Language
Country/Area
No result found
从1959年到现在：知识表现如何改变人工智慧的未来？
知识表现（KR）旨在以结构化方式建模资讯，将其正式表示为知识，以便用于基于知识的系统。而知识表现与推理（KRR）则希望理解、推理及诠释知识。随着人工智慧（AI）领域的发展，KR变得日益重要，它的目标是以电脑系统能够使用的形式表示世界上的资讯，从而解决复杂的任务，例如诊断医疗条件或进行自然语言对话。
KR整合了心理学的发现，帮助我们理解人类如何解决问题和表达知识，设计出使复杂系统更易于设计和制造的形式主义。
知识表现的概念自1959年起，从艾伦·纽厄尔和赫伯特·西蒙发展的通用问题求解器（GPS）系统，及约翰·麦卡锡提出的顾问接收器开始，逐渐形成了丰富的研究领域。 GPS采用了规划和分解的数据结构，从一个目标开始，将其分解为子目标，并建构达成每个子目标的策略。顾问接收器则提示了使用谓词演算来表示常识推理的重要性。
这些早期的知识表现方法多采用了图形表示和语意网络，类似于今日的知识图谱，问题解决则被视为一种图形遍历或寻找路径的形式，并应用于机器人计画形成和游戏等领域。
知识表现是一种替代品，使实体能够透过思考而非行动来判断后果，这即是“在世界中推理，而非在其中行动”。
进入1970年代，逻辑程式设计和Prolog的出现，成功地将逻辑表示与程序性表示之间的分歧转化为了一种有效的模式。在此时期，AI研究者转向了以专家系统为主的知识表现，专注于如何在特定任务上匹配人类的能力，例如医疗诊断。
专家系统的出现使得知识库和推理引擎的概念成为一项基础结构，知识库包括关于问题领域的事实和规则，推理引擎则负责利用这些知识来回答问题并解决问题。
知识表现为复杂软件的定义和维护提供了一种更简单的方式，而这在程序代码中往往难以实现。
随着时间的推进，马文·明斯基于1970年代中期开发的框架概念，像是一个物件类别的抽象描述，提供了高效的知识表示方式，促进了人机交互系统的发展。框架和规则的整合，使得我们能够对实际世界进行更准确的建模。
在此期间，知识表示的进展也对现今的语义网产生了深远的影响。语义网试图在现有互联网之上添加一层语义，使得搜索过程更为高效，无需依赖传统的关键字搜寻。比如，资源描述框架（RDF）和网路本体语言（OWL）的应用为知识对象的定义和自动分类提供了良好的基础。
语义网提供了一个整合知识表示和推理的基础，可以随需应变地处理不断变化的信息环境。
总的来说，知识表示不仅仅是对数据的结构化表示，而是关于如何通过机器进行推理的核心技术。它在计算机科学、逻辑学以及心理学等多个领域中发挥重要作用，帮助我们理解和处理日益复杂的知识系统。深入思考，我们不禁要问：未来的人工智慧会在何种程度上依赖这些知识表达技术，来改善我们的日常生活？
