1 引言与背景
1.1 常识的定义与特征
常识（Common Sense）是指人类在日常生活中普遍具备的、关于世界运作的基本知识和推理能力。它包括对物理世界的理解（如“物体掉落时会下落”）、对因果关系的认知（如“下雨会使地面变湿”）、对社会规范的掌握（如“排队时不应插队”）等。常识的特征在于其广泛性、隐含性和默认性：大多数常识知识无需专门学习，人们默认共享，且在没有矛盾时被视为真理。这些知识通常不精确、充满例外，却支撑着人类高效地理解、预测和应对环境。
1.2 常识在人工智能中的核心地位
在人工智能中，常识被视为实现通用智能（Artificial General Intelligence）的关键瓶颈。没有常识，系统无法理解自然语言中的省略与隐喻，无法应对未预定义的情境，也无法进行合理的因果推理。早期研究者发现，即便在简单对话中，计算机也常因缺乏常识而做出荒谬回答。因此，赋予程序常识被认为是解决“符号落地问题”和“框架问题”的前提，也是连接感知层与推理层的必要桥梁。
1.3 历史起源：麦卡锡的构想与逻辑学派
1959年，约翰·麦卡锡在论文“Programs with Common Sense”中首次明确提出让计算机程序拥有常识的构想。他提出使用逻辑形式化语言（如一阶谓词演算）表示世界知识，并设计一个名为“咨询系统”（Advice Taker）的程序，能够根据输入事实和常识规则进行演绎推理。这一思路启发了逻辑学派的研究方向，推动了人工智能从单纯的问题求解转向知识表示与推理的范畴。麦卡锡的工作奠定了符号主义人工智能的基础，后续研究者在此基础上发展了非单调逻辑、情景演算等理论。
2 核心方法与技术
2.1 常识知识的表示
2.1.1 一阶逻辑与谓词演算
一阶逻辑是麦卡锡最初采用的知识表示语言。通过谓词（如IsOn(x, y)表示“x在y上面”）、函数和量词，可将常识事实组织为形式化公理。例如，“如果一个人口渴，他会找水喝”可写为∀x (Thirsty(x) → ∃y (Water(y) ∧ SeeksToDrink(x, y)))。这种表示的优势在于精确、可演绎，但面临推理效率低下和表达知识模糊性的困难。
2.1.2 框架、脚本与语义网络
为克服一阶逻辑的刚性，研究者提出了更适合结构化常识的表示方法。框架（Frame）由明斯基（Marvin Minsky）提出，用于描述对象及其属性，如“鸟”框架包含“有翅膀”、“会飞”等槽位（slot），并允许默认值。脚本（Script）则用于描述典型事件序列（如“餐厅就餐”）。语义网络（Semantic Network）用节点表示概念，用带标签的边表示关系（如“是”、“有”、“导致”），便于可视化与检索。这些表示均试图在表达力与计算复杂度之间取得平衡。
2.2 常识推理机制
2.2.1 非单调逻辑与缺省推理
常识推理的本质是非单调的：当获得新信息时，先前得出的结论可能被推翻。例如，“鸟会飞”在得知“企鹅是鸟但不会飞”后不再成立。非单调逻辑（如缺省逻辑、可废止逻辑）允许在知识不完全时做出默认推论，并在冲突时撤销。麦卡锡提出的“界限化”（Circumscription）也是一种非单调机制，通过最小化异常情况来维持常识规则的有效性。
2.2.2 基于闭世界假设的推理
闭世界假设（Closed World Assumption, CWA）认为，若某个事实未被知识库明确包含，则视为假。这在数据库领域常用（如SQL的NULL含义），但在常识推理中需谨慎使用，因为常识的世界通常是开放的。一些系统（如早期专家系统）结合CWA与“否定即失败”策略，以实现高效的查询回答，但可能因忽略未知信息而得出错误结论。
