Bỏ qua tới nội dung chính

Trước khi có biểu diễn tri thức

Biểu diễn tri thức và suy luận: ghi lại hiểu biết để máy tự rút ra kết luận

Viết điều máy “biết” thế nào để nó tự suy ra điều mới: mạng ngữ nghĩa, luật và suy diễn tiến, kế thừa có ngoại lệ, đồ thị tri thức — và nên học từ đâu.

Ban biên tập OpenER

Cập nhật 18/11/2026 · 19 phút đọc · CC BY 4.0

Gõ "thủ đô của Nhật Bản" vào Google. Trước khi bạn kịp nhìn đường link nào, đầu trang đã hiện chữ "Tokyo", kèm ảnh và bản đồ. Câu trả lời ấy không đến từ trang web chứa nhiều chữ "thủ đô" và "Nhật Bản" nhất. Máy tra nó trong một kho ghi sẵn những điều như "Tokyo là một thành phố", "Tokyo là thủ đô của Nhật Bản", "Nhật Bản là một quốc gia" — và từ những dòng đó ráp được cả câu trả lời cho câu hỏi chưa ai hỏi trước.

Một chuyện gần hơn: quy chế học bổng của trường dài hai chục trang, và bạn muốn biết mình có đủ điều kiện không. Cán bộ phòng công tác sinh viên đọc quy chế, nhìn hồ sơ của bạn, lần theo từng điều khoản: điểm đủ chưa, rèn luyện đủ chưa, hoàn cảnh có thuộc diện ưu tiên không. Máy tính đọc được từng chữ trong file PDF quy chế — nhưng không "biết" gì từ nó cả.

Biểu diễn tri thức và suy luận (knowledge representation and reasoning — KR) là môn học về khoảng cách giữa hai việc ấy: viết hiểu biết ra dưới dạng nào để máy không chỉ lưu, mà còn suy ra được điều mới.

Trước khi có biểu diễn tri thức

Những chương trình đầu tiên cũng "biết" nhiều thứ, nhưng cái biết ấy nằm lẫn trong code. Phần mềm tính lương biết làm thêm ngày lễ được nhân hệ số cao hơn, vì đâu đó có một dòng if viết như vậy. Muốn biết chương trình "nghĩ" gì, phải đọc code; muốn đổi một quy định, phải nhờ lập trình viên sửa và cài lại. Hỏi nó "vì sao ra con số này?" thì nó chịu.

Ý tưởng tách tri thức ra khỏi chương trình đến từng bước:

