《人工智能通识与进阶》 第二章 知识表示与推理

第二章

知识表示与推理——人工智能如何“表示世界”并“做出判断”问题与导读：AI真的“懂你”吗？■场景1：为什么你刚搜索“耳机”，平台就开始推荐同类商品？■场景2：为什么导航软件总能给出“更快路线”？■场景3：为什么智能助手能大致听懂你的问题并给出回答？场景1：电商推荐浏览行为、购买记录、商品关系被组织成可计算知识；系统再基于相似性和规则做推荐。场景2：地图导航道路、路口、拥堵、限速被表示成图结构；算法在这个图上推理出更优路径。场景3：智能问答问题会被拆成意图、对象和关系，再结合知识库或模型得到较合理答案。表面现象：AI好像很懂你这些系统真的在“理解”你吗？还是它们在利用数据、规则和模式进行计算？揭秘：这些现象背后既不是“神秘魔法”，也不只是“大力出奇迹”的数据堆积，而是机器在做：知识组织+规则判断+结果推断先有知识后有推理人类看到“下雨”会自动联想：衣服会湿、需带伞。这些联想源于长期的生活经验与常识积累。AI的核心路径知识表示将现实世界的复杂信息，转化为机器可识别、可存储的结构化数据。逻辑推理基于已表示的知识和输入证据，通过算法规则推导出新的结论或决策。机器只能读取符号、变量和结构。如果没有明确表示，机器无法理解“下雨”与“带伞”之间的逻辑关联。举个例子：“下雨要带伞”本章将会告诉我们：AI是如何组织知识、如何一步步得出结论的本章目录2.1认知基石：从知识表达到知识表示2.2符号表示：命题逻辑与谓词逻辑2.3推理的演进：从符号逻辑到因果推断本章目录2.1认知基石：从知识表达到知识表示2.2符号表示：命题逻辑与谓词逻辑2.3推理的演进：从符号逻辑到因果推断2.1认知基石：从知识表达到知识表示为什么要先知识表示？结论：AI不是只靠知道很多数据就能智能起来。它也需要先把知识组织好，再利用组织好的知识进行判断与推导。数据=>课本原始数据里有大量信息，但它们往往零散、混杂、不直接可用知识表示=>笔记把重点、概念、联系、规则整理出来，知识才会变得清晰、可用推理=>做题能力在已有知识基础上推出新结论，而不是只会“背答案”原始数据文本、图片、行为记录结构化知识概念、关系、规则推理结果判断、预测、推荐AI也是一样的道理！整理并总结未整理的数据死记硬背结构化的知识融会贯通知识表示像“整理笔记”，推理像“解题”。如果学生只抱着课本死记硬背，却没有把概念、关系和规律整理出来，就很难真正会做题。知识表示定义把现实世界中的事实、概念、关系和规则，转化成机器可以处理和利用的形式。它是连接人类认知与机器智能的桥梁。结构化将知识整理为清晰、规范的层级或关联结构，消除歧义。哺乳动物可以整理为含有下述特征的动物：[脊椎动物、胎生、恒温、用肺呼吸、…]可推理能够基于已有的知识，推导出新结论。

可计算程序能够高效地对其进行读取、比较、匹配和逻辑运算。鲸:[父类别：脊椎动物：true，特征：{胎生：true，恒温：true，用肺呼吸：true}]2.1认知基石：从知识表达到知识表示什么是知识表示？知识表示“知识表达”与“知识表示”有什么区别？知识表达：面向人类把知识“说清楚”强调把知识说清楚，解决“人类能看懂”的问题。良好的知识表达具有下面三个特点：（1）语义明确（2）结构有序（3）语用有效例如：教材中的定义/老师的课堂讲解/自然语言段落知识表示：面向机器把知识“变好用”强调把知识变好用，解决“机器能用上”的问题。具有以下的特点：（1）结构化（2）可计算（3）可推理例如：逻辑公式/专家系统规则库/知识图谱三元组2.1认知基石：从知识表达到知识表示知识表示知识表示核心要素不能把知识理解成一串孤立的数据。真正有价值的知识表示，是“对象+关系+规则+元信息”的整体。规则描述规定取值范围、先决条件与例外情形，即“在什么条件下会发生什么”。例如：今天下雨则带伞关系描述对象间的隶属、蕴含、因果、相似等作用与依赖，即“它们之间有什么联系”。例如：购买、属于、位于元信息来源、证据、适用范围与时效性，即“知识从哪来，有多靠谱”。例如：{来源：购物记录，证据置信度：100%}概念描述对象的本质特征与区分标准，即“这是什么”。例如：手机、课程、城市为什么需要“元信息”？试想一下，如果知识库中录入了一条“吃某种偏方就能治感冒”的规则，若缺乏元信息，机器就会将其视为绝对真理直接推荐给所有用户。而引入元信息后，系统就能追溯该偏方是来自权威医学文献还是网友发帖，还能标明该偏方记录的时间、治愈的置信度以及是否仅对特定体质有效。有了元信息，AI才更容易做到可解释、可追溯、可更新，而不是把所有知识都当成一样真实。2.1认知基石：从知识表达到知识表示知识表示案例：“小明买了一部红色苹果手机”将非结构化文本

