这是（尽管乍一看并不像）一个关于“意义”本质的深刻哲学问题。这个答案的范围必然受到限制。

表示知识的方式有很多种，自人工智能早期以来，已经发展出无数的形式主义。它们中的许多都基于某种谓词演算、本体、语义网络（提供例如特征的继承和部分关系），并且它们似乎适用于有限的领域。

一个问题是接地：如果你有一个谓词isGreen(x)，那实际上是什么意思？它与isBlue(x)有什么关系？你想同样对待他们吗？如果是这样，您需要以某种方式表示这一点。您很快就需要以某种通用方式对世界上所有的知识进行编码。一项不可能完成的任务。

几十年来，语言学家一直在为此苦苦挣扎：特定句子的含义是什么？除了每个人都会以不同的方式解释给定的句子（基于他们自己的生活经历和文化）之外，“意义”还有很多方面需要表达：“事实”意义，但也包括实用性、评价性和各种其他细微差别。一个天真的话语，那是一个不错的苹果，你有一个很好的苹果，它可能包含大量的含义，都是隐含的。例如，这个人可能喜欢苹果，特别是那个，那个苹果看起来像一块好吃的水果，对方是苹果的主人，也可能是一个旨在提示对方的请求提供给你。

我个人感兴趣的一个领域是代表叙事事件。这可以——在一定程度上——使用概念依赖来完成，它使用一组有限的语义原语。虽然对编码基本故事很有用，但您不能轻易地用它来表示草是绿色的事实。

所以答案是：没有答案。AI 是一个太宽泛的领域，你需要查看一个特定的应用程序来决定哪些知识与它相关，然后如何最好地表示它。有这么多表示知识的方式是有原因的。

PS：你建议这会更精确。我个人的观点是，这里的精确度是一个红鲱鱼。绿色这个词并不精确，因为它涵盖了一系列波长，不同的人会不同意某物是否是绿色的。所以谓词isGreen(x)并不比这更精确。因此，模糊逻辑的吸引力在于，它允许基于较低精度的计算。

我认为你应该回答的第一个问题是：“人工智能应该能够回答哪些问题？” 如果意图是人工智能应该能够回答任何问题，那么这根本不可行（或者至少目前不可行）。目前这类似于要求一个可以做任何事情的程序。

目前，人工智能领域分为统计方法和逻辑方法。早些年，人工智能主要是从逻辑的角度来研究的。现在统计方法更受欢迎。逻辑方法的主要优点是可以解释答案，而统计方法的主要优点是可以训练足够大的数据集代理。人工智能社区肯定有一种将统计和逻辑方法合并到人工智能的动力，但这些方法仍处于起步阶段。

因此，我强烈建议您首先确定您希望使用 AI 解决的问题类型，然后在此基础上确定最适合这些问题的 AI 方法。

从我的角度来看，你应该看一下本体的概念，它可以简单地描述为一组公理，这些公理形式化了诸如和之类的概念以及{Grass, Water, Green}它们之间的关系。为了描述这种知识，创建了Web Ontology Language。它所建立的理论框架是不同风格的描述逻辑，它们都是一阶谓词逻辑的片段，但在自动推理的表达性和计算复杂度之间有不同的权衡。hasProperty(Grass, Green)needs(Grass, Water)

与其他 AI 主题一样，这类内容可能会非常复杂且有趣。我可以推荐开放教科书：Maria Keet（开普敦大学）的本体工程介绍。