  1. Chương trình có lẽ thường — năm 1959, John McCarthy công bố Programs with Common Sense, mô tả "Advice Taker": một chương trình nhận hiểu biết dưới dạng các câu khai báo và tự suy ra nên làm gì. Muốn dạy thêm, chỉ cần nói thêm một câu, không phải viết lại chương trình.
  2. Mạng ngữ nghĩa (semantic network) — năm 1968, Ross Quillian mô tả trí nhớ về nghĩa như một mạng: mỗi khái niệm là một nút, nối nhau bằng các quan hệ như "là một". Năm 1969, ông cùng Allan Collins đo được rằng người ta xác nhận "chim hoàng yến biết hót" nhanh hơn "chim hoàng yến có da" — như thể trí nhớ phải đi thêm vài bước trên mạng, từ "chim hoàng yến" lên "chim" rồi lên "động vật".
  3. Luật và hệ chuyên gia — thập niên 1970–1980. Tri thức viết thành luật "nếu… thì…", một bộ máy chung áp luật vào sự kiện. Chuyện MYCIN, R1/XCON và mùa đông AI theo sau chúng đã có trong bài Nhập môn trí tuệ nhân tạo. Bài học để lại cho môn này: luật viết tay dễ vỡ, và lấy tri thức ra khỏi đầu chuyên gia mới là phần khó nhất.
  4. Khung (frame) — năm 1974, Marvin Minsky đề xuất gom tri thức về một loại tình huống quen thuộc thành một "khung" có sẵn các ô (slot) với giá trị mặc định. Nghe "tôi vừa vào một quán phở", bạn tự hình dung ra bàn ghế, nồi nước dùng, ống đũa, và chuyện ăn xong mới trả tiền — dù không ai nói.
  5. Cyc — năm 1984, Douglas Lenat bắt đầu dự án tham vọng nhất ngành: ghi tay lẽ thường (common sense) của con người — nước làm ướt, một người không ở hai nơi cùng lúc — thành hàng triệu khẳng định logic. Ông theo đuổi nó gần bốn mươi năm, tới khi mất năm 2023.
  6. Logic mô tả và Web ngữ nghĩa — từ thập niên 1980, mạng ngữ nghĩa và khung được viết lại thành logic mô tả (description logic): đủ chặt để biết chắc máy suy ra đúng, đủ hẹp để máy luôn suy ra xong. Năm 2001, Tim Berners-Lee và hai đồng tác giả mô tả Web ngữ nghĩa (Semantic Web), nơi máy đọc được nghĩa chứ không chỉ chữ. Năm 2004, W3C chuẩn hóa ngôn ngữ OWL để viết tri thức như vậy lên web.
  7. Đồ thị tri thức (knowledge graph) — năm 2012, Google giới thiệu Knowledge Graph với khẩu hiệu "things, not strings": sự vật, không phải chuỗi ký tự. Cùng năm, Wikidata ra đời — kho tri thức mở ai cũng sửa được, nay có hơn một trăm triệu mục.
  8. Gặp mô hình ngôn ngữ lớn (large language model — LLM) — từ đầu thập niên 2020. LLM "biết" rất nhiều mà không ai viết luật nào. Câu hỏi của môn học đổi dạng: ghép cái biết rộng nhưng hay bịa của LLM với cái biết hẹp nhưng kiểm chứng được của luật và đồ thị tri thức.

Đặt cạnh nhau:

Tri thức nằm lẫn trong code
Tri thức viết riêng, máy tự suy luận
Đổi một quy định
Tìm đúng dòng if, sửa, cài lại
Sửa một luật trong kho tri thức
Hỏi "vì sao?"
Phải đọc code
Máy in ra chuỗi lập luận
Điều chưa ai viết sẵn
Không có
Suy ra từ sự kiện và luật
Ai kiểm tra được
Người biết lập trình
Chuyên gia của lĩnh vực đọc được luật
Nhiều ứng dụng cùng dùng
Mỗi nơi chép một bản logic
Cùng hỏi một kho tri thức

Thế giới "chưa có" vẫn ở quanh ta: quy chế học bổng nằm trong file PDF, quy định phụ cấp nằm trong các dòng if của phần mềm kế toán, còn kinh nghiệm bắt bệnh máy của bác thợ sửa xe lâu năm nằm trong đầu bác. Bác nghỉ hưu, cái biết ấy đi theo bác.

Môn này trả lời câu hỏi gì

Hai câu hỏi đi liền nhau:

  1. Biểu diễn: viết hiểu biết về thế giới dưới dạng nào — bảng, đồ thị, luật, logic — để máy lưu được và dùng được?
  2. Suy luận: từ những gì đã viết, máy được phép rút ra điều gì, rút ra có đúng không, và có kịp không?

Câu thứ hai khó hơn tưởng. Ngôn ngữ càng nói được nhiều, suy luận càng nặng. Với logic vị từ bậc nhất (first-order logic), không có chương trình nào luôn dừng và luôn trả lời đúng "điều này có suy ra được không" — hệ quả của bài toán quyết định mà bài Lý thuyết tính toán đã kể. Năm 1984, Ronald Brachman và Hector Levesque chỉ ra rằng chỉ thêm một cấu trúc nhỏ vào một ngôn ngữ khung là bài toán suy luận từ dễ chuyển hẳn sang khó. Nghề của người làm KR là chọn ngôn ngữ vừa đủ: nói được điều cần nói, và máy vẫn suy luận kịp.

Không làm AI cổ điển bạn vẫn gặp những câu hỏi này: khi thiết kế lược đồ dữ liệu, viết luật nghiệp vụ, xây chatbot trả lời trên tài liệu công ty, hay kiểm tra câu trả lời của một LLM.

