人工智能的发展及其对社会的影响

人工智能利用计算机模拟人的智能，即利用可以在计算机上实现的方法来模拟人的思维规则和过程。逻辑学是专门研究人类思维形式和规律的学科，其中推理是思维的主要形式。因此，人工智能自然而然地以逻辑作为描述和模拟思维的工具，而推理过程则体现了思维过程。人们一般所指的形式逻辑和数理逻辑，我们称之为古典逻辑。形式逻辑是一门关于思维形式和规则的科学，​​研究概念、判断、推理等主要思维形式，研究同一律、矛盾律、排中律等思维规则。其中，三段论是主要的推理形式。三段论：由两个前提（大前提和小前提）和一个结论组成。三段论包括直言三段论、选言三段论和假言三段论。 6.1 经典逻辑与推理 大前提M——P，小前提S——M，如果是白天就有光，那么就是白天，所以有光。如果是白天就有光，那么就不是白天。 使用假言三段论时，注意两个错误：肯定后件，否定前件。 在人工智能系统中，假言三段论是通过产生式系统实现的。 从逻辑上讲，数理逻辑是现代形式逻辑，是一门运用符号和数学方法研究演绎方法的学科。数理逻辑一般指命题逻辑和一阶谓词逻辑。在人工智能中，它作为知识表示的方法，用归纳法来证明定理。 演绎推理：指从一组前提中必然地得出结论的过程。

确定性推理：所处理的事实与结论之间存在确定的因果关系，而且事实也是确定的。单调逻辑：随着推理的进行，已知为真的命题数量严格增加，而以前的命题不会变为假。单靠经典逻辑是不够的，一方面它只反映了人们的部分思维形式和规律，另一方面它的能力有限，不能满足实际需要。与演绎相对应的是归纳逻辑，与单调性相对应的是非单调逻辑。与二值相对应的是多值逻辑，比如模糊逻辑。为了扩充经典逻辑的表达能力，提出了模态逻辑、时序逻辑、知识逻辑、信念逻辑等，我们统称为非经典逻辑。归纳推理：指以某个命题为前提，推断出与该命题有归纳关系的其他命题的过程。 •6.2 非经典逻辑与推理 演绎推理是把前提所包含的内容提取出来作为结论，也可以看作是从已知的真理中提取出其中所包含的真理。如果前提为真，那么作为它一部分的结论当然也应该为真，但这并不意味着结论是显而易见的。演绎推理是从前提推出与其有演绎关系的结论，并不增加新的内容。归纳推理的结论是前提内容中不包含的东西，即使前提为真，结论也不一定为真。得出与前提有归纳关系的结论就是得出新的内容。归纳推理增加了知识。由于人工智能系统中知识本身的不确定性和不完备性，经常采用非经典逻辑意义上的推理，主要是不确定性推理，也有非单调推理。

不确定性推理所处理的事实与结论之间存在一定的不确定因果关系，或者事实具有不确定性。例如：上例给出了不确定的因果关系，结论只在一定范围内正确。人工智能系统采用的代表性的不确定性推理方法有：主观贝叶斯方法、确定性理论、证据理论、可能性理论、贝叶斯网络等。•6.2.2 不确定性推理 人类的思维和推理本质上不是单调的，对世界的认识总是在不断调整的。根据一定的前提得出结论，但是当得到某些事实时，这个结论就会被取消，此时结论并不随着条件的增加而增加，这就是非单调推理。 默认推理：在S的默认条件下成立，即“当且仅当不存在证明S不成立的事实时，S才成立”。 •6.2.3 非单调推理自知逻辑：如果知道S，不知道任何与S相矛盾的其他事实，则S成立。限制推理：S只在指定范围内成立当且仅当不存在任何事实证明S在更大的范围内成立。正确性维护系统利用非单调推理的思想来维护知识库。非单调推理的实现方式有两种，一是在经典逻辑中增加某些公理，从而导出非单调推理的结果（限制推理）；二是定义具体的非单调逻辑（默认逻辑和自知逻辑）。人工智能系统利用人类的知识来解决现实世界中的问题。

