人类自省与机器智能，第四部分

比较标准 FOL 和子句逻辑

在人工智能的知识表示领域，人们已经探索了各种逻辑系统，其中子句逻辑通常被定位为传统一阶逻辑(FOL)的替代方案。尽管它很简单，但事实证明，分句逻辑是认知过程建模的有力候选者。

子句逻辑与标准 FOL 的区别在于其简单的条件格式，同时保持了相当的功能。与依赖于显式存在量词的 FOL 不同，分句逻辑采用 Skolemization 为假定实体分配标识符，例如e1000和book21，从而保留其表达能力。此外，子句逻辑在某些方面超越了 FOL，特别是与最小模型语义结合时。

子句逻辑中的推理比标准 FOL 中的推理要简单得多，主要涉及前向和后向推理过程。这种简单性扩展到默认推理，包括在最小模型语义的框架内处理失败的否定。

标准 FOL 和子句逻辑之间的关系反映了自然语言和假设的思维语言 (LOT) 之间的关系。这两个系统都涉及两个推理阶段：第一阶段将语句转换为标准化格式，而第二阶段则利用该格式进行推理。

在FOL中，诸如Skolemization和逻辑变换(例如，将Ø(A∨B)转换为ØA∧ØB)之类的初始推理规则用于将句子转换为从句形式。随后的推论，例如从 ∀X(XP(X)) 导出 P(t)，涉及使用这种分句形式进行推理，这是前向和后向推理不可或缺的过程。

就像自然语言提供多种方式来传达相同的信息一样，FOL 提供了等效语句的大量复杂表示。例如，“所有鱼都有鳃”的断言可以在 FOL 中以多种方式表示，但分句逻辑将其简化为规范形式，例如子句：gills(X) ←fish(X) 和fish(Alia) 。

因此，子句逻辑与 FOL 的关系类似于 LOT 与自然语言的关系。正如 LOT 作为自然语言表达的简化且明确的版本一样，分句逻辑提供了 FOL 的简化、规范版本。这种比较强调了子句逻辑作为认知表征基础模型的可行性。

在人工智能中，子句逻辑已被证明是一种有效的知识表示框架，独立于代理使用的通信语言。对于人类交流，子句逻辑提供了一种通过与 LOT 保持一致来更清晰、更连贯地表达想法的方法。通过将新信息与现有知识相结合，子句逻辑利用其与联结主义表征的兼容性，在联结主义表征中信息被组织在目标和信念的网络中，从而促进更好的连贯性和理解[Aditya Amin，2018]。

子句逻辑的联结主义解释

正如子句逻辑将一阶逻辑 (FOL) 重新表述为规范形式一样，连接图证明过程通过联结主义框架调整子句逻辑。这种方法涉及预先计算并建立条件和结论之间的联系，同时还用它们各自的统一替换来标记这些联系。然后可以根据需要向前或向后激活这些预先计算的连接。频繁激活的连接可以简化为捷径，类似于启发式规则和刺激响应模式。

尽管子句逻辑从根本上来说是一种符号表示，但一旦建立了联系及其统一替换，谓词符号的具体名称就变得无关紧要了。后续推理主要涉及这些连接的激活和新子句的生成。新子句继承了其前任子句的连接，并且在许多情况下，一旦完全利用了它们的连接，就可以丢弃或覆盖过时或冗余的父子句。

连接可以在任何点激活，但通常，当由于新的观察或通信而将新子句引入图中时，激活它们会更有效。可以根据观察和目标的相对重要性(或效用)来确定激活的优先级。此外，可以根据统计数据对不同的连接进行加权，反映它们的激活在过去产生有益结果的频率。

图 2：简化的连接图，说明目标和信念之间的关系。

请注意，只有 D、F 和 H 直接与现实世界元素相关。 B、C 和 A 是智能体用来构建其思想和管理其行为的认知结构。 E 和 G 的状态保持未定义。此外，如果 D then ((E 和 F) 或 (G 和 H))，则可以通过较低级别的目标实现更直接的方法。

观察和目标强度根据链接权重分布在图表中。激活最高权重链接的证明过程类似于 Maes 的激活网络，并将 ALP 式的前向和后向推理与最佳优先搜索方法相结合。

尽管连接图模型可能表明思维缺乏语言或逻辑属性，但连接图和子句逻辑之间的区别类似于优化的低级实现和高级问题表示之间的区别。

该模型支持这样的观念：思想在独立于自然语言的范围内运作。虽然 LOT 可能有助于发展自然语言，但这并不取决于自然语言。

此外，连接图模型意味着用自然语言表达思想相当于将低级程序翻译成高级规范。正如反编译程序很复杂一样，这也许可以解释为什么表达我们的想法可能具有挑战性。

量化不确定性

在装配图中，存在组织代理认知过程的内部链接和将这些过程连接到现实世界的外部链接。外部链接通过观察和代理的操作来激活，并且还可能涉及未观察到的世界属性。代理可以制定有关这些属性的假设并评估其可能性。

这些假设的概率会影响智能体行为的预期结果。例如：

· 如果您购买抽奖券并且您的号码被选中，您可能会变得富有。

· 如果你跳祈雨舞，并且神明会眷顾的话，可能会下雨。

虽然你可以控制某些行为，例如买票或表演求雨舞，但你不能总是影响其他人的行为或全局条件，例如你的号码是否被选择或众神是否满意。充其量，您可以估计满足这些条件的概率(例如，百万分之一)。 David Poole [1997] 证明，将概率与这些假设相结合使 ALP 具有类似于贝叶斯网络的功能。

增强决策能力

应对世界的不确定性对决策提出了重大挑战。传统的决策理论通常通过做出某些假设来简化这种复杂性。最限制性的假设之一是所有可能的选择都是预先定义的。例如，在寻找新工作时，经典决策理论假设所有潜在的工作机会都是预先知道的，并且只专注于选择可能产生最佳结果的选项。

决策分析通过强调各种选项背后的目标，提供非正式的策略来改进决策。 ALP 代理模型提供了一种结构化方法来形式化这些策略，并将它们与强大的人类认知模型相集成。具体来说，它展示了预期效用(经典决策理论的基石)如何也可以通过最佳优先搜索技术来指导替代方案的探索。此外，它还说明了启发式甚至刺激响应模式如何补充逻辑推理和决策理论，反映了双过程模型的原理。

结论

本次讨论重点介绍了 ALP 智能体模型借鉴人工智能进步来增强人类智力的两种关键方式。它帮助个人更清晰、连贯地表达自己的想法，同时提高决策能力。我相信应用这些方法代表了一条有前途的研究途径，促进人工智能专家和学者在人文领域的合作。