逻辑与人工智能，本文主要内容关键词为：人工智能论文,逻辑论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
［中图分类号］B81 ［文献标识码］A ［文章编号］1002-8862(2005)04-0045-04
20世纪中期以来，计算机科学以撼世惊人的速度不断向前发展。作为其核心分支的人工智能研究亦取得了一次又一次的突破，并且以其不断逼近与挑战人类智能的姿态而引入注目。在人工智能成就的背后，逻辑学是促其前行的最主要动力引擎之一。逻辑为人工智能提供了根本性的观点与方法，并促成了人工智能研究中最主要派别——逻辑主义AI。而有着漫长学科发展史的逻辑学本身也在与人工智能的结姻过程中获得了自数学公理化、形式化运动以来的又一次全新发展契机。有论者认为“人工智能将是21世纪逻辑学发展的主要动力源泉，并且在很大程度上将决定21世纪逻辑学的面貌”。（注：陈波：《从人工智能看当代逻辑学的发展》，《中山大学学报论丛》（社会科学版）2000年第2期，第10页。）
一 人工智能中的逻辑主义
人工智能自1956年达特茅斯研讨会被麦卡锡(J．McCarthy)等人作为单独学科定名以来，学科内部一直存在着两种相互竞争的研究纲领和主义，即逻辑主义AI与联接主义AI。逻辑主义AI认为知识的符号表达和相应的逻辑演算是人工智能研究的主要内容与方向。计算机科学的先驱者图灵(A.Turing)、冯·诺伊曼(Von Neumann)首先为逻辑主义AI准备了一套处理符号逻辑算法系统的具体方法。另一方面，著名的“物理符号系统假说”为逻辑主义AI提供了信念支持。该假说认为一个能够灵活操作各类符号的物理符号系统对于进行一般智能行为拥有必要并且充分的手段。由于逻辑系统是对思维过程进行抽象的符号系统，因而以该假说为起点的人工智能研究无疑将以逻辑为旗帜。事实上，该假说的形成也正是来源于逻辑的影响，其提出者纽厄尔(A.Newell)和西蒙(H．Simon)在他们的论文中明确指出“该假设的起源要追溯到弗雷格(G.Frege)、怀特海(A.Whitehead)和罗素(B．Russell)就形式化逻辑提出的方案：以逻辑方式获取基本的概念式数学观念，把证明和演绎观念置于可靠的根基上”。（注：纽厄尔和西蒙：《作为经验探索的计算机科学：符号和搜索》，《人工智能哲学》，玛格丽特·博登编，刘西瑞、王汉琦译，上海译文出版社，2001，第151页。）与逻辑主义AI相对的联接主义AI则基于由麦卡洛克(W．McCulloch)和皮茨(W．Pitts)开创的形式神经元模型理论，认为智能的本质是大量简单神经元之间的复杂联接机制，智能通过大规模非线性的平行计算涌现出来。
在逻辑主义AI与联接主义AI的各自成长与竞争过程中，早中期（20世纪80年代之前）的人工智能界明显青睐逻辑主义AI。例如象征人工智能研究真正开端的程序便是“逻辑理论机”程序（纽厄尔、西蒙研制于1956年），它模拟了人类用数理逻辑证明定理的思想，使得计算机的一般应用与人工智能的界限第一次被清楚划分出来。以麦卡锡、西蒙、尼尔森(N．Nilsson)为代表的人工智能研究者的工作都属于逻辑主义AI。当20世纪70年代大量基于知识推理的专家系统被成功实用化之后，逻辑主义AI可谓如日中天之时，联接主义AI却在起步后不久因为明斯基(M．Minsky)与帕佩尔特(S．Papert)在数学上对单层神经网络的根本局限做出证明而陷入沉寂。直到20世纪80年代霍普弗尔德(Hopfield)全互连型神经网络模型提出并解决了计算复杂度为NP完全型的TSP旅行商问题之后，联接主义AI才开始勃兴，并与逻辑主义AI分庭抗理，但逻辑主义AI的主流地位并没有改变，其方法一直是人工智能的基础方法。
逻辑主义AI能够比联接主义AI在人工智能学科中一开始就取得主导地位，这与逻辑学这门学科本身所具有的特征密切相关。首先，逻辑学是一门拥有漫长发展史的学科，从经典逻辑到现代逻辑的发展过程中，许多方法与工具已十分成熟和普及，在人工智能学科诞生之前就已装备在相关领域的科学家头脑中。而在20世纪40年代才由麦克洛克和皮茨率先提出的神经元模型理论与逻辑理论相比十足是个刚刚诞生的婴儿，有待完善与发展。其次，当人们考虑“什么是智能”时往往最先认为智能是能够对事物做出正确分析推理得出正确结论的能力，即逻辑思维能力，这恰好是逻辑学的研究领地。在智能研究中的确曾出现过关注左脑逻辑思维功能而相对轻视右脑形象思维功能的情况，如逻辑主义AI的批评者波恩鲍姆(LBimbaum)曾这样描述逻辑主义AI的偏颇态度：“任何不符合逻辑范式的东西——视觉感知、目的、记忆和检索、注意力、情感、物理系统的控制，诸如此类——可能是非常精妙的计算机科学，但是多谢，都不是人工智能。”（注：Birnbaum，L.，Rigor Morris：a response to Nilsson’s“Logic and artificial intelligence”，Artifical Intelligence，47(1991)，p．58．）而实际上逻辑在实现智能方面有其自身能力无法涉及之处，逻辑主义AI对于进行复杂模式识别、环境感知、学习等智能任务良策不多。因此，逻辑主义AI一方面需要在自身研究范围诸如常识推理等关键疑难领域取得突破性进展，另一方面需要与联接主义AI共同携手产生全新的智能结合体。
