1 人类认识世界，本质上是建立联系的过程

人类认识世界的过程，本质上就是不断发现差异、建立分类，并寻找事物之间联系的过程。

对早期人类而言，外部世界首先呈现为大量尚未被理解的感知对象和现象：天空中的太阳、月亮和星辰，大地上的植物和动物，四季变化、天气变化，以及人类自身，都混杂在一个尚未被理解的世界中。

而人类认识世界的第一步，就是尝试对这个复杂的整体进行划分：什么是动物？什么是植物？什么是天上的事物？什么是地上的事物？什么是可以观察和测量的现象？这些看似简单的问题，实际上代表了人类认知过程中的一个重要变化：人类开始尝试将原本混杂在一起的事物区分开来。

但是，区分事物并不是人类的最终目的。更准确地说，这是人类为了理解世界而采取的一种认知方式。因为现实世界包含着数量庞大、关系复杂的事物，而人的大脑无法同时处理所有未经整理的信息。如果所有事物都只是以独立、无序的形式存在，人类就很难发现其中的规律，也无法形成稳定的理解。

因此，人类需要寻找事物之间的相似性和差异，将具有共同特征的事物归纳到一起，并赋予它们共同的概念，这就是分类。

从认知角度看，分类实际上完成了一次重要转换：人类不再只是接收和保存关于世界的各种信息，而是通过抽象和归纳，将这些信息转化为可以理解和使用的知识。

例如，我们今天理解自然界，并不是面对成千上万个互不相关的生命个体：猫、狗、鲸鱼、老鹰、玫瑰、松树……，而是会将它们放入不同的类别体系中：

通过这种分类方式，人类不再只是记住一个个孤立的事物，还能进一步理解它们在更大的认知体系中的位置。例如，当我们认识“猫”这种动物时，我们并不只是记住“猫”这个名称，而是同时知道它属于动物、哺乳动物等更大的类别。

更重要的是，当分类体系逐渐完善之后，人类可以从大量具体事物中总结共同特征，并将这些经验应用到新的事物上。例如，当发现一种从未见过的新哺乳动物时，人类虽然不了解它所有细节，但可以根据过去对哺乳动物的认识，对它可能具有的特征形成一定推测——人类正是在不断认识具体事物、发现共同点的过程中，逐渐形成对未知世界的理解。

但是，随着认识不断深入，人类发现，仅仅知道“有什么事物”仍然不足以理解世界。分类能够帮助我们回答“一个事物具有什么特点”，却无法解释“事物之间为什么会产生联系”。

因此，人类进一步开始探索事物之间的关系，以及这些关系背后的规律。例如，生物学的发展并不是简单发现更多物种，而是在不断建立更深层次的联系：物种之间的演化关系；基因与生物特征之间的关系；生物与环境之间的关系，这些联系使生命科学从“物种列表”逐渐发展成为能够解释生命现象的知识体系。

类似的过程也发生在其他科学领域，比如物理学的发展，并不只是不断记录更多自然现象，同时也是在寻找现象之间的统一规律，并通过数学模型描述这些关系。

表面上看，人类是在不断积累关于世界的信息；但更准确地说，人类真正不断深化的是对世界中事物、关系以及规律的理解，而这种理解，正是在不断建立联系的过程中逐渐形成的。

2 从信息到理解：人类为什么需要结构化知识？

2.1 从信息到认知结构：人类如何理解知识

建立联系只是理解世界的开始。更进一步的问题是：当人类发现并理解了这些联系之后，这些理解究竟如何进入自身的认知体系，并长期保存、调用和复用？

如果人类学习的过程，只是不断收集和保存信息，那么学习应该是一件非常简单的事情：只要不断阅读、观察和记录，将接触到的信息全部保存下来，需要使用时再重新调用即可。

但现实并不是这样。很多人在学习一个新领域时，都会经历类似的过程：短时间内接触了大量新的概念、术语和方法，甚至能够记住其中不少内容，但过了一段时间后，却发现自己仍然无法真正理解这个领域。

