这些规则会存在电脑里，当输入患者症状时，电脑就一条条匹配规则，最后给出结论。

实际用处：除了医疗诊断，还有智能客服的自动回复。比如你问“快递没收到怎么办”，电脑会匹配规则“如果用户问快递未收到→回复‘请提供订单号，帮你查询物流’”。

优点：简单易懂，符合人类思维；缺点：规则太多时会“乱套”。比如同时满足感冒和肺炎的部分症状，电脑可能不知道优先匹配哪条规则。

3. 语义网络表示法：用“节点+线”画知识图，像大脑的联想网络

这种方法是用“节点”代表概念（比如“鸟”“飞机”），用“带标签的线”代表关系（比如“会飞”“有羽毛”），画出来像一张蜘蛛网，特别适合表示“概念之间的联系”。

举个例子：用语义网络表示“鸟”的知识。

- 画一个节点写“鸟”；

- 用线连一个节点“有羽毛”，线上标“属性”；

- 再用线连一个节点“会飞”，线上标“能力”；

- 再用线连一个节点“麻雀”，线上标“属于”（麻雀属于鸟）；

- 还能连一个节点“飞机”，线上标“相似点”（都能飞）。

画出来就是一张“鸟的知识网络图”，电脑能顺着线找到各个概念的关系。

实际用处：比如百度、谷歌的“知识图谱”就是用这种方法。你搜“李白”，页面右侧会出现“朝代：唐朝”“作品：《静夜思》”“好友：杜甫”，这些就是语义网络里的节点和关系，电脑顺着网络把相关知识都调出来。

优点：直观，能体现知识的关联性；缺点：关系太复杂时，网络会变得混乱，电脑找起来变慢。

4. 框架表示法：给知识建“模板”，像填简历表

这种方法是给一类事物建一个“框架模板”，就像简历里的“基本信息、教育经历、工作经历”模板，然后把具体事物的信息填进去。适合表示“有固定结构的知识”，比如人物、物品、事件。

举个例子：给“电影”建一个框架模板，再填《流浪地球2》的信息。

plaintext

框架名：电影

槽名1：名称 → 槽值：《流浪地球2》

槽名2：类型 → 槽值：科幻片

槽名3：导演 → 槽值：郭帆

槽名4：核心剧情 → 槽值：人类建行星发动机逃离太阳系

槽名5：上映时间 → 槽值：2023年1月22日

槽名6：评分 → 槽值：9.0（豆瓣）

“框架名”是大类，“槽名”是这类事物的共同属性，“槽值”是具体事物的信息。如果再填《满江红》的信息，就用同一个框架，只改槽值就行。

实际用处：比如视频网站的电影分类系统，用框架表示法存储每部电影的信息，用户搜“2023年上映的科幻片”，电脑就去匹配“类型=科幻片”“上映时间=2023年”的框架，把符合条件的电影列出来。

优点：结构清晰，方便批量处理同类知识；缺点：模板固定，没法表示不符合模板的“特殊知识”。比如遇到一部“既是科幻又是喜剧，还没有导演署名”的电影，框架里没有对应的槽名，就没法填。

5. 面向对象表示法：给知识“打包成对象”，像给物品装礼盒

这种方法是把知识“封装”成“对象”，就像把一个苹果的“颜色、味道、能不能吃”这些信息都装进一个礼盒里，礼盒上还写着“能做什么”（比如“可以削皮吃”“可以做沙拉”）。它把“属性”（是什么）和“方法”（能做什么）打包在一起，是现在编程里最常用的方法之一。

举个例子：用面向对象表示法表示“手机”。

- 对象名：手机

- 属性（是什么）：品牌=华为、颜色=黑色、屏幕尺寸=6.7英寸、电量=100%

- 方法（能做什么）：打电话（输入号码→拨出）、拍照（点击快门→保存照片）、上网（连接WiFi→打开浏览器）

本小章还未完，请点击下一页继续阅读后面精彩内容！

电脑里的“手机对象”不仅有属性信息，还知道能执行哪些操作。如果要让手机“拍照”，直接调用“拍照方法”就行。

实际用处：比如手机APP的开发，每个功能模块都是一个“对象”。比如微信里的“聊天窗口”对象，属性是“聊天对象、聊天记录”，方法是“发送消息、接收消息、撤回消息”，这样开发起来条理特别清晰。

优点：模块化强，能重复使用；缺点：设计“对象”需要花很多心思，要是属性或方法漏了，后续改起来很麻烦。

6. 神经网络表示法：把知识“变成数字向量”，像给知识“编密码”

