｜自古以来，“日用而不知”是一种常见、普遍而且再正常不过的文化状态。两千多年前，孔子在注解《周易》的系辞中写到，“仁者见之谓之仁，知者见之谓之知，百姓日用而不知，故君子之道鲜矣！”。的确，我们没有足够的时间生命去学习和掌握全部的知识，我们的碳基大脑虽然构造精密复杂，但在过于复杂的问题面前也只能模糊计算和头脑风暴，加之闻道有先后、术业有专攻，扶今追昔，就是在浩如烟海的历史长河中，能够博古通今、百科全书式的学问大家也是屈指可数，能够补天柱地、彪炳千古的传世大师更是凤毛麟角。如今，和chatGPT代表的硅基大脑和数字分身相比，在通识和广度意义上的文化水平方面，我们人类更是自叹弗如。在古代，“日用而不知”可以归结为交通不便、教育未能普及，知识传播不畅等等。现代社会以来，“日用而不知”则可能更多地和学科分野、专业区隔以及劳动分工等因素有关。而今这个信息过载、知识爆炸的互联网时代，情况似乎更加严重了，我们已经被各种精准推荐算法制造的“信息茧房”所包围而浑然不觉；稀缺的真知被湮没在人人都是自媒体的信息噪音之中而无从发现，深刻的卓见被夹杂着商业气息的浮躁流量冲刷在一旁而无人问津。约翰·奈斯比特（未来学家，埃森哲评选的全球50位大师管理之一）在《大趋势》一书中就此感叹：“我们被信息淹没，却渴望知识”。
｜“图思维”（Graph thinking）就是这样一个“日用而不知”的知识点。
我相信多数人听都没听过这个词，看到过也根本不知所云，甚至会觉得摸不着头脑。即使您今天看到了这里，也会觉得这可能就是个专有技术名词，和我们的日常没啥太大关系。稍安勿躁，容笔者絮叨絮叨（看完觉得有道理就在文末点个赞，觉得有收获就转发给身边的朋友瞧瞧）。笔者作为经济学专业背景和金融、投资从业经历人士，三年前误打误撞进入科技圈，最大的收获之一就是有幸结识了世界知名的大数据与高性能计算专家兼科普作家、全球领先一代图数据库——XAI嬴图创始人孙宇熙教授。他坚信图数据库是数据处理技术的主流演进趋势，“人脑是终极的图数据库”，“SQL的消亡只是时间早晚问题”......他把“图思维”列为学习和掌握图数据库技术的最基础、最重要的知识点之一，并感叹为“被遗忘的艺术——图思维”。
笔者深入学习并进入图技术领域之后，仔细研磨，反观实际，越来越觉得醍醐灌顶，有点传说中的被大师开了光的意思，似乎元认知的任督二脉开始被打通，自身的思维能力明显提升，开始逐渐感受到图思维“无远弗届”的魅力了，可以能够时而感知以前从未清晰体会到过的宁静致远的意境了。每一次的深思随想，都是在宁静致远之时，在大脑算力最丰盈的时候，把平时一个个具体的事情进行关联“计算”，捋清关系，梳理脉络，拆解问题，演绎归因，找到解决问题的最短路径和最优方法，并总结为有顺序、有步骤、有层次、有逻辑的“1234”，或者“首先、其次、再次、最后”……
｜现实中的“图日用而不知”，大概和Graph翻译“图”有一定关系。
Graph一词来源于希腊语，是刻、画、写的意思。1736年，被后人誉为“数学之王”的莱昂哈德·欧拉（Leonhard Euler）在解决哥尼斯堡“七桥问题”时灵光乍现，把陆地和岛抽象为点，把桥抽象为边，从而把“每座桥都走一遍且只能走一遍并回到出发点”的生活问题抽象为“一笔画”数学问题，并证明了其不可能性，由此开创了数学的一个重要分支——图论（Graph Theory）。图论就是关于探索关系和路径的数学思维和方法论，并由后世数学家们逐步发展成为一套成熟而强大的算法理论体系，进而和计算机技术融合发展成为今天的图数据库技术。
在数学上，任何由点、边构建的关系网络，就称为Graph。属于西方数学的Graph Theory当初传入中国时，不知道是不是被某位传教士翻译成“图论”，从而沿袭惯用至今。而在本土中文语境里，图本来就是一个日常生活高频使用的多义词，可以是图像（image）、图片（picture）、图表（chart）、地图（map）等很多事物的简称，导致现在人们在日常生活中很容易先入为主，听到看到“图”就想到是眼见为实的日常之物，一般都关联不到图还可以指抽象的拓扑结构和关联网络，这算是一个历史上无心造成的一个困扰，也是”图日用而不知”的原因之一吧。（注：在图中，“实体”指的是点。）