Năm ý tưởng cốt lõi

1. Chọn cách biểu diễn là chọn cách nhìn

Một chút hiểu biết về bốn món ăn, viết thành bảng:

Món
Nổi tiếng ở
Nguyên liệu
Phở bò
Hà Nội
bánh phở, thịt bò
Bún chả
Hà Nội
bún, thịt lợn
Bún bò Huế
Huế
bún, thịt bò
Cơm tấm
Sài Gòn
gạo tấm, thịt lợn

Bảng tra nhanh "phở bò nổi tiếng ở đâu", nhưng đã thấy chỗ vướng: ô "nguyên liệu" chứa nhiều giá trị, còn "bánh phở làm từ gạo" hay "Huế thuộc miền Trung" không có chỗ ghi — phải thêm bảng, thêm cột. Bài Hệ cơ sở dữ liệu dạy thiết kế bảng cho chuẩn; KR hỏi sớm hơn một bước: thứ ta muốn nói tới có nên bị ép vào hàng và cột không?

Cách thứ hai là đồ thị: mỗi hiểu biết là một bộ ba (triple) chủ thể – quan hệ – đối tượng, như (phở bò, có, bánh phở), (bánh phở, làm từ, gạo), (Hà Nội, thuộc, miền Bắc). Thêm một loại quan hệ mới chỉ là thêm một dòng; câu hỏi nhiều bước thành chuyện đi theo cạnh.

Cách thứ ba là luật: không ghi sự kiện mà ghi cách sinh ra sự kiện — "món có nguyên liệu là thịt thì không phải món chay". Một luật thay cho cả cột "món chay?" điền tay, và tự đúng với món thứ một nghìn thêm vào sau.

Không cách nào "đúng" cho mọi việc: mỗi cách làm dễ vài câu hỏi và làm khó những câu khác. Randall Davis, Howard Shrobe và Peter Szolovits (1993) gọi một biểu diễn là vật thay thế (surrogate) cho thế giới. Như tấm bản đồ, nó luôn bỏ bớt; chọn biểu diễn là chọn trước mình sẽ thấy gì và bỏ qua gì.

2. Luật và suy diễn tiến: từ sự kiện ra kết luận

Quay lại quy chế học bổng. Viết các điều khoản thành luật — luật là dữ liệu, không phải code:

python
LUAT = [
    ("L1", ["điểm TB từ 3,2", "rèn luyện từ 80"], "học tập tốt"),
    ("L2", ["hộ nghèo"], "hoàn cảnh khó khăn"),
    ("L3", ["hộ cận nghèo"], "hoàn cảnh khó khăn"),
    ("L4", ["học tập tốt", "đủ 15 tín chỉ"], "đủ chuẩn xét học bổng"),
    ("L5", ["đủ chuẩn xét học bổng", "hoàn cảnh khó khăn"], "học bổng vượt khó"),
    ("L6", ["đủ chuẩn xét học bổng", "điểm TB từ 3,6"], "học bổng xuất sắc"),
]

def suy_dien_tien(su_kien):
    biet, ly_do = set(su_kien), {}
    co_moi = True
    while co_moi:                      # lặp tới khi không suy ra được gì mới
        co_moi = False
        for ten, dieu_kien, ket_luan in LUAT:
            if ket_luan not in biet and all(d in biet for d in dieu_kien):
                biet.add(ket_luan)
                ly_do[ket_luan] = (ten, dieu_kien)
                print(f"{ten}: {' + '.join(dieu_kien)}  =>  {ket_luan}")
                co_moi = True
    return ly_do

def vi_sao(dieu, ly_do, le=""):
    if dieu not in ly_do:
        print(f"{le}{dieu}  (khai trong hồ sơ)")
        return
    ten, dieu_kien = ly_do[dieu]
    print(f"{le}{dieu}  (theo {ten})")
    for d in dieu_kien:
        vi_sao(d, ly_do, le + "    ")

lan = ["điểm TB từ 3,2", "rèn luyện từ 80", "hộ cận nghèo", "đủ 15 tín chỉ"]
ly_do = suy_dien_tien(lan)
print()
vi_sao("học bổng vượt khó", ly_do)

