演繹推理的案例
AI 中的演繹推理
演繹推理是人類的一種批判性思維技能，它被集成到 AI 系統中以增強 AI 的決策能力。在本文中，我們將了解演繹邏輯以及示例以及如何將其集成到 AI 系統中。
目錄
什么是演繹推理？
演繹推理的推理規則
Modus Ponens
托倫斯的手法
假設三段論
AI 中的演繹推理
1. 基于規則的系統
2. 邏輯編程
3. 自動定理證明 （ATP）
案例研究：在 AI 中利用演繹推理進行醫學診斷
演繹推理在 AI 中對醫學診斷的作用
從演繹推理得出的結論
演繹推理在 AI 中的應用
挑戰和限制
結論
什么是演繹推理？
演繹推理是人類推理的一個方面，它從提供的前提中得出合乎邏輯的結論。演繹推理根據必然性原則運作：如果前提是正確的，那么結論也是正確的。
演繹推理的基本原則包括三段論、modus ponens 和 modus tollens。讓我們考慮一個例子，modus ponens 斷言，如果 p 暗示 q 并且 p 為真，那么 q 也必須為真。我們可以使用邏輯運算符、真值表和推理規則來分析演繹論點。
演繹推理的推理規則
Modus Ponens
Modus Ponens 演繹推理的基本規則。演繹推理的論證形式有一個條件陳述和導致結論的前提。
展開 人工智能中的推理類型
其中一個關鍵方面是推理，這是一個邏輯過程，使機器能夠像人類一樣得出結論、做出預測和解決問題。人工智能 （AI） 采用各種類型的推理來實現這一目標，包括專家系統、自然語言處理、語音識別和計算機視覺。
在本文中，我們將探討 AI 中不同類型的推理及其在推動該領域發展中的應用。
人工智能中的推理
推理可以定義為根據現有知識得出結論、做出預測或構建解決方案的邏輯過程。在人工智能中，推理在理解人腦如何思考、得出結論和解決問題方面起著至關重要的作用。通過推理，AI 系統可以模擬類似人類的決策和解決問題的能力。讓我們深入了解 AI 中使用的不同類型的推理。
AI 中的推理類型
理由分為以下幾種類型：
1. 演繹推理
演繹推理遵循自上而下的方法，其中結論是從已知或假設為真的一般原則或前提中得出的。這種形式的推理依賴于既定的事實來推斷有效的結論。
示例
：如果所有人都是凡人，而蘇格拉底是人，那么蘇格拉底就是凡人。
在 AI 中的應用：演繹推理通常用于專家系統和基于規則的 AI 系統，其中知識通過規則（if-then 語句）表示。這些系統對特定問題應用一般規則，以得出解決方案或做出決策。
2. 歸納推理
歸納推理是一種自下而上的方法，涉及從特定實例或觀察中得出一般結論。與演繹推理不同，歸納推理產生的是假設而不是某些結論，使其更具概率性。
示例
：如果我們觀察到太陽每天從東方升起，我們可能會推斷明天太陽將從東方升起。
在 AI 中的應用：歸納推理廣泛用于機器學習算法。在數據模式上訓練的模型從數據中進行泛化，并使用此信息對新的、看不見的數據進行預測。
3. 歸納推理
歸納推理從一組不完整的觀察開始，然后尋求最合理的解釋。它側重于根據已知情況找到最可能的結論，而不是尋求絕對的真理。
展開 影響你解決問題能力的心理因素
心理阻礙3：信念偏見效應
解決問題常需要演繹推理和歸納推理兩種邏輯。什么叫演繹推理？最簡單的舉例：
前提1：這家飯店接受所有的主流信用卡
前提2：郵政銀行信用卡是一種主流的信用卡
結論：這家飯店接受郵政銀行信用卡
在真實生活情境中，演繹推理多數情況下，沒有這么簡單，極其容易受人的信念偏見效應影響。“信念偏見效應”指人們傾向于把他們能為之構建一個合理的現實世界模型的結論判斷為正確的，而把那些他們不能為之構建合理現實世界模型的結論，判斷為是錯誤的。更明確的說，如果有一個可信的結論，它與人們對問題的心理表征一致，那么人們傾向于接受那個結論。