问题并不一定出在信息不足。很多时候，人们缺少的并不是更多的信息，而是这些信息尚未经过理解、解释和关联，形成可以用于认识和解决问题的知识。

计算机可以按照地址将数据保存到存储介质中，需要时再准确读取；但人类的大脑并不是这样工作的。人类并不会把外界接收到的信息，以完全独立的方式逐条保存，而是会不断对信息进行加工、分类、解释和抽象。在这个过程中，原本只是被接收的信息逐渐转化为能够被理解和应用的知识，而这些知识又会进一步通过关联形成更高层次的认知结构——之所以需要通过这样的方式处理信息，其中一个重要原因，是人类认知系统本身存在处理限制。

心理学中的工作记忆（Working Memory）研究表明，人类能够同时保持和处理的信息数量非常有限。早期研究曾提出“米勒定律”（Miller’s Law），认为人的短时记忆容量大约为7±2个信息组块；后续研究则认为，在更加复杂的认知任务中，这一容量可能更低。

无论具体容量是多少，这些研究都说明了一个事实：人类无法长期依靠同时处理大量孤立信息来理解复杂世界。 如果面对几十个互不相关的信息点，大脑很快就会产生巨大的认知负担，这种限制在学习一个复杂领域时尤其明显。

例如，一个刚接触计算机网络的人，可能很快记住：

TCP
UDP
IP
DNS
HTTP
HTTPS
NAT
BGP
CDN
Firewall

这些内容本身都是真实有效的信息，但是，如果它们只是以彼此独立的形式存在于大脑中，那么面对一个实际问题时，人仍然很难判断应该如何使用这些知识。对于刚接触网络知识的人来说，这可能只是一个不断增加的术语列表。

但是，当这些信息不再只是按照类别进行排列，而是在类别基础上建立相互关联的结构时，大脑处理的就不再是一组孤立的术语，而是几个具有内部关系的整体：

这就是认知心理学中的“组块化”（Chunking）。组块化并不是简单地减少信息数量，而是通过对信息进行组织和整合，将多个彼此独立的信息组合成一个更高层次的认知单元，从而降低大脑处理复杂信息时的负担。当这些信息经过理解、解释和组织后形成具有明确含义的认知单元时，它们就开始从单纯的信息片段转化为可以被理解和使用的知识。

由此可以看到，人类理解世界并不是一个单纯积累信息的过程，而是一个不断加工和组织的过程：信息经过理解、解释和抽象形成知识，知识再通过建立联系逐渐形成认知结构。

信息、知识和认知结构因此构成了一个连续的层次关系：信息是人类认识世界的原始材料，可以被记录、传播和保存，但本身并不代表理解；知识是在对信息进行理解、解释和抽象的基础上形成的，能够用于解释现象、解决问题和指导行动；认知结构则进一步描述了知识之间建立联系后形成的整体组织网络，它决定了一个人如何理解新的信息，并将已有知识迁移到新的问题中。

2.2 从信息连接到理解：认知结构如何产生意义

通过组块化，人类能够将大量复杂的信息压缩成更容易处理的认知单元。这些认知单元经过理解、整理和抽象，可以进一步形成独立的知识单元。但单个知识单元仍然只是对某个对象或现象的局部理解，只有当不同知识单元之间建立联系后，才能进一步形成认知结构。

那么，知识单元之间究竟如何建立联系？它们又如何通过这些联系共同解释一个更复杂的现象？

以计算机网络为例，一个刚接触计算机网络的人，可能知道：DNS 用于域名解析；TCP 负责可靠传输；HTTP 用于传输网页内容；CDN 可以提高访问速度。

这些关于概念的基础描述本身都是正确的。但是，如果 DNS、TCP、HTTP、CDN 只是作为几个独立的概念存在于大脑中，那么面对实际问题时，他仍然很难理解这些技术之间为什么会同时出现，以及它们如何共同完成一次网络访问。

在没有接触 CDN 之前，一个人可能已经形成了这样的基础访问模型：

在这个认知模型中，用户通过 DNS 找到目标服务器，然后直接与服务器通信。这个模型并没有错误，它能够解释大量基础的网站访问过程。

但是，当进一步学习 CDN 后，一个新的问题出现了：CDN 应该如何加入原有的访问模型？如果只是记住“CDN 是一种网站加速技术”，那么这个概念仍然只是停留在定义层面，并没有真正进入已有的认知结构。

