很多領域都需要用知識和數(shù)據(jù)建立模型用于預測未來或認識過去。有些領域，知識很少，數(shù)據(jù)很多，數(shù)據(jù)容易獲取，建立模型時主要用數(shù)據(jù)就能完成，比如圖像識別、語音識別、垃圾識別，這主要針對具有人類日常知識的通用領域，數(shù)據(jù)標簽獲取難度低。有些領域，積累了很多知識，數(shù)據(jù)很少，公開的數(shù)據(jù)更少，數(shù)據(jù)獲取費用很高，建模型時使用少量的數(shù)據(jù)，再上大量的知識，比如地下地質體地質建模、金融預測模型，這些針對專業(yè)性很強的領域，門檻較高，數(shù)據(jù)標簽獲取的難度大，費用高。目前流行的基于大數(shù)據(jù)的機器學習適合于數(shù)據(jù)密集型建模，不太適應缺少樣本的專業(yè)領域的機器學習?；诜枌W習的機器學習適合知識密集型建模，或許是專業(yè)領域智能建模的必有之路。

按照最早人工智能的發(fā)展設想，要達到強人工智能，類似于人類的智能，要先經過數(shù)據(jù)智能（學習），再經過符號（智能）學習，最后達到生物（人）智能?；跀?shù)據(jù)的學習計算量大，基于符號的機器學習計算量小，更符合人類的學習過程。而且人類知識也多以符號的形式存儲和表達。因此，從這個角度說，目前處于人工智能的初級階段。

鉆井資料少、地震資料分辨率地，建立模型時往往利用大量的經驗知識。目前流行的機器學習方法，主要基于統(tǒng)計學方法，需要用到大量數(shù)據(jù)，從數(shù)據(jù)中重建專家的經驗知識。與傳統(tǒng)的建模方法，即業(yè)務專家指導的數(shù)據(jù)空間插值方法不同。當不存在大量樣本可以學習的情況下，甚至小樣本也不存在的情況下，如何讓業(yè)務領域的專家知識約束機器學習非常重要，這應該需要采用符號學習的方法，通常稱為知識表示（knowledge representation）。

要進行符號學習，那些專家關于地質的地質表示就非常重要，知識一般通過符號表示。實際上，基于符號的機器學習比基于數(shù)據(jù)統(tǒng)計的機器學習發(fā)展的更早，只是一直沒有取得突破，后者在互聯(lián)網支撐的大數(shù)據(jù)時代獲得了突飛猛進的發(fā)展。傳統(tǒng)上，基于符號的學習要把人類的知識符號化，再把這些具有一定關系的符號通過編碼的方式輸入給計算機，使計算機具有特定的智能特征，這條路有很多人嘗試，沒有走通，但仍有少量人在堅持?；蛟S，基于數(shù)據(jù)統(tǒng)計和符號關系的方法相結合才是正道。人類知識的符號化表示，自動的表示，應該是人工智能道路上不可或缺的一部。分析人類專家如何進行地質建模有利于地質建模領域的符號化機器學習。

人先經過多年學習擁有地質建模的相關知識，再拿到相關數(shù)據(jù)，才能建立合理的地質模型。這些知識包含很多，知識的多少很大程度上決定了模型的準確性，因為，當數(shù)據(jù)相同時，不同人因為知識量的不同所建立的模型會差別很大。先知道這些知識是什么，數(shù)據(jù)是什么，模型是什么，然后才能決定如何進行地質建模知識的符號化，要對那些知識進行符號化。

數(shù)據(jù)好理解，主要是野外露頭觀測、鉆井、測井、錄井、地震、巖石分析化驗、動態(tài)監(jiān)測、生產數(shù)據(jù)等。知識比較難理解，地質建模的專家一般都學習了地史學、古生物學、構造地質學、礦物學、巖石學、沉積巖石學、沉積學、大學數(shù)學、大學化學、大學物理、數(shù)值計算、統(tǒng)計學、開發(fā)地質學等專業(yè)知識。但什么是知識呢？按照通常的定義，知識人類通過實踐獲取的對事物規(guī)律的認識。知識具有相對正確性，可表示性&可利用性，不確定性。知識的分類：常識性知識、事實性知識、確定性知識、邏輯性知識等。有很多知識是描述性的文字，如何把描述性的知識讓計算機能夠識別和認識是符號機器學習的關鍵。這涉及要知識的表示與重建。

關于知識表示已經有很長的研究歷史。知識表示是對知識的定量化描述，一種計算機可以接受的用于描述知識的數(shù)據(jù)結構。早期的知識表示方法有一階謂詞邏輯、產生式系統(tǒng)、框架表示方法、語義網絡、邏輯程序、缺省邏輯和模態(tài)邏輯等。人們所熟悉的知識圖譜就是大規(guī)模的語義網絡的知識表示。常規(guī)的知識表示是人工的知識表示，是小規(guī)模的知識表示，需要花費巨大的人力物力，比如詞林辭海是上萬名專家花了10多年編撰而成的。大規(guī)模的知識表示是自動構建的，比如知識圖譜，是在互聯(lián)網和大數(shù)據(jù)的背景自動構造語義網絡，比如DBpedia就是基于維基百科網站資料構建的知識圖譜。

是否可以從公開的書籍和文獻構建地質建模領域的后其他某個特定領域的知識呢。應該是可以的。因為它不需要大量的樣本，只需要把已經有的知識抽屜出來，按照計算機能理解的方式存儲，用于后續(xù)計算和推理。假設，基于大量文字和圖片材料的學習，獲取了這個領域比較完備的知識，具備了專家級別的專業(yè)知識，把它假設為一個機器人，問題什么專業(yè)問題都能準確回答。但是，如何把這些知識應用實際的地質建模仍是個問題。不過，可以肯定的是，真正把這樣基于符號的人工智能用于地質建模，必要有大量的實際數(shù)據(jù)作為驗證。

目前有很多人都在關注這個領域，以上是我最近的一些思考，歡迎一起探討。