電影《十二公民》韓童生與張永強飾演的兩個人物，算是對具有“信念偏見效應“的人最佳演繹。韓童生因自己與孩子的關系經歷，對富二代小孩子有明顯的信念偏見。而張永強是對外地人有明顯的信念偏見。那個孩子只有犯了謀殺罪，才符合他們構建的實現世界模型---富二代孩子/外地人是不好的，是容易犯罪的。
張永強：“一輛公共汽車上，上面全是大學生和教授，只有一個外地人，車上丟一錢包，你告訴我你先看誰？你別告訴我你看那大學生！一輛法拉利把夏利給撞癟了，你別告訴我你不覺得是那法拉利欺負人？“
在仿真工作中，仿真工程師也最容易犯這個錯誤。在構建問題模型時，我們可能已經調研到一些信息，需要委托你計算的人也跟你說了，他眼里的失效機理。因此，當你模型的計算結果與這些信息、失效機理吻合時，你就會深信你的模型是對。雖然很多時候它真的就是對的，但也有錯誤情況，一旦錯誤將導致設計方向錯誤，時間與成本的損失，自己的職業威信也受損。正確做法是，建模后憑據自己的專業理論知識，仔細審核，如可以設計一些試驗來驗證，時刻保持懷疑的態度總是好的。
展開 AI 中的智能系統
以下是主要組件：
推理：推理涉及從證據或論點中得出結論。它包括歸納推理，它從具體例子中建立一般結論，以及演繹推理，它將一般原則應用于具體情況。
學習：學習是我們獲取新信息或修改現有知識、技能和行為的過程。它可以通過直接經驗、觀察或指導來實現，并且是適應新情況的基礎。
感知：感知是解釋和組織感官信息以了解環境的認知過程。它使我們能夠通過我們的感覺器官獲取感官數據并理解我們周圍的世界。
語言智能：語言智能是指有效使用語言（書面和口頭）的能力。語言智商高的人擅長閱讀、寫作、講故事和記憶單詞。
解決問題： 解決問題是處理信息并為復雜或具有挑戰性的情況找到解決方案的能力。它涉及識別問題、生成潛在的解決方案以及有效地實施最佳解決方案。
什么是智能系統？
AI 中的智能系統是一種能夠收集數據、處理數據以及根據這些數據做出決策或執行作的技術。智能系統的核心是模仿人類的認知功能，例如從經驗中學習、理解復雜概念、解決問題和做出決策。
智能系統中的推理
智力是智力的一個可靠屬性，如果沒有系統根據可用數據進行推理的能力，這是不可能的。AI 中使用了幾種類型的推理：
Deductive Reasoning（演繹推理）：在考慮或發布一般原則或前提后利用特定結果。一種方法是將斷言視為單獨的斷言。例如，如果所有人類都是凡人，而蘇格拉底是人類，那么蘇格拉底就是凡人。
歸納推理： 一種預測方法是對特定情況有一個想法，然后做出一般推斷。例如，每天早上太陽升起的重復行為，并預測明天太陽升起的想法。
Abductive Reasoning：文檔最可能的對的 Infare。例如，如果地面是濕的，則 on 可能會理解最近確實發生了雨。
展開 
人工智能 知識圖譜
c.基于機器學習的實例匹配 d.大規模知識圖譜的實例匹配
(1)基于分塊的實例匹配
(2)無需分塊的實例匹配
(3)大規模實例匹配的分布式處理
5.6 知識融合上機實踐
1.百科知識融合
2.OAEI知識融合任務
六、存儲與檢索
6.1.知識圖譜的存儲與檢索概述
6.2.知識圖譜的存儲
a.基于表結構的存儲 b.基于圖結構的存儲
6.3.知識圖譜的檢索
a.關系數據庫查詢：SQL語言 b數據庫查詢：SPARQL語言
6.4.上機實踐案例：利用GraphDB完成知識圖譜的存儲與檢索
七、知識推理
7.1.知識圖譜中的推理技術概述
7.2.歸納推理：學習推理規則
a.歸納邏輯程設計b.關聯規則挖掘 c.路徑排序算法
上機實踐案例：利用AMIE+算法完成Freebase數據上的關聯規則挖掘
7.3.演繹推理：推理具體事實
a.馬爾可夫邏輯網 b.概率軟邏輯
7.4.基于分布式表示的推理
a.