真正的理解，需要将 CDN 加入原有模型，并重新调整原来的访问过程：

此时，CDN 不再只是一个“提高速度的工具”，而成为整个网站访问架构中的一个组成部分。同时，原来的“目标服务器”这一概念也发生了变化——以前：用户访问服务器，服务器返回内容；现在：用户首先访问 CDN 节点，CDN 根据情况直接返回缓存内容，或者进一步请求源站服务器。

这就是新概念进入已有认知结构后的变化：它并不是简单增加了一个新的知识点，而是改变了已有知识单元之间的关系，并重新组织了原有的理解模型。

心理学中的“图式”（Schema）理论描述了类似的认知过程。图式可以理解为人类用于组织经验、理解事物的一种认知框架，它体现了认知结构中概念、经验以及关系的组织方式。一个概念真正被理解，并不只是因为人们记住了它的定义，而是因为它已经进入已有的认知结构，并与其他概念建立了稳定的联系。

这也解释了为什么很多人在学习新领域时，看了很多资料、记住了很多概念，却仍然无法真正掌握这个领域。因为学习并不是简单增加记忆中的信息数量，而是不断调整和完善已有的认知结构。只有当新的概念能够与已有知识建立联系，它们才会真正融入认知结构，并成为可以用于理解、推理和应用的知识。

专家面对陌生问题时往往能够比普通人更快速地建立判断，也是因为他们在长期学习和实践过程中形成了大量稳定的概念连接。当新的问题出现时，他们能够将其映射到已有认知结构中，并利用过去积累的经验进行分析。

因此，人类学习和理解世界的过程，并不是简单地将更多信息保存到大脑中，而是在已有认知结构的基础上不断建立新的连接，使新的信息获得明确的位置、意义以及应用场景。换句话说，人类并不是单纯积累信息，而是在不断将信息加工为知识，并通过知识之间的联系形成和完善认知结构。

2.3 人类如何主动构建自己的认知结构

不过，认知结构并不是一次形成后就固定不变的。对于简单的问题，人类可以通过自身的经验积累逐渐建立和调整理解；但当面对复杂领域时，需要处理的概念数量不断增加，概念之间的关系也越来越复杂，仅依靠大脑自然形成和维护认知结构会变得越来越困难。

因此，人类逐渐发展出各种辅助认知的方法，用来帮助自己观察、验证、扩展和表达已有的认知结构。

这些方法虽然形式不同，但本质上都在解决同一个问题：如何让隐藏在人脑中的认知结构变得更加清晰、稳定，并能够被持续完善。

视觉结构化：思维导图与概念图

人类理解一个复杂领域时，一个困难的问题是：即使大脑中已经形成了一些联系，这些联系也往往是隐性的，难以直接观察。

因此，人类发展出了思维导图（Mind Map）、概念图（Concept Map）等方法，通过外部图形将概念之间的关系表达出来。

例如，在上一节中，我们通过两个网站访问模型的对比，展示了 CDN 如何进入原有的网站访问认知结构，实际上，这2个模型也可以转换成思维导图。

基础访问模式：

CDN加入后的访问模型：

图表化绝非简单的“文字搬砖”或“排版换装”，而是把隐性的认知结构显性化：它能帮我们看清——哪些知识单元同属一个模块（归类）；哪些知识单元之间存在怎样的关系（关联）；以及一个新知识单元的引入，又是如何像触发多米诺骨牌一样重构原有体系的（演变）。

无论是思维导图还是概念图，它们的本质，都是大脑思维过程的“可视化透视镜”。

语义结构化：费曼学习法

思维导图和概念图解决的是“能否看到知识之间的关系”，而费曼学习法进一步解决的是“是否真正理解这些关系”。

很多时候，人们可以记住一个概念，也能够识别它在知识结构中的位置，却无法解释它为什么处于这个位置，以及它和其他概念之间为什么存在这样的关系。

费曼学习法关注的正是这一过程。它不仅帮助学习者发现知识之间是否已经建立连接，也通过主动表达暴露理解中的缺口，并推动认知结构进一步完善：

例如，一个人可能会记住：“CDN 是一种提高网站访问速度的技术。”这句话本身没有错误，但它只是一个孤立的知识节点。

如果进一步追问：“CDN 为什么能够提高访问速度？” 就需要理解用户请求为什么不一定直接访问源服务器，而是可以通过部署在不同区域的边缘节点获取内容；如果继续追问：“为什么 DNS 会影响 CDN 节点选择？” 则需要理解 DNS 解析过程如何参与用户请求路径的选择；如果再追问：“为什么 CDN 有时仍然需要回源服务器？” 则需要理解缓存机制、缓存失效以及源站之间的关系。