转化为结构化知识表示任何一句话都可以被拆解为机器可以组织、查询和推理的结构。通过补充“苹果手机→需要→充电器”等知识，机器就能够推断小明可能需要充电器，并推荐给他。“小明买了一部

红色苹果手机”自然语言输入2.1认知基石：从知识表达到知识表示知识表示2.1认知基石：从知识表达到知识表示AI处理逻辑AI系统并不真正理解句子的文学意味或情感色彩。它能将任意一句话拆解为可被编码、可被计算的结构化要素。提取对象、关系、属性，是让AI能够“读懂”知识的第一步。提取对象识别句子中的实体：“下雨”、“伞”——这是系统关注的主体梳理关系分析实体间的相互作用：下雨导致淋湿、人需要伞——构建逻辑关系定义属性描述对象的特征状态：雨正在发生、伞是必要的——补充信息细节现实世界的自然语言，可以转化为“对象-关系-属性”这种机器可存储、可检索、可计算的数据结构。后续我们将学习如何用严谨的逻辑符号，把这些要素一一表示出来。案例：“下雨要带伞”知识表示知识表示的作用是什么？结论知识表示是AI认知的基石。没有良好的知识表示，再大的数据也只是乱码。给机器一堆购物记录，若不将其结构化为“买手机→需要充电器”，机器永远无法精准推荐。让AI具备常识人类知道猫不会开车，但机器却缺乏“常识”。而这些“常识”需要通过知识表示教给AI。如果没有常识性知识，AI可能会给出荒诞结果，比如把“猫开车”当成正常组合。让AI能够推理只有把“下雨—路滑—减速”这种联系表示出来，系统才能进行连续判断。让结果可解释当AI做出推荐或判断时，用户可以追问“为什么”，知识表示让系统能说出依据。比如：系统推荐充电器给你，是因为你购买了手机（事实），手机需要充电器（关系）。将知识沿着“表达—结构化—形式化—计算化”路径转化为可计算对象。2.1认知基石：从知识表达到知识表示知识表示本章目录2.1认知基石：从知识表达到知识表示2.2符号表示：命题逻辑与谓词逻辑2.3推理的演进：从符号逻辑到因果推断知识表示方法符号化表达用符号代替句子，利用逻辑连接词（如→、∧、∨）来表达关系。类比理解：程序条件判断If(今天下雨==true){路面湿=true;//规则P→Q成立}else{...}P：今天下雨、Q：地面湿，因此“如果今天下雨，则地面湿”可以表示为P→Q2.2符号表示：命题逻辑与谓词逻辑谓词逻辑表示引入变量与谓词关系。可以进一步拆分句子内部结构，能够处理更复杂、更通用的逻辑推理场景。命题逻辑表示处理最基础的“真/假”判断。将完整的陈述句视为一个不可分割的原子命题（如P），关注命题间的整体逻辑关系。核心价值：将人类的自然语言规则转化为机器可计算的符号语言，赋予了机器进行逻辑推理和判断的能力。符号逻辑命题逻辑表示快问快答Question:下列哪一项属于命题？A.请把门关上！B.

