逻辑学在人工智能中的应用及其前景研究综述

　　一、人工智能科学诞生的逻辑渊源

　　1. “思维与计算”同一的思想是人工智能科学兴起的重要的思想根源自从电子计算机面世，人工智能的研究就有了强力的支撑。追溯它的历史，我们发现历史上一些伟大的科学家和思想家为今天人工智能的研究作了充分的准备。古希腊伟大的哲学家、思想家亚里士多德开始采用符号组合的方法表示逻辑推演，并为形式逻辑奠定了基础。12世纪末13世纪初西班牙神学家和逻辑学家赖蒙德•卢里（RaymondLull)试图得到一种逻辑演算他设计了历史上第一台能把基本概念组合成各种命题的原始逻辑机。这种逻辑机是以机械方式来模拟和表达人类思维的一次大胆的尝试，它已初步揭示了人类把思维和计算看作是同一的思想的重要性。17世纪，随着生产力的发展，自然科学特别是数学得到了长足的进步。因而一些思想家试图用数学方法来研究思维，把思维过程转换成数学的计算。法国哲学家笛卡尔就试图把几何学、代数学和逻辑学三门学科的优点统一于一体从而提出了普遍数学方法的逻辑。法国物理学家、数学家巴斯制成了世界第一台会演算的机械加法器。英国哲学家霍布斯把思维解释为一些特殊的数学推演的总和。这些表明，人们对于“思维与计算’的认识更加深刻、清晰和明确化。到了18世纪，德国数学家、哲学家莱布尼茨继承了思维可计算的思想，提出了建立理性演算的设想，他称为“通用代数”。他提出，在这样的演算中，一切推理的正确性将归于计算。他还改进了巴斯卡的加法数字计算器，作出了能做四则运算的手摇计算器。这些成果是计算机模拟人类思维过程走向成功的第一步。它深刻地揭示了逻辑与计算机的内在联系，拉开了逻辑与人工智能科学相结合的序幕。

　　2. 布尔代数是电子计算机诞生和发展的逻辑基础

　　布尔代数又称逻辑代数，是英国逻辑学家布尔把代数的方法应用于逻辑学研究所得的逻辑成果。可以说，没有这一成果，就没有现代的电子计算机的诞生。

　　布尔代数是逻辑史上第一个逻辑演算。它是关于0和1两个数的逻辑代数。布尔把它解释为类演算和命题演算并给出对类或命题作合取、析取和否定三种运算形式。对于类和命题，1和0分别对应于“全”与“空”、“真”与“假”。这样，布尔逻辑代数被解释成二值代数系统。布尔的二值逻辑思想对于计算机硬件的设计具有重要意义。这主要表现在它仅有两个数值0和1。只要能够设法区别两个状态（如高压和低压，正向电流和负向电流，通和不通）便可指定其中一种表示0，另一种表示1，这样就可以利用二进制来表示一切数了。

　　同时计算机硬件的工作原理也是应用布尔的二值逻辑思想。计算机中的主要硬件如运算器、控制器等都是运用一些逻辑电路构成的。逻辑电路中，最基本的电路是门电路，门电路与布尔代数中的各种逻辑运算有着惊人的同构性。门电路共有“与”、“或”、“非”三种，分别完成合取、析取和否定三种逻辑运算。此外，由这三种电路还可以组成各种复合电路。

　　3. 形式系统的建立是计算机科学、人工智能科学发展的强大动力形式化、形式系统这两个逻辑术语，对于计算机科学、人工智能科学的发展，始终有着巨大的影响。正是对“计算”这一概念的形式化研究，导致了第一个计算模型一图灵机的诞生，同时为专家系统与知识工程的建立、为知识的形式表示及定理的机器证明铺平了道路；X-演算系统为第一个人工智能语言LISP奠定了逻辑基础；目前很受一些人青睐、甚至被推举为第五代计算机程序设计语言的PROLOG，就是一个典型的符号逻辑形式系统。