这些问题实际上并不是对某个单独概念的考查，而是在检验 CDN 这个概念是否已经与 DNS、HTTP、缓存、分布式节点、源站等知识建立了联系。

如果无法回答这些问题，说明“CDN”这个概念虽然已经被记住，但仍然只是一个孤立的知识单元，并没有真正融入已有的知识结构。通过主动解释，学习者能够发现：哪些内容已经真正理解，哪些内容仍然停留在记忆层面，以及已有认知结构中还缺少哪些连接。

因此，费曼学习法本质上并不是一种简单的记忆技巧，而是一种通过语言输出检查和完善认知结构的方法。

网络结构化：卡片盒笔记法

当知识规模继续增长时，即使已经建立了一定的认知结构，人们仍然会面临新的问题：新的概念不断出现；旧知识不断产生新的联系；原有结构需要持续调整。这时，仅依靠一次性的整理已经无法满足长期积累的需求。

卡片盒笔记法（Zettelkasten）提供了一种不同的思路：它并不要求知识必须固定在某个分类体系中，而是通过独立的知识单元和它们之间的连接，让知识网络持续生长。

例如，在学习 CDN 时，可以分别建立关于 CDN、DNS 解析、缓存机制、边缘计算等不同知识单元的卡片，并通过它们之间的关联形成知识网络：

这种方式与思维导图不同，它并不要求知识围绕一个中心主题展开，而是让每个知识单元都成为可以独立存在、持续连接的节点。随着学习不断深入，新的知识可以不断加入已有网络，而不是每次都重新设计整个分类体系。

这种方式实际上更加接近人类认知结构的特点：知识不是简单的目录，而是由大量概念和关系组成的动态网络。

表达结构化：金字塔原理

除了建立和维护认知结构，人类还需要将自己的理解传递给其他人。但是，个人脑中的认知结构通常是复杂的，如果直接输出，很容易变成大量零散的信息。

因此，人类还发展出了帮助表达复杂思想的方法，例如金字塔原理（Pyramid Principle），它强调：先提出核心观点，再按照逻辑关系组织支撑这个观点的原因，就将复杂信息重新整理为容易理解的结构。

例如，一个人理解 CDN 后，脑中可能已经形成了大量相关知识：

DNS
CDN 节点
缓存
源站
TCP
HTTP
访问距离
流量调度

这些内容之间虽然存在关联，但如果直接向别人解释，很容易变成技术名词的简单堆积，听者能够接收到信息，却难以理解这些概念为什么会同时出现，以及它们之间如何共同解释 CDN 的作用。

而按照金字塔原理组织表达时，需要先确定一个核心问题：“为什么网站需要 CDN？”，再围绕这个问题组织支撑性的概念和原因：

这样输出的内容不再是知识列表，而是一种能够被理解的逻辑结构。它并不是改变认知结构本身，而是根据表达目的，对已有认知结构进行重新组织和呈现，使复杂知识能够以更清晰的方式被理解和传递。

从这些方法可以看到，人类发展出的各种学习和思考工具，本质上并不是为了简单保存更多信息。它们共同解决的问题，其实是如何让概念之间的联系更加稳定、清晰、可复用，并逐渐从个人隐性的认知结构转化为可以观察和表达的结构。

2.4 从认知结构到知识结构化

不过，个人认知结构的外部表达，并不等于知识已经完成了结构化。 思维导图、笔记系统等方法虽然能够帮助个人记录和表达部分认知结构，但当知识规模不断扩大，或者知识需要跨越个人进行长期保存、共享和复用时，仅依靠个人化的记录方式仍然存在局限。

因此，人类需要一种更加系统的方法，将知识中的概念以及它们之间的关系进行明确表示，使原本隐含在人类认知中的结构能够以一种可理解、可复用、可扩展 的形式被保存下来——这就是知识结构化所要解决的问题。

