特例，也能灵活调整认知，不会完全推翻之前的知识。
- 电脑的记法：必须先把“哺乳动物”的定义写成精确的规则，比如“如果一种动物是胎生且哺乳，那么它是哺乳动物”，再把“狗是胎生、狗会哺乳”这些信息输进去，最后形成“（狗，属于，哺乳动物）”的精确表示。如果遇到鸭嘴兽，不修改规则的话，电脑就会“纠结”：它哺乳但不胎生，到底是不是哺乳动物？
这背后的原因是：人类的大脑是“模糊处理系统”，能接受不确定性；电脑是“精确计算系统”，只能处理明确的指令和数据。
2 用知识：人类“靠直觉联想”，电脑“靠规则推理”
遇到问题时，人类用知识靠的是“直觉和联想”，有时候自己都没意识到“为啥这么想”；电脑用知识靠的是“预设的规则”，每一步都能说清楚“怎么来的”。
比如回答“为什么夏天白天比冬天长”
- 人类的思路：可能先想到“地球绕太阳转”，然后联想到“地球是斜着转的”，再想到“夏天太阳照北半球的时间长”，最后得出结论。整个过程是跳跃的，可能还夹杂着小时候看科普片的记忆，甚至没明确想“黄赤交角”这个专业词，也能说出大概原因。
- 电脑的思路：得先有一套明确的知识表示和推理规则：
1 存储知识：（地球，绕转对象，太阳）、（地球，自转状态，倾斜）、（倾斜自转+绕太阳公转，导致，不同季节日照时间不同）、（北半球夏天，日照时间，长于冬天）。
2 执行推理：用户问“夏天白天比冬天长的原因”，电脑先搜“白天长短”相关的知识，找到“日照时间”，再顺着“日照时间→公转+倾斜自转”的关系链条，最后把这些知识组织成回答。
简单说，人类用知识是“凭感觉走捷径”，电脑是“按规矩走流程”。
3 懂知识：人类“知其然也知其所以然”，电脑“知其然不知其所以然”
人类记知识的时候，会顺带理解“背后的道理”；但电脑记知识，只是把“符号和关系”存起来，根本不懂这些符号到底是什么意思。
比如“水烧开后会沸腾”
- 人类的理解：你不仅知道“水烧开=沸腾”，还知道“这是因为温度到了100c，水分子运动变快”，甚至能联想到“高原上水温不到100c就沸腾，因为气压低”。你懂“水”“温度”“气压”这些概念的实际意义，还能举一反三。
- 电脑的理解：电脑里存储的是“（水，达到温度，100c）→（水，状态变化，沸腾）”，气压，低）→（水，沸腾温度，低于100c）”这样的规则。它知道“100c”和“沸腾”有关，但根本不知道“水”是啥味道、“沸腾”是啥样子，更不会有“用沸腾的水做饭”的生活联想。
这就是最核心的区别：人类的知识表示是“有意义的理解”，电脑的知识表示是“无意义的符号处理”。就像你能看懂“苹果”是能吃的水果，电脑只知道“苹果”是一个节点，和“水果”“能吃”这些节点有连接。
三、拆套路：电脑常用的“知识表示方法”
为了让电脑能处理知识，科学家们设计了十几种表示方法，就像不同的“翻译话术”，各有各的用处。咱们挑最常用的6种，用生活场景当例子，保证一看就懂。
1 逻辑表示法：像做数学证明，精确但死板
这种方法是把知识写成“逻辑公式”，就像初中数学里的“若a则b”，精确到没朋友，但灵活性差。它的核心是“用符号表达条件和结论”，适合处理严格的推理问题。
举个例子：用逻辑表示法写“如果这本书是张三的，那么它是蓝色封面”。
会写成这样的公式：book(张三) → lor(蓝色)
- “book(张三)”这本书属于张三；
- “lor(蓝色)”是结论：封面是蓝色。
实际用处：比如智能题库里的逻辑题，电脑可以用这种方法推理。比如存储“所有直角三角形的两条直角边平方和等于斜边平方”“这个三角形是直角三角形，两条直角边分别是3和4”，电脑就能通过逻辑公式算出“斜边是5”。
优点：绝对精确，不会有歧义；缺点：太死板，没法处理模糊知识。比如“大部分年轻人喜欢奶茶”，“大部分”没法用严格的逻辑公式表示，电脑就处理不了。
2 产生式表示法：“如果…就…”，像做饭的菜谱
这种方法是把知识写成一堆“如果a，就做b”的规则，就像菜谱里的“如果水开了，就下饺子”，特别符合人类解决问题的思路。它是ai里用得最久的方法之一，尤其适合做“专家系统”。
举个例子：医疗诊断系统里的知识表示。
- 规则1：如果患者发烧、咳嗽、喉咙痛，就判断可能是感冒；
- 规则2：如果患者发烧超过3天、咳嗽带痰、胸闷，就判断可能是肺炎；
- 规则3：如果是感冒，就推荐吃感冒药、多喝水。
这些规则会存在电脑里，当输入患者症状时，电脑就一条