2.2 知识表示与推理

2.2 知识表示与推理

本节摘要：知识表示决定智能体「能理解什么」，知识推理决定「能从已知推出什么」。本节先讲符号、亚符号、混合三种知识表示方法（逻辑/语义网络/框架/本体 vs 神经网络 vs 神经符号），再讲演绎、归纳、溯因、概率、基于案例五种推理，最后给出「知识表示+推理」的选型思路与贝叶斯网络查询示例。

本节地图

阅读完本节，你应当能够：

1. 说出知识表示的五项评价特性（表达力、推理效率、组织性、可扩展性、可理解性）
2. 区分逻辑、语义网络、框架、本体四种符号表示及其优劣
3. 解释亚符号表示为什么「知识不直观」但「擅长模式识别」
4. 区分演绎、归纳、溯因、概率、基于案例五种推理方法
5. 用 pgmpy 定义一个贝叶斯网络并做一次概率查询
6. 根据应用场景选择「表示 + 推理」的组合

问题与直觉

智能体靠感知拿到一堆事实：「草地上湿的」「苏格拉底是人」。但这些孤立的感知数据还不能支撑「要不要带伞」「苏格拉底会不会死」这种结论。缺什么？缺两样：把知识组织起来的形式（知识表示），和从已知推出未知的机制（知识推理）。

SOURCE 原文把知识表示称为智能体的「认知框架」——它决定智能体「看到什么、理解什么、如何用这些理解去推理和行动」。同样一条信息，用逻辑表示和用神经网络权重表示，智能体的推理方式完全不同。所以知识表示的选择不只是技术选型，而是「智能体怎么思考」的路线选择。举个直觉例子：专家系统靠符号规则推理，能解释「为什么下这个诊断」；深度学习模型靠权重推理，答得快但说不清理由。没有绝对的对错，只有场景的适配。

核心原理

知识表示的五项评价特性

SOURCE 列出了判断一种表示好不好用的五条标准：表达力（能不能充分表达概念、事实、规则、关系）、推理效率（支不支持高效推导新知识）、组织性（能不能结构化存储检索）、可扩展性（知识增长时好不好更新）、可理解性（人能不能读懂）。这五条常常互相冲突：符号表示可理解但表达力受限，神经网络表达力强但完全不可理解。选表示的本质就是在这五条之间做权衡。

符号表示

符号表示用符号、逻辑规则抽象表示知识，强调显式与结构化。

• 逻辑表示：用命题逻辑、谓词逻辑表示知识，可做严格的演绎推理。SOUCE 的「苏格拉底」例子是教科书级的：is_a(Socrates, man) 加上 forall x: is_a(x, man) → will_die(x)，推出 will_die(Socrates)。清晰、可验证，但表达复杂知识时要写很多公式。
• 语义网络：用节点表示概念、边表示关系，图形化、直观，适合关联推理和检索。SOURCE 用 RDFlib 建了一个「Alice knows Bob」的图并查询。缺点是推理能力弱，更多是存储和检索。
• 框架：把知识组织成「框架 + 槽 + 槽值」。SOURCE 里的 frame_person 定义了 Person 类型的 name/age/occupation 三个槽，frame_alice 是它的实例。结构化程度高，适合表示对象属性。
• 本体：更规范化的语义网络+框架，含概念层次、属性约束、推理规则，是领域知识的完整模型。语义 Web、知识图谱用它，通常配 OWL 语言和 Protégé 编辑器。

符号表示最大的价值是可解释——每一步推理都有据可查。代价是难以处理感知和模糊信息，知识获取要靠人手工编，泛化能力弱。这正是第 1 章「符号主义」流派的写照。

符号表示的维护成本经常被低估。规则一旦多起来，规则之间可能互相冲突、覆盖，知识的「一致性」很难保证——改一条规则可能连锁影响几十条规则的触发。所以工程上符号知识库要配版本管理和测试套件：把「已知事实 + 期望结论」写成用例，每次改规则跑一遍回归。SOUCE 的 Prolog 例子虽然只有三条规则，但生产级的规则库动辄几千条，没有测试保护的修改等于埋雷。

语义网络的工程形态：知识图谱

语义网络在现代工程里最成熟的形态是知识图谱。它把「实体—关系—实体」三元组（如 Alice—knows—Bob）存储成图，配图数据库和查询语言。SOUCE 用 RDFlib 演示的就是这个概念的最小版本：定义命名空间、添加三元组、按模式查询。知识图谱相比关系数据库的优势在于关系即一等公民——「Alice 认识谁」这类多跳查询天然高效，还能支持「朋友的朋友」这类推理。推荐系统、问答系统、风险控制里都大量用知识图谱做结构化知识层。不过要注意，知识图谱的「推理」大多是图遍历和规则推导，不是逻辑学意义上的严格演绎——两者的边界别搞混。

亚符号表示的权衡细节

亚符号表示（神经网络）的「知识分布式存储」带来一个工程后果：无法局部修改知识。符号知识库里改一条规则只影响相关推理；神经网络想「忘掉」某条错误知识，几乎只能重新训练。这在需要动态更新知识的场景（法规变化、产品改版）里是硬伤。另外，神经网络的「知识」质量完全取决于训练数据——数据里的偏见会被学进去，这埋下了第 6 章安全伦理里「算法偏见」的伏笔。

