第10章 知识表示摘要本章系统阐述了知识表示的核心理论与方法从本体工程、类别与对象、事件表示到心理对象与模态逻辑构建了完整的知识表示框架。重点探讨了具体化reification作为核心技巧将类别、命题、事件等抽象概念转化为可操作的对象。通过对比语义网络、描述逻辑等不同表示方法的表达力与可推理性权衡揭示了知识表示的本质是在表达力与计算效率间寻求平衡。最后文章将经典理论与现代AI如LLM进行对比探讨了显式本体与隐式知识表示的互补关系并提出了AI对齐视角下的本体价值观问题。对应Artificial Intelligence: A Modern Approach, 4th Edition第 10 章Knowledge Representation1. 章节概述第 8、9 两章分别给出了一阶逻辑的语言怎么说和推理机制怎么算。但一个关键问题尚未回答到底该说什么前两章的例子亲属关系、Wumpus World、电路都是“玩具领域”toy domain——领域小、词汇少、边界清晰。真实世界的知识库要面对的是开放领域需要表示动作、时间、物理对象、信念、金钱、颜色、事件、因果……而且这些概念彼此纠缠。本章的任务是提供一套通用的、跨领域的表示框架即上层本体upper ontology。核心论点与其为每个领域从零设计词汇不如构建一个通用本体general ontology把所有领域的知识组织在一个统一的概念骨架下。这样不同领域的知识可以互操作、复用、组合。本章主线本体工程ontological engineering如何设计上层本体“万物的分类学”。类别与对象categories and objects继承、分类学、物理复合对象、度量。事件events时间区间、流fluents、过程processes、事件演算。心理对象与模态逻辑mental objects and modal logic表示“知道”、“相信”指称不透明性。推理系统语义网络semantic networks、描述逻辑description logics。默认信息的推理非单调逻辑、限定circumscription、默认逻辑default logic、真值维护系统TMS。实用系统CYC、WordNet、DBpedia、语义网Semantic Web、知识图谱。读者应带走的核心直觉本体工程的本质是在“表达力”与“可推理性”之间做出一系列有意识的取舍而“具体化reification”是让本体保持灵活可扩展的最重要技巧。2. 关键概念与定义2.1 本体Ontology与本体工程本体ontology对某个领域中存在哪些实体、这些实体如何分类、以及它们之间有何关系的形式化规约formal specification of a conceptualization, Gruber 1993。本体工程ontological engineering设计与构建本体的方法论。相比第 8 章的“知识工程”本体工程更关注通用性与跨领域复用。上层本体upper ontology位于分类树最顶端的通用概念如“物体”、“事件”、“时间”、“数量”任何领域本体都可挂接其下。两条对立的哲学路线路线主张代表通用本体general-purpose存在一套可涵盖一切的上层本体特殊领域向下细化CYC、SUMO、DOLCE特设本体special-purpose每个领域自建词汇不追求统一大多数工业 KB、Schema.org半统一书中指出任何通用本体都必须满足两个苛刻要求足够通用能容纳所有领域的概念。足够具体在每个领域都能做出有用的推理。历史经验表明这极难达成。CYC项目Doug Lenat1984 起投入数十人年编码数百万条常识断言是这条路线上最大的尝试。其结论褒贬不一它证明了常识知识的巨大规模也暴露了手工编码的不可扩展性。2.2 类别与对象Categories and Objects为什么需要类别绝大多数推理发生在类别层面而非个体层面。看到一个圆形、红色、有柄的东西我们推断“这是番茄”进而推断“可以吃”——这个推断的中介就是类别。两种表示类别的方式谓词方式Basketball(b) —— 简单但类别本身不是对象无法对类别作断言。具体化reification为对象b ∈ Basketballs —— 类别成为一等公民可以有属性“篮球是 1930 年发明的”。⚠️具体化是本章最重要的技巧反复出现。两个基本关系关系记法含义成员关系membershipBB_9 ∈ Basketballs个体属于类别子集关系subset / subclassBasketballs ⊂ Balls类别包含于类别继承inheritance继承inheritance∀x (x ∈ Basketballs ⇒ Round(x))若 Basketballs ⊂ Balls 且 ∀x (x ∈ Balls ⇒ Round(x))则篮球自动是圆的。分类学taxonomy / taxonomic hierarchy由子类关系构成是继承的骨架。