对创造一台思考机器的困难性的解释有一个共同观点，这就是人工智能程序缺乏常识性的知识。常识性的知识是与专门的专家知识相反的知识系统，它指的是多数人通常在没有经过有意识的思考而可以完成的事情^[5]。事实上，当要求人们解释常识性的推理的时候，他们常常十分困惑，因为这样的认识已经变得十分自主了，以至于人们已经失去对其评价的意识。

例如，当翻译如下一段英文句子的时候，对于普通的英语阅读者就会自动产生某种想法：

昨晚，玛丽和简外出吃晚饭。由于是玛丽的生日，所以简付了账。当侍者递上账单的时候，她提出要付账单。

（原句：Last night Mary and Jane went out to dinner.It was Mary’s birthday，so Jane paid for dinner.When the check came，she offered to pick up the tab）

读者读完了上面的三句话可能会推断出以下几点内容：

1）昨天是玛丽的生日。

2）根据文化和传统，过生日的人通常会受邀吃饭。

3）在第三句中提到的“她”指的是简，而不是玛丽。

4）“tab”与“check”的意思相同。“pick up the tab”指的是付账单。

5）账单是在吃完饭送上来的，而不是在吃饭开始时送过来的。

当一个人思考需要解释英文句子用到的所有的知识的时候，毫不怀疑的是我们将不能够创造出一种可信的语言翻译程序。具有讽刺意义的是，即使是一个小孩子在很小的时候也可以学习使用和理解成千的词汇，但是却没有一台计算机能够理解那些词汇所具有的意义，也不能进行一个很短的对话。这使得图灵测试变成一个很艰难的问题！为了创造语言翻译程序，比如从法语翻译到英语，编程者可能要从创造一个简单的字典查询程序开始，将法语单词与英语单词对应上，并且根据英语语法和英语使用规则去重新排列单词。事实上，这正是语言翻译程序的早期工作所在。然而，这样的程序必然产生出一种充满错误和笨拙语句结构的翻译最有名的错误翻译是将“心有余而力不足（the spirit is willing，but the flesh is weak）”翻译成“伏特加酒不错，但肉已经腐烂（the vodka is good，but the meat is rotten）”。一个显而易见的问题是程序并不包含全部英语语言中成语表示方法的相关知识。但是更大的问题在于程序缺乏所讨论的社会的思维模型^[2]。与人类不同，语言翻译程序并不使用社会的模型去理解语言，因此将很容易受制于含糊和多重的意思。创造语言翻译程序的早期努力最终确实得到是悲惨的失败，并使人工智能的研究者失望^[6]。

图1-2 语义网络

语言翻译程序需要包括什么样的模型呢？一方面，它需要包括像众所周知的语义网络一样的知识结构。语义网络是一种由节点和与节点相互联系纽带所组成的图表表示的。许多种语义网络是可能存在的。图1-2给出了一种类型的语义网络。通过正方形用一种简单的形式对节点进行表示，并且节点可以是任何一种物理对象（例如书籍、房屋或是数目），或是人物（例如亚布拉罕·林肯、玛丽或是一名侍者），或是一种概念（例如幸福、宗教或是犯罪），或是一个事件（例如昨天、独立日或是开学日）。连接联系了两个或更多的节点，并且表示了节点之间的相互关系（有时候，需要添加动词或其他形容文本，以便形容节点之间的关系）。图1-2表示了前面所描述的“玛丽和简外出就餐”这一情节的简单语义网络。

第二种类型的模型具有遗传层次，这一层次可以表示分类或是分级图表。图1-3给出了这一模型的一个例子。在这一层次中表示了三点信息：

图1-3 遗传层次(www.daowen.com)

1）单元：事件或物体；

2）属性：单元的特性；

3）指针：在单元之间的分类联系。

在这一例子中，通过节点的层次（在图中由方框表示）可以说明关于动物的知识。与其他节点所联系的节点或是在顶部（成为总纲或是父节点）或是在底部（成为子纲或是子节点）。例如，总纲“动物”与两个子纲（“无脊椎动物”和“脊椎动物”）相连。在这张图的底部，子纲继承其他总纲的所有属性（图中每一个节点的分类名的下面表示了此分类的属性）。例如，虽然金丝雀继承了鸟类、脊椎动物和动物的属性，但是并未继承鱼类的属性。需要指出的是，在层次图上的一个特别的个体可以超越其继承的属性，这就是企鹅的分类。企鹅从其鸟类总纲中继承了会飞的属性，但是被不能飞的属性所超越。

在语言翻译程序中所包含的第三种模型类型是脚本，这是由Schank和Abelson所给出的一种众所周知的知识结构^[7]。可以将脚本定义为事件的固定顺序，这些事件合并在一起定义了一个众所周知的情况。“去餐馆”这一脚本就是一个极好的例子。餐馆脚本可能包括如下一系列的事件：

1）进入餐馆；

2）餐馆服务员对你问候，将你带到餐桌边并递上菜单；

3）看菜单，并决定要点什么菜；

4）当侍者来时点菜；

5）等待侍者上菜；

6）上好菜后进餐；

7）要求付账单；

8）结账；

9）离开餐馆。

使用一组脚本的优点是人们可以给予人工智能程序推断行为的能力和预测在常规的情境中将要发生什么的能力。

对于一些十分简单的情形和解题环境，构建语义网络、遗传层次和脚本实在是一件微不足道的事情。然而，如果使用它们来构建一个典型的成年人关于世界的所有知识，那就会是一项极其巨大的任务。例如，如果考虑一个典型的成年人知道数千词汇，这些词汇中的每一个又将与数百个知识结构相联系，而这些知识结构又依次与数百个其他的知识结构相关联，那么这将形成一个异常错综复杂而又十分精细的网络。此外，这些语义网络并不是静态的，而是随着一个人获得的经验和获得对世界更多的知识而不断变化的。对语义网络、遗传层次、脚本和其他知识结构更加实用的应用将是在更明确定义的背景和问题解决任务时构建它们。