人工智能歷來在兩個有點矛盾的陣營之間來回搖擺。一派是以Noam Chomsky、Marvin Minsky、Seymour Papert及其他許多人為代表的這種想法：認知智能本質上是算法;有一套基本的規則成為語言的基礎，進而成為智能的基礎。另一派是Donald Hebb、Frank Rosenblatt、Wesley Clarke、Henry Kelly、Arthur Bryson Jr.及其他一些人，他們大多默默無聞，逐漸形成了梯度下降、遺傳算法、反向傳播及神經網絡的其他部分。

這兩個陣營之間的競爭非常激烈；曾經一度，在Minsky和Papert對Rosenblatt的感知器(早期神經模型之一)進行相當苛嚴的分析后，爭論似乎很大程度上在算法方法的方向上已經偃旗息鼓了。事后看來，雙方面臨的一個主要障礙(也是讓人工智能研究陷入十多年寒冬期的障礙)是，雙方都低估了其中任何一種模式真正取得成果所需要的計算能力(計算能力增加21個數量級);再過50年，計算機和網絡才會達到這兩種技術中的任何一種切實可行的程度。

結果證明，雙方實際上在某些方面是對的，而在另一些方面是錯的。神經網絡(和機器學習)處理在1964年被視為很關鍵的許多問題方面變得非常有效：圖像識別、自動分類、自然語言處理和系統建模等其他方面。尤其是分類功能邁出了一大步，特別是考慮到大量內容(從 Twitter帖子到電影)從中受益。

與此同時，Minsky和Papert關于感知器的論點在當前關于機器學習的爭論中得到了回響——可發現性和可驗證性都證明是兩個非常難以解決的問題。如果無法確定為何某個特定解決方案正確，這意味著存在未適當建模的重要的隱藏變量，并且不知道這些變量的限制——存在不連續性和奇異性的地方，將模型應用于除其自己的訓練數據之外的任何內容時，就會遇到問題。

此外，您將開發邏輯(有時是社會)結構中的人工干預這個問題換成了查找和篩選大量數據這個常常費時又費力的操作;可以說，后一種操作實際上就是前一種操作的變體，大概效率較低。

另一方面，算法方面的情況不一定好得多。事實上，算法方法有兩個方面：分析和語義。分析方法目前被認為是一門數據科學，使用統計分析(或隨機法)來確定分布和概率。可以說，隨機法的優勢在于，針對足夠龐大的數據集，它可以用來確定特定事件發生的可能性，精確度在一定的誤差范圍內。然而，隨機法正從傳統的統計分析轉而使用貝葉斯網絡，其中可以借助圖分析來分析單個變量(特征)。

另一方面，語義是利用連接斷言的網絡圖，以及對斷言本身進行額外斷言(通過建模)的能力，這個過程名為具體化(reification)。語義非常適合更傳統的建模方法，這正是由于傳統的(關系)建模是語義模型的一個封閉子集，同時又提供文檔對象建模語言(DOM)中固有的功能，XML或JSON就是佐證。

重要的是，貝葉斯網絡可以呈現為具有具體化的語義圖，決策樹也是如此。的確，SPARQL查詢在每個重要的方面都與決策樹同構，因為決策樹中的每個節點實際上都是基于存在特定模式或約束的兩個數據集的交集(提示：您想要構建合規測試系統?使用SPARQL!)。

軟件發展史充斥著純粹主義者和實用主義者。純粹主義者在他們自己的特定工具和語言方面標明了立場：C++與Java、命令式與聲明式、SQL與NoSQL、Perl與......等等。實用主義者通常試圖找到一個中間立場，精挑細選最好的，對爭論的種種喧囂置之不理。大多數純粹主義者最終漸漸變成了實用主義者，但由于大多數程序員往往多年后成為項目管理員，因此這種學習的實際影響微乎其微。

眼下，由于神經網絡、貝葉斯和語義這三個方面的最新一代比較新，人們有一種強烈的傾向，希望將自己選擇的工具視為適用于所有潛在情況的優秀工具。然而，我認為這些最終都是圖或處理圖的工具，我相信這種底層的共性將帶來更廣泛的大統一。比如說：

• 機器學習管道是分類器。如果中間分類器的標簽對應于某個特定的本體，那么一旦對某個特定實體進行了分類，該實體的語義表示就可以分配給相關的模式、形狀、類或規則。
• 機器學習系統不是索引，而是正如我的孩子們所說，它是索引相鄰(非常像圖的短語)。本質上，您所做的是在未知類型的實例與關聯的一個或多個類之間創建映射。多個類在這里很重要，因為類只是一個標記的模式而已，而繼承表明了兩個這樣的模式之間的共同特征。該映射有時也稱為反向查詢，原因在于您不是檢索滿足查詢的所有項，而是實質上檢索查詢用于其中一個項的(命名)模式。
• 可以在SPARQL中創建分類器(老實講比較簡單)。這是由于SPARQL本質上是尋找是否存在三重模式：不僅僅尋找屬性存在，還尋找常常是二級和三級的關系。SHACL是一種RDF模式語言，可以被認為是一種基于特定的SHACL構件(及其他部分)生成SPARQL的工具，那些模式可能非常微妙。
• 與之相仿，我認為圖分析最終將變得與關系數據分析一樣重要，或者甚至更重要，主要是由于圖使人們極容易為任何類型的隨機過程添加多層抽象和可發現性，從而解決當今機器學習工具所面臨的許多相同問題。
• 這個過程反過來也是可行的。SPARQL可以與入站流一起用來創建一個圖，用于為機器語言服務構建訓練數據。由于這種訓練數據已經在現有本體的上下文中被標記和識別，這種過程的好處是因而生成的分類器已經擁有可解釋性必需的所有部分：數據來源及注釋、已確立的標識符、事件時間戳及更多。
• 另一個重要的一點是，SPARQL能夠改變它所處理的圖。一旦您合并允許直接在 SPARQL調用本身內處理外部內容的服務調用，推理(基于現有斷言中發現的模式來創建新斷言)變得尤為重要。SPARQL的下一個主要階段之一將是它能夠檢索、處理和生成JSON， 作為中間核心對象(軟件供應商請注意)或作為RDF的來源。
• 這意味著未來版本的SPARQL不再需要將表格數據存儲為RDF，而是可以將其存儲為 JSON，然后利用該JSON(及相關的分析功能)來創建復雜得多的推理，而占用的處理資源要少得多。針對類似的操作，不妨看一下XProc XML管道處理語言，就會意識到XSLT/XQuery 管道與RDF/SPARQL/SHACL管道之間的差異基本上是表層的。

這最后一點非常重要，因為正如最新一代的敏捷/DevOPS/機器學習運營模式所示，管道和轉換是未來。如果能夠處理鏈式轉換(尤其是那種轉換中的特定管道根據上下文來加以確定，而不是事先設定)，這樣的管道開始顯得越來越像有機的認知過程。

原文標題：Where Semantics and Machine Learning Converge，作者：Kurt A Cagle