2.3 知识的获取与维护
2.3.1 手工编码与本体工程
早期常识系统依赖领域专家手动将常识转化为形式化知识。本体工程（如Cyc项目）组织者编写大量逻辑公理，并构建微理论（Microtheories）以管理不同领域间可能矛盾的常识。这种方法精确但耗时，且难以覆盖全面。知识工程师需定义清晰的关系层次和约束，以维护知识库的一致性和可扩展性。
2.3.2 从文本或交互中自动学习
为缓解手工编码的瓶颈，研究者开发了从自然语言文本（如维基百科、书籍）或人机交互中自动抽取常识的方法。通过模式匹配、句法分析或远程监督，系统可提取如“动物有心脏”、“水能解渴”等关系。交互式学习（如让用户补充常识条目）被用于Open Mind Common Sense等项目。此类方法可大幅扩充知识库规模，但抽取结果的噪声和歧义仍需后续验证。
3 代表性系统与项目
3.1 Cyc系统
3.1.1 知识库体系结构与微理论
Cyc是始于1984年的长期项目，旨在构建一个包含数百万条常识公理的大型知识库。其核心特点是用微理论（Microtheories）组织知识：每个微理论代表一个特定的上下文（如“古典经济学”、“儿童玩耍”），允许不同领域存在看似矛盾的常识，通过语境切换解决推理冲突。知识库采用CycL语言（一种高阶逻辑），包含概念、关系、规则和断言。截至2010年代，Cyc已包含超过200万条人类手工编写的断言和约1000个微理论。
3.1.2 推理引擎与启发式规则
Cyc的推理引擎支持基于一阶逻辑的演绎推理、基于约束的推理以及类比推理。为应对大规模知识库的搜索空间，引擎采用了启发式规则（如“优先使用特定微理论中的规则”）和推理截图（Inference Context）来限制推理范围。尽管推理效率仍有不足，Cyc在金融、军事等领域的语义数据整合中得到了应用，成为符号常识系统的标杆。
3.2 ConceptNet
3.2.1 语义网络与关系类型
ConceptNet是一个开源常识知识库，以语义网络形式组织，节点为概念（如“水”、“喝”），边为关系（如“IsA”、“UsedFor”、“CapableOf”）。共有约30种标准关系类型，覆盖空间、时间、因果、目的等维度。例如，关系“水 → UsedFor → 解渴”表示水的一种用途。网络支持从具体概念到抽象概念的链接，便于执行常识推理任务（如概念相似度计算）。
3.2.2 众包构建与多语言扩展
ConceptNet由麻省理工学院媒体实验室的Open Mind Common Sense项目演变而来，通过在线游戏（如“动词游戏”）和志愿者贡献积累常识。其核心语料以英语为主，但已扩展至超过80种语言，包括中文、日语等。多语言版本利用跨语言映射技术，将源自不同文化的常识对齐。ConceptNet在自然语言处理领域被广泛用作常识知识源，尤其在问答系统和对话生成中发挥作用。
3.3 其他尝试
3.3.1 Open Mind Common Sense
Open Mind Common Sense（始于1999年）是一个众包平台，邀请普通用户用自然语言提交常识事实，如“如果你把茶壶放在火上，水会沸腾”。系统将这些句子转化为结构化表示（如ConceptNet的关系格式）。该项目探索了利用大众智慧构建常识库的可能性，尽管数据质量参差，但为后续众包方案提供了经验。
3.3.2 NELL（Never-Ending Language Learner）
NELL是卡内基梅隆大学自2010年启动的持续学习系统。它每天从网页文本中自主抽取新知识（如概念类别、事实关系），并使用已有知识验证新增条目，形成循环学习。NELL已抽取出数百万条候选常识，涵盖实体关系（如“城市位于国家”）。由于依赖于统计模式，其结果包含一定噪声，但展示了自动常识获取的潜力。