分类学是最古老的知识组织形式生物学的林奈分类、图书馆的杜威十进制、专利分类、疾病编码 ICD 都是。关于类别的常见断言形式BB_9 ∈ Basketballs —— 个体是类别成员Basketballs ⊂ Balls —— 子类∀x (x ∈ Basketballs ⇒ Spherical(x)) —— 类别所有成员共有的属性∀x ((Orange(x) ∧ Round(x) ∧ Diameter(x) 9.5 ∧ x ∈ Balls) ⇒ x ∈ Basketballs) —— 类别的充分条件Dogs ∈ DomesticatedSpecies —— 类别本身作为对象是另一类别的成员最后一条极为重要类别可以是其他类别的成员元类别 metaclass。Dogs 是一个类别同时是 DomesticatedSpecies 这个“类别的类别”的成员。类别之间的结构关系不相交disjoint任意两个成员集合无交集。Disjoint({Animals, Vegetables})Disjoint(s) ⇔ ∀c₁,c₂ (c₁ ∈ s ∧ c₂ ∈ s ∧ c₁ ≠ c₂ ⇒ Intersection(c₁,c₂) {})穷尽分解exhaustive decomposition并集覆盖父类。ExhaustiveDecomposition({Americans, Canadians, Mexicans}, NorthAmericans)划分partition不相交 穷尽。Partition({Males, Females}, Animals)Partition(s,c) ⇔ Disjoint(s) ∧ ExhaustiveDecomposition(s,c)⚠️ 注意Partition(\{Males, Females\}, Animals) 在生物学上其实不完全正确存在雌雄同体的物种。这提醒我们本体断言的正确性取决于领域范围过强的断言会导致错误推理。2.3 物理复合对象Physical Composition部分关系PartOfPartOf(Bucharest, Romania) PartOf(Romania, EasternEurope) PartOf(Bucharest, Europe) 传递性公理∀x PartOf(x,x)自反∀x,y,z PartOf(x,y) ∧ PartOf(y,z) ⇒ PartOf(x,z)传递复合对象composite object由部件按特定结构组成的对象。∀a Biped(a) ⇒ ∃l₁,l₂,b Leg(l₁) ∧ Leg(l₂) ∧ Body(b) ∧ PartOf(l₁,a) ∧ PartOf(l₂,a) ∧ PartOf(b,a) ∧ Attached(l₁,b) ∧ Attached(l₂,b) ∧ l₁ ≠ l₂ ∧ …捆束bunch不关心结构只关心部件集合。BunchOf({Apple₁, Apple₂, Apple₃}) 是由三个苹果组成的复合对象。∀x x ∈ s ⇒ PartOf(x, BunchOf(s))BunchOf(s) 是包含 s 中所有元素的最小对象逻辑最小化。⚠️关键区分BunchOf({Apple₁, Apple₂}) 是一个物理对象有重量、有位置而集合 {Apple₁, Apple₂} 是数学对象无重量、无位置。混淆两者是本体设计的常见错误。2.4 度量Measurements物理对象具有长度、质量、时间、成本等属性。这些用度量函数measure function表示Length(L₁) Inches(1.5) Centimeters(3.81)注意Inches(1.5) 与 Centimeters(3.81) 指称同一个抽象长度对象只是用不同单位命名。单位转换公理∀i Centimeters(2.54 × i) Inches(i)度量的最重要性质可排序orderable∀d₁, d₂ Diameter(d₁) Diameter(d₂) ⇔ …非数值度量难度、美观、口味也可以有部分序∀e₁, e₂ e₁ ∈ Exercises ∧ e₂ ∈ Exercises ∧ Wrote(e₁, Norvig) ∧ Wrote(e₂, Russell) ⇒ Difficulty(e₁) Difficulty(e₂)核心洞察度量的用处不在于具体数值而在于可比较性。即使无法量化“美观”只要能排序就能做推理与决策。这一点与第 16 章的效用理论直接相通。2.5 对象物质与事物Stuff vs Things这是本体论中的经典区分源自哲学的 mass noun / count noun。事物things / count nouns物质stuff / mass nouns例子苹果、汽车、人黄油、水、能量个体化有清晰边界可数无内在边界不可数部分性质苹果的一部分不是苹果黄油的一部分仍是黄油语言“three apples”“some butter”不说 “three butters”形式化∀x,y x ∈ Butter ∧ PartOf(y,x) ⇒ y ∈ Butter这称为内在性质的可分性divisibility。