ייצוג ידע (Knowledge Representation) הוא תת-תחום קלאסי בבינה מלאכותית שעוסק בשאלה איך לקודד עובדות, כללים ומושגים על העולם במבנה שתוכנת-מחשב יכולה להשתמש בו כדי להסיק מסקנות חדשות — לא רק לאחסן מידע. מאמר-היסוד המצוטט ביותר בנושא, "What Is a Knowledge Representation?" מאת רנדל דייוויס, הווארד שרוב ופיטר סולוביץ' (AI Magazine, 1993), מגדיר ייצוג-ידע דרך חמישה תפקידים שונים ולעיתים סותרים: הוא תחליף (surrogate) לדבר-עצמו בעולם; מערכת התחייבויות-אונטולוגיות (במה בדיוק כדאי לחשוב); תיאוריה חלקית של היסק תבוני; אמצעי לחישוב יעיל; ושפה לביטוי אנושי.
לאורך ההיסטוריה של הבינה המלאכותית הסמלית-הקלאסית התפתחו כמה שיטות-ייצוג מרכזיות. "רשתות סמנטיות" (Semantic Networks), שהחוקר רוס קווילייאן (Ross Quillian) ניסח בעבודת-הדוקטורט שלו ב-1968, מייצגות מושגים כצמתים בגרף ואת היחסים ביניהם (כמו "is-a" או "part-of") כקשתות. "מסגרות" (Frames), שהציע מרווין מינסקי (Marvin Minsky) במאמרו "A Framework for Representing Knowledge" ב-1974, מארגנות ידע כתבניות-סטריאוטיפיות של מצבים מוכרים (למשל "חדר שינה") עם משבצות-מידע קבועות שממלאים לפי המקרה הספציפי. שיטה נוספת, פשוטה וישירה יותר, היא כללי-אם-אז מפורשים — הבסיס של מערכות-מומחה קלאסיות.
שיטת-ייצוג פורמלית ומדויקת-יותר משתמשת בלוגיקה מסדר-ראשון (First-Order Logic) — שפה מתמטית שמאפשרת הן לבטא עובדות במדויק והן להסיק מהן מסקנות חדשות באמצעות כללי-היסק פורמליים, קפדניים-יותר מרשתות סמנטיות אך גם מסורבלים-יותר לכתיבה. גרסאות מוגבלות-ומעשיות-יותר של לוגיקה כזו, הנקראות "לוגיקות-תיאור" (Description Logics), עומדות היום בבסיס שפות הרשת הסמנטית וכלי-האונטולוגיה בתעשייה. יישום מודרני ומוכר במיוחד הוא "גרף-הידע" (Knowledge Graph) שהשיקה גוגל ב-2012 — מבנה-ענק המקשר עובדות על מיליוני ישויות.
עם עליית הלמידה-העמוקה ומודלי-השפה הגדולים נפתח ויכוח-מחקר פעיל: האם מערכות-AI מודרניות עדיין זקוקות לייצוג-ידע מפורש וידני, או שהן יכולות ללמוד ידע-בפועל באופן סמוי מתוך כמויות-עצומות של טקסט, בלי מבנה סימבולי נפרד כלל. גישות "עצביות-סמליות" היברידיות (Neuro-symbolic AI), שמשלבות רשתות-נוירונים עם ייצוג-ידע מפורש, הן כיוון-מחקר פעיל שמנסה לשלב את היתרונות של שתי הגישות גם יחד.