知识表示是什么？把知识写成计算机能存储和推理的形式

知识表示（Knowledge Representation）是人工智能中研究如何把人类的知识用计算机能够存储、处理和推理的形式表达出来的领域。它关心的问题是：世界上的事实、概念、规则和常识，应该用什么样的结构写下来，才能让计算机利用它们回答问题、得出结论、做出决策。

为什么知识表示很重要

同样的知识，用不同的方式表示，计算机使用它的难易程度可能完全不同。一个好的知识表示需要在几方面取得平衡：表达能力，能不能把需要的知识都表达出来；推理效率，能不能高效地从已有的知识推出新的结论；可理解性，人能不能方便地阅读、编写和检查；以及可扩展、易于维护。表达能力越强，推理往往越困难，甚至在理论上不可判定，这是知识表示中一个基本的权衡。

常见的知识表示方法

逻辑表示：用一阶谓词逻辑等形式化的语言表示知识，比如“所有的人都会死”“苏格拉底是人”，再用逻辑推理得出“苏格拉底会死”。它严格、精确，有成熟的推理理论，Prolog 等逻辑编程语言就建立在它之上。产生式规则：用“如果……那么……”的形式表示知识，是专家系统中最常用的方式，直观易懂，便于由领域专家编写。语义网络：用节点表示概念，用带标签的边表示概念之间的关系，比如“鸟”通过“是一种”连接到“动物”，通过“能”连接到“飞”，可以沿着关系进行继承和推理。框架：由马文·明斯基在 1974 年提出，用一个带有若干“槽”的结构来描述一类事物的典型特征，比如“餐厅”框架包含菜单、服务员、付账等槽，每个槽可以有默认值。本体：对某个领域中的概念、属性及其关系进行规范化、形式化的描述，常用基于描述逻辑的 OWL 语言来编写，被用于语义网、生物医学等领域，比如基因本体。知识图谱：用“实体-关系-实体”的三元组来表示大量的事实，比如“北京-首都-中国”。谷歌在 2012 年推出知识图谱，用于改善搜索结果，此后知识图谱被广泛用于搜索、问答和推荐。

符号表示与分布式表示

上述方法都属于符号表示：知识被写成人类可读的、离散的符号和结构。深度学习兴起之后，另一种方式变得越来越重要：分布式表示，也就是把概念和知识编码为神经网络中的向量和权重。比如词向量把每个词表示为一串数字，意思相近的词向量也相近；知识图谱嵌入把实体和关系也表示为向量，用于补全缺失的事实。大语言模型可以看作把海量的知识隐式地存储在了它的参数之中，能够回答各种问题，但这种知识难以直接查看和修改，有时还会出错或产生幻觉。

当前的趋势

如今，两种表示方式正在走向结合：用知识图谱等结构化的知识来补充大语言模型，比如检索增强生成和 GraphRAG，让模型的回答更准确、可追溯；反过来，也用大语言模型从文本中自动地抽取知识，构建和扩充知识图谱。知识表示这个经典的人工智能问题，在大模型时代仍然具有重要的意义。