简介这份资料是山东大学人工智能导论课程的概念汇总笔记面向正在修读该课程、准备期末考试或需要系统梳理人工智能基础知识的本科生与自学者帮助读者在有限时间内抓住课程重点、厘清易混概念。压缩包内共1个PDF文件大小约2.28MB内容按章节组织涵盖绪论、知识表示与知识图谱、确定性推理方法等模块并标注了非重点内容便于按考试可能性取舍复习。笔记对智能、知识、智力等基础概念给出明确定义系统整理了一阶谓词逻辑、产生式表示法、框架表示法与知识图谱的表示方式及各自特点还梳理了演绎推理、归纳推理、默认推理与确定性推理等推理方法的分类与区别并涉及搜索策略与遗传算法相关概念。目前已有433人学习适合需要快速建立知识框架、对照课堂查漏补缺的读者使用。1. 人工智能导论到底在讲什么从“智能”这两个字说起很多人第一次翻开人工智能导论的资料看到“谓词逻辑”“归结反演”“可信度方法”这些词第一反应是这跟我想象中会聊天的 AI 完全不是一回事。其实这门课讲的不是某个具体产品而是一整套让机器“像人一样处理知识”的底层语言。打个比方如果把训练一个大模型比作盖楼那导论课讲的就是砖怎么烧、图纸怎么画、承重墙为什么不能乱拆——它不教你用现成工具而是告诉你智能这件事本身是怎么被拆解、被表示、被推理出来的。搞懂这套概念的价值在于你以后再看到“知识图谱”“专家系统”“模糊推理”这些词不会觉得是玄学而是能一眼看出它属于哪一类问题、用的是哪套表示方法。这份概念汇总把绪论、知识表示、确定性推理、不确定性推理几条主线串在一起正好适合用来建立第一层认知框架。2. 智能被拆成了哪几块感知、记忆、思维、学习、行为2.1 智能不是单一能力而是五种能力的组合资料里给智能下的定义很朴素智能是知识与智力的总和。知识是长期实践和科学研究中积累起来的对客观世界的认识与经验是一切智能行为的基础智力则是获取知识并应用知识求解问题的能力。这两句话合起来说明一件事——光有知识不会用不算智能光会推理没有知识储备也不算。在此基础上智能被拆成五个特征感知能力、记忆与思维能力、学习能力、行为能力。感知是获取外部信息记忆是存储感知到的信息和思维产生的知识思维是对信息进行有目的的处理学习是通过环境反馈不断改善性能行为则是表达能力。这五块不是并列的五个抽屉而是一条流水线感知进来、记忆存住、思维加工、学习优化、行为输出。提示理解这条流水线后面所有表示方法和推理方法都能对号入座——知识表示解决“怎么存”推理解决“怎么加工”机器学习解决“怎么优化”。2.2 为什么要有“知识表示”这个中间层人类的知识存在脑子里机器没法直接读。知识表示要干的事就是把人类知识形式化或者模型化变成机器能操作的结构。这一步为什么绕不开因为机器不会“意会”它只能处理符号和结构。你说“老张是教师”人一听就懂机器需要把它写成Teacher(Zhang)这样的谓词形式才能参与后续推理。资料里列了四种主流表示方法一阶谓词逻辑、产生式、框架、语义网络外加知识图谱。它们不是互相替代的关系而是各有各的适用面。谓词逻辑精确严密但表达不了不确定性产生式适合规则型知识但效率不高框架有继承性、适合描述对象属性语义网络和知识图谱则擅长表达实体之间的关联。选哪种取决于你要表示的知识长什么样。2.3 机器感知、机器学习、机器思维、机器行为的分工这四个词经常被混着用其实分工很清楚。机器感知是让计算机具有类似人的感知能力以机器视觉和机器听觉为主机器学习是让计算机自动获取知识和技能、不断改善性能机器思维是对感知来的外部信息和内部工作信息进行有目的的处理机器行为是计算机的表达能力。深度学习在这里的位置也要说清它特指基于深层神经网络模型和方法的机器学习是机器学习的一个子集不是并列概念。