知识图谱的最终目标，是寻找合适的万物机器表示，记录有关世界的知识。
在传统的专家系统时代，人们发明了描述逻辑等符号化的知识表示方法来描述万物，人类的自然语言也是符号化的描述客观世界的表示方法；到了互联网时代，人们又设想用本体和语义链接有关万物的数据和知识，这也是知识图谱的起源之一；随着表示学习和神经网络的兴起，人们发现数值化的向量表示更易于捕获那些隐藏的不易于明确表示的知识，并且比起符号表示更易于机器处理。知识图谱同时拥抱机器的符号表示和向量表示，并能将两者有机的结合起来解决搜索、问答、推理、分析等多个方面的问题。在这一趋势下回顾传统的人工智能，可以有新的收获。传统的人工智能主要体现为专家系统（ExpertSystem），被称为GOFAI（GoodOldFashionedAI），是一种“看上去很好”的人工智能，虽然在发展中遇到诸多问题，但能将人工智能的结构解析得比较清晰，其基本框架接近人的认知：知识来源一般源于专家，刻画知识的方式主要是知识库（KnowledgeBase），通过推理引擎（InferenceEngine）来实现交互。结合知识图谱、深度学习等新的人工智能技术手段，我们可以对专家系统进行重构：原有的知识库可以采用知识图谱的方式，让知识获取的手段更加容易；除了传统的符号表示，也要考虑如何用向量来表示实体、关系等知识；在知识获取方面，专家层面的经验为现代知识的构建提供了重要的输入，此外现在还有设备传感数据、自动采集的日志数据、多种模态的数据等大量的机器数据，知识图谱在一定程度上可以起到桥梁性的作用，将专家经验性的知识与机器数据通过比较有效的表示结合起来。结合知识图谱、神经网络重构传统专家系统在推理引擎方面，传统的符号推理引擎有很多，由于有诸多瓶颈，例如对知识质量要求非常高，均未能实现大规模商业化应用，现在推理引擎可以在神经网络、表示学习等深度学习技术加持下实现更好的推理；在面向用户的交互方面，不再仅仅是简单查询，还可以实现搜索、智能问答、基于图分析的决策分析，通过一些可视化的手段支撑对所有数据在各个维度的整体性分析，同时对所有推断结果提供可解释性。很重要的一点是，人和神经网络能够形成闭环：任何一个对人的交互，实际上都是一个信号，可以反馈回来，去提升模型的效果。因此，结合知识图谱、深度学习，可以对照传统人工智能的基本框架来考虑模块的重构，这个过程可能会产生一些更新的技术。近几年，学术界特别