邏輯學(xué)在人工智能中的應(yīng)用.doc

一、歸納推理和類比推理在人工智能中的應(yīng)用人類智能的本質(zhì)特征和最高表現(xiàn)是創(chuàng)造。在人類創(chuàng)造的過程中，演繹推理的作用固然不可忽視，但歸納推理和類比推理在其中所起的作用似乎更為重要，因?yàn)樗鼈儤?gòu)成了人類創(chuàng)造的契機(jī)。因此，計(jì)算機(jī)要成功地模擬人的智能，真正體現(xiàn)出人類智能的品質(zhì)，就必須能夠借助于歸納推理和類比推理這兩種方法，實(shí)現(xiàn)機(jī)器內(nèi)學(xué)習(xí)，以達(dá)到“機(jī)器創(chuàng)造”的目的。1、通過歸納的學(xué)習(xí)正如人們運(yùn)用歸納推理的情況一樣，當(dāng)外部環(huán)境給計(jì)算機(jī)提供的信息過于特殊和細(xì)節(jié)化時(shí)，計(jì)算機(jī)便必須學(xué)會對所給的信息加以概括和總結(jié)，把環(huán)境提供的特殊的、個別的實(shí)例變換成較為概括的、高水平的、可以有效使用的知識塊。計(jì)算機(jī)這種歸納能力的獲得對于整個人工智能系統(tǒng)具有重大意義。這是因?yàn)?，借助于歸納的方法，計(jì)算機(jī)不僅可以自動獲得新概念以增長知識，而且，在可能的情況下，它還能夠證實(shí)已有的理論并發(fā)現(xiàn)新的理論。然而，由于歸納推理本身的缺陷以及人類歸納機(jī)制的模糊性等問題的存在，使得雖然有許多哲學(xué)家、心理學(xué)家、邏輯學(xué)家和一些人工智能專家早已涉足計(jì)算機(jī)通過歸納的學(xué)習(xí)這一領(lǐng)域并對之進(jìn)行過艱辛的探索和研究，但這種通過歸納的學(xué)習(xí)在人工智能領(lǐng)域中的應(yīng)用至今卻仍然未能有重大突破。在這方面，許多學(xué)者都作過有意義的探索和研究，如瑞典哲學(xué)家Peter Cardenfor（思維科學(xué)，1988年第1期，第15頁。）曾提出，在模擬人類進(jìn)行歸納的人工智能系統(tǒng)中，需要對機(jī)械化歸納推理的知識表示形式問題作更多的探索。他提出了一種超越邏輯和語言的知識表示方式“概念空間”來幫助人們識別事物的可推測性質(zhì)以避免某些關(guān)于歸納的老問題；烏哥夫提出用“傾向性”(bias)概念（機(jī)器學(xué)習(xí)，摩根考夫曼出版社，1986年版，第107頁。）來解釋學(xué)習(xí)者為什么會形成不同歸納概括；范萊（人工智能雜志，1986年1月號。）則強(qiáng)調(diào)要通過安排好一課一課的次序來學(xué)習(xí)，正如我們學(xué)習(xí)數(shù)學(xué)一樣，這樣就能夠獲得歸納學(xué)習(xí)中的額外的信息或線索。但是，計(jì)算機(jī)如何實(shí)現(xiàn)從個別到一般或從部分到整體或從過去到未來這一飛躍卻是長期困擾著眾多人工智能學(xué)者的問題。因?yàn)槿祟愒跉w納過程中所實(shí)現(xiàn)的“這一飛躍”是自然而然地來到的。計(jì)算機(jī)要在既無常識，又無經(jīng)驗(yàn)（直覺就更無從談起）的情況下，單純依靠人們輸入其內(nèi)部的、有限的知識來完成這一飛躍過程，著實(shí)是存在著許多困難的。退一步說，即使計(jì)算機(jī)能夠完成這一飛躍，所得結(jié)論的有效性程度仍然是令人擔(dān)憂的，因?yàn)橛?jì)算機(jī)甚至不能識別一些常識性的錯誤。歸納已被稱之為“哲學(xué)丑聞”。為了使之不至于成為人工智能領(lǐng)域中的“丑聞”，邏輯學(xué)家和人工智能學(xué)者對于歸納推理的深入研究迫在眉睫。2、通過類比的學(xué)習(xí)類比推理是人類理解、學(xué)習(xí)甚至發(fā)現(xiàn)新的概念、理論，并能利用過去成功的經(jīng)驗(yàn)來解決新問題的重要的邏輯手段。