人工基础智能及逻辑 3

第1章引论1.1人工智能与人工智能逻辑1.2推理形式：演绎、归纳、类比与溯因1.3人工智能的发展径路和目标1.4篇章结构和特色学习目标理解人工智能的起源与图灵测试掌握四种基本推理形式了解人工智能的发展路径把握本书的整体结构1.1人工智能与人工智能逻辑本节将介绍：人工智能的诞生图灵测试的核心思想人工智能逻辑的内涵逻辑推理在AI中的地位人工智能的诞生历史起点"人工智能"(ArtificialIntelligence,AI)一词最早于1956年在达特茅斯会议上被正式提出。会议组织者麦卡锡(McCarthy)明斯基(Minsky)罗切斯特(Rochester)香农(Shannon)学科定位该学科旨在通过计算技术和手段模拟人类的智能。图灵测试的提出核心问题图灵在《计算机器与智能》(Turing,1950)开篇提出："机器能思考吗？"图灵的洞察这一问题本身既模糊又难以界定，因此转而提出一个更具操作性的替代方案——图灵测试。模仿游戏的设定三方参与者1.裁判（人类）2.人类被试3.机器游戏规则裁判通过文本介质与人类和机器分别交流裁判事先不知道哪一方是机器机器的目标：生成与人类回答难以区分的回应裁判的任务：判断哪一方是人类，哪一方是机器测试标准：如果裁判无法可靠地区分两者，那么该机器即被视为通过了测试，展现出某种形式的人工智能。图灵测试的意义方法论转变将对智能这一概念的讨论从抽象定义的争论引导至基于可观察行为的实际评估。新的智能定义智能被界定为能够令人信服地模仿人类反应的能力。达特茅斯会议提案的观点(McCarthyetal.,1956)"学习的每个方面，或智能的其他任何特征，原则上都可以被精确描述，从而用机器进行模拟。"模拟智能的技术途径核心问题如何模仿或模拟智能的某个或某些特征？技术方法计算机科学和人工智能领域开发了多种技术方法：基于规则的推理与专家系统机器学习模型（近年来广泛应用）共同目标在特定任务中模拟智能的某些关键特征。人工智能逻辑的内涵本书主题以"人工智能逻辑"为题，核心聚焦逻辑推理，系统介绍多种与人工智能密切相关的逻辑系统。概念辨析"人工智能逻辑"作为一个逻辑学分支，其内涵不同于：命题逻辑（关注命题之间的逻辑关系）模态逻辑（研究"必然""可能"等模态词）人工智能逻辑的定位统摄性概念"人工智能逻辑"是一个统摄性概念，用以指称一类与人工智能密切相关的逻辑系统。包含内容作为理论基础的经典逻辑在人工智能发展推动下不断演进的新型逻辑理论类比概念类似于"哲学逻辑"——同样作为统摄性概念，指称与哲学议题紧密相关的逻辑系统。逻辑推理与智能逻辑推理的核心地位逻辑推理能力是智能的核心体现之一：表现为对知识的理解与组织体现在面对复杂环境时进行判断与决策的能力逻辑学的深度参与自人工智能诞生之初，逻辑学便深度参与其中，构成了该领域的重要理论基础。符号主义人工智能早期发展路径人工智能早期的发展以符号主义(symbolism)为主导。核心特征依赖形式语言进行知识表示与推理试图模拟人类的理性思维和推理过程代表性成果专家系统语义网这些成果构建了逻辑推理与知识表示的基本框架。当代AI的挑战与机遇技术转向随着机器学习技术的发展，人工智能逐步转向基于统计学习方法的路径。大语言模型的影响大语言模型(LargeLanguageModels,LLMs)的兴起：突破性进展：模式识别与自然语言处理暴露的问题：逻辑结构薄弱、推理能力有限当前挑战如何将逻辑推理能力有效融入以LLMs为代表的当代AI系统，已成为重要挑战与关键机遇。1.2推理形式：演绎、归纳、类比与溯因本节内容四种基本推理形式各推理形式的特征推理与人工智能的联系因果推理简介推理在AI中的作用基础作用在AI领域，逻辑推理在问题解决和决策制定中起着关键的基础作用。四种推理形式根据特征，推理被分为四种不同的形式：演绎推理(Deduction)归纳推理(Induction)类比推理(Analogy)溯因推理(Abduction)共同特点这些推理形式作为从给定信息推导结论的基础机制，每种方法都有其独特的操作方式。演绎推理的定义推理方向演绎推理从一般前提或已知事实出发，将其应用于具体实例，得出逻辑上可靠的结论。逻辑保证如果前提为真，且推理有效，那么结论也必定为真。