通用人工智能将在2050年前实现。

C.x+1>3答案：B。因为B是陈述句，且在特定时间/地点下句子的真假是可判定的。A是祈使句。

C因变量未知无法判定真假。命题是什么？命题是一个可以判断真假的陈述句。例如：“今天下雨。”“教室里有人。”重点：必须能给出真或假不是命题的例子“你吃饭了吗？”——疑问句“请安静！”——祈使句“x>2”——若x未给定，真假不确定为什么要知道命题？因为推理就像搭积木：命题是最小积木块，复杂判断是由这些积木组合出来的。为了方便记录，将命题内容常记为大写符号P、Q、R、…用于存储和计算。2.2符号表示：命题逻辑与谓词逻辑符号逻辑原子命题与复合命题原子命题P“今天下雨”逻辑联结使用“且(∧)”规则生成复合命题P∧Q“今天下雨了，并且我出门带了伞”复合命题的本质是利用逻辑规则将多个原子判断联结起来。原子命题内部不含任何命题成分，且不可再分解为更简单命题的陈述句。示例：P=“今天下雨”、Q=“我带了伞”复合命题将一个或多个原子命题，通过特定的逻辑联结词（如：∧、∨、¬）组合而成的新陈述，用于表达更复杂的情形。示例：P∧Q、P∨Q、¬P、…原子命题Q“我带了伞”2.2符号表示：命题逻辑与谓词逻辑命题逻辑五种常见命题联结词表达式表达含义例子联结词符号P∧QP且Q今天下雨且降温合取∧P∨QP或Q周六或周日开会析取∨¬P非P今天不是晴天否定¬P→Q如果P，那么Q如果下雨，就带伞蕴含→

P当且仅当Q偶数当且仅当能被2整除等价

2.2符号表示：命题逻辑与谓词逻辑命题逻辑真值表：逻辑公式是如何“算真假的”？真值表用于表示原子命题所有可能的真假组合，逐行计算复合命题的真（T）假（F）。PQP∧QP∨Q¬PP→QTTTTFTTFFTFFFTFTTTFFFFTT读表要点P∧Q：两者都真才真。P∨Q：只要有一个真就真。P→Q：只有“前真后假”时为假。疑问解析预设规则为“如果今天下雨（P），就会带伞（Q）。”当真的下雨却没带伞时，规则被打破，所以是假。在“P→Q”列唯一标明为“F”的情况。2.2符号表示：命题逻辑与谓词逻辑命题逻辑例题：门禁系统如何用逻辑判断是否开门？设定命题P：刷卡成功Q：管理员远程授权R：门能被打开小区门禁进入小区，只要这P或者Q其中一个为真，那么门能被打开，因此表示为：R=P∨Q真值表对比结果PQTTTFFTFFR=P∧QTFFFR=P∨QTTTF金库大门要进金库，必须要求两个命题均为真，门能被打开，因此表示为：R=P∧Q2.2符号表示：命题逻辑与谓词逻辑命题逻辑命题等价公式2.2符号表示：命题逻辑与谓词逻辑交换律结合律分配律双重否定律等幂律吸收律等值公式命题逻辑谓词逻辑表示量词

快问快答Q:下面哪个谓词逻辑写法是正确的？A.∀x(猫(x)∧爱吃鱼(x))B.∀x(猫(x)→爱吃鱼(x))C.∃x(猫(x)→爱吃鱼(x))答案：B。全称量词一般搭配蕴含符号“→

”。个体+谓词个体：研究对象所在论域的最基本元素。例：小明、手机谓词：描述个体所具有的性质或个体之间的关系的基本符号。例：一元谓词(属性)：Student(小明)二元谓词(关系)：Taller(小明,小红)【例子1】“所有学生都要考试”：

∀x(Student(x)→Exam(x))【例子2】“有些手机支持5G”：

∃x(手机(x)∧支持5G(x))命题逻辑表示无法准确的表述个体之间的共性与差异，仅能用独立符号描述单个事实，而谓词逻辑表示通过将命题拆分成个体、属性以及关系，弥补了命题逻辑表示的短板。2.2符号表示：命题逻辑与谓词逻辑谓词逻辑趣味例子——骑士与骗子2.2符号表示：命题逻辑与谓词逻辑问题：在一个神秘岛上，住着两种人:1)骑士：永远说真话，不会撒谎;2)骗子：永远说假话，从不说真话。有一天，你遇到了两个人A和B，他们说了两句话:A说：“B是骗子。”B说：“A和我都是骑士。”请你判断：A和B谁是骑士，谁是骗子？