但亚符号表示也有符号表示做不到的事：从原始感知里自动提取特征。图像、语音、文本这类低层次数据，没有神经网络几乎没法变成机器可用的表示。所以工程实践里最常见的形态不是「二选一」，而是「符号壳 + 亚符号核」：神经网络把图像翻译成「有猫、有人、猫在沙发上」的符号事实，符号引擎再基于这些事实做推理。SOUCE 把这种形态叫神经符号系统，它解决的是「既想会看图，又想讲道理」的现实需求。

亚符号表示

亚符号表示主要指神经网络。知识隐含编码在连接权重里，是分布式存储——「知识分散在网络各处，难以直接提取和解释」。SOURCE 用 PyTorch 训了一个线性模型学习 y = 2x + 1：1000 轮后输入 5 预测接近 11。这个例子虽小，但「知识在权重里」的感觉很具体——你没法把模型的「规律」打印出来看，只能通过预测行为间接验证。

亚符号表示的长处是自动学习特征、擅长感知和模式识别；短处是黑箱、不可解释、需要大量数据。它在感知任务（图像、语音、文本）上碾压符号表示，但在需要逻辑推理的任务上无能为力。

混合表示

混合表示把两者结合，是当前研究热点。两个代表方向：神经符号系统（符号知识指导神经网络学习，或神经网络增强符号推理）、知识图谱嵌入（把实体和关系映射到低维向量空间，用向量距离表示语义，可用于知识图谱补全和关系预测）。简单说，混合表示想让智能体「既会看图，又会讲道理」。

五种推理方法

• 演绎推理：前提为真则结论必真。所有人会死 + 苏格拉底是人 → 苏格拉底会死。SOUCE 给出了 Prolog 代码：will_die(X) :- is_a(X, man). 加事实 is_a(socrates, man).，查询返回 true。严谨但需要完备的规则库。
• 归纳推理：从具体事例概括一般规律，结论「很可能」但不保证。看到五只白天鹅归纳出「天鹅都是白的」，实际存在黑天鹅——这个例子说明归纳本质是概率性的，机器学习就是归纳的自动化。
• 溯因推理：从结果推断最佳原因，结论是假设性的。看到地上湿，推断「可能下雨、可能洒水、可能水管破裂」。SOUCE 用三行代码列了可能原因——诊断、故障排查是它的主场。
• 概率推理：用概率模型处理不确定性。贝叶斯网络、马尔可夫模型是代表，适合「明天下雨概率 80%」这类知识。
• 基于案例的推理（CBR）：检索相似案例、借鉴或调整其解。「电脑开不了机」→ 检索到「检查电源线和开关」的案例。适合经验丰富的领域（法律咨询、技术支持），依赖案例库质量和相似度计算。

工程实践要点

贝叶斯网络查询示例

SOURCE 用 pgmpy 建了一个经典的「草湿」贝叶斯网络——阴天影响洒水器和下雨，两者共同影响草是否湿：

from pgmpy.models import BayesianModel
from pgmpy.factors.discrete import TabularCPD
from pgmpy.inference import VariableElimination

model = BayesianModel([
    ('Cloudy', 'Sprinkler'), ('Cloudy', 'Rain'),
    ('Sprinkler', 'WetGrass'), ('Rain', 'WetGrass')
])
# ... 省略各节点条件概率表的定义 ...
infer = VariableElimination(model)
result = infer.query(variables=['Rain'], evidence={'WetGrass': 'T'})
​

核心动作是「给定证据反向推理」：已知草地湿，问下雨概率。变量消元（VariableElimination）算法自动完成贝叶斯公式的传播。工程上这类模型的价值在于把领域因果结构显式编码——医生知道「感冒→咳嗽」「过敏→咳嗽」，证据是咳嗽，系统能算出感冒和过敏各自的后验。比起端到端神经网络，这种模型可解释、样本需求小，代价是需要人来指定结构。

「表示 + 推理」的选型表

⚠️ 常见坑：把「神经网络能回答」误当成「它在推理」。多数语言模型是在做模式匹配与生成，不是严格的逻辑推理——让它做多步演绎容易一本正经地出错。需要严格推理的任务，用符号工具（逻辑编程、规划器）更可靠。
💡 关键直觉：表示和推理是配对选择的。符号表示配演绎推理（规则进规则出），亚符号表示配归纳推理（数据进模式出），概率表示配概率推理（证据进后验出）。配对错了，整个知识层就转不起来。

知识层在智能体里的位置

回到第 2 章的开篇图：感知结果进入知识层，知识层支撑规划决策。SOUCE 列出知识表示与推理在 NLP、专家系统、机器人、知识图谱、推荐系统五个方向的应用——这些正是第 5 章要讲的领域。所以本节是「承上启下」的枢纽：它承接 2.1 的感知输出，又为 2.3 的规划决策、第 5 章的行业落地提供认知地基。做智能体时，先问「知识怎么存、怎么推」，再往下设计决策逻辑，顺序不要反。

本章回顾

• 五项特性：表达力、推理效率、组织性、可扩展性、可理解性，彼此常冲突
• 符号表示：逻辑/语义网络/框架/本体，可解释但难处理感知
• 亚符号表示：知识藏在权重里，擅感知不擅推理
• 混合表示：神经符号、知识图谱嵌入，取长补短
• 五种推理：演绎（必然）、归纳（概率）、溯因（假设）、概率（不确定）、CBR（经验）
• 贝叶斯网络：显式编码因果结构，证据反向推理，可解释且样本需求小
• 配对选型：表示与推理按场景配对，别混搭

知识层就绪了，下一节让智能体「做决定」——规划与决策。