人工神经网络则是用大量简单处理单元广泛连接组成的人工网络用来模拟大脑神经系统的结构和功能——它是深度学习的底层结构。这三者的关系是神经网络是结构深度学习是方法机器学习是大类。3. 知识表示的四条路谓词逻辑、产生式、框架、知识图谱3.1 一阶谓词逻辑精确但不够灵活的那把尺子命题逻辑研究命题及命题之间的关系但它有个明显缺陷无法把所描述事物的结构及逻辑特征反映出来也不能把不同事物间的共同特征表述出来。“老张是教师”和“小李是教师”在命题逻辑里是两个独立命题看不出共同结构。谓词逻辑就是来补这个洞的。谓词形式是P(x1, x2, ..., xn)其中 P 是谓词名x 是个体。比如“老张是一个教师”写成Teacher(Zhang)是一元谓词。连接词有否定 ¬、析取 ∨、合取 ∧、蕴含 →、等价 ↔量词有全称 ∀ 和存在 ∃。优先级从高到低是 ¬、∧、∨、→、↔这个顺序在写复杂公式时经常翻车建议养成加括号的习惯。(∀x)[ROBOT(x) → COLOR(x, GRAY)] 含义对所有 x如果 x 是机器人则 x 的颜色是灰色上面这个例子展示了全称量词的典型用法量词后面的单个谓词或用括号括起来的谓词公式叫辖域被量词约束的变元叫约束变元否则叫自由变元。谓词公式还有永真性、永假性、可满足性、不可满足性、等价性、永真蕴含这些性质它们是后面归结原理的理论地基。一阶谓词逻辑的优点是自然性、精确性、严密性、容易实现局限也很实在不能表示不确定的知识、组合爆炸、效率低。所以它适合逻辑关系清晰、要求严格证明的场景不适合充满“大概”“可能”的现实知识。3.2 产生式表示法if-then 背后的规则库思维产生式的基本形式是P→Q。确定性规则知识用它表示确定性事实性知识写成(对象, 属性, 值)不确定性规则写成P→Q (置信度)不确定性事实写成(对象, 属性, 值, 置信度)。产生式和谓词逻辑里的蕴含式容易混区别有两条第一除逻辑蕴含外产生式还包括各种操作、规则、变换、算子、函数第二蕴含式只能表示精确知识产生式既能表示精确知识也能表示不精确知识。这个区别在考试里几乎是必考点。一个产生式系统由三部分组成规则库存放领域内的产生式集合综合数据库存放求解过程中的当前信息控制系统负责系统运行、实现问题求解。控制系统运行时匹配成功的规则可能不止一条这时要做冲突消解。产生式的优点是自然性、模块性、有效性、清晰性缺点也直白效率不高、不能表达结构性知识。3.3 框架表示法把“教师”这种对象装进带槽的模板框架是一种描述所论对象属性的数据结构。一个框架由若干槽组成每个槽描述对象某一方面的属性每个槽又可以由若干侧面组成描述相应属性的一个方面。资料里的教师框架很典型姓名、年龄、性别、职称、部门、住址、工资、开始工作时间、截止时间每个槽都带单位、范围或缺省值。当把具体信息填入槽或侧面后就得到该框架的一个事例框架。比如“教师-1”这个事例里姓名填夏冰、年龄填 36、职称填副教授住址和工资则指向另外的框架。这种嵌套引用正是框架表示法的精髓——它天然支持结构性。框架表示法的特点是结构性、继承性、自然性。继承性意味着下层框架可以沿用上层框架的缺省值不用重复填写。它适合描述有固定属性结构的知识比如人员档案、设备参数但不擅长表达过程性、规则性的知识。3.4 知识图谱节点和边织成的那张关系网知识图谱用图形等可视化技术描述知识资源及其载体挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。通俗地说它就是一张图节点表示实体或概念边表示属性或关系。它的逻辑结构分两层数据层由一系列事实组成知识以事实为单位存储模式层构建在数据层之上是知识图谱的核心。