谓词逻辑从“表示”走向“推理”知识表示我们学会了如何把人类的知识，写成电脑能够理解和处理的形式化语言。这是AI系统的基石，让机器具备了“记忆”的能力。推理方法AI的核心“思考”能力。让电脑根据已有的知识，模仿人类思维模式，自动推演并得出结论。本章目录2.1认知基石：从知识表达到知识表示2.2符号表示：命题逻辑与谓词逻辑2.3推理的演进：从符号逻辑到因果推断什么是推理？——从已知推出未知一个最简单的推理链23定义推理是根据已有知识、事实、规则，推出新的结论的过程。它不是对数据进行简单搬运处理，而是依据逻辑关系得到新的发现。类比人类视角已知：天很黑、乌云很多、空气潮湿。推断：可能快下雨了。这就是根据线索形成判断。AI视角输入：事实+规则输出：新结论/新决策应用：门禁系统、推荐系统、导航系统、….事实：今天下雨规则：如果下雨，则地面会湿结论：地面会湿推理的关键不是简单找答案，而是能解释：为什么会得到这个结论？一个简单的推理链■■■推理的演进：从符号逻辑到因果推断推理常用推理方法概览逻辑推理▍定义从确定的规则和前提出发，通过严密的推导，得出必然且唯一的结论。▍特点推理过程严谨，结论具有绝对的必然性，不受主观因素干扰。▍案例苏格拉底三段论：人终有一死，苏格拉底是人，故苏格拉底会死。图谱推理▍定义基于知识图谱的图结构，利用已知的实体和关系，推导数据中可能存在的未知关联。▍特点高度依赖图结构与实体关系，擅长处理海量、互联的非结构化数据。▍案例社交网络推荐：通过“朋友的朋友”这一关系链，推断发现潜在的好友。概率推理▍定义在信息不完整或存在不确定性时，通过统计学方法计算结果发生的可能性。▍特点接受不确定性，不追求绝对真理，而是给出可能性最高的结论或决策建议。▍案例辅助医疗诊断：根据体温、咳嗽等症状，计算患者患感冒的概率。因果推理▍定义探究事件背后的驱动机制，更关注为什么发生。▍特点能够严格区分相关性与因果性，有效避免将时间上的巧合误认为因果。▍案例冰淇淋销量与溺水率：在夏天都显著上升，两者相关是因为都受气温升高影响，而非互为因果。推理的演进：从符号逻辑到因果推断推理方法常用推理方法概览逻辑推理▍定义从确定的规则和前提出发，通过严密的推导，得出必然且唯一的结论。▍特点推理过程严谨，结论具有绝对的必然性，不受主观因素干扰。▍案例苏格拉底三段论：人终有一死，苏格拉底是人，故苏格拉底会死。图谱推理▍定义基于知识图谱的图结构，利用已知的实体和关系，推导数据中可能存在的未知关联。▍特点高度依赖图结构与实体关系，擅长处理海量、互联的非结构化数据。▍案例社交网络推荐：通过“朋友的朋友”这一关系链，推断发现潜在的好友。概率推理▍定义在信息不完整或存在不确定性时，通过统计学方法计算结果发生的可能性。▍特点接受不确定性，不追求绝对真理，而是给出可能性最高的结论或决策建议。▍案例辅助医疗诊断：根据体温、咳嗽等症状，计算患者患感冒的概率。因果推理▍定义探究事件背后的驱动机制，更关注为什么发生。▍特点能够严格区分相关性与因果性，有效避免将时间上的巧合误认为因果。▍案例冰淇淋销量与溺水率：在夏天都显著上升，两者相关是因为都受气温升高影响，而非互为因果。推理的演进：从符号逻辑到因果推断推理方法定义与机制逻辑推理是指基于已知的规则和确定的事实，通过的符号运算规律，推导出新结论的过程。逻辑推理的最大特征是确定性：只要前提为真且规则正确，推导出的结论就必定为真，不存在模棱两可的情况。逻辑推理命题逻辑推理最基础的逻辑系统。它将完整的陈述句视为一个不可分割的原子命题，主要研究完整句子之间的真假关系（如“并且”、“或者”、“如果...那么...”）。谓词逻辑推理更高级的逻辑系统。它打破了原子的限制，引入了“变量”与“量词(所有/存在)”，能够深入到句子内部，拆解并表达事物的内部属性与群体普遍规律。逻辑推理的两大经典范式逻辑推理就像推多米诺骨牌，只要摆法（规则）正确，那么推到第一块（前提），就能预判最后一块倒下的方向（结论）。