演绎推理示例例1（演绎）所有哺乳动物都有脊柱。鲸鱼是哺乳动物。因此，鲸鱼有脊柱。分析普遍性原则："所有哺乳动物都有脊柱"具体实例："鲸鱼是哺乳动物"结论："鲸鱼有脊柱"演绎推理的历史古希腊的贡献演绎推理的研究源于古希腊时期，亚里士多德常被认为是提出演绎推理理论的第一人。三段论理论在著作《前分析篇》(Aristotle,1938)中给出了三段论理论，奠定了演绎推理形式化研究的基础。逻辑学的关注点逻辑学理论关注的是推理的模式，而不是具体的内容。三段论的形式例2（演绎）所有的人皆有死。苏格拉底是人。因此，苏格拉底有死。与例1的关系例1和例2拥有同样的推理模式，都是标准的三段论形式。谓词逻辑的发展19世纪末至20世纪初的推动者弗雷格(Frege)罗素(Russell)一阶谓词逻辑的扩展将推理的对象从命题扩展到：对个体的性质个体之间的任意元关系涉及量词的推理结构发展动力源于对数学基础问题的关注，因此也被称为数理逻辑。谓词逻辑的贡献形式化符号体系谓词逻辑引入了一套系统而形式化的符号体系，使得具体领域的知识可以被精确表达。自动定理证明在基于谓词逻辑发展出的众多技术中，自动定理证明是一项重要成果：已成为数学、计算机科学和人工智能中的核心研究课题知识表示与推理当某一领域的知识能够以形式化方式表示（知识表示）后，便可在此基础上推导出新的结论。演绎逻辑的扩展随着AI发展的演进研究者不断提出对传统演绎逻辑的扩展与改进。描述逻辑发展出了广泛应用于知识表示与本体建模的描述逻辑。本书安排将在第一部分对这些逻辑加以介绍与讨论。归纳推理的定义推理方向归纳推理从具体的观察或证据出发，推导出更一般的规律或理论。例3（归纳）到目前为止，太阳每天早晨都从东方升起。今天太阳也从东方升起。因此，可以推出明天太阳仍将从东方升起。分析基于重复的具体观察，我们可以归纳出太阳升起方向的一般规律。归纳推理的局限性不能确保结论正确归纳并不能确保结论的正确性。经典例子：黑天鹅例4（归纳）在较长一段时间内，欧洲人所观察到的天鹅都是白色的从而得出结论："所有的天鹅都是白的"然而，18世纪末探险者在澳大利亚首次发现了黑天鹅这一观察立即成为该命题的反例归纳推理的根本局限关键认识这个例子清晰地揭示了归纳推理的一个根本局限：即使存在大量正面实例，也无法保证结论的必然正确。一个反例的威力一个反例的出现，便足以推翻归纳所形成的普遍命题。归纳的价值尽管如此，归纳推理在我们的认知与科学探索中仍发挥着不可或缺的作用——我们需要通过观察总结出一般性规律，并在反例出现时及时修正原有判断。归纳推理的研究历史培根的贡献培根(Bacon)通常被认为是近代对归纳推理进行系统讨论的先驱人物。《新工具论》(NovumOrganum)提出了新的科学探究方法与亚里士多德的《工具论》形成对比主张以经验观察和系统实验为科学知识的基础将归纳视为从具体实例中推导一般原则的核心方法休谟的归纳问题批判性审视休谟对归纳推理进行了批判性审视，提出了著名的归纳问题：如何通过过去的经验证明归纳推理的合理性？引发的探讨这一挑战促使哲学家们展开了持续的探讨：概率论视角(Carnap,1950)：归纳推理可以通过概率确认加以支持实用主义视角(Popper,1972)：试图证明归纳推理在科学中的有效性归纳推理的性质研究形式学习理论由于归纳推理无法确保结论的绝对正确性，研究这一推理过程的性质成为重要课题。研究问题形式学习理论探讨：在何种条件下，从证据中学习能够逐步趋向于真理。参见Schulte(2024)和Lin(2024)。归纳推理与机器学习机器学习的本质基于大数据的机器学习本质上是一种归纳推理。核心算法目标从大量实例中识别出一般性模式，并据此对未来情形进行预测。相互促进归纳推理的研究为当代机器学习提供了重要的理论支撑人工智能的实践也为归纳推理提供了丰富而具体的分析素材类比推理的特点推理方向对比演绎推理是从一般规律推出具体实例归纳推理则是从具体实例总结出普遍规律类比推理则是从一个具体实例推断另一个具体实例常见性这种推理在科学探索和日常认知中都极为常见。类比推理的原理不建立普遍命题类比推理并不试图建立普遍命题，而是从已知的个案出发，推断另一个个案可能具有某些相似特征。