这种方法是现在最火的，尤其在深度学习里。它把每个概念（比如“猫”“狗”）变成一串数字（比如“猫=[0.2, 0.5, -0.3]”“狗=[0.1, 0.4, -0.2]”），这些数字叫“向量”。数字越像，说明概念越接近——比如“猫”和“狗”的向量很像，因为都是动物；“猫”和“桌子”的向量差别很大。

举个例子：用神经网络表示法处理“词语”。

电脑会把“苹果”变成一个向量，比如“[0.3, 0.6, -0.1, 0.4]”。这个向量不是乱编的，是电脑通过分析几百万条文本，发现“苹果”常和“水果”“吃”“甜”一起出现，所以向量里的数字会和“水果”的向量很接近。

当你问“苹果和香蕉有什么共同点”，电脑会对比两者的向量，发现它们的数字很像，再结合其他知识，得出“都是水果，都能吃”的结论。

实际用处：比如ChatGPT这类大模型，就是用这种方法表示知识。它能理解“国王”和“女王”的关系，就像“男人”和“女人”的关系，因为它们的向量差值很相似。还有语音识别，电脑把“你好”的声音变成向量，和存储的“你好”向量对比，就能识别出你说的话。

优点：能处理复杂的模糊知识，比如“开心”和“高兴”的细微差别；缺点：数字向量太抽象，人类看不懂，没法解释“电脑为啥这么想”——比如电脑说“苹果和香蕉很像”，你问“为啥”，它说不出理由，只能说“向量很像”。

四、追历史：知识表示是怎么从“简单符号”进化到“智能向量”的？

知识表示不是一开始就这么高级的，它跟着AI的发展走了快100年，就像从“手写书信”进化到“微信聊天”，一步步变得更高效、更智能。咱们按时间线梳理，看看它的进化脉络。

1. 萌芽期（1940s-1960s）：用“规则”表示知识，像写说明书

这个阶段的AI刚起步，科学家们觉得“知识就是规则”，所以知识表示也围绕“规则”展开。

1943年，逻辑学家波斯特第一次提出“产生式规则”，就是“如果A就B”的形式，这是最早的知识表示方法之一。当时的电脑很落后，只能处理简单的规则，比如“如果输入1+1，就输出2”。

到了1950年代，图灵提出“图灵测试”，大家开始想让电脑“像人一样思考”，但那时候的知识表示太简单，比如用逻辑符号表示“苏格拉底是人，人都会死，所以苏格拉底会死”，虽然精确，但只能处理这种简单推理，没法应对复杂知识。

2. 发展期（1970s-1980s）：给知识“加结构”，像建房子

这个阶段的科学家发现，光有规则不够，知识得有“结构”，就像房子要有梁有柱。于是出现了“框架表示法”“语义网络表示法”这些带结构的方法。

1972年，纽厄尔和西蒙改进了“产生式规则”，让它能处理“不确定的知识”，比如“如果发烧，有80%的可能是感冒”，这比之前的“非黑即白”规则灵活多了。

1975年，明斯基提出“框架表示法”，把知识分成“框架-槽-侧面”的结构，就像给知识建了标准化的“房子”，比如“动物框架”里有“食性”“栖息地”这些“房间（槽）”，每个房间里还有“细节（侧面）”，比如“食性”里有“食肉”“食草”。

同一时期，夏克从框架发展出“脚本表示法”，专门表示“事件的顺序”，比如“去餐厅吃饭”的脚本：进门→找座位→点餐→吃饭→付钱→离开。电脑用这个脚本，就能理解“小明在餐厅点了汉堡”之后，接下来会做“吃饭”。

这个阶段的AI能做简单的“专家系统”，比如医疗诊断系统、下棋程序，但还是局限在“固定领域”，换个领域就得重新写规则。

3. 成熟期（1990s-2010s）：用“网络”连知识，像织渔网

这个阶段的互联网兴起，数据变多了，科学家们发现知识不是孤立的，得“连起来”才有用，于是“语义网”“知识图谱”成了热点。

1998年，“语义网”概念被提出，核心是“让电脑能看懂网页上的知识”。比如网页上写“李白是诗人”，以前电脑只知道是文字，语义网会给它加标签“＜人物＞李白＜/人物＞，＜身份＞诗人＜/身份＞”，这样电脑就能“读”懂网页知识。

小主，

2012年，谷歌提出“知识图谱”，用语义网络的方法把海量知识连起来，形成一张巨大的“知识网”。比如你搜“北京”，知识图谱里不仅有“北京是中国首都”，还有“北京的人口”“北京的景点”“北京的历史”，甚至能关联到“北京冬奥会”“北京烤鸭”，电脑顺着这张网能给你推荐一堆相关知识。