Kết quả:

L1: điểm TB từ 3,2 + rèn luyện từ 80  =>  học tập tốt
L3: hộ cận nghèo  =>  hoàn cảnh khó khăn
L4: học tập tốt + đủ 15 tín chỉ  =>  đủ chuẩn xét học bổng
L5: đủ chuẩn xét học bổng + hoàn cảnh khó khăn  =>  học bổng vượt khó

học bổng vượt khó  (theo L5)
    đủ chuẩn xét học bổng  (theo L4)
        học tập tốt  (theo L1)
            điểm TB từ 3,2  (khai trong hồ sơ)
            rèn luyện từ 80  (khai trong hồ sơ)
        đủ 15 tín chỉ  (khai trong hồ sơ)
    hoàn cảnh khó khăn  (theo L3)
        hộ cận nghèo  (khai trong hồ sơ)

Bộ máy chỉ làm một việc: tìm luật đã đủ điều kiện mà kết luận chưa biết, thêm kết luận vào, lặp lại tới khi không còn gì mới. Đi từ sự kiện tới kết luận như vậy gọi là suy diễn tiến (forward chaining). Chiều ngược lại — bắt đầu từ câu hỏi "Lan có được học bổng vượt khó không?" rồi lần về những gì cần có — là suy diễn lùi (backward chaining), cách Prolog làm, được bàn kỹ trong bài Logic cho khoa học máy tính.

Ba điều đáng để ý:

  • Trường đổi ngưỡng điểm hay thêm luật L7 thì chỉ sửa danh sách LUAT; hàm suy_dien_tien không đổi một chữ. Tri thức tách khỏi bộ máy — đúng ý của McCarthy.
  • Hàm vi_sao in ra cây lý do. Hệ luật tự giải thích được, điều mà một mạng nơ-ron không làm được dễ dàng như vậy.
  • Mỗi vòng, bộ máy xét lại mọi luật. Với hàng chục nghìn luật và hàng triệu sự kiện, cách đó quá chậm. Thuật toán Rete của Charles Forgy (1982) nhớ sẵn những luật đã khớp được một phần, để mỗi sự kiện mới chỉ đánh thức đúng những luật liên quan. Các bộ máy luật nghiệp vụ trong ngân hàng, bảo hiểm ngày nay vẫn dùng hậu duệ của nó.

3. Phân cấp khái niệm, kế thừa và ngoại lệ

Mạng của Quillian ghi mỗi đặc điểm ở chỗ chung nhất: "có lông vũ" ghi một lần ở "chim", mọi loài chim tự kế thừa (inheritance). Bộ khái niệm, quan hệ "là một" và đặc điểm của một lĩnh vực như vậy gọi là bản thể học (ontology). Nhưng thế giới đầy ngoại lệ: chim thì bay — trừ chim cánh cụt, đà điểu, chim non, chim gãy cánh.

python
LA_MOT = {"chim": "động vật",              # "chim là một động vật"
          "chim hoàng yến": "chim",
          "chim cánh cụt": "chim",
          "Vàng": "chim hoàng yến",
          "Pi": "chim"}                    # mới biết Pi là một con chim

DAC_DIEM = {"động vật": {"cần ăn": True},
            "chim": {"có lông vũ": True, "bay": True},          # mặc định
            "chim hoàng yến": {"biết hót": True},
            "chim cánh cụt": {"bay": False, "bơi giỏi": True}}  # ngoại lệ

def hoi(vat, dac_diem):
    lop = vat
    while lop:                             # đi ngược lên cây, gần nhất thắng
        if dac_diem in DAC_DIEM.get(lop, {}):
            return DAC_DIEM[lop][dac_diem], lop
        lop = LA_MOT.get(lop)
    return None, None                      # không biết

print(hoi("Vàng", "biết hót"), hoi("Vàng", "cần ăn"))
print("Pi bay?", hoi("Pi", "bay"))
LA_MOT["Pi"] = "chim cánh cụt"             # biết thêm: Pi là chim cánh cụt
print("Pi bay?", hoi("Pi", "bay"), "| lông vũ?", hoi("Pi", "có lông vũ"))