与简单的信息整理不同，知识结构化关注的并不是增加更多内容，而是明确表达知识中的概念、属性以及概念之间的关系，使原本隐含在人类认知结构中的部分关系能够被清晰表示出来。

例如，三个独立的知识单元：

A

B

C

它们虽然都被记录下来，但彼此之间没有任何联系。此时，它们仍然只是三个彼此孤立的知识单元。

而当这些信息之间建立关系后：

  A
 / \
B---C

它们就不再只是三个孤立的点，而形成了一个具有稳定内部结构的整体。在这个结构中，每个节点不仅具有自身的含义，同时也因为与其他节点之间的关系而获得更明确的位置和意义。

因此，知识结构化关注的重点，并不是单纯记录已有的信息，而是进一步明确表达：哪些知识单元构成了一个领域的知识体系，以及这些知识单元之间如何相互关联。

3 从知识组织到知识工程：人类如何构建结构化知识？

3.1 知识工程：让知识成为可表示的结构

当知识需要被长期保存、共享，甚至被计算机处理时，仅仅存在于个人认知中的理解就需要被外部化，并采用更加明确的表示方式。

针对这一需求，人类开始探索如何将知识中的概念及其关系以明确的形式进行描述。这种探索逐渐形成了知识表示（Knowledge Representation）的研究方向，并进一步发展出了知识工程（Knowledge Engineering）这一研究领域——知识工程关注的，是如何获取、表示、组织和利用知识，使原本存在于人类认知中的知识和关系结构能够以结构化形式被保存和处理。

20世纪70年代，人工智能领域开始探索如何让计算机具备类似专家的判断能力。研究人员发现，仅依靠通用算法无法解决所有领域问题，还需要让计算机拥有特定领域的知识。

但计算机本身并不具备人类通过长期学习形成的领域理解，因此，如果希望计算机处理复杂问题，就需要将人类掌握的知识转换为计算机能够表示、存储和处理的结构化形式，这使得“知识如何被获取、表示和利用”逐渐成为人工智能研究中的重要问题。

在这一背景下，知识工程逐渐发展起来。早期知识工程主要关注如何获取和表示专家经验，并将这些经验转换为计算机可以处理的形式。其中，专家系统（Expert System）成为这一阶段最具代表性的应用形式。

在专家系统中，人类专家的判断经验通常会被表示为一系列规则：

如果满足条件A，
那么可以推导结论B。

通过大量这样的规则，计算机可以在特定领域中（比如医疗诊断、金融风险评估、工业故障分析等）模拟专家的知识和推理过程。

然而，随着应用范围不断扩大，人们逐渐发现，真实世界中的知识并不只是由简单规则组成。一个领域中的知识，通常包含大量不同类型的对象，以及对象之间复杂的关系。例如，在计算机网络领域：

• CDN 是一种网络服务；
• CDN 包含多个分布式节点；
• DNS 会影响用户访问的 CDN 节点；
• CDN 节点通过缓存降低源站压力。

这些内容并不只是几个独立的判断，而是由多个概念以及它们之间的关系共同组成的知识结构。

因此，现代知识工程逐渐从“如何存储规则”发展到“如何表示知识结构”。它开始关注：

• 哪些对象构成知识结构；
• 这些对象具有哪些属性；
• 不同对象之间存在什么关系；
• 这些关系如何共同形成对某个领域的理解。

换句话说，知识工程试图将人类在认知过程中形成的知识网络，以一种明确的结构表达出来，使知识不再只是存在于个人经验和理解中，而能够被保存、共享，并进一步被计算机处理。

而要实现这种结构化表示，首先需要解决一个基础问题：知识中的基本组成单元究竟是什么？

3.2 知识表示的基本单元：实体、属性与关系

要将知识表示为结构化形式，首先需要明确构成知识的基本元素。从知识表示的角度来看，人们通常会围绕三个基本组成部分来组织知识：

• 实体（Entity）：表示知识中的对象，即能够被独立描述并与其他知识元素建立关系的基本单元。它可以是现实中的具体对象，例如人、地点，也可以是具有明确含义的抽象对象，例如某种技术、软件系统、网络组件等。

