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。

本小章还未完，请点击下一页继续阅读后面精彩内容！