依赖结构相似性类比推理依赖于对象或情境之间的结构相似性，通过识别这种结构上的对应关系，从已知对象的属性推测未知对象可能具备的属性。类比推理的形式一般形式与在属性上相似具有属性因此，也可能具有属性特点不同于演绎推理的严格有效性有别于归纳推理对统计模式的依赖更侧重于本质属性和结构的相似，而非表面类似类比推理示例例5（类比）地球是一颗拥有生命、液态水和磁场的行星火星也存在液态水的痕迹、磁场的残余，并在地质构造上与地球相似因此，火星可能也存在某种形式的生命分析这个推理依据地球与火星这两个具体对象之间的相似关系，提出一种合理猜测。注意：这类推理的结论并非必然成立。类比推理的研究与应用研究领域类比推理在逻辑学与认知科学中已有广泛研究，并至今仍是一个活跃的领域。在AI中的应用类比推理在人工智能中发挥着越来越重要的作用：迁移学习案例推理系统(Case-BasedReasoning,CBR)结构匹配模型案例推理系统CBR系统的工作原理在面对新问题时：检索历史案例中结构相似的问题及其解决方案适配以应对当前情境应用领域法律推理医学诊断技术支持系统体现的核心特征将已知案例的知识迁移到新情境中进行推断与决策。溯因推理的提出皮尔士的贡献皮尔士(Peirce)在《理论的架构》(Peirce,1903)中正式引入了溯因推理的概念。定义将其描述为一种形成解释性假设的过程。核心方法在多个竞争性假设中，选择最可能或最简单解释的方法。别称这一过程通常被称为"推理到最好的解释"。溯因推理的应用广泛应用领域实验科学对实验观察结果进行最优解释的推断过程。诊断过程根据症状推断最可能的病因或故障原因。日常决策在不完全信息下选择最合理的行动方案。溯因推理示例例6（溯因）你醒来发现街道是湿的。利用溯因推理，你想到可能的解释有：(a)昨晚下雨了(b)有街道清洁车经过(c)有人手动洒水在这些可能的解释中，你认为下雨是最可能的也是最简单的原因。溯因推理的特点根据证据选择解释溯因推理根据现有的证据选择最可能的解释，即使其他解释也存在。允许修正结论溯因推理显然是允许修正推理结论的。动态调整示例在例6中：观察到新证据："屋顶是干的"与之前结论相矛盾得出新结论：很可能是街道清洁车经过了这种动态变化在溯因推理中是非常普遍的。溯因推理在科学中的应用科学研究的常用形式溯因推理是科学研究常用的一种推理形式。科学研究的特点需要对观察到的实验证据进行解释给出的解释可能会随着新证据的出现而被抛弃在AI中的关注近年来，溯因推理在人工智能领域获得了更多关注，因为我们常常需要从不完全数据中生成合理的解释。参见Aliseda(2006)。推理形式的综合作用四种推理的共同构成演绎、归纳、类比与溯因共同构成了人工智能中逻辑推理的核心。AI任务的本质无论人工智能的任务是：基于已有知识进行推演从数据中学习一般模式生成对行为和决策的解释本质上都依赖于上述推理模式的组合与运用。演绎推理在AI中的应用推理特点从已知的规则和前提出发，推导出必然成立的结论。基础地位是知识表示与自动推理系统的基础。传统应用在专家系统等传统AI应用中得到广泛实践。归纳推理在AI中的应用核心机制通过从具体实例中总结普遍规律。理论支撑为机器学习和数据驱动的预测提供了理论支撑。类比推理在AI中的应用核心机制是迁移学习与案例推理系统的核心机制。功能能够将已有知识灵活应用于新情境中，支持跨任务的知识迁移。溯因推理在AI中的应用聚焦点聚焦于寻找最可能的原因或解释。重要价值在诊断问题和规划任务中具有重要价值。因果推理简介因果关系的重要性识别事物之间的因果关系不仅是科学探究的核心目标之一，也是人类理解世界结构的重要方式。因果关系与相关性的区别与纯粹的相关性不同，因果关系要求在事件之间确立一种：方向性的联系机制性的联系不仅观察到两个事件"在一起"，还需解释它们"为什么"在一起。因果推理的实践意义关键意义在实践中，区分因果与相关性对于以下方面具有关键意义：预测干预决策AI研究方向近年来，因果推理成为人工智能研究中的一个重要方向。因果推理的理论框架珀尔的因果图模型珀尔(Pearl)等提出了以因果图模型为基础的因果推理框架：表达复杂变量之间的因果结构通过干预等形式进行因果推断刘易斯的反事实条件句在逻辑学文献中，刘易斯(D.Lewis)的反事实条件句也在研究因果推理中发挥重要作用。