展開 知識圖譜——技術與行業應用
知識圖譜知識點：
一、知識圖譜概論
1.1知識圖譜的起源和歷史
1.2知識圖譜的發展史——從框架、本體論、語義網、鏈接數據到知識圖譜
1.3知識圖譜的本質和價值
1.4知識圖譜VS傳統知識庫VS關系數據庫
1.5經典的知識圖譜
Google知識圖譜，微軟實體圖，阿里知識圖譜，醫學知識圖譜，基因知識圖譜等知識圖譜項目
二、知識圖譜應用
2.1知識圖譜應用場景
2.2知識圖譜應用簡介
三、知識表示與知識建模
3.1知識表示概念
3.2 知識表示方法
3.3典型知識庫項目的知識表示
3.4知識建模方法學
3.5知識表示和知識建模實踐
四、知識抽取與挖掘
4.1知識抽取基本問題
4.2數據采集和獲取
4.3面向結構化數據的知識抽取
4.4面向半結構化數據的知識抽取
4.5.面向非結構化數據的知識抽取
4.6.知識挖掘
4.7知識抽取上機實踐
五、知識融合
5.1知識融合背景
5.2知識異構原因分析
5.3知識融合解決方案分析
5.4.本體對齊基本流程和常用方法
5.5實體匹配基本流程和常用方法
5.6 知識融合上機實踐
六、存儲與檢索
6.1.知識圖譜的存儲與檢索概述
6.2.知識圖譜的存儲
6.3.知識圖譜的檢索
6.4.上機實踐案例：利用GraphDB完成知識圖譜的存儲與檢索
七、知識推理
7.1.知識圖譜中的推理技術概述
7.2.歸納推理：學習推理規則
上機實踐案例：利用AMIE+算法完成Freebase數據上的關聯規則挖掘
7.3.演繹推理：推理具體事實
7.4.基于分布式表示的推理
7.5.上機實踐案例：利用分布式知識表示技術完成Freebase上的鏈接預測
八、語義搜索
8.1.語義搜索概述
8.2.搜索關鍵技術
8.3.知識圖譜搜索
展開 AI 中的歸納推理
?
歸納推理是一種邏輯推理，它從觀察或收集數據開始，然后確定最直接和最合理的解釋。歸納推理可以通過增強人工智能 （AI） 系統解決問題和做出更好決策的能力，幫助人工智能 （AI） 系統變得更加直觀和像人類。本文將探討歸納推理的基礎知識及其在人工智能中的應用。
目錄
什么是歸納推理？
AI 如何實現 Abductive Reasoning
歸納推理原理
案例研究：AI 中的歸納推理
Abductive Logic 在 AI 中的應用
AI 中歸納推理的局限性
結論
常見問題解答中 AI 中的歸納推理
什么是歸納推理？
歸納推理是一種強調從現有數據中得出推理的推理。不過，不能保證得出的結論是準確的，因為手頭的信息不可能很全面。從歸納推理中得出的結論很可能是正確的。這種類型的推理通過考慮來確定一組不完整事實的最可能結論。雖然歸納推理是一種演繹推理，但手頭的信息并不能保證結論的準確性。
展開 知識圖譜|知識圖譜的典型應用
c.基于機器學習的實例匹配 d.大規模知識圖譜的實例匹配
(1)基于分塊的實例匹配
(2)無需分塊的實例匹配
(3)大規模實例匹配的分布式處理
5.6 知識融合上機實踐
1.百科知識融合
2.OAEI知識融合任務
六、存儲與檢索
6.1.知識圖譜的存儲與檢索概述
6.2.知識圖譜的存儲
a.基于表結構的存儲 b.基于圖結構的存儲
6.3.知識圖譜的檢索
a.關系數據庫查詢：SQL語言 b數據庫查詢：SPARQL語言
6.4.上機實踐案例：利用GraphDB完成知識圖譜的存儲與檢索
七、知識推理
7.1.知識圖譜中的推理技術概述
7.2.歸納推理：學習推理規則
a.歸納邏輯程設計?b.關聯規則挖掘 c.路徑排序算法
上機實踐案例：利用AMIE+算法完成Freebase數據上的關聯規則挖掘
7.3.演繹推理：推理具體事實
? a.馬爾可夫邏輯網 b.概率軟邏輯
7.4.基于分布式表示的推理
a.TransE模型及其變種 b.RESCAL模型及其變種
c.
