知识表示：从人脑到电脑的“知识翻译术”（2/2）

举个例子：用面向对象表示法表示“手机”。

-对象名：手机

-属性（是什么）：品牌=华为、颜色=黑色、屏幕尺寸=6.7英寸、电量=100%

-方法（能做什么）：打电话（输入号码→拨出）、拍照（点击快门→保存照片）、上网（连接wiFi→打开浏览器）

电脑里的“手机对象”不仅有属性信息，还知道能执行哪些操作。如果要让手机“拍照”，直接调用“拍照方法”就行。

实际用处：比如手机App的开发，每个功能模块都是一个“对象”。比如微信里的“聊天窗口”对象，属性是“聊天对象、聊天记录”，方法是“发送消息、接收消息、撤回消息”，这样开发起来条理特别清晰。

优点：模块化强，能重复使用；缺点：设计“对象”需要花很多心思，要是属性或方法漏了，后续改起来很麻烦。

6.神经网络表示法：把知识“变成数字向量”，像给知识“编密码”

这种方法是现在最火的，尤其在深度学习里。它把每个概念（比如“猫”“狗”）变成一串数字（比如“猫=[0.2,0.5,-0.3]”“狗=[0.1,0.4,-0.2]”），这些数字叫“向量”。数字越像，说明概念越接近——比如“猫”和“狗”的向量很像，因为都是动物；“猫”和“桌子”的向量差别很大。

举个例子：用神经网络表示法处理“词语”。

电脑会把“苹果”变成一个向量，比如“[0.3,0.6,-0.1,0.4]”。这个向量不是乱编的，是电脑通过分析几百万条文本，发现“苹果”常和“水果”“吃”“甜”一起出现，所以向量里的数字会和“水果”的向量很接近。

当你问“苹果和香蕉有什么共同点”，电脑会对比两者的向量，发现它们的数字很像，再结合其他知识，得出“都是水果，都能吃”的结论。

实际用处：比如chatGpt这类大模型，就是用这种方法表示知识。它能理解“国王”和“女王”的关系，就像“男人”和“女人”的关系，因为它们的向量差值很相似。还有语音识别，电脑把“你好”的声音变成向量，和存储的“你好”向量对比，就能识别出你说的话。

优点：能处理复杂的模糊知识，比如“开心”和“高兴”的细微差别；缺点：数字向量太抽象，人类看不懂，没法解释“电脑为啥这么想”——比如电脑说“苹果和香蕉很像”，你问“为啥”，它说不出理由，只能说“向量很像”。

四、追历史：知识表示是怎么从“简单符号”进化到“智能向量”的？

知识表示不是一开始就这么高级的，它跟着AI的发展走了快100年，就像从“手写书信”进化到“微信聊天”，一步步变得更高效、更智能。咱们按时间线梳理，看看它的进化脉络。

1.萌芽期（1940s-1960s）：用“规则”表示知识，像写说明书

这个阶段的AI刚起步，科学家们觉得“知识就是规则”，所以知识表示也围绕“规则”展开。

1943年，逻辑学家波斯特第一次提出“产生式规则”，就是“如果A就b”的形式，这是最早的知识表示方法之一。当时的电脑很落后，只能处理简单的规则，比如“如果输入1+1，就输出2”。

到了1950年代，图灵提出“图灵测试”，大家开始想让电脑“像人一样思考”，但那时候的知识表示太简单，比如用逻辑符号表示“苏格拉底是人，人都会死，所以苏格拉底会死”，虽然精确，但只能处理这种简单推理，没法应对复杂知识。

2.发展期（1970s-1980s）：给知识“加结构”，像建房子

这个阶段的科学家发现，光有规则不够，知识得有“结构”，就像房子要有梁有柱。于是出现了“框架表示法”“语义网络表示法”这些带结构的方法。

1972年，纽厄尔和西蒙改进了“产生式规则”，让它能处理“不确定的知识”，比如“如果发烧，有80%的可能是感冒”，这比之前的“非黑即白”规则灵活多了。

1975年，明斯基提出“框架表示法”，把知识分成“框架-槽-侧面”的结构，就像给知识建了标准化的“房子”，比如“动物框架”里有“食性”“栖息地”这些“房间（槽）”，每个房间里还有“细节（侧面）”，比如“食性”里有“食肉”“食草”。

同一时期，夏克从框架发展出“脚本表示法”，专门表示“事件的顺序”，比如“去餐厅吃饭”的脚本：进门→找座位→点餐→吃饭→付钱→离开。电脑用这个脚本，就能理解“小明在餐厅点了汉堡”之后，接下来会做“吃饭”。

这个阶段的AI能做简单的“专家系统”，比如医疗诊断系统、下棋程序，但还是局限在“固定领域”，换个领域就得重新写规则。

3.成熟期（1990s-2010s）：用“网络”连知识，像织渔网

这个阶段的互联网兴起，数据变多了，科学家们发现知识不是孤立的，得“连起来”才有用，于是“语义网”“知识图谱”成了热点。

1998年，“语义网”概念被提出，核心是“让电脑能看懂网页上的知识”。比如网页上写“李白是诗人”，以前电脑只知道是文字，语义网会给它加标签“＜人物＞李白＜\/人物＞，＜身份＞诗人＜\/身份＞”，这样电脑就能“读”懂网页知识。

