人工智能中的推理

推理是人工智能领域中一种特殊的进程，它能够让机器像人类一样进行理性思考并执行操作。推理是从已知知识、事实和信念中逻辑地得出结论并预测结果的过程。我们也可以说，“推理是从数据中推断现有事实的一种方式。”它只是一个逻辑思维过程，最终得出验证。

因此，推理似乎很重要，因为它能帮助机器像人类一样进行推理。其主要目标是利用信息来解决问题、做出决策并适应新环境。

人工智能（AI）采用了许多推理形式，每种形式都有其独特的特征和应用。

1. 逻辑推理
2. 概率推理
3. 基于案例的推理
4. 时间推理
5. 空间推理

逻辑推理

所提供的技术允许人们在指定的、定义的规则和逻辑下进行推断。只要其他假定的条件也是有效的，它就是确定性的和有效的。推断通常在专家系统和逻辑编程中体现。

概率推理

考虑了不确定性和不完整数据；为结果分配概率而不是固定的逻辑。大多数现实生活场景，例如语音识别、垃圾邮件检测或自动驾驶汽车，都在这种环境中运行，其中结果有时不是非黑即白的。

基于案例的推理

它根据对类似、已解决问题的解决方案来解决新问题。这种方法在推荐系统、法律决策支持和个性化教学环境等系统中非常有用。

时间推理

考虑时间因素。与时间相关的事件引起可被推翻的变化对于规划、调度和机器人运动很重要。

空间推理

人工智能允许理解和与物理世界互动，例如图像中的物体识别和环境中的路径导航。

结合这些推理能力，以及机器学习和知识表示技术，可以使AI系统在动态环境中足够智能地运行。推理仍然是AI的核心，它充当接口，将原始数据转化为智能行为，反之亦然，并再次转化为更智能、更具适应性的机器。

推理类型

在人工智能中，推理可分为以下几类：

• 演绎推理
• 归纳推理
• 溯因推理
• 常识推理
• 单调推理
• 非单调推理

注意：归纳推理和演绎推理是命题逻辑的形式。

1. 演绎推理

演绎推理是从逻辑上相关的已知信息中推导出新信息。它是一种有效推理的形式，意味着当前提为真时，论证的结论必须为真。

演绎推理是AI中的一种命题逻辑，需要各种规则和事实。它有时被称为自上而下的推理，与归纳推理相反。

在演绎推理中，前提的真实性保证了结论的真实性。

演绎推理通常从一般前提开始，得出具体结论，下面示例可以解释这一点。

示例

前提1：所有人都要吃蔬菜

前提2：Suresh是人。

结论：Suresh吃蔬菜。

AI演绎推理系统包含定理。演绎推理的例子包括基于规则的系统、自动定理证明、逻辑编程（例如 Prolog）和专家系统。它们在由事实和推理规则构成的知识库上运行。

随着归纳推理的出现，知识库必须保持一致和完整。因此，演绎逻辑用于通过AI系统的推理引擎中的归纳来获得新事实。例如，如果AI系统做出推断，“如果‘所有哺乳动物都有肺’，‘鲸鱼是哺乳动物’，那么鲸鱼必须有肺。”

如果前提成立，演绎推理永远不会出错。然而，它往往很僵化：如果前提不真实或不完整，则逻辑得出的结论可能是错误的。

尽管存在这种局限性，但在应用演绎推理的场合，准确性至关重要，例如在法律专家系统、解决数学问题以及执行系统形式化检查中。

这意味着，通过强大的演绎推理能力，机器能够基于可定义的知识来催化理性决策，从而在框架内实现更高级别的推理能力。

演绎推理的一般过程如下：

2. 归纳推理

归纳推理是一种通过概括过程，利用有限的事实集来得出结论的推理形式。它从一系列具体的事实或数据开始，得出一般性陈述或结论。

归纳推理是一种命题逻辑，也称为因果推理或自下而上的推理。

在归纳推理中，我们使用历史数据或各种前提来生成一个通用规则，前提支持该结论。

在归纳推理中，前提为结论提供可能的支持，因此前提的真实性并不能保证结论的真实性。

示例

前提：我们在动物园看到的所有鸽子都是白色的。

结论：因此，我们可以期望所有的鸽子都是白色的。

归纳推理在AI中有许多应用，特别是在学习和预测的各个分支中。它允许系统从数据中推断规则或模式；因此，它是机器学习和数据挖掘方法的核心。

例如，在垃圾邮件检测中，AI模型从标记为垃圾邮件或非垃圾邮件的大型电子邮件数据集中学习垃圾邮件的常见特征。根据观察，它会形成一个规则形式的概括，然后将其应用于新传入的电子邮件，以预测电子邮件是否为垃圾邮件。这种概括在少数个例中可能不起作用，但在大多数情况下会起作用。

归纳推理的一个重要特征是结论很可能为真。因此，AI系统通过提供有根据的猜测来发展，并在面对部分或嘈杂数据时进一步演进。

归纳推理的问题在于过度概括的弊端。我见过所有的鸽子都是白色的；因此，从归纳的角度来看，不可能有不是白色的鸽子。因此，归纳系统需要广泛的数据集来学习并减少偏差。

然而，正是归纳推理使AI能够适应从经验中学习——这是动态环境中智能行为的绝对要求。

3. 溯因推理

溯因推理是一种逻辑推理形式，它从一个或多个观察开始，然后寻找该观察最可能的解释或结论。

溯因推理是演绎推理的扩展，但在溯因推理中，前提并不保证结论。

在AI中，溯因推理通常应用于诊断系统，其中医学诊断是一个典型的例子：分析症状或观察结果，以推断可能的疾病作为解释。结论可能不完全正确，但它代表最可能的原因。溯因推理在NLP和故障检测系统中也非常有用。

