A Community-driven vision for a new Knowledge Resource for AI

📄 arXiv: 2506.16596v3 📥 PDF

作者: Vinay K Chaudhri, Chaitan Baru, Brandon Bennett, Mehul Bhatt, Darion Cassel, Anthony G Cohn, Rina Dechter, Esra Erdem, Dave Ferrucci, Ken Forbus, Gregory Gelfond, Michael Genesereth, Andrew S. Gordon, Benjamin Grosof, Gopal Gupta, Jim Hendler, Sharat Israni, Tyler R. Josephson, Patrick Kyllonen, Yuliya Lierler, Vladimir Lifschitz, Clifton McFate, Hande K. McGinty, Leora Morgenstern, Alessandro Oltramari, Praveen Paritosh, Dan Roth, Blake Shepard, Cogan Shimzu, Denny Vrandečić, Mark Whiting, Michael Witbrock

分类: cs.AI

发布日期: 2025-06-19 (更新: 2025-10-12)

备注: 17 pages

💡 一句话要点

提出社区驱动的知识资源框架以解决AI知识缺口问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 知识资源 社区驱动 知识表示 推理技术 开放框架 AI基础设施 知识模块

📋 核心要点

  1. 现有知识资源如WordNet和ConceptNet未能满足AI对可验证、通用知识来源的需求，导致知识缺口问题严重。
  2. 论文提出构建一个开放的知识工程框架，利用现代知识表示和推理技术，促进知识模块的有效利用。
  3. 通过社区合作，论文旨在形成一个新的知识基础设施，提升AI系统在知识获取和推理方面的能力。

📝 摘要（中文）

创建一个全面的多用途知识资源的目标在AI领域依然存在。尽管已有WordNet、ConceptNet等知识资源取得成功，但可验证的通用知识来源仍是AI基础设施中的关键缺陷。大型语言模型面临知识缺口，机器人规划缺乏必要的世界知识，事实错误信息的检测依赖于人类专业知识。本文总结了一个社区驱动的知识基础设施愿景，提出利用现代知识表示和推理技术，构建一个开放的工程框架，以有效利用知识模块，促进实际应用。

🔬 方法详解

问题定义：本文旨在解决AI领域中缺乏可验证和通用知识资源的问题，现有知识图谱无法满足大型语言模型和机器人规划的需求。

核心思路：提出一个社区驱动的知识基础设施愿景，利用现代技术构建开放的知识工程框架，以便有效整合和利用知识模块。

技术框架：整体架构包括知识模块的开发、社区贡献者的协作机制，以及知识表示和推理的现代技术应用。

关键创新：最重要的创新在于构建一个开放的工程框架，允许知识模块的灵活组合和应用，区别于传统的封闭知识库。

关键设计：设计中强调社区参与的规范和社会结构，以确保知识模块的质量和可用性，同时促进知识的共享与再利用。

📊 实验亮点

论文通过社区合作的方式，提出了一个新的知识基础设施愿景，强调开放性和模块化设计。虽然具体实验结果未在摘要中详细列出，但该框架的构建预计将显著提升AI系统在知识获取和推理方面的表现。

🎯 应用场景

该研究的潜在应用领域包括智能助手、自动化决策系统和机器人规划等。通过建立一个开放的知识资源框架，可以显著提升AI系统的知识获取能力和推理能力，推动智能系统在各行业的应用和发展。

📄 摘要（原文）

The long-standing goal of creating a comprehensive, multi-purpose knowledge resource, reminiscent of the 1984 Cyc project, still persists in AI. Despite the success of knowledge resources like WordNet, ConceptNet, Wolfram|Alpha and other commercial knowledge graphs, verifiable, general-purpose widely available sources of knowledge remain a critical deficiency in AI infrastructure. Large language models struggle due to knowledge gaps; robotic planning lacks necessary world knowledge; and the detection of factually false information relies heavily on human expertise. What kind of knowledge resource is most needed in AI today? How can modern technology shape its development and evaluation? A recent AAAI workshop gathered over 50 researchers to explore these questions. This paper synthesizes our findings and outlines a community-driven vision for a new knowledge infrastructure. In addition to leveraging contemporary advances in knowledge representation and reasoning, one promising idea is to build an open engineering framework to exploit knowledge modules effectively within the context of practical applications. Such a framework should include sets of conventions and social structures that are adopted by contributors.