人工智能 (AI) 作為一項熱門創新技術，正將人類的智慧推向新的高度。它賦予機器精確整合智慧的能力。
人類擁有高層次的思考、推理、詮釋和理解知識的能力。我們所掌握的知識協助我們在現實世界中進行各種活動。
如今，得益於科技進步，即便是機器也能執行許多任務。
近期，由於人工智慧系統和裝置在執行複雜任務時所展現的效率與精準度，其應用率正不斷攀升。
現今的挑戰是，儘管人類在生活中能獲得不同層次和類型的知識，機器在解讀相同知識時卻面臨困難。
因此，知識表示技術應運而生。它有助於解決我們世界中人類難以處理且耗時的複雜問題。
在本文中，我將闡述人工智慧中的知識表示、其運作原理、種類與技術等相關內容。
讓我們開始吧！
什麼是知識表示與推理？
知識表示與推理（KR&R）是人工智慧的一個分支，專注於以電腦可理解並能據以行動的形式，表達關於真實世界之資訊。這將有助於解決複雜問題，例如計算、以自然語言進行對話、診斷重大醫療狀況等。
知識表示的靈感來自心理學，探討人類如何解決問題以及如何表示知識，以便設計相關的形式體系。這能使人工智慧理解人類如何在建構和設計時，簡化複雜系統。
早期的研究側重於通用問題解決器，由Herbert A. Simon和Allen Newell於1959年開發。這些系統利用數據結構進行分解和規劃。系統首先從目標出發，然後將目標分解為子目標。接著，系統制定策略，以關注每個子目標。
這些努力隨後促成了人類心理學的認知革命，以及人工智慧發展中專注於知識表示的階段。這催生了1970年代和80年代的專家系統、框架語言、生產系統等。之後，人工智慧將其主要重心轉移到與人類能力相匹敵的專家系統，如醫學診斷。
此外，知識表示使電腦系統得以理解並利用知識來解決現實世界的問題。它還定義了一種在人工智慧中表示知識和推理的方式。
知識表示不僅僅是將數據儲存在資料庫中；相反，它使智慧機器能夠從人類知識中學習並體驗相同的知識，從而使機器能夠像人類一樣行動。
人類擁有機器所不具備的知識，包括感覺、意圖、信念、常識、判斷、偏見、直覺等等。有些知識也很直接，例如對某些事實的瞭解，以及關於事件、人物、事物、語言、學科等的一般知識。
藉由KR&R，您可以將人類的概念以機器可理解的格式呈現出來，並使人工智慧驅動的系統真正智慧化。在此，「知識」意味著提供有關生態系統的資訊並儲存它們，「推理」則意味著根據知識從儲存的資訊中做出決策和行動。
人工智慧系統需要表示哪些知識？
人工智慧系統中需要呈現的知識可包括：
- 物體：物體不斷地環繞著人類。因此，關於這些物體的資訊是必不可少的，必須被視為一種知識類型。例如，鋼琴有白鍵和黑鍵，汽車有輪子，公車需要司機，飛機需要飛行員等。
- 事件：現實世界中不斷發生許多事件。人類的感知是基於事件的。人工智慧需要具備事件知識才能採取行動。有些事件是飢荒、社會進步、戰爭、災難、成就等等。
- 表現：此類知識涉及人類在各種情況下的特定行為。它代表了知識的行為方面，這對於人工智慧的理解至關重要。
- 元知識：舉例來說，如果我們環顧世界並歸納所有的知識，會發現它們主要分為三類：
- 我們已經知道的
- 我們知道但不完全清楚的事
- 我們還不知道的事
- 元知識處理第一類，也就是我們已知的知識，並使人工智慧感知相同的內容。
- 事實：此類知識基於對我們世界的事實描述。例如，地球既非平坦亦非圓形；我們的太陽有著貪婪的胃口等等。
- 知識庫：知識庫是人類智慧的主要構成部分。它指的是一組關於任何領域、描述等相關數據或資訊。例如，設計汽車模型的知識庫。