• 属性（Attribute）：描述对象具有的特征；

• 关系（Relation）：描述不同对象之间的联系。

这三个部分共同构成了大多数知识结构的基础。

实体：知识中的对象

人类认识世界时，首先需要识别“有什么”。

在计算机网络领域：DNS、CDN、TCP、HTTP、源站服务器…..这些都可以被视为独立的知识对象。如果没有明确区分这些对象，知识就只能停留在模糊的描述中。例如：CDN 可以提高网站访问速度。这句话包含了一定的信息，但其中的“CDN”究竟是什么？它和网站、服务器、网络请求之间是什么关系？如果没有明确的对象划分，后续就无法进一步组织知识。

因此，知识结构化的第一步，是将世界中的各种对象识别出来，并作为独立的知识单元进行表示。

属性：描述对象具有什么特点

仅仅知道有哪些对象还不够，人类理解一个对象时，还需要知道它具有什么特征。

举例说明，“CDN”这个对象本身只是一个名称。如果只知道存在这样一种技术，并不能真正理解它是什么。通过描述它的类型、功能和特点，才能赋予这个对象更加明确的含义。

例如：

对象：
CDN

属性：
类型：网络服务
功能：缓存内容、优化访问路径
特点：通过分布式节点降低用户访问延迟

这些描述并不是在说明 CDN 与其他对象之间的关系，而是在描述 CDN 自身具有什么特征。通过属性，一个原本只有名称的对象，逐渐成为具有明确含义的知识对象。

关系：让孤立对象形成知识结构

但是，即使拥有大量对象和属性，仍然不足以形成完整的知识。因为真正决定理解深度的，是对象之间存在怎样的联系。

例如：

DNS
 |
选择
 |
CDN节点
 |
缓存内容
 |
来自
 |
源站服务器

这里表达的并不是单个对象的信息，而是对象之间的关系：DNS 会影响用户访问哪个 CDN 节点；CDN 节点可以缓存源站内容；CDN 节点在缓存未命中时需要访问源站。

正是这些关系，使原本独立存在的对象形成了能够解释实际现象的知识结构。

知识工程中的实体、属性和关系，并不是人为规定的三个抽象概念，而是对应了人类理解世界时最基本的认知方式：我们首先识别世界中存在什么对象，然后理解对象具有什么特征，最后探索对象之间如何相互联系。

知识工程所做的事情，就是将这种原本存在于人类认知中的理解方式，以明确的结构形式表示出来。而当大量实体、属性和关系被组织在一起时，就形成了能够描述某个领域知识的结构化表示。

3.3 从知识单元到知识网络：知识如何形成体系

随着知识规模不断扩大，仅仅保存一个个独立的知识单元已经无法满足需求。因为单个知识单元只能描述局部信息，而一个领域真正完整的理解，来自大量知识单元之间形成的整体结构。真实世界中的知识本身也并不是由少量孤立的知识单元组成，而是包含大量相互关联的知识单元和关系。在这种结构中，知识的价值不仅来自单个知识单元本身，更来自不同知识单元之间形成的连接。

因此，知识工程进一步需要解决的问题是：当知识单元不断增加时，如何通过它们之间的关系，将分散的知识单元连接起来，形成能够被理解、查询和利用的知识网络？

通过这些连接，计算机可以进一步理解：不同概念之间存在什么关系；某个知识单元在整个领域中处于什么位置；以及一个概念如何与其他概念共同构成完整的知识体系。

知识图谱（Knowledge Graph）就是在这一思想基础上发展起来的一种构建结构化知识网络的方法。它通过将大量知识单元组织成由节点和关系组成的网络，使原本分散的知识能够按照结构化方式保存和利用：

其中，不同节点表示不同的知识单元，节点之间的连接表示它们之间存在的关系。通过这种方式，知识不再只是被动保存的信息，而成为一个可以被计算机进一步查询、分析和扩展的结构。

知识图谱的应用范围非常广泛，并不局限于技术领域。只要某个领域包含大量需要被组织和关联的知识，都可以通过知识图谱建立结构化表示，例如人物关系、医疗健康、科学研究、商业分析、文化知识等领域：