由于它能以最小的能量消耗獲取最大的信息，因而在某種程度上，我們可以把它看作比歸納更為重要的認(rèn)知技能。隨著人工智能科學(xué)研究的不斷深入，其研究重點(diǎn)最終勢必會轉(zhuǎn)到類比推理上來。類比推理在計(jì)算機(jī)系統(tǒng)中的實(shí)現(xiàn)具有重要意義。我們知道，一個專家系統(tǒng)或決策系統(tǒng)內(nèi)部所貯存的經(jīng)驗(yàn)知識的數(shù)量總是有一定限度的，而在系統(tǒng)中，這種經(jīng)驗(yàn)知識的多少及優(yōu)劣又往往起著決定性的作用。在這種情況下，如果計(jì)算機(jī)能夠運(yùn)用類比的方法進(jìn)行內(nèi)學(xué)習(xí)，那么該系統(tǒng)就能夠象某一領(lǐng)域的專家能夠成功地將過去的經(jīng)驗(yàn)最大限度地轉(zhuǎn)換為解決新問題的知識一樣，借助于知識新、老問題中的相似性并從別的知識庫中調(diào)用有關(guān)知識來處理新問題。這無疑在很大程度上提高計(jì)算機(jī)解決問題的能力，擴(kuò)展專家系統(tǒng)的適用范圍。一句話，使得計(jì)算機(jī)的操作技能得到改善。然而，由于類比推理的復(fù)雜性，邏輯學(xué)界及人工智能工作者等關(guān)于類比的研究才剛剛展開，許多問題，諸如“相似性究竟是什么？”“機(jī)器如何識別相似性？”“如何從相似的知識庫中調(diào)用相關(guān)的知識以及如何運(yùn)用它們?nèi)ネ瓿上胍獔?zhí)行的任務(wù)”等等都是令人困惑的問題。到目前為止，計(jì)算機(jī)通過類比的學(xué)習(xí)還停留在非常原始的階段上，它大致只能進(jìn)行三個方面的應(yīng)用：(A)幾何圖形的類比：這是人類在幼年時(shí)期就能完成的智能活動，而它在計(jì)算機(jī)中的應(yīng)用也頗為復(fù)雜。必須通過對所給的源圖中的各個子圖的位置關(guān)系及源圖的下一個圖轉(zhuǎn)換的規(guī)則等的詳盡描述，才能使計(jì)算機(jī)構(gòu)造出正確的終圖。可以說，這類問題的解決完全取決于描述的粗細(xì)程度。(B)概念類比：對于這類問題，計(jì)算機(jī)目前的處理方法還是以直接傳遞為主，即將類比前項(xiàng)中的概念機(jī)械地遷移到類比后項(xiàng)中去。至于哪些屬性是可以傳遞的，哪些不能傳遞，傳遞過程是否需要加以修改等還是正在研究中的問題。(C)問題求解：計(jì)算機(jī)運(yùn)用類比進(jìn)行問題求解，這一功能具有很強(qiáng)的實(shí)用價(jià)值。但一些難以解決的問題是，如何使機(jī)器能盡可能多地儲存知識以擴(kuò)展它類比的范圍以及如何才能使計(jì)算機(jī)進(jìn)行有效的相似判斷而不致于犯機(jī)械類比的錯誤。在這兩個方面，目前研究進(jìn)展不大。另外，人類在對現(xiàn)實(shí)世界的認(rèn)知過程中，所運(yùn)用的類比推理的類型是多種多樣的，如依照因果性、否定性、共存性都能進(jìn)行類比。計(jì)算機(jī)如何掌握事物屬性間的眾多的相似性而作出有效的類比，這一方面的問題也是不容忽視的?？傊?，對于類比學(xué)習(xí)的計(jì)算機(jī)模擬，人們只是開始去探索?？磥恚褂?jì)算機(jī)的類比模擬有重大突破，邏輯學(xué)界也應(yīng)該加強(qiáng)對類比推理的深層次的探討和分析。二、模糊邏輯在人工智能科學(xué)中的應(yīng)用模糊邏輯不同于古典的命題演算和謂詞演算，它屬于非標(biāo)準(zhǔn)邏輯，是基于模糊集合論新近發(fā)展起來的一種邏輯類型。