什么是定性表征

在人工智能、认知科学和计算机科学中，定性表征（Qualitative Representations）是指将现实世界中连续、复杂的物理现象（如时间、空间、数量、因果关系等），转化为有意义的、离散的符号化符号或概念的表达方式。

简单来说，定量表征关注“具体是多少”（如：温度是 98°C，速度是 120km/h），而定性表征关注“处于什么状态”以及“事物之间的关系”（如：水是“烫”的、汽车在“超速”）。它是人类常识推理的核心。

一、 定性表征的核心特征

为了让计算机像人类一样进行常识推理，定性表征通常具备以下特点：

• 符号化与离散化：将无限连续的数值切分成有限的、有意义的区间或符号。

• 依赖上下文与任务：只有当一个差异对当前任务有意义时，才会引入它。例如，在判断水是否烧开时，我们只关心水温是“低于 100°C”还是“达到 100°C”，精准的 43.5°C 还是 44°C 在此时并没有区别。

• 低数据依赖性：人类可以在缺乏精确数值（没有尺子或温度计）的情况下做出正确决策，定性表征正是为了让 AI 也能用极少的数据实现逻辑推理。

二、 定性表征的三大常见领域与示例

根据著名 AI 学者 Kenneth Forbus 的研究，定性表征主要应用于以下几个维度：

1. 数量表征（Quantity Space）

在定性物理学中，数值不再使用实数，而是使用“数量空间”。

• 定量：\(X = 5.34\), \(Y = -2.1\)

• 定性：将数值简化为[ +, 0, - ]符号，或者通过地标点（Landmarks）分为[冰点以下, 冰点到沸点之间, 沸点以上]。

• 应用：推理烧水时，水温上升（导数为 +）并接近沸点（地标点）。

2. 定性空间表征（Qualitative Spatial Representation）

在机器人导航或地理信息系统（GIS）中，精确的坐标可能不断变化或难以获取，定性空间表征则提取拓扑和几何关系。

• 定量：物体 A 距离物体 B 1.45米，夹角 32度。

• 定性：使用关系符号表达。如RCC-8 模型（区域连接演算）表达空间关系：
  • DC(Disjointed，相离)
  • PO(Partial Overlap，部分重叠)
  • NTPP(Non-Tangential Proper Part，内部包含) [1]

• 应用：AI 推理“钥匙在抽屉里，抽屉在桌子里 \(\rightarrow \) 钥匙在桌子里”。 [1]

3. 定性时间表征（Qualitative Temporal Representation）

对时间的流逝和事件的先后顺序进行表征，最经典的是艾伦时间区间代数（Allen's Interval Algebra）。

• 定量：会议 A 在 10:00 开始，11:00 结束；会议 B 在 10:45 开始。

• 定性：直接用时间逻辑关系表征：
  • Before（在……之前）
  • Overlaps（部分重叠）
  • Meets（紧接）

• 应用：历史事件推理、视频动作前后顺序分析。

三、 为什么人工智能需要定性表征？

虽然当下的深度学习（神经网络）在定量计算和模式识别上非常强大，但定性表征依然不可或缺，原因在于：

四、 现代 AI 的结合趋势

在当代的具身智能（Embodied AI）和智能机器人领域，单纯的定性或定量都存在瓶颈。最前沿的框架通常采用“定性-定量混合表征”：

• 机器人通过摄像头获取海量的定量点云数据。

• 将其抽象为定性表征（如“前方有障碍物”、“杯子在桌面上”）进行高层规划和常识推理。

• 确定动作后，再将规划转化为定量的电机控制信号执行抓取。