2012年，谷歌提出“知识图谱”，用语义网络的方法把海量知识连起来，形成一张巨大的“知识网”。比如你搜“北京”，知识图谱里不仅有“北京是中国首都”，还有“北京的人口”“北京的景点”“北京的历史”，甚至能关联到“北京冬奥会”“北京烤鸭”，电脑顺着这张网能给你推荐一堆相关知识。

这个阶段的AI能做智能搜索、智能推荐，比如淘宝根据你的浏览记录推荐商品，就是靠知识图谱里的“用户-商品-兴趣”关系。

4.爆发期（2020s至今）：用“AI”学知识，像教小孩

现在的阶段，知识表示不用“人手动写规则”了，而是让AI自己“学”知识，核心是“神经网络表示法”。

大模型（比如Gpt、文心一言）通过学习互联网上的万亿条文本，自动把词语、句子变成向量，还能学会“关系”。比如它从没见过“张三喜欢吃苹果”这句话，但见过“李四喜欢吃香蕉”“王五喜欢吃橘子”，就能通过向量分析，知道“喜欢吃”是人和水果之间的关系。

2024年之后，知识表示开始往“多模态”发展，就是把文字、图片、声音的知识都用向量表示。比如电脑能把“猫”的文字、猫的图片、“喵”的叫声变成相似的向量，这样你发一张猫的图片，它就能知道“这是猫，会叫喵，是动物”。

这个阶段的AI越来越“智能”，能写文章、做设计、回答复杂问题，但也带来了新问题：AI学的知识太多太杂，有时候会“胡说八道”（也就是“幻觉”），因为它只是靠向量匹配，不是真的理解知识。

五、看应用：知识表示离我们不远，生活里到处都是

别以为知识表示是“实验室里的东西”，其实咱们每天都在接触。从手机里的App到路上的智能设备，背后都有它的影子。咱们挑几个常见的场景，看看它是怎么发挥作用的。

1.智能搜索：让“搜答案”变成“给结果”

以前搜东西，比如“李白的诗”，会出来一堆网页，得自己翻；现在用百度、谷歌，直接就能看到“李白的代表作：《静夜思》《望庐山瀑布》”，还能关联到“创作背景”“赏析”，这就是知识表示的功劳。

搜索引擎里藏着一张巨大的知识图谱，用语义网络表示法把“李白”“诗”“朝代”这些知识连起来。当你输入问题，电脑先“理解”你的需求（比如“李白的诗”其实是要“李白的代表作及相关信息”），然后在知识图谱里找相关的节点和关系，最后把结果整理成你能看懂的形式。

甚至现在的搜索能处理“模糊问题”，比如你问“《静夜思》的作者是哪个朝代的，他还有啥有名的诗”，电脑能通过知识图谱里的“《静夜思》-作者-李白-朝代-唐朝-作品-《望庐山瀑布》”的关系链，一次性给你答案。

2.智能推荐：“猜你喜欢”不是瞎猜，是靠知识关联

你在抖音刷到喜欢的视频，下次会推更多类似的；在淘宝买了一件衬衫，会推裤子、领带——这不是“玄学”，是知识表示在背后发力。

推荐系统里用了“面向对象表示法”和“知识图谱”：

-把你当成一个“用户对象”，属性包括“年龄、性别、浏览记录、购买记录”；

-把商品当成“商品对象”，属性包括“类型、风格、价格、关联商品”；

-用知识图谱把“用户-商品-兴趣”连起来，比如“用户A买了衬衫→衬衫属于男装→男装关联裤子→给用户A推裤子”。

比如你在b站看了《流浪地球2》的解说，系统的知识图谱里有“《流浪地球2》-类型-科幻片-关联-《三体》《星际穿越》”，所以会给你推其他科幻片的解说，这就是“知识关联”带来的精准推荐。

3.智能客服：24小时不睡觉，靠“规则库”接电话

你打银行、运营商的客服电话，经常会先听到“请说您的需求，比如查账单、办业务”，这背后就是“产生式表示法”的功劳。

智能客服的系统里存着几千条“如果…就…”的规则：

-如果用户说“查账单”，就回复“请提供您的手机号，我为您查询”；

-如果用户说“办宽带”，就回复“请问您在哪个城市？我们有100、200两种套餐”；

-如果用户说的话匹配不到规则，就转人工客服。

现在的智能客服更高级了，结合了“神经网络表示法”，能理解“同义词”，比如你说“我的话费还有多少”“查一下余额”“话费剩多少了”，它都能匹配到“查账单”的规则，不用你严格按照它给的关键词说。

