知识表示
知识表示(Knowledge Representation)是把人类知识以计算机能够存储、处理和推理的形式加以编码的方法与技术,是人工智能与知识工程的核心议题。中国科学院院士陆汝钤指出,知识工程研究知识的表示、获取、转换、推理和应用;早期主要用符号推理、逻辑加概率计算来解决智能问题。[1]知识表示的历史几乎与人工智能同步:20世纪60年代,明斯基在问答系统SIR中用实体间语义关系表示问句与答案的语义;1961年玛格丽特·玛斯特曼用"语义网络"(Semantic Network)建模世界知识,这些都被视为知识图谱的前身。[2]
符号主义的表示传统
在符号主义传统中,知识被表达为明确的符号结构。状态空间法把问题求解视为在状态集合中搜索:先获得数学模型,把问题分解为模型能理解的子问题,再借助宽度优先、深度优先、启发式等搜索策略在树型结构中确定合理路径。[3]问题规约法则以问题描述为主要数据结构,通过一系列变换把初始问题化为可直接求解的子问题集合,著名的"梵塔问题"即为一例。[4]
框架表示法由明斯基1957年提出,是一种基于日常生活经验的表达法:把事物属性的总和称为框架,每个属性为一个"槽",具体属性值为"槽值";槽值既可以是数值或符号,也可以是描述其他对象的框架,还能附上过程描述。用框架系统推理,类似从现有系统中选出最接近待定事物的框架并进行符合性检查。[5]框架中的过程被称为"幽灵"(Demon),分IF-ADDED型(当槽填入某值时激发)与IF-NEEDED型(当需要计算某槽值时激发),例如当槽值越界时启动幽灵显示出错信息或终止运行。[6]面向对象的知识表示方法进一步把幽灵思想一般化:世界由具有内部状态与过程的对象组成,对象间通过通信发生联系,问题求解由各对象相互通信、协同工作完成。[7]
本体与知识工程方法
"本体"(Ontology)是知识表示的重要工具。研究者归纳出知识表示本体、通用本体、顶级本体、领域本体、语言本体、任务本体等十余种类型。[8]典型案例包括:普林斯顿大学开发的WordNet,其设计源自心理语言学与人类词汇记忆的计算理论,被视为计算语义学等领域最重要的资源之一;加州大学伯克利分校承担的Framenet,采用"语义框架"描述框架、由人工以机器形式标注语义知识;中国的知网(HowNet)则是在线常识知识库,基本单元是"义原",以义原描述概念及其关系,其中最重要的是上下位关系,所有基本义原组成一个层次体系。[9]
陆汝钤在知识工程上的工作颇具代表性。1984年他设计了知识工程语言TUILI并主持实现——这是一种融合谓词逻辑与产生式系统的模块化人工智能语言,具有自然的说明性知识表示方式,能运用多种智能策略实现数十种组合式推理;后来他又开发大型专家系统开发环境"天马",大大降低了专家系统的开发门槛。[10] 知识工程曾帮助人工智能走出20世纪60至70年代的低谷,陆汝钤认为正是它让人们看到了AI服务社会的潜力。[11]
知识图谱:让知识"活"起来
知识图谱是知识表示在大规模知识库上的集中体现,意在把人类世界的知识构建到机器世界中,形成能支撑类脑推理的知识库。[12]中国科学院软件所研究员孙乐举例:对机器而言,"姚明是上海人"只是一串字符,人和机器对它背后含义的理解天差地别,而机器要理解文本首先需要背景知识。[13]
把文本转化为知识,靠的是信息抽取——这是知识图谱构建的核心技术。目前流行"三元组"存储方式:三元组由两个点、一条边构成,点代表实体或概念,边代表其间的语义关系,一个点可延伸出多条边。例如"姚明"这个点,可与"上海"构成出生地关系、与美职篮构成效力关系、与2.26米构成身高关系;若这些关系足够完善,机器便具备了理解语言的基础。[14]
专家系统与知识的社会化应用
知识表示的价值,最终要通过知识的运用来体现,专家系统就是其经典形态。长期以来,专家系统是知识工程显示社会效益的一种主要表现形式,但开发专家系统需要相应理论与繁琐的编程技术;陆汝钤开发的"天马"环境通过一套工具组成的平台,显著提高了开发效率。[15]
知识表示甚至在艺术领域找到了用武之地。陆汝钤主持研发了一套全过程计算机辅助动画自动生成系统:动画片制作复杂、成本高、周期长,他从1989年起研究技术路线,1990年起投入50余人,1995年团队研发出可运行软件并制作了几部动画,这套软件名为"天鹅"。[16]
知识本身也不止于"事实"。孙乐指出,知识图谱要涵盖的内容十分广泛,包括社交网站上人们对某产品态度的主观知识、特定场景中应如何做的场景知识,以及语言语法等语言知识。[17]如何把这些不同类型的知识统一表示并融会贯通,仍是知识表示研究面临的长期课题。
从符号到向量:表示学习的兴起
随着深度学习发展,知识的表示方式也从显式符号走向稠密向量。在大语言模型中,"向量表示"成为关键技术之一:中国科学院软件所团队提出的向量注入式上下文学习框架LVICL,通过提取示例的向量表示、以置换不变方法聚合,消除示例顺序敏感性,再把优化后的向量注入模型各层的残差流中,以可控方式引导预测,在保持模型参数冻结的前提下提升了时间序列预测能力。[18]这条路径与符号表示并不互斥——把结构化知识注入大模型、让符号与向量表示互补,正成为提升模型可解释性与推理能力的重要方向。
学科建制上,知识工程被列为"智能科学与技术"一级学科下的二级学科之一,与脑认知机理、机器感知与模式识别、自然语言处理与理解、机器人与智能系统并列。[19]从早期的逻辑与框架,到如今的知识图谱与向量表示,知识表示始终是人工智能"让机器理解世界"这一目标的基石。
参考资料
- ↑ 就算在荒野,也能踏出路来——,科普中国。
- ↑ 靠这个"谱"能让机器人大脑运转起来,科普中国。
- ↑ 不用上班?人工智能如何改变未来,科普中国。
- ↑ 不用上班?人工智能如何改变未来,科普中国。
- ↑ Demon过程,科普中国。
- ↑ Demon过程,科普中国。
- ↑ Demon过程,科普中国。
- ↑ 通用上层模型,科普中国。
- ↑ 通用上层模型,科普中国。
- ↑ 就算在荒野,也能踏出路来——,科普中国。
- ↑ 就算在荒野,也能踏出路来——,科普中国。
- ↑ 靠这个"谱"能让机器人大脑运转起来,科普中国。
- ↑ 靠这个"谱"能让机器人大脑运转起来,科普中国。
- ↑ 靠这个"谱"能让机器人大脑运转起来,科普中国。
- ↑ 就算在荒野,也能踏出路来——,科普中国。
- ↑ 就算在荒野,也能踏出路来——,科普中国。
- ↑ 靠这个"谱"能让机器人大脑运转起来,科普中国。
- ↑ 研究提出新型时间序列预测框架,中国科学院。
- ↑ 中国人工智能产业年会:共话智能科技的颠覆性潜力,科普中国。