即在某一事件未发生的情况下，推断另一事件是否仍会发生。本书安排将在第三部分继续对概率推理和因果推理做详细讨论。1.3人工智能的发展径路和目标本节内容符号主义与联结主义两种径路的特点与局限AI的融合发展趋势灵活性与策略性推理AI的两种发展径路基本认识到目前为止，一般认为人工智能的发展具有两种径路：符号主义(Symbolism)依赖逻辑学和基于规则的推理系统来模拟人类智能。联结主义(Connectionism)以人工神经网络为核心，模拟人脑的学习方式。符号主义人工智能核心特征符号主义人工智能依赖逻辑学和基于规则的推理系统来模拟人类智能。基本假设知识可以通过符号语言表示，并通过逻辑推理进行有效的推导。强调重点这种方法强调可解释性。常用领域数学证明法律推理专家系统符号主义的优势与局限核心优势严密的逻辑体系具有高度可解释性，推理过程透明，结论可追溯。主要局限难以处理非结构化数据缺乏从经验中学习的能力联结主义人工智能核心技术联结主义以人工神经网络为核心。模拟对象模拟人脑的学习方式，从大规模数据中提取模式。采用技术采用深度学习等技术。突破领域语音识别计算机视觉自然语言处理联结主义的优势与局限核心优势强大的学习能力能够从海量数据中自动提取特征，在复杂任务中表现卓越。主要局限"黑箱"特性使得推理过程难以解释高度依赖海量数据和计算资源两种范式的并行演进历史进程在人工智能的发展历史中，符号主义与联结主义两大路径始终并行演进。动态关系虽然在不同阶段各自的影响力有所侧重，但两者从未完全割裂，而是不断相互借鉴、交融。当前的融合趋势前沿研究方向当前，AI前沿研究正致力于融合这两种范式。融合目标试图结合：符号主义的可解释性与逻辑推理能力联结主义的数据驱动学习优势从而实现更全面、更灵活的智能行为。LLMs的逻辑推理增强融合方向的体现近几年来针对大语言模型逻辑推理能力的增强，也体现了这一融合方向的努力。具体探索有研究尝试将外部知识图谱或符号规则系统引入LLMs，以提升其推理的准确性与稳定性。意义这些探索不仅拓展了语言模型的能力边界，也预示着未来人工智能系统将更加注重逻辑。AI的最终目标核心目标无论人工智能采用何种技术路径，其最终目标始终是实现"智能"本身。智能的重要特征灵活性研究的意义研究人类自身的决策机制与策略性推理过程，建立对这些推理规律的形式刻画，对于人工智能模拟人类智能具有重要意义。人类的推理机制面对不确定性当我们面临不确定性时，往往会：基于已有信息形成信念据此进行判断与行动对未来进行预测动态调整能力当预测结果与现实出现偏差时，我们能够：及时修正原有结论不断优化自身认知智能的关键基础核心能力正是这种动态的、可自我调整的推理能力，构成了智能的关键基础。研究聚焦自20世纪80年代以来，相关研究逐渐聚焦于：如何形式化地刻画主体自身的认知机制与推理能力并发展出一系列新的逻辑系统认知逻辑的应用前景本书安排将在第二部分对这些逻辑进行详细介绍。适用场景特别适用于模拟具有交互能力和认知调节能力的智能体。应用领域在以下领域具有广泛应用前景：机器人设计人机交互全书结构概览全书分为三个部分：第一部分知识表示和推理第二部分智能体及其交互第三部分机器学习与推理第一部分：知识表示和推理主要内容重点介绍命题逻辑、谓词逻辑和描述逻辑，它们是知识表示与推理中最为重要的逻辑系统。各逻辑的作用命题逻辑关注如何表示和推理关于事实的信息谓词逻辑用于表示和推理事物的属性、事物之间的关系，以及涉及量词的推理过程知识图谱知识图谱是知识表示较为成熟的一个代表形式，其所涉及的推理涵盖了事物之间多种类型的关系，体现了描述逻辑的核心内容。第二部分：智能体及其交互聚焦点聚焦智能体本身及其与环境和其他主体的交互机制。刻画智能体的逻辑系统模态逻辑处理不确定性认知逻辑刻画认知状态信念逻辑表达信念关系偏好逻辑建模偏好结构动态逻辑的引入核心作用引入动态逻辑，用以分析智能体如何在动态环境中：处理新信息更新知识修正信念调整偏好从而实现合理决策与行为规划。交互与博弈探讨内容本部分还将探讨：智能体之间的交互多智能体系统中的协作与竞争机制社会网络的逻辑社会网络结构的逻辑建模与分析博弈场景下的逻辑建模博弈论与逻辑方法的结合应用第三部分：机器学习与推理主要内容介绍几种