Kết quả:

(True, 'chim hoàng yến') (True, 'động vật')
Pi bay? (True, 'chim')
Pi bay? (False, 'chim cánh cụt') | lông vũ? (True, 'chim')

Hỏi "Vàng có cần ăn không" phải đi lên ba bậc tới "động vật" — đúng kiểu đường đi Collins và Quillian đo trên người (các thí nghiệm sau này cho thấy trí nhớ người không xếp tầng gọn như vậy: người ta xác nhận "chim sẻ là chim" nhanh hơn "chim cánh cụt là chim", dù hai câu cách nhau cùng một bậc). Quy tắc "gần nhất thắng" cho đặc điểm ở lớp con đè lên lớp cha, giống lớp con ghi đè phương thức trong lập trình hướng đối tượng.

Điều đáng nói nằm ở Pi. Lúc chỉ biết Pi là chim, máy kết luận Pi bay được; biết thêm một sự kiện, kết luận ấy bị rút lại. Logic cổ điển không bao giờ như vậy: biết thêm chỉ làm kết luận nhiều thêm — tính đơn điệu (monotonic). Còn con người suy luận theo mặc định (default) hằng ngày: hẹn bạn ở quán cà phê, bạn mặc định quán mở cửa, cho tới khi thấy cửa đóng. Năm 1980, tạp chí Artificial Intelligence ra một số chuyên đề về suy luận không đơn điệu (non-monotonic reasoning), có logic mặc định của Raymond Reiter và phép giới hạn (circumscription) của McCarthy. Cái khó thật lộ ra khi hai mặc định trái nhau cùng áp vào một thứ. Ví dụ kinh điển: Richard Nixon vừa là tín đồ Quaker — mặc định phản đối chiến tranh — vừa là đảng viên Cộng hòa — mặc định thì không. Nghe theo lớp nào là cả một bài toán, có hẳn tên riêng: "kim cương Nixon" (Nixon diamond).

4. Đồ thị tri thức và truy vấn

Wikidata ghi tri thức dưới dạng bộ ba: mỗi sự vật một mã (Việt Nam là Q881), mỗi quan hệ một mã (P36 là "thủ đô"), và "thủ đô của Việt Nam là Hà Nội" là một cạnh nối hai nút. Thu nhỏ lại với bốn món ăn ở ý thứ nhất:

python
DO_THI = [
    ("phở bò", "có", "bánh phở"), ("phở bò", "có", "thịt bò"),
    ("bún chả", "có", "bún"), ("bún chả", "có", "thịt lợn"),
    ("bún bò Huế", "có", "bún"), ("bún bò Huế", "có", "thịt bò"),
    ("cơm tấm", "có", "gạo tấm"), ("cơm tấm", "có", "thịt lợn"),
    ("bánh phở", "làm từ", "gạo"), ("bún", "làm từ", "gạo"),
    ("phở bò", "nổi tiếng ở", "Hà Nội"), ("bún chả", "nổi tiếng ở", "Hà Nội"),
    ("bún bò Huế", "nổi tiếng ở", "Huế"), ("cơm tấm", "nổi tiếng ở", "Sài Gòn"),
    ("Hà Nội", "thuộc", "miền Bắc"), ("Huế", "thuộc", "miền Trung"),
    ("Sài Gòn", "thuộc", "miền Nam"),
]

def khop(mau, bo_ba, gan):
    gan = dict(gan)
    for m, v in zip(mau, bo_ba):
        if m.startswith("?"):              # biến: gán lần đầu, các lần sau phải trùng
            if gan.setdefault(m, v) != v:
                return None
        elif m != v:                       # hằng: phải trùng đúng chữ
            return None
    return gan

def hoi(*cac_mau):
    ket_qua = [{}]
    for mau in cac_mau:                    # mỗi mẫu lọc và nối tiếp kết quả cũ
        ket_qua = [g for cu in ket_qua for bo_ba in DO_THI
                   if (g := khop(mau, bo_ba, cu)) is not None]
    return ket_qua