展開 關于工業軟件與AI那點事
從個人的角度來看，如果用一句話來定義基于數據的AI推論和ML的關系就是：根據數據歸納導出數學形態（ML），再進行演繹推理并應用（AI）。
可以這么說，在AI的發展歷史中，解決問題的方法是非常重要的一部分，大致可以概括為兩種方法：基于規則的方法(演繹嘗試)和基于經驗的方法(歸納嘗試)。
在AI近100年的發展歷史中，這兩種方法順應時代需求你追我趕地發展。(這也類似于在RecurDyn中FFlex和RFlex交替受到關注的原因。）
演繹方法的一個典型例子是解決用邏輯符號表示問題的GPS（General Problem Solver），歸納方法的一個典型例子是最近的熱門話題深度學習。在人工智能的早期，由于當時計算機的計算能力有限，演繹法比歸納法更有效。而后來計算能力的增強使得在合理時間范圍內解決數據驅動問題成為可能。
數據驅動的方法在現代AI/ML中已經占據了主導地位，因此，可以認為本文后面提到的AI/ML皆指的是數據驅動的歸納方法。 數據驅動的方法是最近人工智能在許多領域崛起的動力，在解決無法解決的問題或發現傳統方法未能探索的問題方面取得了成功。
那么，基于數據的AI/ML是如何解決現實世界中的問題的呢？過程如下:
要解決的問題包括在現實世界中積累的大量數據，或者可以編寫或生成的數據。通過數學方式查明這些數據之間的關系來解決問題的過程就是機器學習，并使用由此訓練的模型進行推理以解決實際問題。
機器學習通過優化從數學上解決問題。首先準備數據，從準備的數據中確定輸入數據和輸出數據。找到與輸入和輸出數據相匹配的數學模型。
展開 為芯片奠定數學基礎的那些大神們都是誰？
1847年，布爾出版了《邏輯的數學分析，論演繹推理的演算法》。
從此在數學界名氣大震，并且從“編外人員”到有了正式的教職。
1854年，他又出版了《思維規律的研究，作為邏輯與概率的數學理論的基礎》，其中完滿地討論了這個主題并奠定了所謂的數理邏輯的基礎。為這一學科的發展鋪平了道路。
布爾代數講述內容很多，但其最典型的就是兩種值和三種運算。
布爾在整個計算中，定義兩種值，也就是真和假。1（true），0（false）。
三種基本運算，就是與（AND），或（OR），非（NOT）。
與或非也可以用符號表示： & | ！ 三種符號表示。
與就是兩個值都為真才為真。
或就是兩個值有一個為真就為真。
真的非就是假，假的非就是真。
這個就是兩種值，三種運算的含義。
有點哲學的意思。
布爾通過研究發現：所有的數字算數運算，都可以用布爾代數化簡成為 0和1的與或非操作。
例如：加法a+b
進位就是a&b，而加完后0位是（a&！b）|（b&！a）
也就是可以用與、或、非來表示加減。
二進制配合布爾代數，能夠表示所有的數學運算。
1864年，布爾去世。但是他發明的這些計算方式，將在100年后得到應用，成為計算機體系中的基本運算。
用與、或、非的運算來等價表示加減乘除的運算，這個就是布爾留給后世的財富。
展開 關于工業軟件與AI那點事
從個人的角度來看，如果用一句話來定義基于數據的AI推論和ML的關系就是：根據數據歸納導出數學形態（ML），再進行演繹推理并應用（AI）。
可以這么說，在AI的發展歷史中，解決問題的方法是非常重要的一部分，大致可以概括為兩種方法：基于規則的方法(演繹嘗試)和基于經驗的方法(歸納嘗試)。
在AI近100年的發展歷史中，這兩種方法順應時代需求你追我趕地發展。(這也類似于在RecurDyn中FFlex和RFlex交替受到關注的原因。）
演繹方法的一個典型例子是解決用邏輯符號表示問題的GPS（General Problem Solver），歸納方法的一個典型例子是最近的熱門話題深度學習。在人工智能的早期，由于當時計算機的計算能力有限，演繹法比歸納法更有效。而后來計算能力的增強使得在合理時間范圍內解決數據驅動問題成為可能。
