知识整合是将多个知识模型或表示综合为一个共同模型（表示）的过程。与信息整合不同，信息整合合并的是具有不同模式的数据，而知识整合强调结合对某一主题的各种视角的理解。例如，一组学生成绩可以有多种解读方式；整合视图可能使用一个共同模型（如学生表现指数）来统一这些解读。
这一概念已在教育、认知科学和人工智能等领域得到研究。在教育领域，加州大学伯克利分校开发的基于网络的探究科学环境（WISE）应用知识整合理论帮助学生连接科学思想。在人工智能中，知识整合对于构建能够从新信息中学习并更新现有知识库的系统至关重要。
理论基础
知识整合涉及通过跨学科方法将新信息纳入现有知识。这一过程需要确定新知识与现有知识如何相互作用、现有知识应如何修改以适应新信息，以及新信息应如何根据先前的理解进行调整。一个主动探究新信息后果的学习代理可以检测并利用学习机会，例如解决知识冲突或填补空白，使其能够超越新信息的显式内容进行学习。
人工智能中的应用
在人工智能中，知识整合用于合并多个模型或来源的输出。例如，大型语言模型可能整合来自不同训练语料库或用户交互的知识。语义匹配等技术有助于对齐表示，而最小映射则减少验证和可视化的工作量。由德克萨斯大学奥斯汀分校的Murray和Porter开发的机器学习程序KI，旨在研究自动化和半自动化的知识整合，以协助知识工程师构建大型知识库。
教育视角
学习中的知识整合视角强调通过跨情境连接想法来帮助学生构建连贯的理解。WISE通过提供基于探究的活动来支持这一点，这些活动促使学生阐述并完善他们的想法。Linn等人的研究表明，这种方法提高了学生对复杂科学现象进行推理的能力。滑铁卢大学提供知识整合学士学位项目，始于2008年，教授学生跨学科综合知识。
技术与挑战
一个关键挑战是不同知识表示之间的映射。语义匹配识别概念之间的对应关系，而最小映射提供高质量映射，从中可以在线性时间内推导出所有其他映射。这些技术有助于自动化整合过程，但通常需要人工监督以确保准确性。在机器学习中，知识整合可能涉及合并多个模型的预测，例如在集成方法中，或在不发生灾难性遗忘的情况下用新数据更新模型。
未来方向
随着人工智能系统变得更加复杂，知识整合将在使其能够持续学习并跨领域推理方面发挥关键作用。深度学习和神经网络的研究探索了整合来自不同模态或任务的知识的方法。Transformer模型的发展也凸显了整合来自多样来源的知识以提高性能和可靠性的需求。