机器“能理解、会思考”。