數據驅動的方法在現代AI/ML中已經占據了主導地位，因此，可以認為本文后面提到的AI/ML皆指的是數據驅動的歸納方法。 數據驅動的方法是最近人工智能在許多領域崛起的動力，在解決無法解決的問題或發現傳統方法未能探索的問題方面取得了成功。
那么，基于數據的AI/ML是如何解決現實世界中的問題的呢？過程如下:
要解決的問題包括在現實世界中積累的大量數據，或者可以編寫或生成的數據。通過數學方式查明這些數據之間的關系來解決問題的過程就是機器學習，并使用由此訓練的模型進行推理以解決實際問題。
機器學習通過優化從數學上解決問題。首先準備數據，從準備的數據中確定輸入數據和輸出數據。找到與輸入和輸出數據相匹配的數學模型。在此過程中，為了獲得優化的結果，基本都需要大量的數據支持。
展開 
想了解材料熱動力學？請收好這篇小綜述
20世紀初，Planck、Poincare、Gibbs等科學家以宏觀系統為研究對象，基于熱力學第一、二定律，并定義了焓、熵、亥姆霍茲和吉布斯等函數，加上P、V、T等可以直接測定的客觀性質，經過歸納與演繹推理，得到一系列熱力學公式和結論，用來解決能量、相和反應平衡問題，這便是經典熱力學的基本框架。經典熱力學研究的對象是系統中的物質和能量的交換，它是不斷逼近極限的科學，只討論變化前后的平衡狀態，不涉及物質內部粒子的微觀結構。
Boltzmann等人將量子力學與經典熱力學相結合，形成了統計熱力學。統計熱力學屬于從微觀到宏觀的方法，它從微觀粒子的性質出發，通過求統計概率，定義出系統或粒子的配分函數，以此為橋梁建立起與宏觀性質的聯系。
時間是熱力學中非常重要的獨立變量，怎樣處理時間變量是區別不同層次熱力學的標志，在物理學中利用熵增來描述時間的單向性。熱力學研究可能性，動力學研究現實性，即變化速率和變化機理。動力學是反應進度與時間的函數關系，系統的行為狀態和輸出只取決于起始狀態和隨后的輸入。
自然界中發生的好多現象都是在非平衡態進行的不可逆過程，這就推動了熱力學由平衡態向非平衡態發展。20世紀50年代，Prigogine I、Onsager L等人形成了非平衡態熱力學（Non-equilibrium Thermodynamics），局域平衡假設是非平衡態熱力學的中心假設。其中，Onsager L于1931年確立了唯象系數的倒易關系，Prigogine 在1945年提出了非平衡定態的最小熵增原理，適用于接近平衡狀態的線性非平衡體系。
展開 知識圖譜：技術成熟度飛速躍升，與產業互聯結合更加緊密
2022年11月11日 — 2022年11月15日
一、知識圖譜概論
1.1知識圖譜的起源和歷史
1.2知識圖譜的發展史——從框架、本體論、語義網、鏈接數據到知識圖譜
1.3知識圖譜的本質和價值
1.4知識圖譜VS傳統知識庫VS關系數據庫
1.5經典的知識圖譜
二、知識圖譜應用
2.1知識圖譜應用場景
2.2知識圖譜應用簡介
三、知識表示與知識建模
3.1知識表示概念
3.2 知識表示方法
3.3典型知識庫項目的知識表示
3.4知識建模方法學
3.5知識表示和知識建模實踐
四、知識抽取與挖掘
4.1知識抽取基本問題
4.2數據采集和獲取
4.3面向結構化數據的知識抽取
4.4面向半結構化數據的知識抽取
4.5.面向非結構化數據的知識抽取
4.6.知識挖掘
4.7知識抽取上機實踐
五、知識融合
5.1知識融合背景
5.2知識異構原因分析
5.3知識融合解決方案分析
5.4.本體對齊基本流程和常用方法
5.5實體匹配基本流程和常用方法
5.6 知識融合上機實踐
六、存儲與檢索
6.1.知識圖譜的存儲與檢索概述
6.2.知識圖譜的存儲
6.3.知識圖譜的檢索
6.4.上機實踐案例：利用GraphDB完成知識圖譜的存儲與檢索