形象理解推理的演进：从符号逻辑到因果推断逻辑推理逻辑推理例子路面湿了吗？前提1：如果下雨，则地面会湿P→Q前提2：今天下雨P=True结论：路面会湿

Q=True命题逻辑推理苏格拉底论证前提1：所有人都会死∀x(Person(x)→Dead(x))前提2：苏格拉底是人Person(苏格拉底)=True谓词逻辑推理结论：苏格拉底会死Dead(苏格拉底)=True推理的演进：从符号逻辑到因果推断逻辑推理常用推理方法概览逻辑推理▍定义从确定的规则和前提出发，通过严密的推导，得出必然且唯一的结论。▍特点推理过程严谨，结论具有绝对的必然性，不受主观因素干扰。▍案例苏格拉底三段论：人终有一死，苏格拉底是人，故苏格拉底会死。图谱推理▍定义基于知识图谱的图结构，利用已知的实体和关系，推导数据中可能存在的未知关联。▍特点高度依赖图结构与实体关系，擅长处理海量、互联的非结构化数据。▍案例社交网络推荐：通过“朋友的朋友”这一关系链，推断发现潜在的好友。概率推理▍定义在信息不完整或存在不确定性时，通过统计学方法计算结果发生的可能性。▍特点接受不确定性，不追求绝对真理，而是给出可能性最高的结论或决策建议。▍案例辅助医疗诊断：根据体温、咳嗽等症状，计算患者患感冒的概率。因果推理▍定义探究事件背后的驱动机制，更关注为什么发生。▍特点能够严格区分相关性与因果性，有效避免将时间上的巧合误认为因果。▍案例冰淇淋销量与溺水率：在夏天都显著上升，两者相关是因为都受气温升高影响，而非互为因果。推理的演进：从符号逻辑到因果推断推理方法知识图谱：把知识连成一张关系网用知识图谱的形式表示实体与关系的网状映射知识图谱的构成很简单，仅由“节点(Node)”和“边(Edge)”两种元素组成：节点：表示“实体”(Entity)，如人、物体、地点边：代表“关系”(Relation)，刻画实体之间拥有、依赖、从属或血缘等关联核心特征与生活类比特征：强调网络化与可视化，打破孤立信息，注重知识的关联性与整体性。类比：就像绘制“家族关系图谱”，能清晰、直观地展示出个体之间错综复杂的血缘联系。推理的演进：从符号逻辑到因果推断图谱推理知识图谱推理：让孤立数据变成更多有用的知识利用网络链路，自动发现庞杂数据中尚未明确标明的隐藏关系现实任务当知识变成千万级别的庞大网络时，人类无法写尽所有规则。AI需要自动从已知的实体与实体间关系中，推测出没有直接写明的隐藏关系。典型例子已知：和花+爸爸=>美兰

已知：和花+妹妹=>和叶机器能够推导出：

和叶+爸爸=>美兰关键思想它能通过“顺藤摸瓜”等方法，分析推理出孤立的数据之间的潜在关系。知识图谱推理，就是顺着已知关系的“藤”，摸出未知关联的“瓜”，让原本孤立的数据真正变成有价值的更多知识。

