内容来自B站视频 复旦 肖仰华 老师的讲座，记在这里，不然一会就忘了。
https://www.bilibili.com/video/BV1HG4y1h7zK/?p=5&spm_id_from=pageDriver
智能的发展是由感知到认知，当下需要发展机器的认知能力。
实现认知智能需要人工智能的很多理论和技术作为支撑
（1）联结主义。联结主义是通过训练深度神经网络来解决问题，本质上是让机器具备人类大脑“快思考” 的能力。训练神经网络本质上是和小孩反复背诵乘法口诀是一样的。
（2）符号主义。用符号去表达、加工知识，再结合推理去解决问题。这种是符号主义及知识图谱解决问题的方式。知识图谱一定程度上是在实现人类的慢思考能力。
（3）行为/进化主义。人的智能是通过与环境不断交互而演化得来的，未来机器智能的发展可能也需要这种模式。
知识图谱是符号主义解决问题的一种方式。符号主义解决问题的一个重要前提是如何用符号去表达及承载知识，这就需要用到知识图谱。
知识图谱本质上是一种语义网络，是大数据时代知识表示的重要方式之一。其作为一种技术体系，是大数据时代知识工程的代表性进展。
由于图的表示多种多样，对知识图谱进行系统化的管理十分的必要。
大模型通过使用大规模的数据进行训练，学到了很多我们人类还没意识到的隐性的知识。未来应将知识图谱中的显性知识与大模型中的隐性知识结合起来解决问题。
现在一个重要的趋势就是将知识图谱的符号式的表示转换成分布式的数值表示。因为只有变成数值化的表示它才能进入深度学习模型，协助深度学习模型更好地解决问题。
但是现在大多数图数据管理系统，仍然只能对符号数据进行管理，无法对知识图谱的分布式数据进行管理。所以不但要做符号化的知识图谱的管理，也要做向量化的知识图谱的管理。
知识图谱中概念知识的向量化表示跟实体知识的向量表示是不一样的，如何对这些概念知识的向量表示进行学习也是需要考虑的问题。
以下是一些探索性的工作：
知识的管理仍然需要图系统进行支撑。