　　形式系统的建立有助于提高一个理论的严格性和精确性，有助于排除理论思维的谬误。

　　因此，它为人工智能科学提供了一种重要的推理方法，从而推动了人工智能科学的发展。从人工智能系统中，归纳反演推理、规则演绎系统、专家系统、知识工程等都应用形式系统进行定理证明和问题求解。形式系统从人工智能中的应用，不仅可以保证推理结果的正确性，使计算机较为精确地表达知识，而且，由于它拥有通用的逻辑演算方法和推理规则，又便于计算机进行操作，它使得计算机中知识的存储、检索、运用、增删和修改简便化、方便化、容易化，因此，从人工智能科学发展的早期至今仍被广泛应用。

　　二、人工智能科学的发展有待于逻辑学的突破

　　人工智能的实现，首先要具备几个条件才能进行。一是要把处理的问题都化成一个符号序列表示；再者，要给出处理这些符号的规则。因此，传统人工智能所解决的问题完全是一种逻辑思维的模拟，总是完全限于人的逻辑思维所能解决的范围之内。目前，人工智能要进行人脑智能模拟，它的难点不在于人脑所进行的各种必然性推理，而是最能体现人的智能特征的能动性、创造性等不确定性思维，包括学习、抉择、尝试、修正、推理诸因素。于是逻辑学就必须着重研究人的思维中最能体现其能动性特征的各种不确定性推理。

　　1. 归纳推理、类比推理及模糊推理

　　人类智能的本质特征和最高表现是创造。计算机要成功地模拟人的智能，真正体现出人的智能品质，就必须对归纳推理、类比推理和模糊推理进行研究，实现机器内学习，以达到“机器创造”目的。

　　正如人们运用归纳推理一样，当外部给计算机提供的信息过于特殊和细节化时，计算机便必须学会对所给出的信息加以概括和总结，把所提供的特殊的、个别的实例变换成为概括的、高水平的、可以有效使用的知识块。计算机这种归纳能力的获得对于整个人工智能具有重大意义。这是因为，借助于归纳的方法，计算机不仅可以自动获得新概念以增长知识，而且，在可能的情况下，它还能够证实已有的理论并发现新的理论。对此，大部分学者的共识是：为了在机器的智能模拟中克服对归纳模拟的困难而有所突破，应将归纳推理等有关的基础理论研究与机器学习、不确定推理和神经网络学习模型与归纳学习中已有的成果结合起来。只有这样，才能根据已有的归纳学习成果，在机器归纳和机器发现上取得突破和进展。

　　相对归纳推理而言，类比推理在计算机系统中的实现具有重要意义。我们知道，一个专家系统或决策系统内部所贮存的经验知识的数量总是有一定限度的，而在系统中，这种经验知识的多少及优劣又往往起着决定性的作用。在这种情况下，如果计算机能够运用类比的方法进行学习，那么该系统就能借助于知识新、老问题中的相似性并从别的知识库中调用有关知识来处理新问题。然而，由于类比推理的复杂性，逻辑学界及人工智能工作者等关于类比的研究才刚刚展开，许多问题，诸如“相似性究竟是什么”、“机器如何识别相似性?’、“如何从相似的知识库中调用相关的知识以及如何运用它们去完成想要执行的任务”等等都是令人困惑的问题。到目前为止，计算机通过类比的学习还停留在非常原始的阶段上，它大致只能进行三个方面的应用：其一是几何图形的类比：这是人类在幼年时期就能完成的智能活动，而它在计算机中的应用也颇为复杂。其二是概念类比：对于这类问题，计算机目前的处理方法还是以直接传递为主，即将类比前项中的概念机械地迁移到类比后项中去。至于哪些属性是可以传递的，哪些不能传递，传递过程是否需要加以修改等还是正在研究中的问题。

　　最后是问题求解：计算机运用类比进行问题求解，这一功能具有很强的实用价值，但一些难以解决的问题是，如何使机器能尽可能多地储存知识以扩展类比的范围以及如何才能使计算机进行有效的相似判断而不致于犯机械类比的错误。在这两个方面，目前研究进展不大。