二 人工智能中的逻辑方法
逻辑主义AI总是试图用逻辑的框架来建构智能体。其主要思想就是“智能体可以通过逻辑语言表达其所在世界与自身目标的知识以及当前情景，并且通过推断某一行动或行动过程是否适合于实现目标来决定如何去行事”。（注：McCarthy，J．，‘Concept of Logical Al’，Available at http://www-formal．stanford．edu/jmc/concepts-ai.html．）这种思想同时也清晰地表明了逻辑作为知识的表达工具和推理工具在人工智能中所起到的两大作用。
对于知识表达，现代逻辑中的一阶逻辑方法已非常成熟，它是逻辑主义AI所有成果的基石。这样的逻辑方法基于三个逐步递进的论点：“(1)智能机器拥有其所在环境的知识；(2)最全能的智能机器大量地以陈述式表达其环境知识；(3)对于最全能的智能机器，表达其陈述性知识的语言必须至少具有一阶谓词演算的表达能力。”（注：Nilsson，N．,Logic and Artificial Intelligence，Artificial Intelligence,47(1991)，pp．32～33；p．40．）从更基础的观点看，“根据逻辑方法设计的智能机器是其状态为句集的状态机”，“机器状态中句子的意指解释包含了设计者对于现实世界中对象、函数、关系的推测”。（注：Nilsson，N．,Logic and Artificial Intelligence，Artificial Intelligence,47(1991)，pp．32～33；p．40．）在使用方面，一阶逻辑表示知识比较接近于自然语言表示，具有自然性。化为子句逻辑之后，又具有了人工语言的清晰性。更重要的是一阶逻辑所具有的通用性。一阶逻辑的通用表达能力是逻辑主义AI的科学性预设（与哲学性预设相区别）之一。“逻辑表达具有通用性类似于图灵断言图灵机具有计算通用性——任何可以由其他机器计算的对象也可以被图灵机计算。任何可以被表达的对象都可以用一阶逻辑表达”。（注：McCarthy，J．，Philosophical and Scientific Presuppositions of Logical Al，Available at http：//www-formal．stanford．edu/jme/phil2/phi12．html．）在自然性、清晰性、通用性三大特性支持之下，逻辑为建构智能系统提供良好知识库基础。
在知识表达基础之上，逻辑作为推理工具在人工智能中发挥其重要作用。逻辑在人工智能中最纯正的应用当属定理的机器证明。比如前面提到的“逻辑理论机”使用分解（把一具体问题分解为若干子问题）、代入（用常量代入变量）、替换（将一个逻辑符号替换为另一个逻辑符号）等方法处理需证内容，如果最终子问题能够变换成公理或已经证明过的定理形式，那么问题得证。事实上，定理证明的理论价值和应用范围并不仅仅局限在对数学定理的证明，许多其他应用都可以转化为定理证明或者与之相关的形式。作为人工智能核心内容之一的问题求解过程其实就相当于从前提集推得一个匹配定理的过程。在各种推理方法中，以罗宾逊(J．Robinson)1965年提出的基于子句逻辑的“归结原理”应用最为广泛。应用归结原理的归结反演方法的一般思路是先将前提集化为子句集，再将目标公式的否定化为子句加入前提子句集，然后通过替换、合一、归结推导出空子句，以证明目标公式的否定不成立而目标公式成立。“归结原理”作为面向机器逻辑(machine-oriented logic)的基础，使得由谓词表达的定理证明与问题求解变得容易实现，大大促进了自动推理技术，提高了智能系统性能。
三 逻辑与人工智能的互动发展
