比較標(biāo)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(biāo)準 FOL 的區(qū)別在于其簡單的條件格式，同時保持了相當(dāng)?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(biāo)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(biāo)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(biāo)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(biāo)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(dǎo)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(biāo)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(biāo)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(dāng)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。可以根據(jù)觀察和目標(biāo)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(biāo)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(biāo)實現(xiàn)更直接的方法。
觀察和目標(biāo)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(dāng)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(biāo)，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(dǎo)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(xué)者在人文領(lǐng)域的合作。
下載文檔