内在性质 vs 外在性质类型定义例子分割后内在intrinsic属于对象的实质substance密度、沸点、味道、颜色保持不变外在extrinsic属于对象整体重量、长度、形状改变判定规则若一个类别的所有定义性属性都是内在的则它是物质substance / mass noun若包含外在属性则是事物count noun。Butter 只由内在属性定义 ⇒ 物质。Pound(Butter) 加入了外在的重量 ⇒ 变成可数的事物。2.6 事件Events情境演算 vs 事件演算第 7 章用带时间下标的命题L^t_{1,1}表示变化但这只适用于离散、单智能体、每步一个动作的世界。真实世界需要连续时间并发事件持续时间的动作不是瞬时的外部事件非智能体引发为了表示这些更复杂的变化AIMA 第 10 章引入了事件演算event calculus这一框架。其核心思想是把事件event当作本体中的一等公民通过时间区间time intervals与流fluents来描述世界状态如何随时间变化。时间区间time intervals事件演算不再像情境演算那样把时间离散化为一个个情境situation而是直接使用连续的时间区间。一个事件发生在某个时间点或时间区间上例如从 14:00 到 15:00 下雨就是一个持续的时间区间。这种表示天然支持持续时间的动作而不必把动作强行切分为瞬时步骤。流fluents流是随时间变化而取不同真值的命题例如门是开着的Open(Door)就是一个流——它在某个时间区间为真在另一个时间区间为假。事件演算用HoldsAt(f, t)表示流 f 在时间 t 成立用Happens(e, t)表示事件 e 在时间 t 发生。流的引入使得我们可以自然地表达并发事件多个事件可以在同一时间区间内同时发生互不排斥。过程processes过程是一类特殊的流它表示持续进行中的活动例如水在沸腾Boiling(Water)。过程与瞬时事件的区别在于过程有持续时间且可以被触发initiated和终止terminated。例如事件打开开关TurnOn(Switch)会触发过程灯亮着Lit(Bulb)而事件关闭开关TurnOff(Switch)则终止该过程。这种触发-终止机制是事件演算表达因果关系的核心。事件演算的公理事件演算通过一组公理把事件、流和时间联系起来。最基本的公理是Happens(e, t1) ∧ Initiates(e, f, t1) ∧ t1 t2 ∧ ¬Clipped(t1, f, t2) ⇒ HoldsAt(f, t2)这条公理的含义是如果事件 e 在 t1 时刻发生且 e 触发了流 f并且在 t1 到 t2 之间 f 没有被剪断clipped即没有被终止事件打断那么 f 在 t2 时刻仍然成立。这里的Clipped谓词用于处理并发与干扰当一个流被多个事件同时影响时需要判断哪个事件真正改变了状态。情境演算 vs 事件演算的对比维度情境演算Situation Calculus事件演算Event Calculus时间模型离散的情境序列连续的时间区间动作表示瞬时动作改变情境事件可瞬时也可持续并发支持困难需显式处理天然支持并发事件外部事件难以表示非智能体事件可自然表示外部事件核心谓词Do(a, s) 表示动作后的情境Happens(e,t)、HoldsAt(f,t)核心洞察事件演算通过把事件、流和时间都具体化为对象使得我们能够对变化本身进行推理——这正是具体化reification技巧在时间领域的又一次应用。它比情境演算更贴近真实世界的连续、并发、持续特性是表示开放领域动态知识的有力工具。3. 本章小结本章围绕知识表示的核心问题展开可以归结为三个层面的收获具体化reification将类别、命题、事件等抽象概念转化为可操作的对象使其成为一等公民从而能够对类别本身作断言、赋予属性。这是贯穿全章、让本体保持灵活可扩展的最重要技巧。继承inheritance通过子类关系与分类学taxonomy组织知识使个体自动获得其所属类别的属性极大减少了重复断言是知识库高效推理的骨架。度量measurement用度量函数表示长度、质量、时间等属性其价值不在于具体数值而在于可比较性——即使无法量化只要能排序就能支撑推理与决策。知识表示的本质是在表达力与可推理性之间做出一系列有意识的取舍。语义网络、描述逻辑等不同表示方法各有侧重表达力越强往往推理越困难而约束表达形式则能换取更高效的自动推理。本体工程正是要在二者之间找到适合具体领域的平衡点。展望现代 AI大语言模型LLM以隐式知识表示的方式将知识编码在神经网络参数之中与本章讨论的显式本体形成互补。显式本体可解释、可验证、便于组合与推理而隐式表示擅长处理开放领域的模糊与常识。未来知识表示的发展方向很可能是将二者的优势结合——用显式本体提供结构骨架用隐式表示补充灵活性与规模从而在表达力与可推理性之间开辟新的平衡。