主页（http://www.cnwulian.net）：逻辑在人工智能科学中的应用与前景
在人工智能科学的研究领域中，有众多的理论课题与技术课题，而其中的逻辑问题或者说人工智能科学所使用的逻辑这一课题则是一主要课题，甚至在一定的意义上是一中心问题。因此，本文试图从逻辑学（主要是从归纳和类比推理以及模糊逻辑）的角度出发，对逻辑与人工智能科学的关系作一初步探讨。
一、归纳推理和类比推理在人工智能中的应用
作者简介：王建芳 天津南开大学哲学系
人类智能的本质特征和最高表现是创造。在人类创造的过程中，演绎推理的作用固然不可忽视，但归纳推理和类比推理在其中所起的作用似乎更为重要，因为它们构成了人类创造的契机。因此，计算机要成功地模拟人的智能，真正体现出人类智能的品质，就必须能够借助于归纳推理和类比推理这两种方法，实现机器内学习，以达到“机器创造”的目的。
正如人们运用归纳推理的情况一样，当外部环境给计算机提供的信息过于特殊和细节化时，计算机便必须学会对所给的信息加以概括和总结，把环境提供的特殊的、个别的实例变换成较为概括的、高水平的、可以有效使用的知识块。计算机这种归纳能力的获得对于整个人工智能系统具有重大意义。这是因为，借助于归纳的方法，计算机不仅可以自动获得新概念以增长知识，而且，在可能的情况下，它还能够证实已有的理论并发现新的理论。然而，由于归纳推理本身的缺陷以及人类归纳机制的模糊性等问题的存在，使得虽然有许多哲学家、心理学家、逻辑学家和一些人工智能专家早已涉足计算机通过归纳的学习这一领域并对之进行过艰辛的探索和研究，但这种通过归纳的学习在人工智能领域中的应用至今却仍然未能有重大突破。在这方面，许多学者都作过有意义的探索和研究，如瑞典哲学家Peter Cardenfor（《思维科学》，1988年第1期，第15页。）曾提出，在模拟人类进行归纳的人工智能系统中，需要对机械化归纳推理的知识表示形式问题作更多的探索。他提出了一种超越逻辑和语言的知识表示方式“概念空间”来帮助人们识别事物的可推测性质以避免某些关于归纳的老问题；乌哥夫提出用“倾向性”(bias)概念（《机器学习》，摩根考夫曼出版社，1986年版，第107页。）来解释学习者为什么会形成不同归纳概括；范莱（《人工智能》杂志，1986年1月号。）则强调要通过安排好一课一课的次序来学习，正如我们学习数学一样，这样就能够获得归纳学习中的额外的信息或线索。但是，计算机如何实现从个别到一般或从部分到整体或从过去到未来这一飞跃却是长期困扰着众多人工智能学者的问题。因为人类在归纳过程中所实现的“这一飞跃”是自然而然地来到的。计算机要在既无常识，又无经验（直觉就更无从谈起）的情况下，单纯依靠人们输入其内部的、有限的知识来完成这一飞跃过程，着实是存在着许多困难的。退一步说，即使计算机能够完成这一飞跃，所得结论的有效性程度仍然是令人担忧的，因为计算机甚至不能识别一些常识性的错误。
1、通过归纳的学习
归纳已被称之为“哲学丑闻”。为了使之不至于成为人工智能领域中的“丑闻”，逻辑学家和人工智能学者对于归纳推理的深入研究迫在眉睫。