形象理解推理的演进：从符号逻辑到因果推断图谱推理图谱例子：从已知事实推导未知血缘推导出：爸爸已知事实1：Sister(和花，和叶)=True和花的“妹妹”是和叶已知事实2：Father(和花，美兰)=True和花的“爸爸”是美兰图谱推理：∀x,y,z(Sister(x,y)∧Father(x,z)→Father(y,z))和花与和叶有同一个“爸爸”美兰应用含义系统原本不知道和叶的爸爸是谁，但顺着“和花→妹妹→和叶、和花→爸爸→美兰、和叶→爸爸→美兰”这条图谱链路，成功推断出了关系。推理的演进：从符号逻辑到因果推断图谱推理常用推理方法概览逻辑推理▍定义从确定的规则和前提出发，通过严密的推导，得出必然且唯一的结论。▍特点推理过程严谨，结论具有绝对的必然性，不受主观因素干扰。▍案例苏格拉底三段论：人终有一死，苏格拉底是人，故苏格拉底会死。图谱推理▍定义基于知识图谱的图结构，利用已知的实体和关系，推导数据中可能存在的未知关联。▍特点高度依赖图结构与实体关系，擅长处理海量、互联的非结构化数据。▍案例社交网络推荐：通过“朋友的朋友”这一关系链，推断发现潜在的好友。概率推理▍定义在信息不完整或存在不确定性时，通过统计学方法计算结果发生的可能性。▍特点接受不确定性，不追求绝对真理，而是给出可能性最高的结论或决策建议。▍案例辅助医疗诊断：根据体温、咳嗽等症状，计算患者患感冒的概率。因果推理▍定义探究事件背后的驱动机制，更关注为什么发生。▍特点能够严格区分相关性与因果性，有效避免将时间上的巧合误认为因果。▍案例冰淇淋销量与溺水率：在夏天都显著上升，两者相关是因为都受气温升高影响，而非互为因果。推理的演进：从符号逻辑到因果推断推理方法为什么需要概率推理？概率推理不再只问“是不是”，而是问“多大可能是”。概率推理不是随意决定，而是根据证据更新判断，它用概率论的语言把不确定性量化，让机器能在信息不全、存在噪声的情况下，做出合理的判断与决策。现实任务在上述场景中，我们永远无法收集所有绝对确定的前提条件。仅凭非黑即白的逻辑规则根本无法做出有效判断。医疗诊断（病理复杂）天气预报(混沌系统)垃圾邮件识别(特征模糊)推荐系统(用户行为多变)典型例子同一证据可以支持多个不同结论，只是支持的强弱不同。通常AI会依据权重选择概率更大的解释。结论A｜感冒发烧→感冒？结论Ｂ｜流感结论Ｃ｜炎症(45%)(38%)(11%)证据更新机制规律：随着支持性证据的不断累加，系统判断的置信度越强，结论越偏向“高概率”。基础判断低置信度+咳嗽症状中置信度+血检指标异常高置信度推理的演进：从符号逻辑到因果推断概率推理条件概率与贝叶斯思想条件概率直观理解为已经知道某件事发生的前提下，再看另一件事发生的概率。贝叶斯公式则是描述事件的条件概率间的关系的公式：一个最简单的推理链先验概率：P(A)在看到新证据前，对事件A

原本的认知。一个最简单的推理链似然度：P(B|A)如果A

确实发生了，那么观察到证据B的可能性有多大？一个最简单的推理链证据因子：P(B)无论情况如何，证据B

出现的总概率。一个最简单的推理链后验概率：P(A|B)吸收新证据B

之后，你对事件A

的新认知贝叶斯思想新证据到来后，要更新原本的判断。也就是：先验概率结合新证据得到后验概率。这就是很多智能诊断、垃圾邮件过滤、风险预警系统背后的数学基础。推理的演进：从符号逻辑到因果推断感冒的概率发烧的概率感冒时发烧的概率已知发烧了，感冒的概率概率推理发烧的时候多大概率是感冒引起的？例题：一个简单的贝叶斯计算题目场景：某病在人群中的患病率为1%。若真的患病，检测呈阳性的概率为90%；若未患病，误报阳性的概率为5%。提问：如果小明检测阳性后，那他真的患这个病的概率是多少？用符号表示：D表示患病，+表示该病阳性已知：求：

