基本原理

知识获取，研究机器如何从各种知识源获取知识的问题根据知识源的不同，机器获取知识的途径可由直接或间接两种方式。

机器直接获取知识是指机器直接接受客观世界的自然信息，并进行信息处理加工，如机器感知（机器视觉和机器听觉等）。机器视觉是机器能进行文字、图象识别和物景分析，从而获取知识；机器听觉是通过对声音识别和语言识别来获取知识。另外还有通过机器对话（自然语言对话和机器阅读对话）来获取知识，它是在机器视觉和听觉的基础上，再经机器思维和机器行为来构成的，这样获取的知识类型可以扩展，如经验知识等。以上涉及人工智能领域的研究内容是模式识别、自然语言理解等。

机器间接获取知识是指人机交互式的知识传递。根据知识获取自动化程度可划分为人工知识获取、半自动知识获取和自动知识获取三种。

人工知识获取是较常用的方式，它是以通过计算机键盘与计算机进行人机交互式的知识传递。在这种方式下知识获取过程为：求解问题的确定、问题域知识概念化和建立知识基本模型、有效知识表示模式。

半自动知识获取是以智能编辑器为知识获取辅助工具，进行人机交互式的知识传递。在人工智能系统开发中，知识获取问题是最困难和最棘手的。首先要把问题域的各种知识源传递给程序设计员掌握，因此人工智能程序员必须与问题域的专家、工程技术人员、用户之间进行知识信息交换。由于受程序员对问题理解能力因素的限制，特别是领域专家的一些直觉知识很难准确地描述，也有虽然已获得知识，但受人工智能语言限制难以充分表达，因而会影响知识的确定性、有效性、以及会出现知识之间的不一致性等。智能编辑器可免去程序员与具有问题域的知识人员之间的中间知识传递，而由问题域的知识人员直接与机器交互传递知识，自动形成知识库，提高获取知识的可靠性，减少错误。这类半自动知识获取的学习策略仍需有问题域知识的人当导师来指导学习，故又称指导注入式。

自动知识获取是指人工智能系统在运行过程中，能对处理过的问题实例进行探索、归纳和总结，获取新的经验和知识或启发式知识，发现新知识。

其相应学习策略是示例学习、类比学习、发现式学习等，这种学习具有一定的创造性。

上述机器间接知识获取方法在人工智能研究领域的内容为机器学习、专家系统开发工具。

知识表示是研究如何在机器中表示知识的方法学问题

构造任何人工智能系统，在知识获取初级阶段是根据确定的问题域，把有关问题域的各种知识源经各种传递方式汇合给人工智能程序员，然后进入概念化阶段，该阶段要进行的工作有：对求解问题进行子问题分解；研究各问题涉及的定义、概念及相互关系；各知识的层次关系、因果关系；给定的信息和数据内容；专家的经验知识、启发知识和联想知识等。知识表示阶段是在概念化阶段所建立的求解问题基本模型基础上，把所确定的知识假设空间结构和数据特征结构，变换成一定的表示形式，且必须是机器可以接受的表示形式，因此该阶段实际是知识的模型化或形式化阶段。由于不同特性的知识描述，所用的表示模式不同，而且同一个问题亦可用不同的表示方法，但它们在效能上是有差异的，因此要用一定原则专门评估知识形式化工作。在人工智能中知识表示研究也是一个最基本的内容。现已有十几种表示方法，常用的有：产生规则表示法、过程式知识表示法、特征表表示法、框架结构表示法、语义网络表示法等。

问题求解即运用存贮于机器中的知识形式进行相应知识处理的问题求解问题的能力是衡量智能的重要尺度。在人工智能中问题求解应与传

统程序的问题求解严格区分开。传统程序的问题求解是依靠建立数学模型和相应的算法进行；而人工智能中的问题求解是由思维规律和心理学出发建立模型。因此人工智能的问题求解是运用已有知识来推出结论，故推理方式与知识表示形式有密切关系，一般用搜索原理或逻辑演绎原理，在所构造问题域的空间内进行问题求解。搜索原理策略有宽度优先搜索、深度优先搜索、启发式搜索、博弈树搜索等。

逻辑演绎是反复运用归结原理求解。全部知识推理过程是由控制器或推理机来引导实现，其基本控制策略有正向、反向、双向混合推理。

问题求解是人工智能研究领域的核心课题之一。有许多分支课题都与它密切相关，如自然语言理解、模式识别、数学定理证明、智能机器人、机器学习、专家系统等都涉及问题求解。