# Món nào ở miền Bắc có nguyên liệu làm từ gạo?
for g in hoi(("?món", "nổi tiếng ở", "?nơi"), ("?nơi", "thuộc", "miền Bắc"),
             ("?món", "có", "?x"), ("?x", "làm từ", "gạo")):
    print(g["?món"], "—", g["?x"])

# Hai món khác nhau dùng chung một nguyên liệu
for g in hoi(("?a", "có", "?x"), ("?b", "có", "?x")):
    if g["?a"] < g["?b"]:
        print(g["?a"], "&", g["?b"], ":", g["?x"])

Kết quả:

phở bò — bánh phở
bún chả — bún
bún chả & cơm tấm : thịt lợn
bún bò Huế & bún chả : bún
bún bò Huế & phở bò : thịt bò

Mỗi mẫu có biến (bắt đầu bằng ?) lọc dần tập kết quả; một biến xuất hiện ở hai mẫu buộc hai cạnh phải chạm vào cùng một nút — đó là phép nối (join), như trong SQL. Ngôn ngữ truy vấn chuẩn của Web ngữ nghĩa, SPARQL, viết gần giống hệt: ?món :có ?x . ?x :làmTừ :gạo. Wikidata có sẵn trang cho bất kỳ ai gõ SPARQL thẳng lên kho của nó.

Một bảng ba cột trong cơ sở dữ liệu quan hệ cũng chứa được đúng những bộ ba này. Khác biệt không nằm ở chỗ lưu mà ở lược đồ mở: không phải quyết định trước có những cột nào, và nhiều tổ chức có thể nối thêm cạnh vào cùng một nút nhờ dùng chung mã.

Một chỗ dễ vấp: hỏi "món nào có nguyên liệu làm từ gạo" sẽ ra phở bò, bún chả, bún bò Huế — mà không có cơm tấm, vì không ai ghi "gạo tấm làm từ gạo". Cơ sở dữ liệu thường hiểu "không có trong bảng" là "sai": giả định thế giới đóng (closed-world assumption). Web ngữ nghĩa hiểu là "chưa biết": giả định thế giới mở (open-world assumption), vì không kho nào ghi hết được thế giới.

5. Lẽ thường, và khi tri thức gặp mô hình ngôn ngữ lớn

Nhờ một con robot bê ấm trà từ bàn sang kệ. Cái gì thay đổi? Vị trí của ấm — và nước trong ấm cũng đi theo. Cái gì không đổi? Màu của ấm, cái bàn, mấy cái chén, trời ngoài cửa sổ… Viết bằng logic, mỗi hành động cần thêm câu cho từng thứ nó không làm thay đổi. John McCarthy và Patrick Hayes gọi đó là bài toán khung (frame problem) năm 1969 — trùng tên với khung của Minsky nhưng là chuyện khác. Một đứa trẻ năm tuổi không bao giờ phải nghĩ về nó.

Đó cũng là bài học của Cyc: gần bốn mươi năm và hàng triệu khẳng định, Cyc vẫn không thành cái nền lẽ thường cho mọi chương trình như Lenat mong. Lẽ thường quá nhiều, quá vụn, và phần lớn chưa bao giờ được viết ra — vì ai cũng biết rồi.

LLM đi đường ngược lại: không ai viết luật, nó hấp thụ cái biết từ một lượng văn bản khổng lồ. Hỏi chim cánh cụt có bay không, nó trả lời đúng. Nhưng nó có thể bịa — hiện tượng gọi là ảo giác (hallucination) — một điều khoản học bổng không có thật, bằng giọng rất chắc chắn, và không chỉ ra được mình lấy điều đó từ đâu. Vì thế hệ thống thật thường ghép hai bên. Trước khi trả lời, hệ thống truy xuất (retrieval) đoạn quy chế hay những bộ ba liên quan từ một kho đáng tin rồi đưa cho mô hình đọc kèm câu hỏi — cách làm thường gọi là RAG (retrieval-augmented generation), theo tên một bài báo năm 2020. Hoặc mô hình chỉ dịch câu hỏi thành truy vấn, còn bộ máy luật và đồ thị trả lời. Chiều ngược lại, LLM giúp đọc văn bản để dựng đồ thị tri thức nhanh hơn nhiều so với nhập tay. Bài Xử lý ngôn ngữ tự nhiên đi tiếp phía mô hình.

