1 歴史と背景
1.1 人工知能の黎明期
1950年代から1960年代にかけて、人工知能の研究が始まる。初期の知識表示は、記号処理を中心とした論理ベースのアプローチが主流であった。マッカーシーらによるLISP言語の開発や、GPS（General Problem Solver）のような問題解決システムでは、対象世界の事実やルールを明示的に記述する方法が模索された。この時期の研究は、知識の形式化と推論の実現可能性を示す基盤となった。
1.2 記号主義からオントロジーへ
1970年代に入ると、知識表示の表現力と柔軟性を高めるため、フレームやスクリプトといった構造化された枠組みが提案された。1980年代にはエキスパートシステムの普及に伴い、プロダクションルールが実用化された。1990年代以降は、共有可能な知識構造としてオントロジーが注目され、Web上の情報処理やセマンティックWebの発展に寄与した。現在は、記号表現とニューラル表現の統合が新たな研究領域として台頭している。
2 主要な表現方法
2.1 記号表現
2.1.1 述語論理
述語論理は、項と述語を用いて命題を形式的に表現する。例えば「すべての鳥は飛ぶ」を「∀x (Bird(x) → Fly(x))」と表す。完全性と健全性を兼ね備えた推論機構を持ち、定理証明や質問応答に利用される。
2.1.2 プロダクションルール
プロダクションルールは「IF条件THEN結論」の形式で知識を表現する。エキスパートシステムで広く採用され、条件部が満たされるとアクションが実行される。モジュール性に優れ、ルールの追加・修正が容易である。
2.2 セマンティックネットワーク
2.2.1 IS-A階層
IS-A階層は、概念間の「は～である」という包含関係をノードとエッジで表現する。例えば「鳥IS-A動物」のように、上位概念と下位概念を結ぶ。この階層により、汎化と特殊化の関係が直感的に把握できる。
2.2.2 プロパティ継承
セマンティックネットワークでは、上位概念の属性が下位概念に自動的に継承される。例えば「動物」が「呼吸する」というプロパティを持てば、「鳥」や「魚」も同じプロパティを有する。継承により知識の冗長性が減少する。
2.3 フレーム
2.3.1 スロットとファセット
フレームは、対象の属性を「スロット」という単位で構造化する。各スロットには「ファセット」として値のタイプ、制約、デフォルト情報が付与される。例えば「鳥」フレームには「羽の色」「翼の数」などのスロットが設定される。
2.3.2 デフォルト値
デフォルト値は、特定のスロットに明示的な値が与えられない場合に使用される標準的な仮定である。例えば、鳥フレームの「飛ぶ能力」スロットには「True」がデフォルトとして設定されるが、ペンギンの場合には例外が指定される。
2.4 オントロジー
2.4.1 概念と関係
オントロジーは、特定の領域における概念（クラス）とその間の関係（プロパティ）を形式的に定義する。例えば「人間」と「動物」の関係に「IS-A」や「part-of」などが使用される。共有可能な語彙を提供し、データ統合や知識共有を促進する。
2.4.2 推論エンジン
推論エンジンは、オントロジーに定義されたルールと公理から新たな知識を導出する。OWL（Web Ontology Language）に基づく推論では、推移性や対称性などのプロパティを利用して、暗黙的な関係を明示化する。代表的なものにPelletやHermiTがある。
3 推論と処理
3.1 演繹推論
演繹推論は、一般的なルールから具体的な結論を導く。例えば「すべての人間は死ぬ。ソクラテスは人間である。したがって、ソクラテスは死ぬ」という三段論法が典型的である。知識ベースシステムでは、この推論が論理プログラミングやルールベースシステムの中核をなす。
3.2 帰納推論
帰納推論は、個別の事例から一般的なルールやパターンを見つけ出す。例えば複数の鳥の観察から「鳥は飛ぶ」という一般化を行う。機械学習の分野で多用され、決定木やニューラルネットワークの学習アルゴリズムに応用される。
3.3 アブダクション
アブダクションは、観察された結果から最も妥当な原因や仮説を推論する。例えば「地面が濡れている」という観察から「雨が降った」という仮説を立てる。診断やプランニングの分野で利用され、不完全な情報のもとでの推論を可能にする。
4 応用分野
4.1 エキスパートシステム
エキスパートシステムは、専門家の知識をプロダクションルールやフレームで表現し、診断や助言を行う。代表例として医療診断システムMYCINや地質探査システムPROSPECTORがある。推論エンジンがユーザーからの質問に基づいて結論を導く。
4.2 自然言語理解
自然言語理解では、文の意味を知識表示に変換する。セマンティックネットワークやオントロジーを用いて、単語間の関係や文脈を解析する。質問応答システムや機械翻訳の基盤技術として重要である。
4.3 セマンティックWeb
セマンティックWebは、Web上のデータに意味を付与する。RDF（Resource Description Framework）やOWLを用いて、データ間の関連を機械が理解できる形で記述する。知識ベースの統合や検索の高度化に貢献する。
4.4 ロボット工学
ロボット工学では、環境と行動計画の知識表示が必要となる。フレームやオントロジーで物体の特性や動作ルールを記述し、ロボットが自律的に判断できるようにする。特に、タスクプランニングや物体認識で利用される。
5 課題と展望
5.1 知識獲得のボトルネック
知識を人手で記述・整理するには多大な労力と時間がかかる。専門家の暗黙知を形式化する難しさや、大規模なオントロジーの構築コストが問題となる。知識自動獲得技術や機械学習による補完が求められる。
5.2 曖昧性と不完全性の扱い
現実世界の知識は曖昧で不完全である。ファジー論理や確率的推論を用いて不確実性を扱う手法が開発されているが、完全な解決には至っていない。自然言語の多義性や文脈依存性への対応が今後の課題である。
5.3 記号的表現とニューラル表現の融合
従来の記号的表現は明確性に優れるが、柔軟性に欠ける。一方、ニューラルネットワークによる分散表現は連続的で学習が容易だが、解釈性が低い。両者を組み合わせたニューラル記号学習（Neuro-Symbolic Learning）が、知識表示の新たな方向性として注目されている。