常识性知识（人工智能）

在人工智能研究中，常识性知识包括关于日常世界的事实，如柠檬是酸的，所有人类都应该知道。它目前是人工通用智能中一个未解决的问题。

第 一个解决常识性知识的人工智能程序是约翰-麦卡锡在1959年开发的AdviceTaker。

常识性知识可以作为常识性推理过程的基础，以尝试推论，如你可能会烤一个蛋糕，因为你希望人们吃这个蛋糕。一个自然语言处理过程可以附加到常识性知识库中，使知识库能够尝试回答关于世界的问题。

常识性知识也有助于在不完整的信息面前解决问题。利用广泛持有的关于日常物品的信念，或常识性知识，人工智能系统对未知事物进行常识性假设或默认假设，与人们的方式相似。例如，如果我们知道Tweety是一只鸟的事实，因为我们知道关于鸟的普遍信念，通常鸟会飞，而不知道关于Tweety的其他事情，我们可以合理地假设Tweety会飞的事实。

随着时间的推移，更多的世界知识被发现或学习，人工智能系统可以使用真理维护过程来修正它对Tweety的假设。

如果我们后来知道Tweety是一只企鹅，那么真理维护就会修改这个假设，因为我们也知道企鹅是不会飞的。

常识推理模拟了人类利用常识知识对每天遇到的普通情况的类型和本质进行推测的能力，并在新信息出现时改变他们的想法。这包括时间、缺失或不完整的信息以及因果关系。解释因果关系的能力是可解释人工智能的一个重要方面。真理维护算法会自动提供解释设施，因为它们会创建详细的推测记录。

与人类相比，所有尝试人类水平人工智能的现有计算机程序在现代常识推理基准测试（如WinogradSchemaChallenge）中表现极差。

在常识性知识任务上达到人类水平的能力问题被认为可能是人工智能完全的问题（也就是说，解决这个问题需要有合成完全人类水平的智能的能力），尽管有些人反对这个概念，认为人类水平的人工智能也需要有同情心的智能。

常识推理已经成功地应用于更有限的领域，如自然语言处理和自动诊断或分析。

汇编常识性论断（CSKB）的综合知识库是人工智能研究中的一个长期挑战。从早期的专家驱动的努力，如CYC和WordNet，通过众包的OpenMindCommonsense项目取得了重大进展，这导致了众包的ConceptNetKB。

有几种方法试图自动构建CSKB，最明显的是通过文本挖掘（WebChild,Quasimodo,TransOMCS,Ascent），以及直接从预训练的语言模型（AutoTOMIC）中获取。

这些资源比ConceptNet要大得多，尽管自动化的构建方式使它们的质量略低。在表示常识性知识方面也存在着挑战。

大多数CSKB项目遵循三重数据模型，这不一定最适合于破解更复杂的自然语言断言。

这里一个明显的例外是GenericsKB，它没有对句子进行进一步的规范化处理，而是完整地保留了句子。应用2013年左右，麻省理工学院的研究人员开发了BullySpace，这是常识性知识库ConceptNet的延伸。

BullySpace包括超过200个基于刻板印象的语义断言，以帮助系统推断。还被聊天机器人和创作原创小说的计算机所使用。