我在通用电气研究中心工作的10年里，我们对通用电气所有业务进行了创新，以提高客户的影响力。我学会了将客户问题与技术匹配起来的微妙平衡。当业务专家描述了挑战，而技术上不同的专家进行了辩论，每个专家都代表不同的技术时，这种方法就奏效了。多样性是关键;否则，您最终会仅仅得到一个锤子（最喜欢的技术解决方案）被应用到钉子（手头的业务问题）上。

今天，我们有两个锤子正在受到关注：人工智能（AI）和区块链。在本文中，我将描述这两种技术的一个关键方面，它可以帮助您确定它们是否适合于客户问题。

由于人工智能是一门非常广泛的学科，让我们把重点放在知识表示方面，特别是知识图，它正在成为许多人工智能解决方案中表示数据的基础层。当我最近有机会与来自亚马逊（Amazon）、优步（Uber）、富国银行（Wells Fargo）等公司的学术和行业专家一起，在哥伦比亚大学（Columbia University）举行的人工智能知识图谱大会（Knowledge Graphs for AI）上发言时，这个事实就很明显了。

现有的、定义良好的和填充的知识图对企业来说是有价值的。知识图的挑战在于如何将其开发出来并加以维护。具体来说，很难为图定义正确的结构并将有价值的数据放入其中。

这可以被描述为“本体问题”。本体是图结构的定义，它就像一个描述所有关键概念和关系的数据库模式。糟糕的本体定义将使将数据放入图中变得非常困难，而糟糕的本体定义也会使访问数据变得非常痛苦。解决本体问题通常需要一小群训练有素的本体学家、分类学家或信息科学家。换句话说，需要一个集中的组来定义和维护知识图结构的质量。这种集中通常意味着知识图的终结。在这种情况下，企业（除非其业务是知识图，如谷歌或Microsoft）将把集中化视为失败的临界点，而将所需的特定技能集视为风险。通常情况下，知识图是被创建的，但是过了一段时间，它就不再被维护，不再被使用，不再存在。

那么，如何解决本体问题呢？由于比特币和区块链（详见下文），分布式技术的概念变得更加流行。我最近看到了两种通过分布式方法解决本体问题的方法。第一种方法（也许不那么令人惊讶）是保持本体非常简单和非常专注于领域，同时使知识图中的价值来自于知识的分布式创建。这方面的一个例子是我在通用电气共同领导开发的一个分析建模工具。该工具的一部分是基于云的分析创作环境，专门用于创建工业数字孪生模型，第二部分是知识图和助手，用于捕获有关资产、数字孪生和用户操作，以便向根据资产、现有模型或其他用户可能对其当前操作“感兴趣”的新用户。

知识图中的本体非常简单：它的价值来自于用户创建知识并通过他们的行为添加到其中——他们对幕后发生的事情没有任何特定的知识。 在平台上工作的用户越多，他们利用知识图推荐的机会就越多，使用的分析模型越多，知识图就越丰富。该工具的成功并不依赖于本体问题——而是转移到用户活动及其创建有用知识的成功上。

我看到的第二个解决知识图和人工智能本体问题的创新方法是通过分布式的更小的知识图集合来构建它。这里有两个例子。首先是使用一个通用标准——在本例中是万维网联盟的语义网。有了数十亿的事实可用，语义网通过数千个实体的分布式贡献，汇集了一个巨大的知识图。

其次，与基于标准的方法类似，创建和集成分布式微服务，每个服务提供一些小型本体和数据或计算，可以促进知识图的生成。您需要一个平台来理解微服务定义，就像Facebook发布的GraphQL定义一样，并得到正在成长的GraphQL基金会的支持。通过微服务的聚集，知识图的成功和价值依赖于平台支持的同一种商品：由客户创建有价值的微服务。

最后，为了更清楚地说明这一点，让我们回到区块链。比特币网络的成功得益于其创造者的分布式思维。要绕过现有货币，需要一个不可变的账本，使其不能被黑。工作证明共识方法确保支持区块链的全球用户网络将得到“挖掘”或验证交易的奖励。一组购买和交换比特币的分布式参与者给出了比特币的价值，而这些分布式的矿工为网络提供了信任，同时获得了同样的商品回报：比特币。

要为你的人工智能或区块链找到合适的钉子，想想分布式：一个客户社区在你的技术上互动，在那里他们发现价值，同时又能创造更多的价值，所有这些都在你技术所提供的商品上。