万维网（World Wide Web，WWW）之父、图灵奖得主蒂姆·伯纳斯（TimBerners）在定义万维网的愿景时曾说：“虽然万维网是供人类阅读信息的巨大集合体，但万维网的终极目标是希望有朝一日计算机能够自动地分析、利用网络上的数据，形成有用的知识。”因此，定义 WWW 标准的万维网联盟（World Wide Web Consortium，W3C）早在 WWW 诞生不久就将语义网络列为 Web 的关键特性之一。21 世纪初，W3C 发布了被称为“链接数据”（LinkedData）的语义网络的标准格式，业界也相继出现了 DBpedia（专注于维基百科）、Freebase（专注于网上公共数据）等以链接数据为标准格式的开放数据集。2012 年，谷歌公司在 DBpedia 和 Freebase 等资源的基础上提出了“知识图谱”（Knowledge Graph）的概念，同时公开了一个包含 35 亿个“事实”，约 5 亿个人、地、物等实体及它们之间关系的巨型知识图谱。
以上源自语义网络的知识表示工作，最终令基于知识图谱的应用如搜索系统、推荐系统和情感分析等成为人工智能应用的一条主要分支。也正是因为有了这些工作，才奠定了 ChatGPT 等语言模型的训练语料基础，间接造就了后来大语言模型的兴盛。今天 ChatGPT 等模型已经能够在一定程度上利用互联网上原本供人类使用的知识来训练和改进自身，WWW 构建之初所许下的愿景总算见到了些许达成的曙光，但是让计算机完全理解网络世界中的人类信息依然是一项极其浩大的工程，截至 2024 年，网站数量已有数十亿个，但其中仅有数百万至千万级别的网站带有语义网络的标记信息<sup>○一</sup>。所以，时至今日，语义网络依然被列为最新的 Web 3.0 标准的关键特征之一。
虽然笔者在本章中仅选择了语义网络作为例子进行讲解，但必须说清楚，这并不是在讨论谓词逻辑和语义网络谁更好、谁更先进，不同的知识表示方法并没有好坏优劣之分，各方面都存在不足的技术必然已经被历史淘汰掉了，现存的知识表示方法都有自己的适用场景。把谓词逻辑和语义网络对比来看，谓词逻辑系统具有特定的演绎结构，而语义网络不具有特定的演绎结构；谓词逻辑的推理是自底向上，从细节到整体进行推理，而语义网络推理是知识的高层次推理，是知识的整体表示。在语义网络中，由于结构关系，检索和推理的效率是非常高的，但它不适用于定量、动态的知识，也不便于表达过程性、控制性的知识。
90
第二部分 学派争鸣
○一 关于全球网站总数量和带有语义网络标记的网站数量，笔者并没有查到权威的统计资料，这是通过 ChatGPT 得到的大致统计范围。