｜大家没有意识到，我们从小就开始训练最基本的图思维。
有小孩的家里，肯定会有各种各样的幼儿绘本。您随便翻翻，不难发现，这些幼儿绘本看似内容不同，难度不一样，但大体模式基本类似，先是进行日常生活、自然世界中各种词汇的单点认知，然后就是让小孩训练各种字符和图片形式的、场景化的各种思维游戏，比如勾连同类的、找出差异的、描画路径等等。这些思维游戏再怎么变化，基本都逃不过关系和路径的问题，这其实是最简单的“图论”问题。
人类的思维训练就是从点到线，从线到面，从面到体，从三维到我们无法直观表达，甚至脑力无法企及的高维的维度提升过程，都是从一度到二度、从二度到三度以至更长链条的关联推理过程，都是从最简单的代数计算到几何求解，从列式方程求解到微积分的复杂求解过程，都是从数据到知识，从人脑算力到电脑算力，从模型到算法的智能延展过程。很多人都看过江苏卫视“最强大脑”节目，那些超乎常人的脑力从何而来？不说别的，首先肯定是高维、长链、深度思考力的体现。
｜泛化开来，我们可以说“一切皆图”（all is graph）。
写到这，思绪不自觉地飘向了两千多年前，那个奠定人类东西方文明基础的巅峰年代，脑海中自然的闪现出来（通过联想来关联）毕达哥拉斯（Pythagoras）这个名字。他大致和孔子同一个时代，人人皆知的勾股定理就是他提出的，最奇妙的是，他在古希腊城邦里林立的神殿建筑中发现了关于美的黄金分割比例。我们耳熟能详的古希腊巨匠，数学方面的阿基米德、欧几里得，哲学方面的苏格拉底、柏拉图、亚里士多德都是在他之后出现的，多多少少都受到了他的影响，加上文献遗留不多，被后世称为是“半人半神”一样的神话般的存在。作为数论的开创者，他有一个著名的哲学观点：“一切皆数”（All is number），令包括欧拉在内的无数近现代数学家顶礼膜拜，连微积分的创立者德国数学家哲学家莱布尼茨（Gottfried Wilhelm Leibniz）都自称为是毕达哥拉斯最后的学生。这和老子的“大道至简”（一切皆道）有异曲同工之妙。剥开计算机和图数据库的技术面纱，去除数学图论的专业术语马甲，从数论到图论，从人脑构造到工作机理，从现实世界到思维模式，一切都可以用“图”来表达，“一切皆图”（All is graph）。图思维是人类认知万事万物的所有思维方式的总和，人类就是在关系中建立认知，在关联中思考问题，在路径中寻求方法，致力于最优解来解决问题和改造世界。
｜回到实际，所有的思维模型都是图思维对现实问题的低维投射。
人与人之间最本质的区别在于认知能力的差异和基于认知的行动能力。认知能力=知识结构X思维模式。思维模式决定着学以致用的质效和知行合一的程度，其中的核心是知识关联和逻辑推理的能力。我们看到的一系列大大小小的思维模型都是我们认知这个现实复杂问题的方法论，比如顶层的第一性原理、通用的5W1H模型、关于学习的金字塔模型、关于领导力的4C模型、企业战略中的PEST、SWOT、BCG Matrix等等。思维模型的本质是基于特定的框架、结构和规则构建的概念网络，从这个意义上说，是"图"模型。每个人都有一套自己的思维模型体系，模型思维能力越强，分析问题、解决问题的能力就越强。平常我们说的那些不学无术、孤陋寡闻、井底之蛙、无知无畏......更多地知识层次的范畴；那些颠三倒四、语无伦次、不知所云、胡说八道......一般是指缺乏逻辑思维；那些以偏概全、盲人摸象、一叶障目、鼠目寸光......大多是指缺乏系统思维；而那些融会贯通、触类旁通、举一反三、旁征博引......的人，则是关联思维能力的全面体现。
图思维是一种基于逻辑关联的高维网络思维，是系统思维、结构思维、逻辑思维的综合运用，是站在整体、全局、全量的角度，按照框架层次和结构脉络进行自上而下的拆解演绎或者自下而上的聚合归纳的思维过程。目前我们看到的、学过的各种思维模型基本都是二维的关系模型和平面的思维框架。思维模式高维化和关联化，可以轻松实现智力跃迁和情商提升。思维能力是思维习惯不断强化的自然结果。真正的高手或者天才，通常都是高人一维或多维，这种高维力能够从更多角度、更深层次地来看待问题，从而发现更多的可能性和解决方案。这就是所谓的比别人站得更高、望得更远、挖得更深、看得更全，做得更好......