事实上，人类的知识往往具有不确定性，而用来解决问题的数据往往含有噪音，因此人工智能系统要想取得高性能，就需要不确定性推理。7.3.1 不确定性推理模型目前，人工智能系统采用的具有代表性的不确定推理方法有：主观贝叶斯方法、确定性理论、证据理论和可能性理论。这些方法虽然表面上没有什么共同之处，但在某种程度上，它们具有许多共同的特征，这些特征构成了不确定推理模型的必要条件。•6.3 不确定性推理不确定推理模型包括三个要素：1.证据不确定性的描述2.规则不确定性的描述3.更新结论不确定性值的算法证据不确定性的描述是将证据的真实程度与一定的度量标准相对应，不同的模型可以采用不同的度量标准。规则不确定性的描述是指证据与结论关系的不确定程度，即规则的前提分别在真和假时对结论的影响程度。 更新命题不确定性值的操作封闭于描述命题不确定性值的定义域。当所有证据和规则都是确定的时，更新命题不确定性值的算法的功能应该与命题演算相同。概率论研究随机现象的量变规律。客观事物需要被观察，观察的过程叫实验，实验的结果叫事件。概率定量地描述了事件发生的可能性。因此，概率是一种处理不确定性的定量方法。

根据所处理事件的特征，概率有几种不同的定义。 正在处理的理想游戏或系统，实验是可重复的、可能发生的事件。例子：硬币、纸牌、骰子。 如果测试结果由n个基本事件组成，事件A由m个基本事件组成，那么事件A的概率为： •6.3.2 概率 最初处理可重复的事件，要通过大量实验来测定事件发生的频率。在条件不变的情况下，经过n次重复实验，事件A发生的频率稳定在某个常数附近，这个常数就是事件A的概率。 统计概率可以回答你的驱动器或你的汽车启动器明天发生故障的概率是多少的问题。 概率基于专家的意见、经验、判断和信念，是表达信念和观点的概率。 一般而言，概率是指频率的定义。 主观概率其实就是可信度，我们仍称之为概率，因为它符合概率的基本公理。 A={2, 4, 6}，B={3, 6}不是互斥事件，可以互相影响。条件概率：P(AB)是指当B发生时，A发生的概率。贝叶斯公式：通常，条件概率是在条件发生时求结果的概率，而贝叶斯公式则是知道结果，并分析事情发生的原因。贝叶斯公式称为后验概率。公式右边的分母P(A)由全概率公式得到，分子P(AB)P(B)是分母的一部分。P(B)为先验概率，P(AB)为条件概率。这三者中，先验概率是最有争议的，也是最难给出的。条件概率需要大量的统计数字和经验估计。第三个一般假设是独立的。

确定性因子是MYCIN系统采用的一种不精确的推理方法，规则的形式为：CF(B,A)，表示规则的强度。证据A和假设B都是由命题组成，它并不符合概率论。由概率公理：P(B)+P(B')=1可知，对于依赖于证据A的后验假设，P(B|A)=1-P(B'|A)。该公式的内涵是，如果A和B有因果关系，那么A和B'也有因果关系。但医生们对这种关联是非常反对的，因此在MYCIN系统中，采用了一种不符合概率论的确定性因子。•6.3.3确定性因子取值范围：-1CF1确定性因子CF=1表示证据一定能够得出假设，该确定性因子CF=0表示证据和假设无关。 这个确定性因子CF0表示该证据有利于否定假设。确定性因子CF(A)用来描述证据A的不确定性值，规定为-1CF(A)1。当初始化证据A，未得到相关证据e时，CF(A)=0CF(B,A)CF(A)当CF(A)0.2CF(B)=CF时，CF(B,A)，且B的原始可信度为CF(B)，求B的更新可信度CF(B|A)。其中，上式中的CF(B)相当于