人工智能应用逻辑方法已成功创建了许多智能专家系统，这些系统的应用域一般范围有限相对简单。但事实上人类智能所面对的现实世界应用域纷繁复杂，要刻画复杂的应用域就需要有相对应的复杂逻辑系统。比如应用域涉及到描述各种随时间发生变化的现象时，人工智能系统就需要将时态逻辑引入进来。而当应用域涉及多智能体时（如分布式智能系统），“不仅考虑某个智能体对于世界的所知很重要，而且考虑该智能体知道其他智能体的所知与所不知也变得很重要”。（注：Halpern，J.，Reasoning About Knowledge：A Survey，Handbook of Logic in Artificial Intelligence and Logic Programming，Vol．4，D．Gabbay，C．J．Hogger,J．A.Robinson(eds．）．Oxford University Press，1995.p．1．）要形式化多智能体之间的推理，就要引入知道逻辑。因此，人工智能研究者必须重视对逻辑文献的研究与发掘。作为人工智能早期经典文献之一的《人工智能立场上的一些哲学问题》(1969)体现和指引着人工智能研究者对哲学逻辑的关注，麦卡锡和海耶斯(P．Hayes)在文中指出，“想要计算机程序用形式语言推断出某一可以实现其所赋目标的确定策略以决定做什么。这就需要对因果概念、能力概念和知识概念进行形式化。这样的形式化在哲学逻辑中也同样被考虑”。（注：McCarthy，J．& Hayes，P.，Some Philosophical Problems from the Standpoint of Artificial Intelligence． Machine Intelligence，4(1969)，P．463．）文中对哲学逻辑中的模态逻辑、知道逻辑、时态逻辑、行为逻辑、命令逻辑、规范逻辑均做出了扼要的分析和明确的提示。就逻辑学家而言，他们在对逻辑系统不断扩展的同时其实也正为人工智能研究开拓了空间。从某种意义来说，逻辑主义AI的发展极限将由逻辑学所规定。
在注意到逻辑对人工智能所起到的巨大带动作用的同时，还应当看到人工智能对逻辑的巨大推动作用。人工智能关注的领域与哲学逻辑关注的领域大量重叠，人工智能的出现为逻辑提供了良好的理论出口。由于人工智能面向直接应用，在应用过程中遇到的问题会催生新的逻辑，正如科学史上工程、军事、天文等方面的需求往往催生出新的数学工具。麦卡锡亦指出：“人类水平的逻辑AI需要扩展逻辑在数学与物理学的形式化分支中的使用方式。它看起来也需要扩展逻辑本身，在表达知识的形式与用于得出结论的推理两方面”。（注：McCarthy，J．，‘Concept of Logical Al’，Available at http://www-formal．stanford．edu/jmc/concepts-ai.html．）不少人工智能学者已经自己着手提出新的逻辑系统，其中成果最为集中也较有影响的是不精确推理和非单调逻辑（相对于传统的精确推理和单调逻辑）方面的发展。
现实世界中，由于原因与结果之间往往具有不确定性，因此推理过程中所使用的有关规则往往表示为En→H(x)的形式（x是用来表示结论H正确的概率或者其可信度大小的数值）。不确定推理所要处理的主要问题是如何量度由诸多不确定前提所产生的结论的可信度。由肖特利夫(E．Shortliffe)等人提出并应用于诊断细菌感染医疗专家系统的MYCIN不精确推理模型和由杜达(R．Duda)、哈特(P．Hart)提出并成功应用于PROSPECTOR矿藏勘探专家系统的主观贝叶斯方法都是人工智能研究者对概率推理的重大贡献。
在信息不充分的情况下进行推理涉及非单调逻辑。它有别于经典逻辑。经典逻辑的核心特征之一就是单调性。单调性意味着如果
是由前提集Γ推得的结论，那么也是任何包含Γ(Γ作为子集）的集合的结论。单调性的意义在于不能通过添加新前提而取消原有结论。但是日常推理大多不满足单调性，随着前提知识的增加可以取消原有结论。例如一般认为哺乳动物不会飞，而蝙蝠是哺乳动物，那么应该推出蝙蝠不会飞，但事实上蝙蝠会飞。因此应该将蝙蝠不会飞的结论取消，而改为蝙蝠会飞的结论。但蝙蝠会飞的结论仍然可能变更或取消，比如对于刚刚出生的蝙蝠。人工智能若要在日常应用领域实现良好的推理特性，就必须从日常推理中抽象出一个较为完善的非单调逻辑系统。麦克德莫特(D．McDermott)的非单调逻辑、赖特(R.Reiter)的缺省理论、麦卡锡的界限理论、多伊尔(J．Doyle)的正确性维持系统都是人工智能学者提出的具有开创性的非单调逻辑系统，它们无疑将直接丰富逻辑学的内容。
可以看到，逻辑与人工智能的良性互动，不仅使这两门重要学科自身得到极大发展，而且必将合力为人类表现思维与理解思维开辟一条道路。正如《逻辑与人工智能：离婚？依旧婚姻和睦？分居……？》一文中得出的结论：“如果在未来我们不但希望能够建构与人类智能相当的机器人，而且也希望能够理解它们,那么逻辑与人工智能的结姻是理应继续的”。（注：Bringsjord， S． & Ferrucci， D.， Logic and Artificial Intelligence： Divorced， Separated，Still Married ．．．？，Minds and Machines，8(1998)，p．304．）