不同领域的知识图谱虽然包含的实体和关系类型不同，但核心思想都是一致的：将领域中的知识单元、属性和关系组织成一个可以被理解和利用的知识网络。

4 AI时代：知识表达增加之后的结构化挑战

4.1 知识获取到知识生成：大语言模型带来的变化

在前面的知识工程发展过程中，人类主要采用的是一种显式构建知识的方式：先识别知识中的基本单元，再通过实体、属性和关系将它们组织起来，最终形成可以被计算机处理的知识网络——知识图谱就是这种思路的典型代表。

但这种方式也存在一个明显的限制：知识需要由人主动发现、整理和定义。 当知识规模不断扩大时，依靠人工持续构建和维护完整的知识结构，会面临越来越高的成本。因此，人工智能开始探索另一条路径：计算机是否能够不再完全依赖人工定义的知识结构，而是直接从大量数据中学习其中的模式和规律？

围绕这一目标，人工智能逐渐从依赖人工定义知识的方式，发展到利用数据训练模型，让计算机通过统计学习从大量数据中提取模式和规律，并形成对数据的隐含表示。这意味着，知识获取和表示的方式开始从“人工构建显式结构”，逐渐转向“机器从数据中学习”。

大语言模型（Large Language Model，LLM）的出现，正是这一发展方向的重要阶段。它通过学习海量文本中的语言模式和统计关联，并根据上下文生成新的内容，使计算机获得了前所未有的知识表达和内容生成能力。

与此同时，人类获取知识的方式也发生了变化。在大语言模型出现之前，人们通常需要主动寻找资料、阅读理解并整理已有信息；而在大语言模型时代，人们可以直接通过自然语言与模型交互，由模型快速生成关于某个主题的完整回答。

这意味着，人类获取信息和知识表达的过程，开始从主动寻找和整理已有资料，逐渐转向与能够生成内容的智能系统进行交互。

但新的问题也随之出现：能够生成结构清晰、表达完整的回答，是否意味着计算机已经形成了类似人类的认知结构？

4.2 知识表达增加之后的结构化挑战

大语言模型降低了知识表达的成本，使大量结构完整、语言流畅的内容可以被快速生成。但知识表达的增加，并不意味着知识理解的自动形成。这是因为大语言模型生成的回答，通常是一种面向广泛用户的通用化表达——它可以覆盖大量概念，并按照一定逻辑组织内容，但这种组织方式并不一定符合每个人已有认知结构的组织方式。

对于已经具备相关知识基础的人来说，AI生成的内容可以快速连接到已有的认知结构中，帮助其补充信息、发现联系，并进一步扩展理解。但对于缺少基础的人来说，即使回答本身足够完整，其中包含的大量知识单元和关系，仍然可能无法与已有认知建立有效连接。这是因为缺少必要的知识基础时，新的知识单元往往缺乏可以与之建立联系的概念和关系，因此很难真正融入原有的认知结构。

例如，一个刚接触计算机网络的人向 AI 询问 CDN：AI 可以生成一份包含 CDN 定义、工作流程、缓存机制、边缘节点等知识表达的完整解释。

但如果用户此前并不了解：DNS 如何影响访问路径；HTTP 请求如何到达服务器；缓存为什么能够降低源站压力；分布式节点为什么能够提升访问效率，那么这些概念之间的关系仍然难以真正建立。问题并不在于 AI 是否能够生成完整的知识表达，而是在于这些表达是否能够被用户自身纳入已有的认知结构中。

这种问题并不只影响个人学习，当知识表达越来越容易生成，而真正的理解、验证和结构化过程没有同步增加时，整个知识生态也可能发生变化。

过去，互联网中的大量知识主要来自人的经验总结、专业创作和长期积累。这些内容虽然数量有限，但通常包含作者对领域的理解、判断和组织。

而随着 AI 生成内容的大规模出现，互联网正在出现一种新的内容循环：

AI生成内容
      ↓
进入互联网
      ↓
被搜索、引用和传播
      ↓
成为未来模型训练数据

如果大量内容主要停留在已有信息的重新组合，而缺少真实经验、专业验证以及进一步的结构化整理，那么互联网中的信息数量可能不断增加，但其中真正能够帮助人类形成认知结构的知识结构未必同步增长。