　　模糊逻辑是运用不精确、非定量语词，根据事物表现出来的整体特征和主要矛盾，对事物的性质、发展变化等作出判断的一种非标准逻辑。模糊逻辑的产生推动了计算机科学和人工智能科学发展。因为人脑和机器智能的差别就在于人脑能够运用不精确的、非定量的模糊的术语进行思维活动，而现在的计算机是建立在精确科学和二值逻辑的基础上，它还没有人脑的这种功能。因此，模糊逻辑为精确逻辑解决不了的问题提供了解决的可能，使得它具有比精确逻辑更大的优越性而在人工智能科学中倍受青睐。在许多场合，如在医疗诊断、故障检测、气象预报、自动控制等领域，它都被用来描述人类经验的模糊性，从而使得计算机的自动操作更符合人类的思维实际。可以说，运用模糊逻辑这一工具来处理某些信息达到模拟人脑智能的目的越来越突出，因此，逻辑学界也应加强对模糊逻辑的研究以便为它在人工智能领域中的应用提供一个良好的理论基础。

　　2. 弗协调逻辑、非单调逻辑、容错逻辑

　　人工智能的发展包括20世纪70年代专家系统的提出，人工智能研究者逐步取得共识，认识到知识在智能系统中的力量，即一般的智能系统事实上是一种基于知识的系统，而知识包括专门性知识和常识性知识，专门性知识是某一领域内专家的常识。于是常识问题就成为人工智能研究的一个核心问题，它包括两个方面：常识表示和常识推理。显然，如此建立的常识知识库可能包含矛盾，是不协调的，但这种矛盾或不协调应不至于影响到进行合理的推理行为；同时常识推理还是一种非单调逻辑，即人们基于不完全的信息推出某些结论，当人们得到更完全的信息后，可以改变甚至收回原来的结论；常识推理也是一种可能出错的不精确的推理模式，是在容许有错误的知识的情况下进行的推理，简称容错推理。而经典逻辑拒斥任何矛盾，容许从矛盾推出一切命题；并且它是单调的，即任一理论的定理都属于该理论之任一扩张的定理集。因此，在处理常识表示和常识推理时，经典逻辑就显得不够用，而20世纪60年代后发展起来的弗协调逻辑、非单调逻辑、容错逻辑等非经典逻辑的进一步研究和发展已经成为计算机科学和人工智能科学发展的强大动力。

　　3.直觉、顿悟、联想思维

　　人工智能包括推理、学习和联想三大智能要素。目前，人工智能的推理功能已获突破，学习功能正在研究之中，联想功能尚处探索阶段。现阶段计算机技术已充分实现了人类左脑的逻辑推理功能，人工智能研究的下一步是模仿人类右脑的直觉、顿悟、联想等形象思维功能。目前计算机系统仍然是一种纯形式化系统。人们发现，人工智能面临的最大困难之一是，许多问题无法形式化，即使形式化也难以保持良好的结构，如人的直觉、顿悟、联想思维。在目前，人工智能只能模拟智能活动中可以形式化的部分，而人的智能活动还包括没有形式化和不能形式化的部分；除了意识活动之外，还有潜意识活动，还有情绪意识活动等。显然，在计算机显示了巨大能力的同时，也显示出了它的结构体系的缺憾。

　　在人工智能系统中如何模拟人的形象思维问题是目前最为困难的问题，被称之为人工智能的瓶颈问题。人工智能要想在这方面有所突破，必须把抽象思维和与形象思维结合起来，走两种思维方式综合一起的研究之路。两者联结的纽带是语言。我们面对的问题是：如何用形象思维得出逻辑规则，产生新的语言?如何用逻辑思维去证实形象思维的结果？如何把形象思维转化为语言表达？如何用形象思维去理解逻辑思维的结果？等等这些问题，都是将来模拟智能的重要研究课题，也是逻辑工作者和其它科学工作者共同努力探索的问题。