七、知識推理
7.1.知識圖譜中的推理技術概述
7.2.歸納推理：學習推理規則
上機實踐案例：利用AMIE+算法完成Freebase數據上的關聯規則挖掘
7.3.演繹推理：推理具體事實
7.4.基于分布式表示的推理
7.5.上機實踐案例：利用分布式知識表示技術完成Freebase上的鏈接預測
八、語義搜索
8.1.語義搜索概述
8.2.搜索關鍵技術
8.3.知識圖譜搜索
8.4
展開 面向數字孿生戰場的智能體建模框架構建
對于戰役決策與計劃，一般采用基于案例的規劃、分層規劃（行為樹）、目標自主驅動、狀態空間規劃、進化算法、演繹推理和概率推理等方法；對于戰術決策，可采用恢復性學習、貝葉斯模型、基于案例的推理和神經網絡等方法。以基于行為樹的建模方式實現為例，AI控制任務指令用行為樹的根節點表示，仿真模型控制指令用行為樹的子節點表示。行為樹模型表示的AI控制任務指令分解示意圖如圖6所示。
圖6 行為樹模型表示的AI控制任務指令分解示意圖
圖6中，行為樹模型的運行從根節點開始，對海偵察探測、鎖定目標和對艦打擊為順序節點，表明執行完成后會沿箭頭方向繼續執行序列中的其他子節點；武器選擇為選擇節點，表明從該節點的子節點選擇一個執行，而子節點執行成功則表明選擇節點執行成功；“直到：目標被摧毀”為修飾節點，用于增加子節點的復雜性和能力，表明執行對艦打擊指令直到目標被摧毀。此外，行為樹還包括用于表明所有子節點同時運行的并行節點、無下級子節以及表示完成具體操作的行為節點等。
行為樹可提供大量的流程控制方法，使得AI控制任務指令分解更直觀。與有限狀態機方法相比，樹形結構設計易于指令分解的查看與編輯，因此更適合于描述AI控制任務指令到仿真模型控制指令的分解過程。AI控制任務指令分解執行流程如圖7所示。
圖7 AI控制任務指令分解執行流程
3.2智能決策模型建模框架
面向數字孿生戰場的智能決策模型主要包含聯合任務級、對抗行動級以及單體武器平臺行動級3級智能決策模型。
展開 人?AI 交互:實現“以人為中心AI”理念的跨學科新領域
例如，進一步探索人機融合、腦機融合等方面的研究，今后要在更高的認知層次上為腦機智能的疊加(如學習、記憶)建立更有效的模型和算法[44]；探索如何將人的決策和經驗與機器智能在邏輯推理、演繹推理等方面的優勢結合，使人機合作具有高效率[1]。從長遠看，人機混合增強智能未來可能形成有效的人機共生[46]，通過個體和群體智能融合等途徑，最終在系統和生物學層面上實現人機共生和融合[54]。
3.3 人?AI 合作
智能技術帶來了一種新型人機關系：人?AI 合作，人?AI 系統作為一個組合體比單個實體的工作更加有效[27,29]。人?AI 合作的研究目前在國外是一個熱點。HAII 研究需要AI、心理學和人因工程等學科的合作，從感知、認知、執行3 個層面上開展。
在感知層面，為了有效的人?AI 合作，AI 系統需要人的模型來支持系統對人類狀態的監控(生理、行為、情緒、愿圖、能力等)；AI 系統的人機界面要足夠透明，幫助人類了解當前系統狀態。例如，人機之間情景意識(態勢感知)分享是人?AI 合作研究的基本問題之一。研究需要了解如何有效實現人?AI 之間基于情景意識模型的的雙向溝通[55]，目前還缺少針對人?AI 合作的情景意識模型和測試方法[56]。今后的HAII 工作需要豐富情景意識理論，為人?AI 合作建模、認知架構、績效測評提供支持。
在認知層面，PC 時代的人機交互模型已經不能滿足智能時代的復雜交互場景。HAII 需要構建符合人?AI 合作的認知和計算模型[57]。人與AI 之間的互信影響人?AI 合作的績效，HAII 需要研究信任測量、建模、修復、校正等方面的工作，以及如何量化不同操作場景中人機之間動態化功能交換時所需的信任。
展開 