Biểu diễn tri thức nằm ở đâu trong chồng tầng

Trong chồng tầng của bài Từ electron đến ứng dụng, KR ở tầng ứng dụng, cạnh các nhánh khác của AI. Nó đứng trên:

  • Logic: cho biết kết luận nào được phép rút ra — nền ở bài Toán rời rạc, logic và chứng minh.
  • Cấu trúc dữ liệu và cơ sở dữ liệu: đồ thị, bảng băm, chỉ mục. Một kho bộ ba thật thường đánh chỉ mục theo nhiều thứ tự (chủ thể – quan hệ – đối tượng, quan hệ – đối tượng – chủ thể…) để mẫu nào cũng tra nhanh; xem Cấu trúc dữ liệu và giải thuật.
  • Lý thuyết tính toán: giải thích vì sao logic mô tả, nền của OWL, cố tình bị giới hạn — để suy luận luôn dừng.

Phía trên nó là máy tìm kiếm, trợ lý ảo, hồ sơ bệnh án điện tử, chatbot trả lời có nguồn.

Đưa lên

Câu trả lời cho những câu hỏi về sự vật và quan hệ — "món nào", "ai", "có đủ điều kiện không" — kèm chuỗi lập luận dẫn tới nó.

Giấu đi

Cách sự kiện được lưu và đánh chỉ mục, thứ tự áp luật, hàng nghìn bước suy luận trung gian. Giấu luôn cả những gì kho chưa biết: một câu trả lời "không" có khi chỉ là "chưa ai ghi".

Học trước và học sau

· 6 môn

Nhập môn trí tuệ nhân tạo

Introduction to Artificial Intelligence

Tác tử, tìm kiếm, ra quyết định — bức tranh chung mà KR là một mảnh. Nên học trước.

Xem chủ đề trên OpenER: Introduction to Artificial Intelligence

Logic cho khoa học máy tính

Logic for Computer Science

Logic mệnh đề, logic vị từ, hợp giải, suy diễn lùi — nền hình thức cho mọi suy luận trong môn này. Nên học trước hoặc song song.

Xem chủ đề trên OpenER: Logic for Computer Science

Hệ cơ sở dữ liệu

Database Systems

Mô hình quan hệ và truy vấn khai báo — người anh em gần nhất của bộ ba và SPARQL. Học song song để thấy mỗi bên mạnh ở đâu.

Xem chủ đề trên OpenER: Database Systems

Mô hình đồ thị xác suất

Probabilistic Graphical Models

Khi tri thức không chắc chắn: "chim thường bay" thành một con số xác suất, và suy luận thành phép tính Bayes.

Xem chủ đề trên OpenER: Probabilistic Graphical Models

Xử lý ngôn ngữ tự nhiên

Natural Language Processing

Rút bộ ba từ văn bản, mô hình ngôn ngữ lớn, hỏi đáp có truy xuất — nơi KR gặp ngôn ngữ con người.

Xem chủ đề trên OpenER: Natural Language Processing

Khoa học nhận thức

Cognitive Science

Con người lưu và dùng khái niệm thế nào — nơi mạng ngữ nghĩa và khung bắt đầu.

Xem chủ đề trên OpenER: Cognitive Science

Ứng dụng thật và nghề nghiệp

  • Tìm kiếm và trợ lý ảo: ô trả lời đầu trang, câu trả lời "ai, ở đâu, khi nào" của trợ lý giọng nói lấy từ đồ thị tri thức.
  • Thương mại điện tử: đồ thị sản phẩm — hàng nào thay được hàng nào, phụ kiện nào hợp máy nào.
  • Y tế và sinh học: hệ thuật ngữ y khoa như SNOMED CT, bản thể học gen (Gene Ontology) giúp bệnh viện và phòng thí nghiệm hiểu đúng dữ liệu của nhau.
  • Luật nghiệp vụ: ngân hàng, bảo hiểm, thuế dùng bộ máy luật để duyệt hồ sơ, tính phí, kiểm tra tuân thủ, kèm lời giải thích cho từng quyết định.
  • AI có nguồn: chatbot doanh nghiệp trả lời dựa trên kho tài liệu và đồ thị tri thức nội bộ.

