夜雨聆风一、什么是知识？核心：费根鲍姆知识原则
1. 经典知识门槛理论（知识三阈值）
教材提出核心结论：智能系统的性能随知识库储量分段提升，分为三个门槛：
使能门槛 W：知识库达到最低知识量，系统具备基础任务处理能力；知识少于该门槛，系统完全无法完成任务。
胜任门槛 C：知识积累到一定规模，系统达到行业专家水平，可解决专家级难题。常规专家系统仅需 50～1000 条规则即可达标。
全能门槛 E：知识极度完备，能够覆盖领域绝大多数场景，新增知识对系统性能提升微乎其微。
举例：皮肤病诊断专家系统，几十条规则（C 级）可完成常见病诊断；上千条规则（E 级）才能覆盖全部罕见皮肤病。 |
2. 知识表示核心定义：表示 = 数据结构 + 处理机制
知识表示不只是把文字存进数据库，需要两大要素： ①符号数据结构：用来具象化存储概念、事实； ②配套处理机制（推理程序）：读取符号、完成推理运算。 没有处理程序的文本只是文字，不能称之为 “机器知识”。
3. 知识表示假设（史密斯假说）
能用结构化符号描述知识，且符号结构能够在程序运行中影响系统行为，才算有效的知识表示。
正反案例： ❌ 直接写死打印语句（print ("雪是白色")）：没有独立知识存储，不属于 KB 知识库系统； ✅ 单独存储 colour (雪，白色) 事实 + 通用查询规则：标准知识表示设计，可复用、可拓展。 |
4. 知识表示两大评价指标
1.表示充分性：能否完整描述领域信息、区分事物差异（一阶谓词逻辑最优）；
2.表示法效用：
概念效率：知识增删、修改是否简便；
计算效率：推理运算速度快慢。
关键矛盾：表示充分性和运算效率天然互相制约，充分描述往往带来推理低效，简化格式会损失表达能力，所有表示法都是二者的折中取舍。 |
5. 三大基础知识表示总览
全书划定三类底层表示：一阶谓词逻辑、产生式表示、结构化表示（语义网络 + 框架 + 面向对象），市面上所有知识库格式都是三者变形或组合。
二、第一种：一阶谓词逻辑表示（表达天花板，效率短板）
1. 优势：表示充分性拉满
依托∀全称、∃存在量词、与或非连词，能够精准描述确定、不确定、或然、否定等各类不完全知识。
示例：
1.∀x (学生 (x)→需要上课 (x)) 所有学生要上课
2.∃x (水果 (x)∧黑色 (x)) 存在黑色水果
2. 致命缺陷
无天然结构，知识零散堆砌，海量知识库中检索、推理效率极低；
为兼顾完备性没有启发信息，机器推理容易陷入组合爆炸。
3. 实际落地优化：Prolog 语言
通过限制格式为Horn 子句（每条规则最多 1 个肯定原子），牺牲部分表示能力，换取推理效率，也是逻辑程序的底层。
三、第二种：产生式表示｜专家系统首选（应用最广）
1. 基础结构：IF P THEN Q（前件→后件）
前件 P：条件；后件 Q：结论 / 执行动作
两类规则：前提 - 结论型（逻辑推理）、条件 - 动作型（操作指令）
2. 产生式系统三大组成（黄金三角）
1.规则库：存放全部 IF-THEN 启发经验（知识库本体，专家经验转化而成）；
2.综合数据库：存放当前问题状态、推理中间结果；
3.控制系统（推理机）：循环执行「识别 - 行动」：匹配规则→冲突消解→执行动作，不断更新数据库，直至得出答案。
冲突消解三种策略： First：从上往下匹配，优先第一条激活规则； Best：依靠启发知识择优执行（爬山 / 启发搜索）； All：全部可用规则并行执行。 |
3. 推理方向分类