这道题帮助我们理解：AI处理不确定性时，必须同时考虑“先验概率”和“证据可靠性”。为什么只有15.4%？人类的直觉往往会被

90%的检出率吓倒，认为一旦阳性就几乎确诊了。贝叶斯方法考虑到了人群中真正患病的概率很低（1%）。在99%的健康人群中，即使只有5%的误报率，其绝对数量远远多于那真正的1%患病者。因此，阳性报告中，绝大多数其实是“被误伤的健康人”。推理的演进：从符号逻辑到因果推断概率推理常用推理方法概览逻辑推理▍定义从确定的规则和前提出发，通过严密的推导，得出必然且唯一的结论。▍特点推理过程严谨，结论具有绝对的必然性，不受主观因素干扰。▍案例苏格拉底三段论：人终有一死，苏格拉底是人，故苏格拉底会死。图谱推理▍定义基于知识图谱的图结构，利用已知的实体和关系，推导数据中可能存在的未知关联。▍特点高度依赖图结构与实体关系，擅长处理海量、互联的非结构化数据。▍案例社交网络推荐：通过“朋友的朋友”这一关系链，推断发现潜在的好友。概率推理▍定义在信息不完整或存在不确定性时，通过统计学方法计算结果发生的可能性。▍特点接受不确定性，不追求绝对真理，而是给出可能性最高的结论或决策建议。▍案例辅助医疗诊断：根据体温、咳嗽等症状，计算患者患感冒的概率。因果推理▍定义探究事件背后的驱动机制，更关注为什么发生。▍特点能够严格区分相关性与因果性，有效避免将时间上的巧合误认为因果。▍案例冰淇淋销量与溺水率：在夏天都显著上升，两者相关是因为都受气温升高影响，而非互为因果。推理的演进：从符号逻辑到因果推断推理方法结论真正共同的原因是天气变热。这类变量叫第三方变量或者叫混杂因素。如果仅看数据变化的表面相关性，那么很可能导致AI学习到错误的规律。相关性陷阱：数据会一起变化，但不一定互相导致35题目场景：在夏天，冰激淋的销量上升，而溺水的人数也上升。提问：能否得出“吃冰激凌会导致溺水”这个结论？天气变热

（共同原因）无直接因果关系推理的演进：从符号逻辑到因果推断因果推理因果推理：追问为什么会发生相关性回答哪些变量经常一起出现？例如：看过某视频的人，也常看另一类视频。因果性回答如果主动改变某个变量，结果会怎样？例如：如果戴上口罩，感染率是否真的会下降？为什么更高级？因为它涉及“干预”——不是观察世界，而是思考“如果我出手改变，会怎样”。一句话：相关性关注“同时变化”，因果性关注“改变某一项后，结果是否改变”。思考看到两个现象（冰激淋的销量，溺水的人数）一起变化，不要急着下判断它们之间有因果关系（吃冰激凌会导致溺水）；试着先思考：是不是还有别的原因（如夏天）导致这个现象？如果主动改变它（不是夏天的时候），结果还会一样吗？推理的演进：从符号逻辑到因果推断因果推理常见概率陷阱——辛普森悖论各科室采用不同的方法的治愈率科室方案A(治愈数/总数)方案B(治愈数/总数)结论科室181/87(93.1%)234/270(86.7%)A更优科室2192/263(73.0%)55/80(68.8%)A更优总计273/350(78.0%)289/350(82.6%)B反超思考与启示上述反直觉的现象便是辛普森悖论，这表明单纯的概率统计无法替代因果推理。现实世界中可能存在混杂因素的情况，而使用表面的数据相关性的推理则会对结论产生误导。两种治疗方案的治愈率某医院对两种治疗方法（A/B）进行统计，数据出现了令人困惑的情况：1.单独分析：在两个科室中，方法A的治愈率均高于方法B。2.合并分析：将所有科室数据汇总后，方法B的总治愈率却比方法A更高。推理的演进：从符号逻辑到因果推断因果推理因果推理技术与层级推理的演进：从符号逻辑到因果推断因果推理因果推理的三个层级因果图的基础结构（1）因果关联X=吸烟Y=肺癌（2）混淆关联X=高温Y=冰激凌销量Z=溺水人数（3）选择关联X=天赋Z=考上名校Y=努力L1关联性：只能“看“数据“当我看到X发生的时候，Y发生的概率是多少？”系统只能被动寻找数据中经常一起