体系架构上资源对象分三类结构化数据知识定义和表示都比较完备半结构化数据部分结构化但存在大量结构化程度较低的数据非结构化数据没有定义和规范约束的自由数据。构建方式有自顶向下和自底向上两种。知识图谱和语义网络的关系可以这样理解语义网络是更早的、更朴素的关联表示知识图谱是它在工程规模和数据规范上的升级版。两者都靠“关系”说话但知识图谱对模式层和数据层做了明确分层。4. 推理这件事从已知事实走到结论的几条路径4.1 推理的分类演绎、归纳、默认确定性还是不确定性推理是从已知事实出发运用已掌握的知识找出其中蕴涵的事实或归纳出新的事实。按方向分演绎推理是从全称判断推导出单称判断即由一般性知识推出适合某一具体情况的结论归纳推理是从足够多事例中归纳出一般性结论从个别到一般。归纳里又分完全归纳和不完全归纳前者考察全部对象后者只考察部分对象。默认推理又称缺省推理是在知识不完全的情况下假设某些条件已经具备所进行的推理。按确定性分确定性推理所用的知识与证据都是确定的结论也确定真值非真即假不确定性推理所用的知识与证据不都是确定的结论也不确定。按单调性分单调推理随着新知识加入结论越来越接近最终目标非单调推理则相反新知识可能否定已推出的结论使推理退回前面某一步重新开始。这个区分很关键因为现实世界的大部分推理其实是非单调的。4.2 正向、逆向、混合推理从哪头开始正向推理以已知事实为出发点叫事实驱动推理逆向推理以某个假设目标为出发点叫目标驱动推理。混合推理有两种先正向后逆向先从已知事实演绎出部分结果帮助选择目标再用逆向推理证实该目标或提高可信度先逆向后正向先假设目标做逆向推理再利用其中得到的信息做正向推理推出更多结论。双向推理则是正向与逆向同时进行在推理过程的某一步骤上“碰头”。选哪种方向取决于你手里有什么。事实多、目标不明确走正向目标明确、事实零散走逆向两头都有线索混合或双向更省力。冲突消解策略也在这里派上用场按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。4.3 自然演绎推理与归结原理两条证明路线自然演绎推理从一组已知为真的事实出发运用经典逻辑的推理规则推出结论。规则包括 P 规则前提引入、T 规则推理规则、假言推理P, P→Q ⇒ Q、拒取式推理P→Q, ¬Q ⇒ ¬P。资料里那个“小王喜欢 ds 课程”的例子很能说明问题把三句话写成谓词公式再一步步推C(ds) → EASY(ds) → LIKE(Wang, ds)链条清晰。归结原理走的是另一条路。它的基本思想是检查子句集 S 中是否包含空子句若包含则 S 不可满足若不包含就在 S 中选择合适子句进行归结一旦归结出空子句就说明 S 不可满足。命题逻辑里的归结很直观¬P∨Q和¬Q∨R归结出¬P∨R。谓词逻辑里则要先做最一般合一得到二元归结式。归结反演的步骤是把已知前提表示为谓词公式 F把待证结论表示为 Q 并否定得到 ¬Q把 {F, ¬Q} 化为子句集 S对 S 反复归结并把归结式并入 S出现空子句即证明 Q 为真。资料里给了一个实用建议归结时按由长到短的子句顺序进行这个血泪经验能少走不少弯路。已知P(A)∨P(B)∨P(C)¬P(A)∨P(B)∨P(C)¬P(B)∨P(C)¬P(C) 归结前两条 ⇒ P(B)∨P(C) P(B)∨P(C) 与 ¬P(B)∨P(C) ⇒ P(C) P(C) 与 ¬P(C) ⇒ NIL空子句证明成立上面这段对应资料里的招聘例题三人至少录取一人录取 A 不录取 B 则录取 C录取 B 则录取 C求证一定录取 C。归结到 NIL 就说明结论成立。注意一个边界如果没有归结出空子句既不能说 S 不可满足也不能说 S 可满足——这是初学者最容易下错结论的地方。4.4 用归结原理求解问题ANSWER 是怎么冒出来的归结不光能证明定理还能求解问题。