由于它蘊(yùn)含著濃厚的數(shù)學(xué)氣息，具有一種適合定義的清晰的語義理論，因而，它能夠作為明確而精致的工具被應(yīng)用于人工智能科學(xué)中來處理一些既反映人類思維現(xiàn)實(shí)的、而傳統(tǒng)邏輯又無法企及的問題。模糊邏輯按其值域，可分為無窮多值邏輯和語言值邏輯兩種類型。其中，無窮多值邏輯是將不確定的謂詞引入到對象語言中，語言值邏輯則是在此基礎(chǔ)上進(jìn)一步將元語言謂詞的“真”和“假”也看作是不確定的。因此，我們說，語言值邏輯是比無窮多值邏輯更為精確的一種刻畫模糊性的邏輯系統(tǒng)。也正是在這個意義上，語言值邏輯成為模糊邏輯的主要研究對象和研究重點(diǎn)。下面，我們著重對它加以介紹。語言值邏輯是基于模糊集合的知識而建立起語言真值的隸屬函數(shù)進(jìn)行模糊命題演算和近似推理的一種邏輯系統(tǒng)。我們知道，在模糊集合論中，人們是通過對事物在某類集合中隸屬程度的分析來揭示事物的可能性的分布的。因此，在語言值邏輯中，我們同樣得借助“隸屬度”這一概念來描述語言真值的分布。具體的思想是這樣的：我們把元語言謂詞的真值確立在0,1這一閉合區(qū)間的變化范圍內(nèi)。因此，當(dāng)元語言謂詞的真值在0,1區(qū)間內(nèi)發(fā)生變化時(shí)，包含有這些元語言謂詞的命題的真值也必然隨之變化，構(gòu)成一個模糊集A（A真，假，很真，很假，）這樣，元語言謂詞的任意取值x對于模糊集A都有著程度隸屬度上的不同，即隸屬度可以為0，也可以為1或0.1,0.2,。這種隸屬度的高低，我們可以用隸屬函數(shù)U,A來表示，記為U,A:x0,1。因此，U,真(x)=x,U,假(x)=1-x,U,很真(x)=x2,U,很假(x)=(1-x)2，。從這種具有模糊性的問題出發(fā)進(jìn)行演算或推理，就構(gòu)成了模糊命題演算或近似（模糊）推理。模糊邏輯對于“模糊性”的精確刻劃，使得它具有比傳統(tǒng)邏輯更大的優(yōu)越性而在人工智能系統(tǒng)中備受青睞。在許多場合，如在機(jī)器故障診斷、醫(yī)療診斷、工程控制等領(lǐng)域，它都被用來描述人類經(jīng)驗(yàn)的模糊性，從而使得計(jì)算機(jī)的自動操作更符合人類的思維實(shí)際。例如，人們通過適當(dāng)規(guī)定一些模糊概念的隸屬函數(shù)（由具體問題而定，具有局部性），運(yùn)用近似推理規(guī)則便可實(shí)現(xiàn)模糊控制。在這方面，一個重要的研究成果是丹麥研制成功的模糊邏輯計(jì)算機(jī)協(xié)調(diào)控制系統(tǒng)FLS-SDR和NO分析器，我國已有水泥廠引入該系統(tǒng)。同樣的，醫(yī)生在醫(yī)療診斷過程中所借助的臨床經(jīng)驗(yàn)由于具有一定的模糊性也必須運(yùn)用模糊邏輯這一工具來描述。專家系統(tǒng)MYCZN(shorliffe,1976)正是采用了模糊邏輯中的可信度（隸屬度）的概念以及近似推理等方法來幫助病人選擇恰當(dāng)?shù)闹委煼桨?。MYCZN表示血液感染病診斷系統(tǒng)，它的功能是診斷用戶是否患有需要治療的細(xì)菌感染病并給出建議性的診斷及處方。MYCZN醫(yī)療診斷系統(tǒng)實(shí)現(xiàn)的關(guān)鍵點(diǎn)在于其內(nèi)部的診斷規(guī)則，因?yàn)樗鼈凅w現(xiàn)著專家的判斷知識，為計(jì)算機(jī)模仿專家的推理過程奠定了基礎(chǔ)。MYCZN初始系統(tǒng)中包含有200條規(guī)則，其中，每一診斷規(guī)則又包括若干前提（證據(jù)）和一個結(jié)論。并且，每一前提中還可能包含著若干條件。設(shè)MYCZN系統(tǒng)中有一規(guī)則如下：H表示結(jié)論（假設(shè)），E,1,E,2,E,3,E,4表示支持結(jié)論H成立的前提（證據(jù)），C,1.1,C,1.2,C,1.3表示證據(jù)E,1成立所必須滿足的條件；C,4.1,C,4.2,C,4.3表示證據(jù)E,4成立所必須滿足的條件。