第18章表示常识知识分解.pptVIP

* * 第18章 表示常识知识 第三部分 知识的表示和推理 真正全面的、人类级的AI系统将需要更广泛的知识。这些系统将需要知道很多主题，已经证明对这些主题概念形式化是困难的。 AI科学家发现对一个10岁的孩子是很容易的事情用专家们研究了很多年的AI方法也难驾驭，也许这比较荒谬。 物理学家能够通过波动方程、相对理论和其他数学结构描述详细的、确切的物理现象，但是AI研究者仍在争论简单事实(但非常有用)——用液体填充一个杯状物，如果杯子倒过来液体将流出的最好表达方式。 常识世界 考虑一些一个10岁的孩子就能知道的事情： 如果扔下一个物体，它将下落(今天，一个10岁的孩子也知道如果物体从一个轨道卫星上掉下，它将不会“下落”)。 人在出生前不存在。 鱼生活在水中，如果从水中拿出它会死掉。 人们在杂货店购面包和牛奶。 人一般在晚上睡觉。 这种知识常叫做常识知识(commonsense knowledge)。典型地讲，任何学科的知识可覆盖包括各种层次——从街上的行人到专家。据说，人类现存的公元前500年左右的最高级科学理论，与人们从日常观察结果所做的精心表述几乎没有什么差别。 常识世界 当知识缺乏时，日常的常识知识很少同科学知识分离。常识知识对人们想做的很多事情是(仍然是)足够的。随着人们寻求对自己世界更精确的描述，科学知识逐渐和常识知识分开了。 甚至今天，我们想让机器人做的很多事情，如果不是基于史前的，可能也是中世纪的科学的。 AI研究人员把常识世界的知识叫纯朴(native)知识。因此我们设法构造有关纯朴物理学、纯朴经济学、纯朴心理学、纯朴统计学和纯朴社会学等理论。虽然我们已对纯朴知识和专家知识进行了比较，但应该强调的是这些术语略微涉及连续区的范围。 不同的任务要求不同的关于这个连续区的知识级别。我们能明显地想到一些任务，它们将要求更复杂的知识直到我们逼近现代科学的前沿。 因此，当我们说我们对形式化常识知识感兴趣时，不必清楚地定义这个连续区的区域，而是含糊地思考一个相当宽广的接近直觉的区域。 什么是常识世界 表示常识知识的困难 一个可能的原因是它的纯粹大量性。很多专家知识能用一种方式划分以便几百或几千个事实就足以建立有用的专家系统。一个具有普通人类级智能的系统需要多少知识呢?没有人知道确切数字。 Doug Lenat设法建立这样的事实的知识库——称为CYC，他认为需要100万到1000万的事实。 常识知识的另一个困难是没有很好的定义使我们能够控制独立于其他部分的部分的边界。常识世界的概念化将可能涉及到很多实体、功能和关系，它们可能会扩散到整个概念化中。因此，当设法开发一个概念化时，我们不知道是否已经“使它正确了”，直到我们几乎完成了全部的、大量的工作。 常识世界 表示常识知识的困难 形式化常识知识的另一个障碍是关于某些主题的知识很难通过声明语句捕获。用语句难以描述形状和其他复杂的物理对象。 与捕获一个声明语句中的知识相关的困难是我们用来描述世界的很多语句仅仅是一个大概。特别地，全称语句(即形如所有x的都是y的)很少有效，除非它们仅仅是一种定义。 除了由相互依赖的知识引起的困难，我们应该如何概念化一些主题也并不总是明确的。例如，我们应该把时间当作实数集呢(即作为瞬时连续)，还是仅仅是整数，还是实数轴上的区间，还是某些其他的东西呢?我们可能想把过去想象为一个单一的时间线，那我们怎么想象未来呢? 常识世界 常识知识的重要性 首先，对有常识的机器将发现很多商业价值的应用。 对常识知识是为了让专家系统更有用。专家系统仅仅在专门知识的非常有限的领域内执行良好。一般的常识知识至少使他们能认识到用户什么时候想要那个区域以外的信息，它也允许系统更准确地预测什么时候它的知识和手头的任务相关，什么时候不相关。 扩展一个专家系统的知识中常识知识的结构也是重要的。我们都熟悉在推理中使用类推和比喻。空间比喻尤其普遍。例如，我们说量子电动力学超过了我们的知识范围；洁癖紧挨着信仰： Mary的薪水高于John的，等等。有充分的理由怀疑比喻不只是简单的语言巧合。事实上，很多好的主题的概念化基础是基于空间和其他常识思想的。因此，一个拥有世界的基本常识概念化的专家系统可以几乎不再需要扩大和修改来扩展它的知识库。 最后，为了理解自然语言，常识知识毫无疑问是需要的。 常识世界 研究领域 尽管我们还没有具有常识知识的系统(CYC是可能的例外，它也是一个正在进行的