2.1 人工智能通识：知识表示与推理

人工智能通识

§2.1

知识表示与推理主讲人：严宣辉

教授福建师大计网学院课程导航01知识的层级：从数据到智慧解析DIKW模型的层级结构，理解数据、信息、知识与智慧的递进关系，明确知识在信息体系中的核心位置。02什么是知识表示与推理？深入探讨核心定义，厘清知识表示的本质，探索其在人工智能构建智能体、实现机器推理中的关键作用。03知识表示方法概览概览逻辑表示、语义网络、框架表示等多种经典方法，横向对比其特点与适用场景，建立宏观认知。1.从数据到智慧：信息世界的四层金字塔DIKW模型是理解信息价值跃迁的经典认知框架，它揭示了从原始事实到高阶决策能力的转化路径，展示了信息如何层层递进并产生实际价值。01数据(Data)未经加工的原始符号，本身无特定意义。如“38.7”、“咳嗽”等孤立事实。它是认知的基石，等待被赋予上下文以产生价值。02信息(Information)被赋予上下文的数据，回答“是什么”。如“同学甲在7月10日发烧38.7°C并咳嗽”。信息将孤立的数据串联，赋予其描述性含义。03知识(Knowledge)对信息提炼归纳的规律与经验，回答“为什么”和“怎么做”。如“发烧咳嗽通常意味着身体存在感染”。它是信息的结构化沉淀，形成可复用的认知模型。04智慧(Wisdom)运用知识进行价值判断与决策的能力，回答“应如何做”。如“结合流感趋势，建议立即就医检查”。它是知识的终极体现，实现从认知到行动的价值创造。1.从数据到智慧：信息世界的四层金字塔2.知识表示与推理(KRR)知识表示(KnowledgeRepresentation)将人类的经验、事实与规则形式化、符号化，转化为计算机可存储、理解和处理的结构。这是构建智能系统“知识库”的基石，本质是解决如何给机器“喂”知识的问题。知识推理(Reasoning)利用已形式化的知识，通过逻辑规则、算法或启发式方法，推导出未知的结论、填补信息空白或做出智能决策。这是赋予机器“思考能力”与问题解决能力的关键。表示是推理的基础与前提知识的表示方式直接决定了推理的效率、复杂度和能力边界。没有清晰、合理的表示，推理就成了无源之水，无法进行有效的逻辑运算与推导。推理是表示的目的与价值知识表示本身不是终点，其最终价值在于支持推理。只有通过推理将静态的知识转化为动态的决策与行动，才能真正体现人工智能的智能性与实用性。知识表示方法概览：常见方法概览（一）01逻辑表示法(Logic)以数学逻辑为基石，通过命题、谓词与逻辑规则构建严密的知识体系。它赋予AI精确的推理能力，是实现机器理性思考与演绎推理的核心基础。★特点：严谨精确，推理过程可被严格证明02产生式规则(ProductionRule)采用“IF(条件)THEN(结论)”的直观结构，高度模拟人类的思维与决策习惯。因其规则透明、易于理解和维护，成为早期专家系统的主流知识表示方法。★特点：贴近人类思维，规则灵活易扩展专家系统工作流：图中展示了知识库与推理机的交互。系统从知识库中提取规则，结合用户输入进行匹配，最终推导出结论，这是产生式规则的典型应用。知识表示方法概览：常见方法概览（二）03框架表示法(Frame)核心机制：将知识封装为“框架”，通过“槽(Slot)”定义属性，“槽值(Value)”填充内容，形成标准化的知识模板，适合描述结构固定的实体。

应用场景：专家系统、机器人规划、自然语言理解中的场景建模。框架具有继承性，子框架可继承父框架的属性，极大地提高了知识表示的复用性和效率。04语义网络(SemanticNetwork)核心机制：由“节点”（表示概念/实体）和“边”（表示语义关系）组成的有向图，直观展示知识间的网状关联。

应用场景：知识图谱构建、智能检索、机器翻译中的词义消歧。能够清晰表达多元关系和深层逻辑，便于进行联想式推理和知识的可视化展示。知识表示方法概览：现代方法概览（三）01本体论(Ontology)核心价值：为知识表示提供标准化的语义框架，是语义网与知识图谱的逻辑基石。

表达形式：通过定义类、实例、属性及关系约束，构建严密的概念层级与关联规则。02知识图谱(KnowledgeGraph)核心价值：以图结构组织海量信息，直观揭示实体间的复杂关联，支持高效推理。

表达形式：基于“实体-关系-实体”的三元组结构，例如“(爱因斯坦,提出,相对论)”。03人工神经网络(ANN)