前一段被称为深度学习教父 Geoffrey Hinton 预测常识计算机系统将在十年内出现。这句话一出来，常识就突然成为媒体上的一个高频词，名人公开打赌预测的成败。在这种热闹中，很少有人解释什么是常识，为什么拥有常识比击败围棋大师更难。也许这本身就是常识，所以没有必要解释？让我们仔细看看。
弱方法和强方法
主流人工智能研究的目标是解决只有人才能解决的问题。在早期阶段，研究人员致力于发现和总结可以用来解决各种问题的通用技术，如状态空间搜索和符号逻辑推理。但这些技术只取得了有限的成功，越来越多的人意识到没有治愈所有疾病的秘密处方。无论你有多聪明，没有相关领域的特殊知识都不能解决很多问题。20世纪80年代，一些研究人员重新喊出了知识就是力量的口号，基于知识的系统、专家系统和知识工程的概念也很流行。当时，人们普遍认为，仅通用技术的问题解决方案只能解决简单的问题，因此是弱方法，而根据特殊知识的方法可以解决复杂的问题是强方法（见参考材料[1]）。请注意，这与目前称为弱人工智能的通用智能系统相反。
我早年做了一年多的知识工程师。每次我们做一个新项目，我们都会去客户那里仔细分析相关行业的决策过程（我去过电话公司、保险公司、银行和投资公司），然后整理相关的专业知识，并将其存储在专家知识库中，以便系统能够根据这些知识为每个具体问题提出解决方案。在不同的应用领域，这些专业知识是非常不同的，但我们开发的专家系统对这些知识的处理技术是不变的，基本上是基于数学逻辑推理和状态空间搜索。该系统的成败主要取决于知识工程师能否有效地将专家知识表达成计算机可用的形式。
在互联网浪潮的推动下，另一种相关的计算机技术，包括语义网络（semantic web）、“本体论”（ontology）、知识图谱（knowledge graph）等等。虽然细节和重点不同，但这些工作致力于将人类知识表达成计算机程序可以直接使用的形式，包括常识和专业知识。
目前，这种对该领域知识的依赖也反映在许多机器学习算法对大数据的依赖中。数据不够，无论学习算法有多强大，都没有米饭很难做饭。在许多情况下，只要数据足够，任何算法都没有太大的不同。这是数据为王的基础，事实上，它类似于知识就是力量。
总之，智能系统需要知识来解决复杂的问题，这是大多数人工智能工作者的共识Rodney Brooks 所代表的行为主义学派挑战了这一观点，试图用与外部环境的相互作用来取代基于知识的推理，但它们的成功仅限于相对简单的系统，如清扫机器人。
人工智能和常识
人工智能是常识（common sense）对推理系统的研究主要出现了两个不同的研究课题，即常识知识库和常识推理。
在开发专家系统时，一个常见的问题是，专家提供的知识不足以推出所需的结论，而缺乏的是常识，这是每个人在普通人际交需要说的事情。当计算机无法自动获得这些知识时，有必要将相关事实存储在一个常识知识库中。与上述专家知识库相比，该知识库有两个主要区别：首先，该数据库是通用的，不需要为每个应用程序系统建立一个；其次，该数据库比专家知识库大几个数量级，因为常识太多了。
挑战这个问题最著名的努力是 Douglas Lenat 领导 Cyc 项目（“Cyc”取自“encyclopedia，也就是百科全书)。自1984年以来，他们几十人的团队一直致力于将百科全书知识表达为符号逻辑命题，并让计算机相应推理。例如，树是植物在 Cyc 中表示 （#$genls #$Tree-ThePlant #$Plant）。三十多年后，这个项目还远未完成，但现有的成果已经开始解决各种实际问题。
声明：本文内容采编自互联网，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请点击举报，一经查实，本站将立刻删除。
