人工智能最重要的是让机器有一个智能大脑。那么符号知识对于发展机器智脑是非常有必要的，至少体现在三个方面。
产业发展
感知智能的产业升级需要知识库技术。对于智能机器人而言，首先要具备人类的视、听、触、嗅、味觉等五官的感知能力。受益于大数据所提供的海量标注样本，以及深度学习模型强大的学习能力，机器感知能力在语音识别、图像识别等方面日益接近甚至超越人类水准，机器感知智能率先进入大规模产业化应用阶段。然而，机器的智能不应仅仅停留在感知阶段。类人五官的感知能力只是再现了绝大部分动物所具备的能力。机器智能的进一步发展势必会对认知智能提出诉求。语音处理应用日益要求从“听见”升级为“听懂”，图像处理应用日益要求从“看到”升级为“看懂”。而“懂”就是理解，要求机器形成认知能力。
从以信号识别为主的感知智能发展到以符号理解为主的认知智能，是语音与视觉产业发展的必经路径。信号感知只是在为符号理解提供数据来源，一旦信号感知的使命结束，对由感知而得的数据形成理解，进而理解人类社会、理解世界，并形成有效的推理与决策将是机器智脑的重要使命。只有机器智脑具备了一定的认知能力，才能最终形成与环境交互的闭环，有效指导智能机器的行为。
研究意义
机器的理解和解释能力需要符号知识。语言能力是人从猿猴进化为智人的关键让机器具备理解人类语言的能力将是机器智能发展历程中的分水岭，也是机器人为人类社会服务的前提。人类之所以能够很自然地“理解”彼此的语言，是因为彼此有着类似的生活体验、教育背景和知识。要让机器理解人类的语言，就必须具备与人类类似的知识。符号知识对于认知智能的另一个重要意义在于“解释”，使得可解释的人工智能成为可能。因为大部分机器人都是以“为人类服务”为基本目标的，比如家庭陪伴机器人。机器必须合理地解释自身的行为与决策才能服务人类，融入人类社会。当人类的指令或要求不合理时，机器应该具备反抗意识，适时地提醒人类并且给出解释。因此服务机器人（例如客服机器人、陪伴机器人、问诊机器人、导购机器人、理财机器人）必须具备一定的理解和解释能力。
机器的“理解”和“解释”均与符号知识有着密切关系。所谓机器的理解是针对输入数据形成特定形式的内在表示。比如让机器帮我们“订一张周杰伦的演唱会门票”，机器必须将“周杰伦”这个字符串映射到知识库中我们所熟知的歌手周杰伦，才能够准确完成任务。所谓机器的解释是用知识库中的片段来解释问题的过程。例如，鲨鱼为什么可怕？因为鲨鱼是食肉动物，这实质上是在用概念解释。鸟儿为什么能飞翔？因为它有翅膀，这是在用属性解释。人类倾向于利用概念、属性、关系这些认知的基本元素去解释现象和事实。而对于智能机器而言，概念、属性和关系都是符号知识。因此，机器的“解释”能力离不开符号知识。
应用价值
服务机器人的核心能力包括自然人机交互和决策辅助等，都对知识提出了需求。自然人机交互是发展智能机器人的关键技术人机交互方式可以体现为问答系统、智能搜索和聊天互动，等等。无论人机对话系统采取哪种具体形式，知识库都扮演着至关重要的角色。在一个典型的人机交互的系统架构中，其控制层的核心包括问题理解、对话管理、答案生成等，各模块均需要来自知识层所提供的高质量知识。比如在影视相关的问答交互中，当用户问及“吴京最近有什么电影”，平台必须知道“吴京”是电影演员才能准确理解用户的提问意图，这是问题理解的核心。在信用卡业务问答中，客服机器人需要具备信用卡办理的相关知识，才能正确引导用户办理信用卡业务，这是对话管理通常需要实现的功能。在出行平台的用户投诉问答中，平台需要各类判责的知识才能向客户解释。在司法相关的问答中，机器人更是需要专业的司法知识才能为用户提供准确的司法解答。这些知识均在答案生成部分扮演着重要角色。
随着智能机器人应用的深化，人类的脑力工作将越来越多地交给机器。因此，机器不但要理解人类社会、理解人类的意图，更需要具备一定的自主决策能力。为了实现自主决策，机器人要能够按照人类社会的价值观与规则体系，按照预设任务的基本目标，开展有效的推理，实现自主决策。当前的推理决策主要分为基于规则和基于统计两大类。基于规则的推理是早期知识工程采用的主流技术路线，但是规则的获取一直是个瓶颈问题。在很多相对开放的应用领域，规则获取与匹配十分困难，难以应对开放世界的挑战。基于统计的推理是在信息不完整或者决策不确定等环境下的主流推理方式。概率图模型是基于统计的推理方式的典型代表，其又演化出了多种不确定推理模型，比如马尔科夫决策过程、部分可观测马尔科夫决策过程、动态贝叶斯网络国等。这些模型均采用概率建模决策要素之间的条件依赖、状态迁移甚至因果关联。概率图模型等统计推理模型以专家的先验知识确定决策要素，再通过大规模数据训练以确定不同要素之间的统计关联强度。这一思路充分地体现了“专家知识+数据驱动”的问题求解思路，对于样本稀疏但专家知识丰富的应用场景具有十分积极的意义。司法、医疗、金融等领域的服务机器人均应认真考虑此类模型的适用性。
本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.souzhinan.com/kj/219980.html