参考链接：https://mp.weixin.qq.com/s/EXUx46NANUv_QK7aSvSiQw
1、AI三大学派
（1）仿生学派——连接主义——深度学习
神经网络（CNN卷积神经网络、RNN循环神经网络 ）
用于图形识别、语音识别等一系列问题。
问题：可解释性差
（2）控制论学派——行为主义——强化学习
智能控制、智能机器人系统
控制论和感知-动作型控制系统
“激励-响应”设计模式
（3）心理学派/逻辑学派/计算机学派——符号主义——知识图谱
主要原理：物理符号系统和有限合理性原理。
认为AI源于数理逻辑，每次决策都是通过符号表示下的逻辑运算得到的。
2、AI三种研究方法
功能模拟法、结构模拟法、行为模拟法
3、知识图谱前身——语义网络
语义网络是知识表达模式，用相互连接的节点（概念、对象）和边来表示知识。
优：易理解和呈现、相关概念易聚类。
缺：节点和边的值没有标准、多源数据融合困难、无法区分概念节点和对象节点（eg：猫属于动物，动物是概念节点，猫是对象节点）
RDF解决了前两个问题。第三个问题（是不是多有自然语言或逻辑思维事务都能用语义网络来表示）-->属于逻辑、增强描述逻辑
4、语义网和RDF
语义网跟传统网的一个很大的区别是用户可以上传各种图结构的数据（采取的是W3C的标准RDF），并且在数据之间建立链接。
RDF（Resource Description Framework, 资源描述框架）的格式也沿袭语义网络中的主语谓语和宾语的三元组形式：
只不过，从原本的描述，变成了一个资源标识符URI（Uniform Resource Identifier，统一资源标识符），用于表示对应的资源存储的位置，也符合语义网中网的概念，如图：
5、知识图谱
知识图谱应该是基于文本的一个个超链接，并且用语义关系将这些数据联系起来，同时支持语义搜索和推理。
①从自然语言的角度，知识图谱是用于存储从非结构化数据中提取出来的有用信息的地方。
②从知识表示和表示学习的角度，知识图谱是通过用计算机能够理解的符号处理知识的框架。
③从数据库的角度来看：知识图谱是存储在图数据库中的基于图的数据。
④从人工智能发展到现如今的角度来看：知识图谱是帮助机器或人工智能系统更好的理解人类的文本、语言等非结构化数据集的有效工具。