4.医疗诊断：当“AI助手”帮医生看片子

在医院里，AI已经能帮医生看ct片、诊断常见病，这背后是“框架表示法”和“知识图谱”的结合。

医疗AI的系统里存着“疾病框架”：

-比如“肺炎框架”的槽包括“症状（发烧、咳嗽、痰中带血）、ct表现（肺部有阴影）、病因（细菌感染）、治疗方法（抗生素）”；

-当输入患者的ct片和症状，AI会把这些信息和“肺炎框架”的槽值对比，如果匹配度超过90%，就提示“可能是肺炎”，再把结果给医生参考。

还有的医疗AI用知识图谱把“疾病-症状-药物”连起来，比如患者对“青霉素”过敏，AI在推荐药物时会自动排除含青霉素的药，避免用药风险。

5.自动驾驶：路上的“AI司机”，靠“知识”躲障碍

自动驾驶汽车能识别红绿灯、避开行人，本质是把“驾驶知识”用“神经网络表示法”和“语义网络”存起来。

汽车的传感器会把路上的信息（红绿灯、行人、其他车）变成向量，然后和系统里的知识对比：

-看到“红灯”的向量，就匹配“停车”的规则；

-看到“行人”的向量，就匹配“减速避让”的规则；

-知识图谱里还有“红绿灯-路口-限速30k\/h”的关系，所以到路口时会自动减速。

现在的自动驾驶还能“学新知识”，比如遇到“施工路段”，以前没见过，但通过向量分析，发现和“障碍”的向量很像，就会自动减速绕行。

六、聊问题：知识表示再牛，也有“搞不定”的事

虽然知识表示已经很先进了，但还不是“万能的”，还有一堆解决不了的难题，这些难题也是科学家们正在攻关的方向。咱们挑最关键的3个，说说它们的“痛点”。

1.知识太“杂”：没法把“所有知识”都表示清楚

世界上的知识太多了，有“明确的知识”（比如数学公式、历史事件），还有“模糊的知识”（比如“这件衣服挺好看”“他很开心”），更有“隐性的知识”（比如骑自行车的技巧、做饭的手感）。

现在的知识表示能处理“明确知识”，但对“模糊知识”和“隐性知识”几乎没辙：

-比如“好看”“开心”这种主观感受，没法用精确的规则或向量表示，电脑不知道“多好看算挺好看”；

-比如骑自行车的“平衡感”，是靠身体感知的隐性知识，没法用符号或向量写出来，所以现在的AI还学不会骑自行车。

2.知识会“变”：老知识过时，新知识跟不上

知识不是一成不变的，比如“太阳系有9大行星”后来变成了“8大行星”（冥王星被除名），“新冠病毒的治疗方法”也在不断更新。但电脑的知识表示是“静态”的，更新起来很麻烦。

比如知识图谱里存着“太阳系有9大行星”，当冥王星被除名后，得手动修改所有和“9大行星”相关的节点和关系；如果是大模型，就得重新用新数据训练，花几个月时间和几百万美元，成本特别高。

现在科学家们在研究“动态知识表示”，让AI能自己“更新知识”，比如看到新闻说“冥王星不是行星了”，就自动修改自己的知识，但目前还没完全实现。

3.知识难“解释”：AI说“对”，但说不出“为啥对”

现在的大模型（比如Gpt-4）经常能给出正确答案，但你问它“怎么想出来的”，它说不清楚——这就是“可解释性差”的问题，根源在“神经网络表示法”。

因为大模型的知识是“向量”，是一堆数字，人类看不懂。比如它说“《静夜思》的作者是李白”，你问“为啥”，它只能重复“因为《静夜思》的作者是李白”，没法像人一样说“因为课本里学过，历史资料里也有记载”。

这个问题在关键领域特别致命，比如医疗AI说“患者得了癌症”，医生得知道“AI是根据哪些症状、哪些检查结果判断的”，如果AI说不清楚，医生根本不敢用。

七、总结：知识表示的本质，是“人与机器的沟通桥梁”

聊了这么多，最后咱们回归本质：知识表示到底是啥？

其实它就是一座“桥梁”——左边是人类的“智慧世界”，有语言、经验、直觉；右边是机器的“数字世界”，有代码、符号、向量。知识表示的任务，就是把左边的东西“翻译”到右边，让机器能帮人干活。

从1943年的“产生式规则”到现在的“大模型向量”，这座桥越建越宽、越建越稳：以前只能过“简单推理”的小自行车，现在能过“复杂决策”的大卡车。但它永远成不了“传送门”，因为机器没法真正“理解”知识，只能“处理”知识。

对咱们普通人来说，不用懂具体的公式和算法，只要知道：那些让生活变方便的智能工具——能精准推荐的淘宝、能快速答疑的搜索、能24小时服务的客服——背后都是知识表示在“默默翻译”。

未来，知识表示会往“更模糊、更动态、更可解释”的方向发展，可能有一天，AI能像人一样理解“开心”的情绪，能自己更新“最新的新闻”，能说清“为啥这么想”。但到那时候，它依然是“工具”，因为真正的智慧，不仅是“处理知识”，更是“创造知识”——这一点，目前还只有人类能做到。