MYCZN運(yùn)用近似推理構(gòu)建若干近似蘊(yùn)涵的規(guī)則。以上面的規(guī)則為例，可表示為：If:E,1,E,2,E,3,E,4,Then:H。在這里，證據(jù)E,2,E,3的真假由其所包含的模糊概念的隸屬度決定，證據(jù)E,1,E,4的真假由其所包含的條件的真值所決定，而其中的條件C,1.1,C,1.2，等本身是具有一定的模糊性的（包含模糊概念），故證據(jù)E,1,E,4也必然是模糊的。這就是說MYCZN系統(tǒng)中用于推理的前提是不確定的，我們把它稱之為證據(jù)的不確定性。MYCZN中另一種不確定性是規(guī)則的不確定性。即，當(dāng)前提為真時(shí)，結(jié)論為真的程度需要由專家憑經(jīng)驗(yàn)給出。以上面的規(guī)則為例，規(guī)則的不確定性即是指證據(jù)E,1,E,2,E,3,E,4對于結(jié)論H成立的確證度。在MYCZN中，由于證據(jù)和規(guī)則都具有模糊性，因此作為這一系統(tǒng)中的每一規(guī)則的結(jié)論本身也必然具有模糊性。這一模糊性通常用可信度CF(H)來表示。CF(H)由每一證據(jù)的可信度和每一證據(jù)確證H成立的程度即規(guī)則可信度的乘積的析取來表示。據(jù)上面的規(guī)則，CF(H)=CF(H,E,1)CF(E,1)CF(E,2)CF(E,3)CF(H,E,4)CF(E,1)。上面我們所談及的僅僅是MYCZN系統(tǒng)內(nèi)部所包含的不確定性。實(shí)際上，MYCZN在診斷過程中所運(yùn)用的推理也是具有一定的模糊性的。MYCZN在診斷過程中，采用逆推理的方式，即通過把病人的病狀與系統(tǒng)中容納的規(guī)則逐條匹配來選擇可行的治療方案。在每一規(guī)則進(jìn)行匹配的過程中，MYCZN運(yùn)用的都是近似推理。以上面的規(guī)則為例，假設(shè)系統(tǒng)中有這么一條規(guī)則，E,1E,2E,3E,4H。MYCZN在診斷過程中，病人對于病狀的描述只能近似于E,1,E,2,E,3,E,4，我們記為E,1,E,2,E,3,E,4。故MYCZN在診斷過程中采用了這樣的推理形式：在這一推理過程中，作為推理大前提的這一充分條件假言判斷如前所述是模糊的，小前提E,1E,2E,3E,4近似于E,1E,2E,3E,4，因而也是模糊的。因此，由這些前提出發(fā)作的充分條件假言判斷的肯定前件式的推理，其結(jié)論也必然是模糊的，只能近似于H而非H。MYCZN所進(jìn)行的匹配過程結(jié)束后，如果有多個規(guī)則同時(shí)支持同一事實(shí)，則須取支持這個事實(shí)的各規(guī)則的可信度的最大值作為事實(shí)的可信度。這類似于模糊集理論中當(dāng)多個相析取時(shí)，取這些條件中的隸屬函數(shù)的最大值作為總的隸屬函數(shù)值。在人工智能領(lǐng)域，其他專家系統(tǒng)如著名的地質(zhì)勘探專家系統(tǒng)PROSPECTOR等在推理網(wǎng)絡(luò)中同樣都運(yùn)用了模糊邏輯這一工具來處理證據(jù)、假設(shè)或證據(jù)與假設(shè)間關(guān)系不確定的情況而強(qiáng)制專家系統(tǒng)在沒有得到與決策有關(guān)的全部事實(shí)的情況下作出決策。目前，這些系統(tǒng)在實(shí)際應(yīng)用中都初步取得了成就。如應(yīng)用PROSPECTOR系統(tǒng)，對美國華盛頓州的鉬礦進(jìn)行勘測，其結(jié)果已完全被實(shí)際所證實(shí)。除了模糊邏輯和多值邏輯已進(jìn)入涉及模糊性和不完全信息的人工智能領(lǐng)域外，時(shí)態(tài)邏輯近期也開