知識表示如何運作？
通常，我們會非正式地提出要執行的任務、要解決的問題和獲得解決方案，例如在包裹抵達時遞送或修理房屋中的電氣問題。
為了解決實際問題，系統設計人員必須：
- 執行任務以確定可以提供哪些更好的解決方案
- 用一種語言表示問題，以便電腦可以對其進行推理
- 使用系統計算最終輸出，也就是用戶的解決方案或生態系統中需要完成的一系列活動。
- 將最終結果詮釋為主要問題的解決方案
知識是人類已經擁有的資訊，但機器需要學習。由於存在許多問題，因此機器需要知識。作為系統設計的一環，您可以定義要表示的知識。
知識表示與人工智慧之間的關聯
知識在智慧中扮演至關重要的角色，它也負責創造人工智慧。當需要在人工智慧代理中表達智慧行為時，知識就發揮了必要作用。當代理缺乏某些輸入的經驗或知識時，它就無法精確地運作。
舉例來說，如果您想與一位不懂您的語言的人交流，顯然您無法有效地回應和傳遞任何行動。這同樣適用於代理的智慧行為。人工智慧需要具備足夠的知識才能執行決策者發現環境並應用所需知識的功能。
然而，若沒有知識的構成部分，人工智慧就無法表現出智慧行為。
人工智慧所表示的知識類型
現在我們清楚瞭解為何需要在人工智慧中表示知識，接下來讓我們探討在人工智慧系統中表示的知識類型。
- 陳述性知識：它表示協助您描述周遭整個世界的對象、概念和事實。因此，它分享對某事物的描述並表達陳述句。
- 程序性知識：相較於陳述性知識，程序性知識較少。它也被稱為命令式知識，常被移動機器人使用。它用於宣告某事的完成。例如，僅需一張建築物的地圖，移動機器人就能制定自己的計畫。移動機器人可以規劃攻擊或執行導航。
此外，程序性知識直接應用於任務，包括規則、程序、議程、策略等等。
- 元知識：在人工智慧領域，預定義的知識被稱為元知識。例如，標籤、學習、規劃等研究均屬於此類知識。
該模型會隨著時間推移改變其行為，並利用其他規範。系統工程師或知識工程師會利用各種形式的元知識，例如準確性、評估、目的、來源、壽命、可靠性、理由、完整性、一致性、適用性和消除歧義。
- 啟發式知識：此類知識亦稱為淺層知識，遵循經驗法則原則。因此，它在推理過程中非常有效率，因為它可以根據過去的記錄或專家編製的問題來解決問題。不過，它匯集了過去問題的經驗，並提供一種更完善的知識導向方法，以指定問題並採取行動。
- 結構知識：結構知識是解決複雜問題時所使用和應用的最簡單、最基本的知識。它試圖透過尋找對象和概念之間的關係來尋求有效解決方案。此外，它描述了多個概念之間的關係，例如某物的一部分、種類或分組。
陳述性知識可以表示為描述性知識，而程序性知識則是一種做事的知識。此外，陳述性知識被定義為外顯知識，而程序性知識是內隱或隱性知識。如果您能清楚表達知識，則為陳述性知識；若無法清楚表達，則為程序性知識。
人工智慧中的知識表示技術
有四種主要技術代表人工智慧的知識：
- 邏輯表示
- 語意網路
- 生產規則
- 框架表示
邏輯表示
邏輯表示是機器知識表示的基本形式，使用具有基本規則的已定義語法。此語法在含義上沒有歧義，並且處理介詞。然而，知識表示的邏輯形式作為溝通規則。這就是它能用來向機器表示事實的原因。
邏輯表示有兩種類型：
- 命題邏輯：命題邏輯亦稱為語句邏輯或命題演算，它在布林值中運作，意味著真或假的方式。
- 一階邏輯：一階邏輯是一種邏輯知識表示法，您也可以將其稱為一階謂詞微積分邏輯 (FOPL)。此邏輯知識表示法表示量詞中的謂詞和賓語。它是命題邏輯的高級模型。
