知识表示与推理 (KRR)

引言

欢迎学习第 4 课：知识表示与推理 (KRR)。在本模块中，我们将探讨人工智能的一个基本挑战：如何象征性地对世界进行建模。机器仅仅存储数据是不够的；它必须能够推理。我们将探索人工智能系统如何以逻辑方式表示信息以执行推理，超越简单的模式匹配。

我们将沿着技术发展轨迹，从经典的命题逻辑和一阶逻辑，到经典的、虽然僵化但功能强大的专家系统。这些系统提供了首批能够进行逻辑推理的“思考”机器。

最后，我们来到现代人工智能的前沿，审视知识图谱和与神经符号人工智能。这个新兴领域旨在融合逻辑的严格可解释性与神经网络的自适应学习能力。

上下文提示

与功能像“黑箱”的神经网络不同，KRR则专注于“白箱模型”，其推理路径是明确的、可验证的且可解释的。

符号逻辑语法示例

事实: 父母( 爱丽丝, 鲍勃 )
事实: 父母( 鲍勃, 查理 )
规则: ∀x, y, z( 父母(x, y) ∧父母(y, z) →祖父母(x, z))
推理: 祖父母( 爱丽丝, 查理 )

案例研究：医学诊断器

阅读以下场景并回答问题。

早期的 AI 系统如 MYCIN 使用 KRR 来诊断血液感染。与现代基于统计进行猜测的机器学习不同，MYCIN 使用了从医生那里获得的 600 多条规则。

1. 与通用图像分类器相比，为什么可解释性在医学 KRR 系统中至关重要？

答案：
在医学领域，医生需要一个可验证的路径（所使用的规则链）来信任诊断。对于关键决策，“黑箱”预测是不可接受的。KRR 提供了这种明确的推理路径。

2. 系统如何处理像“如果发烧很高，则可能感染”这样的规则？

答案：
该规则以符号形式表示（例如，

H i g h F e v e r \to L i k e l y I n f e c t i o n

）。推理引擎会检查患者记录中是否存在

H i g h F e v e r

这个事实；如果是，则断言

L i k e l y I n f e c t i o n

作为一个新结论。

3. 识别手动编码这些规则的局限性（知识获取瓶颈）。

答案：
主要限制是知识获取瓶颈：人类专家将其所有知识表述为正式、明确规则的难度和所需时间。现实世界的知识通常是模糊的，对于手动编码来说过于庞大。