知识表示：从人脑到电脑的“知识翻译术”（2/2）

框架名：电影

槽名1：名称 → 槽值：《流浪地球2》

槽名2：类型 → 槽值：科幻片

槽名3：导演 → 槽值：郭帆

槽名4：核心剧情 → 槽值：人类建行星发动机逃离太阳系

槽名5：上映时间 → 槽值：2023年1月22日

槽名6：评分 → 槽值：9.0（豆瓣）

“框架名”是大类，“槽名”是这类事物的共同属性，“槽值”是具体事物的信息。如果再填《满江红》的信息，就用同一个框架，只改槽值就行。

实际用处：比如视频网站的电影分类系统，用框架表示法存储每部电影的信息，用户搜“2023年上映的科幻片”，电脑就去匹配“类型=科幻片”“上映时间=2023年”的框架，把符合条件的电影列出来。

优点：结构清晰，方便批量处理同类知识；缺点：模板固定，没法表示不符合模板的“特殊知识”。比如遇到一部“既是科幻又是喜剧，还没有导演署名”的电影，框架里没有对应的槽名，就没法填。

5. 面向对象表示法：给知识“打包成对象”，像给物品装礼盒

这种方法是把知识“封装”成“对象”，就像把一个苹果的“颜色、味道、能不能吃”这些信息都装进一个礼盒里，礼盒上还写着“能做什么”（比如“可以削皮吃”“可以做沙拉”）。它把“属性”（是什么）和“方法”（能做什么）打包在一起，是现在编程里最常用的方法之一。

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.“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100m、200m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30km\/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。