這種知識表示形式，看起來很像大多數使用語意來傳遞訊息的程式語言。這是一種高度合乎邏輯的解決問題方法。然而，此方法的主要缺點是表示的嚴謹性。一般而言，它很難執行，且有時效率不高。
語意網路
在此類型的知識表示中，圖形表示會承載與資料網路一起使用的連接物件。語意網路包括描述物件之間連接的弧線/邊（連接）和節點/區塊（物件）。
這是一種替代一階謂詞演算邏輯 (FOPL) 表示形式的方法。語意網路中的關係有兩種類型：
由於其理解的簡便性，它是一種比邏輯更自然的表示形式。這種表示的主要缺點是其計算成本很高，且不包括您可以在邏輯表示中找到的等效量詞。
生產規則
生產規則是人工智慧系統中最常見的知識表示形式。它是表示基於 if-else 規則之系統的最簡單形式，因此很容易理解。它代表了一種結合 FOPL 和命題邏輯的方法。
為了從技術層面理解生產規則，您需要先瞭解表示系統的組成部分。該系統包含一組規則、工作記憶、規則應用程式和公認的行為週期。
對於每個輸入，人工智慧都會檢查生產規則中的條件，並在找到更好的規則後立即採取所需的行動。根據條件選擇規則並採取行動解決問題的循環，被稱為發生在每個輸入中的識別和行動循環。
但是，此方法存在一些問題，例如由於活動規則導致執行效率低下，以及由於沒有儲存過去的結果而導致缺乏經驗。由於規則是用自然語言表達的，因此可以彌補不利的成本。在此，如有必要，可以輕鬆變更和刪除規則。
框架表示
要從根本上理解框架表示，請想像一個由欄中的名稱和列中的值所構成的表格；所需資訊在此完整結構中傳遞。簡單來說，框架表示是值和屬性的集合。
這是一種特定於人工智慧的資料結構，它使用填充符（可以是任何資料類型和形狀的槽值）和槽。此過程與典型的資料庫管理系統 (DBMS) 非常相似。這些填充符和槽形成一個稱為框架的結構。
在此知識表示形式中，槽具有名稱或屬性，與屬性相關的知識儲存在填充符中。這種表示的主要優點，是可以將相似數據合併成組，以便將知識劃分為結構。此外，它還分為子結構。
如同典型的資料結構一樣，這種類型可以很容易地理解、操作和視覺化。可以毫不費力地執行包括移除、刪除和添加槽的典型概念。
人工智慧系統中知識表示的要求
良好的知識表示包含一些屬性：
- 表示準確性：知識表示需要準確表示每種所需的知識。
- 推理效率：這是使用適當的指南，在生產方向上輕鬆處理推理知識機制的能耐。
- 推理充分性：知識表示應該能夠在現有結構的基礎上，操作一些表示結構來表示新知識。
- 獲取效率：使用自動方法獲取新知識的能力。
人工智慧知識循環
人工智慧系統包含一些主要組件來顯示智慧行為，使得表示知識成為可能。
- 感知：它協助基於人工智慧的系統使用不同的感測器收集環境資訊，並使其熟悉生態系統以有效地與問題互動。
- 學習：它用於讓人工智慧系統運行已編寫好的深度學習演算法，使人工智慧系統將所需資訊從感知組件傳遞到學習組件，以便更好地學習和理解。
- 知識表示和推理：人類利用知識來做出決策。因此，該區塊負責透過人工智慧系統的知識數據為人類服務，並在需要時使用相關知識。
- 計畫和執行：此區塊是獨立的。它用於從知識和推理區塊中獲取數據，並執行相關操作。
結論
人類可以透過不同的方式獲取知識，基於人工智慧的機器亦是如此。隨著人工智慧的發展，以更佳的方式向機器表示知識，可以協助您以最小的錯誤解決複雜問題。因此，知識表示是人工智慧機器智慧運作的基本屬性。
您也可以查看人工智能、機器學習和深度學習之間的區別。