4.3 从知识获取者到知识组织者

在人工智能出现之前，人类获取知识的过程，通常伴随着大量的信息搜集和整理工作。由于信息获取成本较高，人们需要主动查找资料、阅读学习、总结经验，并在这一过程中逐渐形成对某个领域的理解。在这一阶段，知识获取过程本身，也是人类建立认知结构的重要过程。

但在大语言模型时代，这一过程正在发生变化——当 AI 可以快速完成信息检索、内容整理和知识表达后，人类不再需要将大量时间投入到简单的信息收集和整理中，获取知识的效率大幅提高。

然而，知识获取效率的提升，也改变了过去知识形成的过程。过去伴随知识获取自然形成的理解、关联和积累，如今不再必然发生：人们可以快速从 AI 获得关于某个主题的完整知识表达，但这些内容是否能够被自身真正理解，是否能够与自身已有知识建立联系，却已经从过去的”学习过程中自然形成的结果”，变成了如今的”需要主动完成的过程”：

因此，在 AI 时代，人类面对知识时需要解决的问题也变成了：如何理解这些由 AI 生成的内容，如何发现它们之间的联系，以及如何将它们融入已有的认知体系——AI 可以帮助人类快速获取相关信息、总结已有知识、发现潜在联系，并提供不同角度的解释，但如何将这些知识表达转化为自己的知识，并进一步形成认知结构，仍然需要人主动参与。

真正有价值的知识结构，并不只是信息数量的积累，更重要的是：哪些概念构成一个领域；不同概念之间存在什么关系；哪些规律能够解释现象；哪些经验可以迁移到新的问题….这些因素决定了一个人是否真正理解和掌握某个领域。

而这些构成认知结构的要素，并不会随着知识表达数量的增加而自然形成。无论是在传统知识环境中，还是在 AI 生成内容不断增加的今天，知识都需要经过理解、组织和关联，才能从分散的信息转化为具有结构的体系——而这正是知识工程关注的核心问题。

5 回到个人知识工程

在之前的文章中，我让 ChatGPT 和 Qwen 配合分析博客文章内容，希望发现不同文章之间长期稳定存在的概念和关系时，却意外推导出了知识工程中的基本单元（参见文章：个人知识工程（一）：从文章索引到知识结构——一次 AI 协作探索个人知识体系的实践）。

通过这段时间的探索，我逐渐发现，知识工程并不仅仅是一种用于整理和组织内容的技术方法，它背后实际上对应着人类理解世界的基本方式：人并不是简单地记忆大量事实，而是在不断学习和实践过程中建立概念之间的联系，形成对某个领域的整体理解。

这也引出了本文讨论的这些问题：为什么知识需要被结构化？为什么人类需要通过概念、关系和认知结构来理解世界？以及在大语言模型能够快速生成大量内容的今天，知识结构化为什么反而变得更加重要？

因此，这篇文章实际上是个人知识工程实践过程中一次由实践走向理论的探索：第一篇文章关注的是如何利用 AI 协助个人发现内容之间的联系，并逐步建立知识结构；而本文进一步探索的是这些联系为什么存在，以及它们背后的知识结构和认知基础。

在这个过程中，我也进一步认识到，知识结构化并不是简单地整理已有内容，而是将分散的知识单元，根据一定的理解方式重新组织起来，使不同概念之间建立明确的关系，并形成能够被理解、复用和扩展的知识体系。这种组织方式并不存在唯一答案：同样一组知识，不同的人可能会因为经验、目标和认知方式的不同，形成不同的结构。

这意味着，知识结构化实际上也是个人理解方式的外显过程：一个人如何组织知识，很大程度上体现了他如何理解概念之间的关系，而这种结构化的最终结果，也反映了他对某个领域的理解深度。

通过这篇文章，我也进一步明确了博客未来长期的发展方向：个人积累的信息、实践经验和思考，不应该只是分散的内容记录，而应该借助知识工程的理念，将其中有价值的内容逐渐转化为知识，并结合自身的理解方式，通过概念之间的关联形成具有个人特色、能够持续发展的知识结构。

未来，博客中的内容也不应该只是越来越多的文章集合，而应该逐渐形成一个能够持续维护、不断扩展，并体现个人长期实践和思考积累的知识网络。

这也是我在个人知识工程系列中继续探索的方向。