人工智能/知识表示

知识表示 (KR) 是我们用来描述如何在人工系统中编码知识、信念、行动、情感、目标、愿望、偏好以及所有其他心理状态的名称。由于几乎所有的人工智能研究都是通过编程计算机完成的，因此这些表示最终往往会成为软件中某种字符集。但是，我们可以用比代码更高的层次来讨论它们：信息层。

例如，假设我们有一个 2000 年北美国家列表。我们编码的知识将是三个国家：美国、加拿大和墨西哥。这是一个无序列表。然后我们可以用不同的计算机编程语言以不同的方式表示这种知识。例如

Python: NorthAmericanCountries = ("The United States", "Canada", "Mexico")

LISP: (setq north-american-countries '(the-united-states canada mexico))

等等。世界是一个复杂的地方，人工智能程序员的任务是决定哪些细节需要编码在 KR 中，哪些可以忽略。有时这很简单。例如，如果你在为一台计算机编程以决定棋盘上的走棋，那么没有必要精确地编码每个棋子在方格中的位置。这与将要进行的移动无关。其他决定则更加困难。

总之，你希望拥有你所需要的复杂性，但不要更多。这样做的原因是，增加表示复杂性会导致在运行人工智能程序时，编程和计算过程更加复杂。

拥有“你所需要的复杂性”要求“表示充分性”，这意味着你的表示包含它需要完成其任务所需的信息。评估 KR 的三种方式是清晰度、精确度和自然性。

清晰度

具有清晰度的 KR 是一个非歧义的 KR。我们使用编程语言的原因之一是我们自然使用的语言（如英语）是模糊的。编程语言被设计为没有歧义。

精确度

具有精确度的 KR 达到了所需的细节程度。在国际象棋中，仅仅知道棋子在棋盘上是不够的——代理需要知道棋子在哪个方格上，是什么类型的棋子，以及是什么颜色。棋子是否有划痕与下国际象棋无关，因此可以将此类细节排除在表示之外。

自然性

第三个标准是自然性，即 KR 多么容易被人理解，或者，也许，多么容易被转化为人们可以理解的东西。这很重要，因为在许多情况下，人们不希望简单地相信人工智能告诉他们的东西——他们想要解释。能够看到人工智能用来生成其输出的理由只有在 KR 具有某种程度的自然性时才有用。

自然性对于程序员也很重要。拥有一个自然的 KR 很好，这样未来的程序员（也许是你！）以后就能理解编写的内容。出于这个原因，你的 KR 必须具有明确的语义和语法。

例如，看看这个表示

red(car)

这意味着什么？red 和 car 只是符号；它们可以代表我们想要的任何意思。让我们假设 KR 被设计为自然的，并且它们的意思与英语中看起来的意思一样。仍然存在歧义。这意味着所有汽车都是红色的吗？一辆特定的汽车是红色的吗？它是一个如果汽车是红色的就返回 true 的函数吗？或者它是一个命令来将汽车漆成红色？

在编程时看起来很明显的东西，以后可能会令人困惑。

让我们回到上面关于表示北美国家的例子。列表中的三个国家没有理由必须按顺序排列。但是，在 LISP 和 Python 中，列表数据结构是有序的。例如，在 Smalltalk 语言中，有一个名为“bag”的数据结构，它可以容纳无序的项目集合。我们选择的编程语言通常会对 KR 施加约束。

北美有多少个国家？有三个，但这在上面的代码中明确表示了吗？没有。列表被表示。如果我们想明确地编码列表长度，我们可以做类似的事情

NorthAmericanCountries = (3, "The United States", "Canada", "Mexico")

然而，计算列表中的内容很容易，所以大多数程序员会在需要时使用函数重新计算列表长度。这也使系统无需在每次列表长度更改时更改显式表示的数字。

这体现了 KR 的**推理充分性**，即系统使用 KR 推断其所需内容的程度。**表示效率**是指人工智能使用 KR 进行推理的效率——根据时间或计算资源，视情况而定。

尽管任何程序员都可以创建他们想要的任何 KR，但已经存在很多 KR，并且它们的属性已被充分理解。使用一个众所周知的 KR 通常比自己创建 KR 更明智。在这本书中，我们将向你展示许多不同的 KR。在接下来的部分中，我们将讨论其中两个：语义网络和框架。

重要词汇

• 知识表示
• KR
• 表示充分性
• 清晰度
• 精确度
• 自然性
• 推理充分性
• 表示效率

下一部分：语义网络