1.正向产生式：事实→规则→结论（数据驱动，如故障排查）；
2.逆向产生式：目标倒推所需条件（目标驱动，如 MYCIN 医疗诊断，Prolog 底层逻辑）；
3.双向产生式：正反双向收敛，难点是两头难以相遇。
4. 三大实用模型案例
1. 八数码：空格上下左右移动写成 4 条产生式规则；
2. 传教士野人：10 条渡河规则，通过规则执行改变 (m,c,b) 状态；
3. 文法解析：英文单词→词性规则，逐层规约生成 S 合法句子。
5. 优缺点总结
✅优点：规则独立，增删修改灵活，最适配人类专家经验；
❌缺点：规则堆砌无层级结构，复杂大型系统管理困难，难以描述嵌套复杂事物。
四、第三种：结构化表示（语义网络 + 框架 + 面向对象）
诞生目的：弥补逻辑、产生式无层级结构的缺陷，集中打包事物属性，分为两大分支：语义网络、框架系统 |
（一）语义网络：节点 + 有向弧，侧重事物间关系
1. 组成：节点 = 实体 / 概念，带标签弧线 = 二元关系；
2. 多元关系处理：新增事件节点，把 N 元关系拆成多条二元关系；
3. 逻辑表达：通过虚线框标注 DIS (或)、NEG (非)、ANTE (前提) 实现与或蕴涵；
4. 核心推理：特性继承（ISA/AKO 链）
子类、实例自动继承父类公共属性。
示例：鸟类→会飞；鹦鹉是鸟类→鹦鹉默认会飞，鸵鸟特例单独改写属性。 ✅优势：关系直观，检索速度快；❌缺点：语义定义无统一标准，容易出现二义性。 |
（二）框架表示：槽 + 侧面，侧重事物内部属性结构
1. 基础格式：框架名 + 若干槽（属性），每个槽包含 Value/If-Needed/If-Added 三类侧面
Value：属性默认值；
If-Needed：缺值时自动计算属性；
If-Added：修改属性后联动更新其他字段；
2. 两大框架体系：分类框架（动物 / 物品层级）、组成框架（设备零件拆分）；
3. 推理：继承 + 相容匹配，查询属性自动向上回溯父框架取值。
举例：球体框架默认颜色白色，修改半径自动通过 If-Added 函数重算体积。 |
（三）面向对象表示：框架的工程化落地
思想和框架高度同源，封装、继承、多态，编程语言 Java/C++ 的底层设计思路，工程开发首选。
五、实用化两大关键矛盾（本章重难点）
1. 陈述性知识 VS 程序性知识
1.陈述性：知识独立存储（规则、框架、逻辑），易修改、可多场景复用，缺点运行效率低； 2.程序性：知识内嵌在程序代码中，运行高效，但修改困难、复用性差； 落地方案：框架系统是最优折中，属性用陈述存储，附加 If 类函数做程序性操作。
2. 表示能力 ↔ 推理效率取舍
1. 一阶逻辑：能力最强，效率最差；
2. 数据库：仅存确定事实，无逻辑表达，检索效率最高； 3.Prolog/Horn：砍掉或、存在量词，牺牲表达换速度；
4. 语义 / 框架：结构化压缩，牺牲部分语义完整性换取检索效率； 行业通用方案：混合表示，比如框架存实体 + 产生式存规则，取长补短。
六、本章总结
1. 三大表示本质都是一阶逻辑的变体，只是通过不同程度阉割表达能力换取运行效率；
2. 选型口诀：
需要严谨逻辑推导→一阶逻辑 / Prolog；
专家经验、诊断系统→产生式；
物品分类、实体属性描述→语义网络 / 框架；
3. 全书逻辑线：前两章是算法引擎，第三章是知识容器，容器装好知识，第四、五章专家系统才能落地。
人工智能基础（2002年版）:
本篇文章内容来源于： 人工智能基础（高教）
图片由AI生成
