知识表示（knowledge representation）
/ NOL-ij rep-ri-zen-TAY-shun /
知识表示，是要解决这样一个问题：把机器关于世界所知道的东西，写成它真能用来推理的形式。一个对你来说显而易见的事实——「鸟通常会飞，但企鹅不会；你姐姐的儿子是你的外甥」——必须先被编码成某种明确、有结构的样子，计算机才能据此得出结论。知识表示研究的，正是哪些「样子」管用：如何把事实、类别、关系、规则与例外捕捉下来，好让机器能把它们串联起来。
形式有很多。逻辑用「凡人皆有一死」这样的陈述，它们可以经由推理相互组合。语义网络与知识图谱把概念铺成一个个节点，再用带标签的连线相连（「巴黎—是首都—→法国」）。框架与本体则把事物归入带有属性和默认值的类别。每一种选择，都是在三者之间的权衡：它的表达力有多强（能说出微妙的事吗？）、用它来推理是否高效、以及它处理知识那些棘手现实——不确定、例外与变化——是否自然。
它作为符号人工智能和专家系统的核心而声名远扬：把人类专长捕捉成被表示的知识，再在其上推理。它用代价换来的教训发人深省。要把日常常识明明白白地表示出来——一个孩子都知道的那一整张未明说的事实之网——结果难得出奇，也从未真正成功过。现代神经系统绕开了手工搭建的表示，转而从数据中学出它自己内部的表示，这固然灵活，却也不透明。不过这个领域并未消失：知识图谱在搜索引擎和助手背后默默运转，而把「学来的知识」与「明确的知识」结合起来，正是一条活跃的前沿。
知识图谱把事实存成相互连接的三元组：（企鹅—是一种—→鸟）、（鸟—能—→飞）、（企鹅—不能—→飞）。第三个三元组里的那个例外，恰恰是让「表示」变难的那类东西：机器必须懂得让具体事实压过一般规则，否则它就会乐呵呵地推出「企鹅会飞」。
把事实存成相互连接的三元组——以及那些让「表示常识」如此之难的例外。
知识表示留下的长久教训是：人类身上揣着多少「显而易见」、却从不明说的常识，多得惊人——而要把它写下来又有多难。神经网络转而学出它自己的表示，赢得了灵活，却丢掉了符号表示原有的可读性。