其主要优势在于不确定性下的假设生成：在AI中，它在信息不完整的情况下指导决策。然而，它必须非常谨慎地处理，因为粗心处理可能导致严重错误的假设；因此，它经常与概率模型结合以提高可信度和准确性。它类似于人类在处理不确定情况时的直觉。

示例

含义：如果下雨，操场就会湿。

公理：操场是湿的。

结论：正在下雨。

4. 常识推理

常识推理是一种非正式的推理形式，可以通过经验获得。

常识推理模拟了人类对日常事件进行假设的能力。

它依赖于良好的判断而非精确的逻辑，并基于启发式知识和启发式规则运作。

在人工智能领域，常识推理被认为是难以攻克的领域之一。这与形式逻辑相反，因为其应用的性质。常识的应用只需要想象日常情况、物理关系和社会行为，这些对人类来说很容易，但很难为机器定义。

拥有常识推理能力的AI能够对世界进行临时的解释，根据提供的输入中缺失或模糊的信息来填补空白。人类推理接受句子中的事实，例如“John打碎了一个玻璃杯；它碎了”，这意味着玻璃杯撞到地面并破碎，因为它易碎。为了让机器进行这种推理，需要大型知识库和基于上下文的推理。

Anew-Cyc——这些是为创建结构化的常识知识库所做的努力。这些知识库为AI提供了传统数据集很少传授的事实和关联。

常识推理为AI提供了上下文和情境意识，涉及自然语言处理、机器人行为和决策。它能防止机器人得出荒谬的结论，并产生人类期望的行为。

虽然常识是研究的主题，但它仍然是AI开发中未探索领域的一个重大前沿。

示例

1. 一个人一次只能在一个地方。
2. 如果我把手放进火里，它就会烧伤。

以上两个陈述是常识推理的例子，人类大脑可以轻松理解和假设。

5. 单调推理

在单调推理中，一旦得出结论，即使向我们的知识库中添加了其他信息，结论也会保持不变。在单调推理中，添加知识不会减少可推导命题的集合。

要解决单调问题，我们只能从可用事实中推导出有效结论，而不会受到新事实的影响。

单调推理对于实时系统无用，因为在实时系统中，事实会发生变化，因此我们不能使用单调推理。

单调推理用于传统的推理系统，而基于逻辑的系统是单调的。

任何定理证明都是单调推理的一个例子。

示例

地球绕太阳公转：这是一个真实的事实，即使我们在知识库中添加了“月球绕地球公转”或“地球不是圆的”等句子，它也不会改变。

在单调推理中，事实被认为是坚如磐石的，并且永远不会改变。这种类型的推理应用于数学（或演绎）领域、数据库查询和形式逻辑工具，这些工具关注永久固定和稳定的事物。因此，单调推理便于验证和确认，因为此前的任何结论都不会被稍后的反驳论证或知识所质疑。

然而，这种限制会暴露其在决策和自适应学习环境中的潜在不足，在这些环境中，更新的事实可以作为调整结论的依据。虽然单调推理保持了可靠性，但牺牲了适应性；因此，它不适合必须能够根据新信息进行调整或环境已发生变化的AI应用程序。

单调推理的优点

• 在单调推理中，每个旧的证明始终有效。
• 如果我们从现有事实中推导出一些事实，那么它们将永远有效。

单调推理的缺点

• 我们无法用单调推理来表示现实世界的场景。
• 假设性知识无法用单调推理来表达，这意味着事实必须是真的。
• 由于我们只能从旧证明中推导出结论，因此无法添加来自现实世界的新知识。

6. 非单调推理

在非单调推理中，如果我们向知识库中添加更多信息，某些结论可能会被失效。

如果通过向知识库添加更多知识可以使某些结论失效，那么该逻辑就被称为非单调逻辑。

非单调推理处理不完整和不确定的模型。

“人类对日常生活中各种事物的感知”是非单调推理的普遍例子。

非单调推理使一个能够在新信息可用时改变结论的代理者，这反映了人类在真实世界中的思维方式。在不确定的或动态的环境中，决策对于高级自主系统至关重要：如自动驾驶系统、诊断系统或智能助手。这意味着AI系统会考虑某些事实不再成立的情况，然后在新的观察下，AI系统选择最佳的替代方案之一并进一步完善其决策。

而经典逻辑是严格的，非单调逻辑允许一定程度的适应性，直到出现例外。讽刺的是，这种适应性也是其复杂性的来源，需要复杂的方案来仲裁冲突或修改的信息。

换句话说，非单调推理更接近于作为一种框架，用于对智能系统中的推理进行建模，以及那种试图将“真实”和“有效”的概念整合到反映自然语言的简单但有些模糊的概念中的推理。

示例

假设知识库包含以下知识：

• 鸟能飞
• 企鹅不能飞
• Pitty是一只鸟

因此，根据以上句子，我们可以得出Pitty能飞的结论。

然而，如果我们向知识库中添加一个新句子，“Pitty是企鹅”，这会得出“Pitty不能飞”的结论，从而使上述结论失效。

非单调推理的优点

• 对于机器人导航等现实世界系统，可以使用非单调推理。
• 在非单调推理中，我们可以选择概率事实或做出假设。

非单调推理的缺点

• 在非单调推理中，旧的事实可能会因添加新句子而被失效。
• 不能用于定理证明。