比較標準 FOL 和子句邏輯

在人工智能的知識表示領(lǐng)域，人們已經(jīng)探索了各種邏輯系統(tǒng)，其中子句邏輯通常被定位為傳統(tǒng)一階邏輯(FOL)的替代方案。盡管它很簡單，但事實證明，分句邏輯是認知過程建模的有力候選者。

子句邏輯與標準 FOL 的區(qū)別在于其簡單的條件格式，同時保持了相當?shù)墓δ?。與依賴于顯式存在量詞的 FOL 不同，分句邏輯采用 Skolemization 為假定實體分配標識符，例如e1000和book21，從而保留其表達能力。此外，子句邏輯在某些方面超越了 FOL，特別是與最小模型語義結(jié)合時。

子句邏輯中的推理比標準 FOL 中的推理要簡單得多，主要涉及前向和后向推理過程。這種簡單性擴展到默認推理，包括在最小模型語義的框架內(nèi)處理失敗的否定。

標準 FOL 和子句邏輯之間的關(guān)系反映了自然語言和假設(shè)的思維語言 (LOT) 之間的關(guān)系。這兩個系統(tǒng)都涉及兩個推理階段：第一階段將語句轉(zhuǎn)換為標準化格式，而第二階段則利用該格式進行推理。

在FOL中，諸如Skolemization和邏輯變換(例如，將?(A∨B)轉(zhuǎn)換為?A∧?B)之類的初始推理規(guī)則用于將句子轉(zhuǎn)換為從句形式。隨后的推論，例如從 ?X(XP(X)) 導出 P(t)，涉及使用這種分句形式進行推理，這是前向和后向推理不可或缺的過程。

就像自然語言提供多種方式來傳達相同的信息一樣，F(xiàn)OL 提供了等效語句的大量復(fù)雜表示。例如，“所有魚都有鰓”的斷言可以在 FOL 中以多種方式表示，但分句邏輯將其簡化為規(guī)范形式，例如子句：gills(X) ←fish(X) 和fish(Alia) 。

因此，子句邏輯與 FOL 的關(guān)系類似于 LOT 與自然語言的關(guān)系。正如 LOT 作為自然語言表達的簡化且明確的版本一樣，分句邏輯提供了 FOL 的簡化、規(guī)范版本。這種比較強調(diào)了子句邏輯作為認知表征基礎(chǔ)模型的可行性。

在人工智能中，子句邏輯已被證明是一種有效的知識表示框架，獨立于代理使用的通信語言。對于人類交流，子句邏輯提供了一種通過與 LOT 保持一致來更清晰、更連貫地表達想法的方法。通過將新信息與現(xiàn)有知識相結(jié)合，子句邏輯利用其與聯(lián)結(jié)主義表征的兼容性，在聯(lián)結(jié)主義表征中信息被組織在目標和信念的網(wǎng)絡(luò)中，從而促進更好的連貫性和理解[Aditya Amin，2018]。

子句邏輯的聯(lián)結(jié)主義解釋

正如子句邏輯將一階邏輯 (FOL) 重新表述為規(guī)范形式一樣，連接圖證明過程通過聯(lián)結(jié)主義框架調(diào)整子句邏輯。這種方法涉及預(yù)先計算并建立條件和結(jié)論之間的聯(lián)系，同時還用它們各自的統(tǒng)一替換來標記這些聯(lián)系。然后可以根據(jù)需要向前或向后激活這些預(yù)先計算的連接。頻繁激活的連接可以簡化為捷徑，類似于啟發(fā)式規(guī)則和刺激響應(yīng)模式。

盡管子句邏輯從根本上來說是一種符號表示，但一旦建立了聯(lián)系及其統(tǒng)一替換，謂詞符號的具體名稱就變得無關(guān)緊要了。后續(xù)推理主要涉及這些連接的激活和新子句的生成。新子句繼承了其前任子句的連接，并且在許多情況下，一旦完全利用了它們的連接，就可以丟棄或覆蓋過時或冗余的父子句。