Nghề gắn với môn này: kỹ sư đồ thị tri thức, người xây bản thể học (ontologist), kỹ sư dữ liệu, kỹ sư AI xây hệ truy xuất cho LLM, và tin sinh học.

Học xong làm được gì, bắt đầu từ đâu

Sau môn này bạn có thể:

  • chọn cách biểu diễn — bảng, đồ thị, luật, logic — cho một lĩnh vực, và nói được mỗi cách được gì, mất gì;
  • viết một bộ máy luật suy diễn tiến biết giải thích, và hiểu vì sao cần Rete khi luật nhiều;
  • dựng một bản thể học nhỏ có kế thừa và ngoại lệ, nhận ra chỗ nào suy luận không đơn điệu;
  • mô hình hóa dữ liệu thành bộ ba và viết truy vấn SPARQL trên Wikidata;
  • giải thích vì sao lẽ thường khó viết ra, và thiết kế một hệ thống ghép LLM với kho tri thức để câu trả lời có nguồn.

Nên biết trước: lập trình Python, logic mệnh đề và logic vị từ ở mức toán rời rạc. Học nhập môn AI trước giúp thấy KR đứng ở đâu trong bức tranh chung.

Bắt đầu trên OpenER: trang chủ đề Knowledge Representation and Reasoning có các khóa học đã chọn lọc, và hướng dẫn học gợi ý thứ tự đi qua chúng. Khóa chính là khóa của Deepak Khemani (IIT Madras) trên NPTEL, một trong số ít khóa công khai dành trọn cho môn này, chia thành nhiều video ngắn. Muốn đi tiếp: MIT 6.825 đặt logic cạnh lập kế hoạch và mạng Bayes; Stanford CS 520 đi theo hướng đồ thị tri thức hiện đại. Lời khuyên: chọn một lĩnh vực nhỏ bạn hiểu rõ — món ăn quê mình, quy chế của trường, tủ sách ở nhà — rồi tự viết tri thức về nó ba lần, bằng bảng, bằng bộ ba và bằng luật. Chỗ nào viết mãi không xong, chỗ đó môn học bắt đầu thú vị.

Tài liệu tham khảo

  • Ronald J. Brachman, Hector J. Levesque — Knowledge Representation and Reasoning, Morgan Kaufmann, 2004.
  • Frank van Harmelen, Vladimir Lifschitz, Bruce Porter (chủ biên) — Handbook of Knowledge Representation, Elsevier, 2008.
  • Stuart Russell, Peter Norvig — Artificial Intelligence: A Modern Approach, ấn bản thứ tư, các chương về logic và biểu diễn tri thức.
  • Aidan Hogan và cộng sự — "Knowledge Graphs", ACM Computing Surveys, 2021; có bản sách đọc miễn phí.
  • Deepak Khemani — Artificial Intelligence: Knowledge Representation and Reasoning, khóa NPTEL của IIT Madras.
  • Stanford CS 520 Knowledge Graphs (Vinay K. Chaudhri) — trang khóa học, video và ghi chú.
  • MIT 6.825 Techniques in Artificial Intelligence (Fall 2002) — MIT OpenCourseWare.
  • W3C — OWL 2 Web Ontology Language Document Overview và SPARQL 1.1 Query Language.
  • Randall Davis, Howard Shrobe, Peter Szolovits — "What Is a Knowledge Representation?", AI Magazine, 1993.

Ban biên tập OpenER, “Biểu diễn tri thức và suy luận: ghi lại hiểu biết để máy tự rút ra kết luận”, OpenER, 2026. Phát hành theo CC BY 4.0: được chia sẻ, chỉnh sửa, kể cả thương mại, miễn ghi công tác giả và dẫn link bài gốc.