我认为您真正要问的是知识表示的问题。不管你如何训练你的人工智能，最基本的问题之一是你如何表示“知识”，尤其是当它存在于不同的抽象层次时，可能是相互递归的，等等。随之而来的是信念修正的问题。处理你如何根据新信息更新现有的信念/知识。

这两个领域仍然需要进行大量积极的研究，并且都没有完全解决核心问题的答案。但在这两个领域都取得了进展。

我个人怀疑语义网络或概念图之类的东西将是 KR 问题的最佳答案。处理信念修正对我来说似乎更加模糊，尽管有一些已知的策略（如AGM 假设）在一定程度上起作用。像贝叶斯信念网络这样的东西也可能被证明是有用的。

我最近观看了 Lex Fridman 的播客，他在其中采访了 Vladimir Vapnik，他谈到了这种使用“谓词”和“不变量”的教学方式。

如果你真的能够用“鸟是一种能够飞的动物”但“不是所有的鸟都会飞，比如企鹅”这样的句子来教一个模型，那可能代表了机器学习中最大的里程碑之一，尤其是，如果机器能够像人类一样有效地学习和应用这些学到的知识。但是，我们还没有到那一步！

要了解更多关于这种新的学习范式Learning Using Statistical Invariants (LUSI)的信息，您可能应该阅读由 V. Vapnik 和 R. Izmailov 撰写的论文Rethinking statistics learning theory: learning using statistics invariants (2019)，这可能很难如果您没有学习理论知识并且您的数学背景很差，请遵循。但是，本文的某些部分可供所有人访问。例如，第 6.6 节

假设教师通过提供一些示例并建议以下启发式方法教学生识别数字：“为了识别数字零，请查看图片的中心——它通常是浅色的；为了识别数字2、看图的底部——它通常有一条黑色的尾巴”等等。

从上面的理论来看，老师希望学生构造特定的谓词$\psi(x)$将它们用于不变量。然而，Student 并不一定构建出与 Teacher 心目中完全相同的谓词（Student 对“图片中心”或“图片底部”概念的理解：可能不同）。代替$\psi(x)$, Student 构造函数$\hat{\psi}(x)$. 但是，这是可以接受的，因为来自$L_2$可以作为不变量的谓词。