連接可以在任何點激活，但通常，當由于新的觀察或通信而將新子句引入圖中時，激活它們會更有效?？梢愿鶕?jù)觀察和目標的相對重要性(或效用)來確定激活的優(yōu)先級。此外，可以根據(jù)統(tǒng)計數(shù)據(jù)對不同的連接進行加權(quán)，反映它們的激活在過去產(chǎn)生有益結(jié)果的頻率。

圖 2：簡化的連接圖，說明目標和信念之間的關(guān)系。

請注意，只有 D、F 和 H 直接與現(xiàn)實世界元素相關(guān)。 B、C 和 A 是智能體用來構(gòu)建其思想和管理其行為的認知結(jié)構(gòu)。 E 和 G 的狀態(tài)保持未定義。此外，如果 D then ((E 和 F) 或 (G 和 H))，則可以通過較低級別的目標實現(xiàn)更直接的方法。

觀察和目標強度根據(jù)鏈接權(quán)重分布在圖表中。激活最高權(quán)重鏈接的證明過程類似于 Maes 的激活網(wǎng)絡(luò)，并將 ALP 式的前向和后向推理與最佳優(yōu)先搜索方法相結(jié)合。

盡管連接圖模型可能表明思維缺乏語言或邏輯屬性，但連接圖和子句邏輯之間的區(qū)別類似于優(yōu)化的低級實現(xiàn)和高級問題表示之間的區(qū)別。

該模型支持這樣的觀念：思想在獨立于自然語言的范圍內(nèi)運作。雖然 LOT 可能有助于發(fā)展自然語言，但這并不取決于自然語言。

此外，連接圖模型意味著用自然語言表達思想相當于將低級程序翻譯成高級規(guī)范。正如反編譯程序很復(fù)雜一樣，這也許可以解釋為什么表達我們的想法可能具有挑戰(zhàn)性。

量化不確定性

在裝配圖中，存在組織代理認知過程的內(nèi)部鏈接和將這些過程連接到現(xiàn)實世界的外部鏈接。外部鏈接通過觀察和代理的操作來激活，并且還可能涉及未觀察到的世界屬性。代理可以制定有關(guān)這些屬性的假設(shè)并評估其可能性。

這些假設(shè)的概率會影響智能體行為的預(yù)期結(jié)果。例如：

· 如果您購買抽獎券并且您的號碼被選中，您可能會變得富有。

· 如果你跳祈雨舞，并且神明會眷顧的話，可能會下雨。

雖然你可以控制某些行為，例如買票或表演求雨舞，但你不能總是影響其他人的行為或全局條件，例如你的號碼是否被選擇或眾神是否滿意。充其量，您可以估計滿足這些條件的概率(例如，百萬分之一)。 David Poole [1997] 證明，將概率與這些假設(shè)相結(jié)合使 ALP 具有類似于貝葉斯網(wǎng)絡(luò)的功能。

增強決策能力

應(yīng)對世界的不確定性對決策提出了重大挑戰(zhàn)。傳統(tǒng)的決策理論通常通過做出某些假設(shè)來簡化這種復(fù)雜性。最限制性的假設(shè)之一是所有可能的選擇都是預(yù)先定義的。例如，在尋找新工作時，經(jīng)典決策理論假設(shè)所有潛在的工作機會都是預(yù)先知道的，并且只專注于選擇可能產(chǎn)生最佳結(jié)果的選項。

決策分析通過強調(diào)各種選項背后的目標，提供非正式的策略來改進決策。 ALP 代理模型提供了一種結(jié)構(gòu)化方法來形式化這些策略，并將它們與強大的人類認知模型相集成。具體來說，它展示了預(yù)期效用(經(jīng)典決策理論的基石)如何也可以通過最佳優(yōu)先搜索技術(shù)來指導替代方案的探索。此外，它還說明了啟發(fā)式甚至刺激響應(yīng)模式如何補充邏輯推理和決策理論，反映了雙過程模型的原理。

結(jié)論

本次討論重點介紹了 ALP 智能體模型借鑒人工智能進步來增強人類智力的兩種關(guān)鍵方式。它幫助個人更清晰、連貫地表達自己的想法，同時提高決策能力。我相信應(yīng)用這些方法代表了一條有前途的研究途徑，促進人工智能專家和學者在人文領(lǐng)域的合作。