医疗AI的系统里存着“疾病框架”：

- 比如“肺炎框架”的槽包括“症状（发烧、咳嗽、痰中带血）、CT表现（肺部有阴影）、病因（细菌感染）、治疗方法（抗生素）”；

- 当输入患者的CT片和症状，AI会把这些信息和“肺炎框架”的槽值对比，如果匹配度超过90%，就提示“可能是肺炎”，再把结果给医生参考。

还有的医疗AI用知识图谱把“疾病-症状-药物”连起来，比如患者对“青霉素”过敏，AI在推荐药物时会自动排除含青霉素的药，避免用药风险。

5. 自动驾驶：路上的“AI司机”，靠“知识”躲障碍

自动驾驶汽车能识别红绿灯、避开行人，本质是把“驾驶知识”用“神经网络表示法”和“语义网络”存起来。

汽车的传感器会把路上的信息（红绿灯、行人、其他车）变成向量，然后和系统里的知识对比：

- 看到“红灯”的向量，就匹配“停车”的规则；

- 看到“行人”的向量，就匹配“减速避让”的规则；

- 知识图谱里还有“红绿灯-路口-限速30km/h”的关系，所以到路口时会自动减速。

现在的自动驾驶还能“学新知识”，比如遇到“施工路段”，以前没见过，但通过向量分析，发现和“障碍”的向量很像，就会自动减速绕行。

六、聊问题：知识表示再牛，也有“搞不定”的事

虽然知识表示已经很先进了，但还不是“万能的”，还有一堆解决不了的难题，这些难题也是科学家们正在攻关的方向。咱们挑最关键的3个，说说它们的“痛点”。

1. 知识太“杂”：没法把“所有知识”都表示清楚

世界上的知识太多了，有“明确的知识”（比如数学公式、历史事件），还有“模糊的知识”（比如“这件衣服挺好看”“他很开心”），更有“隐性的知识”（比如骑自行车的技巧、做饭的手感）。

现在的知识表示能处理“明确知识”，但对“模糊知识”和“隐性知识”几乎没辙：

- 比如“好看”“开心”这种主观感受，没法用精确的规则或向量表示，电脑不知道“多好看算挺好看”；

- 比如骑自行车的“平衡感”，是靠身体感知的隐性知识，没法用符号或向量写出来，所以现在的AI还学不会骑自行车。

2. 知识会“变”：老知识过时，新知识跟不上

知识不是一成不变的，比如“太阳系有9大行星”后来变成了“8大行星”（冥王星被除名），“新冠病毒的治疗方法”也在不断更新。但电脑的知识表示是“静态”的，更新起来很麻烦。

比如知识图谱里存着“太阳系有9大行星”，当冥王星被除名后，得手动修改所有和“9大行星”相关的节点和关系；如果是大模型，就得重新用新数据训练，花几个月时间和几百万美元，成本特别高。

现在科学家们在研究“动态知识表示”，让AI能自己“更新知识”，比如看到新闻说“冥王星不是行星了”，就自动修改自己的知识，但目前还没完全实现。

3. 知识难“解释”：AI说“对”，但说不出“为啥对”

现在的大模型（比如GPT-4）经常能给出正确答案，但你问它“怎么想出来的”，它说不清楚——这就是“可解释性差”的问题，根源在“神经网络表示法”。

因为大模型的知识是“向量”，是一堆数字，人类看不懂。比如它说“《静夜思》的作者是李白”，你问“为啥”，它只能重复“因为《静夜思》的作者是李白”，没法像人一样说“因为课本里学过，历史资料里也有记载”。

这个问题在关键领域特别致命，比如医疗AI说“患者得了癌症”，医生得知道“AI是根据哪些症状、哪些检查结果判断的”，如果AI说不清楚，医生根本不敢用。

七、总结：知识表示的本质，是“人与机器的沟通桥梁”

聊了这么多，最后咱们回归本质：知识表示到底是啥？

其实它就是一座“桥梁”——左边是人类的“智慧世界”，有语言、经验、直觉；右边是机器的“数字世界”，有代码、符号、向量。知识表示的任务，就是把左边的东西“翻译”到右边，让机器能帮人干活。

从1943年的“产生式规则”到现在的“大模型向量”，这座桥越建越宽、越建越稳：以前只能过“简单推理”的小自行车，现在能过“复杂决策”的大卡车。但它永远成不了“传送门”，因为机器没法真正“理解”知识，只能“处理”知识。

对咱们普通人来说，不用懂具体的公式和算法，只要知道：那些让生活变方便的智能工具——能精准推荐的淘宝、能快速答疑的搜索、能24小时服务的客服——背后都是知识表示在“默默翻译”。

未来，知识表示会往“更模糊、更动态、更可解释”的方向发展，可能有一天，AI能像人一样理解“开心”的情绪，能自己更新“最新的新闻”，能说清“为啥这么想”。但到那时候，它依然是“工具”，因为真正的智慧，不仅是“处理知识”，更是“创造知识”——这一点，目前还只有人类能做到。

喜欢大白话聊透人工智能请大家收藏：(www.zuiaixs.net)大白话聊透人工智能醉爱小说网更新速度全网最快。