4 主要挑战与瓶颈
4.1 知识的规模与完备性
常识表现为碎片化、冗余且深度无限。人类所知的常识事实难以精确计数，可能多达数十亿条。任何知识库都无法覆盖所有情境。此外，当知识库规模膨胀时，推理复杂度呈指数增长，导致系统响应慢。如何权衡知识的广度与推理的时效性，是持续困扰的难题。
4.2 常识推理的模糊性与上下文依赖
常识高度依赖于上下文：同一事实在不同语境下可能具有不同含义（如“能吃的”可指食物或药品）。且常识常包含模糊性（如“大概”、“通常”），难以用精确逻辑表达。非单调推理虽可处理部分例外，但面对连续语境切换（如幽默、反讽）时，系统仍易崩溃。如何建模微妙的语境差异，仍是研究热点。
4.3 与深度学习等统计方法的融合
4.3.1 神经符号系统的探索
深度学习方法在模式识别上表现出色，但缺乏结构化推理能力。神经符号系统尝试结合神经网络的表示学习与符号系统的逻辑规则，例如使用神经网络将自然语言问题转化为逻辑查询，或利用符号约束引导神经网络训练。这类方法有望兼具两者之长，但如何设计可微的推理接口仍是挑战。
4.3.2 常识嵌入与预训练语言模型
近年来，大规模预训练语言模型（如GPT、BERT）在统计上学习了许多常识关联（如“鸟会飞”）。研究者尝试将常识知识库的信息嵌入模型权重中（如通过知识图谱增强训练），或利用模型输出生成显式的常识推理路径。然而，统计模型的可靠性受限于训练数据分布，且难以保证推理的一致性。常识嵌入的探索尚处于初期。
5 应用场景与影响
5.1 自然语言理解与对话系统
常识是自然语言理解不可或缺的支撑。例如，理解句子“他把玻璃杯放在桌子边缘”需要知道“边缘”意味着可能掉落的危险。在对话系统中，常识可帮助推测用户意图、处理省略语（如“买两个那个”）、生成合乎常理的回应。当前主流对话系统（如Siri、Alexa）虽集成了轻量级常识，但深层推理仍依赖专门常识库。
5.2 机器人与自主代理
机器人在物理世界中的自主行为强烈依赖常识。例如，清洁机器人需知道“水不能倒在电子设备上”；服务机器人要懂得“如果人正在走路，不应突然挡在面前”。常识使机器人能进行因果推理（如“打翻杯子后地板会湿”）和规划补救措施。知识库的实时推理能力与机器人感知模块的协同，是实际部署的关键。
5.3 问答系统与推荐引擎
在开放域问答中，常识用于回答需隐含知识的问题（如“为什么夏天需要防晒？”需调用紫外线知识）。推荐引擎可借助常识理解用户偏好背后的原因（如“喜欢侦探小说的人可能也喜欢逻辑谜题”）。医学咨询、法律辅助等垂直领域也受益于领域特定的常识推理。
6 未来研究方向
6.1 可解释的常识推理
随着AI在关键决策中的使用增加，如何让系统向用户解释其推理过程（如“因为这只鸟是企鹅，所以不飞”）变得重要。未来的常识系统需能生成自然语言或可视化推理链，同时保持逻辑一致性。该方向与可解释人工智能（XAI）紧密结合。
6.2 跨模态常识获取
常识不仅存在于文本中，还蕴含于图像、视频和语音。例如，从一张“倒下的椅子”图片中可推断“有人或物撞击了它”。跨模态常识获取旨在利用视觉、听觉等多源信息学习抽象概念（如“危险”、“礼貌”），并建立跨模态知识关联。这有助于机器人更好地理解动态场景。
6.3 持续学习与常识更新
世界在变化，常识也随之演化（如“智能手机的出现改变了联络方式”）。未来系统需具备持续学习能力，在不遗忘旧知识的前提下吸收新常识，并修正过时的规则。借助在线交互、用户反馈和自监督机制，使常识库保持动态更新，是走向通用智能的必经之路。