在多年的人工智能演进中，学者们普遍注意到了知识对实现人工智能落地所起到的决定性作用。上回提到的符号逻辑和专家系统分别依靠AI专家或者行业专家对领域内的知识进行整理，面对不同行业的海量知识，他们往往力不从心。
互联网的诞生为人类知识的产生和结构化带来了新的契机。在新的互联网世界，每个人都可以创建自己的网页，网友们使用一种统一的HTML语言对不同的内容进行标记，而浏览器能够解析这些HTML标签，并根据标签对这些内容进行展示。语义网络的思想与之类似，它使用一套更复杂的标签系统对互联网上的所有内容进行标记和解释。
早期的语义网络希望发动互联网上的所有内容贡献者一起创建一个规模更大的知识库，基于此进行知识的表达与推理。除了要面对海量的知识之外，语义网络还继续解决海量内容贡献者的协同问题。不同的人知识体系可能不同，对事物的认识可能不同，即使对同一事物，可能也存在不同的描述方式。为解决这一问题，伯纳斯-李引入了资源描述框架（Resource Description Framework，RDF），网络本体语言（Web Ontology Language）等概念，对语义网络的标签方式进行了规范，来实现描述的统一。
尽管有相关技术的支持，实现自动推理的语义网络仍需要面对海量类别与实体以及各种模糊概念、不确定性和不一致性带来的挑战。而另一方面，互联网的快速发展和商业化也超出了伯纳斯-李的预期。互联网的创建伊始有一些乌托邦的味道，所有的内容创建者都被寄希望严格遵守各种内容与标签规范，为自己所提供的内容负责。但随着互联网的快速普及，以及大量商业需求的产生，几乎所有网页制作者都把注意力放在内容的展示上，对内容的知识化并不在意，更不要说遵守相关的知识表达规范了。
为了汇集散落各处的网页信息，搜索引擎开始登场并且逐渐走到了互联网舞台的中央。各大搜索引擎通过爬虫技术几乎抓取了全网的主要网页，而大数据和自然语言处理技术的进步也使得直接对海量文本数据进行语义分析与推理成为可能，是时候把接力棒交给他们了。