｜剥开思维导图的背后，关键还在于“图”导思维。
美国人大卫·海勒（Dr.David hyerle）把人类的基本思维总结为八种：联想、分类、描述、类比、拆分、归因、流程、对比，并开创了思维导图（thinking maps）。思维导图的实质是一种思维可视化工具，通过中间图、关键词、线条、颜色、图片等元素，构成一个直观、具有逻辑性、且上下隶属关系分明的思维图表内容，以激发联想、帮助记忆，分类对比、完整描述，拆解事情、降低难度；总结归因、找到问题，梳理逻辑、清晰流程，类比旁通、启发思考等目的。
就解决问题而言，无非就是降低难度和提升能力两种通用的方法论基础，因此思维导图与图模型的构建及其结果表达在思维和方法上都有很多相通之处。在思维导图的设计和需求构图建模中，都需要理解业务逻辑和掌握知识关联，都需要用到分类、拆分、归因、流程这些基本的思维方法。熟悉和掌握思维导图，基本上也就能意会甚至理解图模型的构建思路、基本逻辑以及表达方式。两者最大的区别在于复杂程度及其实现方式。思维导图适用于颗粒度粗的知识和事务处理，依靠手工处理或使用Xmind等简单工具软件即可实现。
从数据的角度看，海量复杂高维数据的处理超越了人脑的计算能力，需要专业的数据库技术和算法才能实现关联建模、计算分析以及可视化表达。思维可视化呈现不难，最难的是基于实体和概念的内在逻辑和事实进行完整而深度的思维关联的过程。很多人觉得图建模很复杂很技术，不理解schema到底是什么。打个形象的比喻，就像我们制作excel文件需要设计行列表头一样，schema和图模型大概就是根据数据资源和分析需求去设计一个高维关联的表头。表头有了，数据就能按照设计好的结构模式实现存储（输入/导入），再进行查询、计算和分析。设计高维表头的过程就是理解分析需求、业务场景和数据含义的过程。
我们平时所说的“物以类聚、人以群分”和图算法中的相似度是相通的；我们看到的网络大咖、直播带货的董宇辉们就是某种图上的“超级节点”；开动脑筋、广开脑路就是在图遍历储备在大脑中的知识点；脑洞大开、灵光乍现可能就是在逻辑关联中找到了最短路径；头脑风暴则有点图神经网络算法的意思。如果说大模型算是一个复杂模糊计算，类似于人脑的想象、直觉和感性思维，图计算支撑下的分析决策更偏重推理、逻辑和理性思维。
在这个数智化转型的时代，我们都在说，都在寻求业技融合、数实融合、产金融合，我们需要这种打破界限、关联延展、生态融合的思维创新能力。以前，知识主要来自于经验传授和理论书本。进入数字化时代以后，海量数据中隐含着大量新的信息和知识可供挖掘。从数据利用的角度看，我们又何尝不是“徜徉在数据的海洋里，却忍受着知识的饥渴”。
从数据到知识，需要处理技术的支撑和分析工具的使用；从知识到智慧，需要深度的思考和科学的思维。可以说，我们现在比任何时候都需要思维方式的转变和认知模型的完善，以冲破信息茧房的包围，在太多似是而非的信息噪音中去伪存真、明辨是非。我们现在比任何时候都需要处理技术的革新和分析工具的加持，去挖掘堆积如山的数据宝藏，以构建支撑数字化转型的数据智能大厦。在源远流长、博大精深的中华文明中，《周易》堪称群经之首，大道之源。在文明进化的路上，人类一直致力于穿透万事万物的表象，以简驭繁，探寻“不易”（易指变易）的规律，去应对不断变易的现实世界。图思维就是人类永恒不易的思维模式，图思维能力越强，认知能力就越强。在训练和强化图思维的路上，永无止境，体现在日常工作生活到计算机技术创新运用的方方面面。
18世纪的欧拉能够在灿若繁星、大师林立的数学王国里被誉为“数学之王”，原因无非有二：一是图论的地位和重要性，事实证明，图论确实在计算机时代开始大放异彩，并在深数据时代，成为人人都会陆续用到的图技术的源头；二是贡献远不止于图论的创立，就连我们对函数的通用表达式f(x)都是他提出来的，这里无需赘述，稍微baidu一下即可。我想，欧拉能够有如此成就，穿透到最底层，顶级的图思维能力绝对是第一性的因素。
我们既耕耘在钩深极奥的图技术领域，赋能用户实现数据智能，也深刻地意识到，图思维可以通俗泛化到一切。希望每个人都能用图的思维方式去学习、思考和解决问题，让大脑丰盈灵动起来，摈弃过去的思维定式，技术都将不再是问题，人类文明不就是这样一直在进步着么......
本文是由深谱智能CEO张天赫博士著，敬请关注留意后续相关科普系列连载。