步骤是前提 F 化为子句集 S待求解问题 Q 用谓词公式表示并否定再与 ANSWER 构成析取式¬Q ∨ ANSWER把它化为子句集并入 S 得到 S对 S 归结若得到归结式 ANSWER答案就在里面。资料里“小张的老师是谁”的例子很典型Teacher(Wang, Li)、Classmate(Li, Zhang)、同班同学共享老师的规则再加上¬Teacher(A, Zhang)∨ANSWER(A)一路归结出ANSWER(Wang)。这个技巧的妙处在于把“求什么”也编码进逻辑式里让归结过程顺便把答案带出来。5. 不确定性推理当证据不是非真即假5.1 可信度方法给规则打一个 -1 到 1 的分不确定性推理是从不确定性的初始证据出发通过运用不确定性的知识最终推出具有一定程度不确定性但合理或近乎合理的结论。可信度方法是最直观的一种可信度是根据经验对一个事物或现象为真的相信程度知识写成if P then Q (CF(Q,P))CF 是可信度因子反映前提条件与结论的联系强度取值范围 [-1, 1]。CF0 表示证据出现与否与结论无关。证据本身也有可信度 CF(E)等于 1 表示能肯定它为真等于 0 表示未获得任何相关观察等于 -1 表示能肯定它为假。组合证据的算法很干脆合取取最小值析取取最大值。传递算法是CF(H) CF(H,E) × max{0, CF(E)}当 CF(E) 0 时直接令 CF(H)0。IF 头痛 AND 流涕 THEN 感冒 (0.7) CF(E) 0.6 CF(H) 0.7 × max{0, 0.6} 0.42多条知识支持同一结论时要做结论不确定性的合成先分别求出每条知识对 H 的可信度再按合成公式合并。资料里的例题算出 0.28、0.48、-0.27 三个分量先合成前两个得 0.63再与 -0.27 合成得 0.49。这套算法不难难在别把合成顺序和正负号搞反。5.2 证据理论信任函数和似然函数夹出的区间证据理论里概率分配函数作用于子集而不是元素这是它和普通概率最大的不同。信任函数 Bel(A) 表示对 A 为真的总信任程度注意 Bel(∅)M(∅)0。似然函数 Pl(A) 又叫不可驳斥函数或上限函数表示对 A 为非假的信任程度算法是Pl(A) 1 - Bel(¬A)。以 D{红, 黄, 蓝} 为例M({红})0.3、M({黄})0、M({红,黄})0.2则 Bel({红,黄})0.300.20.5Pl({蓝})1-Bel({红,黄})0.5。信任函数给下界似然函数给上界两者夹出的区间就是这条证据能支撑的置信范围。概率分配函数还有正交和的概念如果 K≠0正交和 M 也是一个概率分配函数如果 K0则不存在正交和称两个概率分配函数矛盾。基于证据理论的推理流程是建立样本空间 D给出基本概率分配函数计算关心子集的信任函数值和似然函数值据此得出结论。5.3 模糊推理隶属度让“有点热”变成可计算的数模糊逻辑给集合中每一个元素赋予一个介于 0 和 1 之间的实数描述其属于一个集合的强度这个实数叫隶属度全体隶属度构成隶属函数。模糊集合有三种表示法Zadeh 表示法、序偶表示法、向量表示法。模糊集合的运算包括包含关系、相等关系、交并补运算和代数运算。资料里的例子很能说明代数运算A 和 B 在各元素上的隶属度做乘积得到 A·B做有界和得到 AB做有界积和代数和则得到另外两种结果。模糊关系描述两个模糊集合中元素之间关联程度的多少模糊关系的合成对应到矩阵上乘法用 min、加法用 max。模糊推理得到的结论或操作是一个模糊向量要转化为确定值这个过程叫模糊决策常用方法有最大隶属法、加权平均判决法、中位数法。通俗地说模糊推理不是要消灭不确定性而是把“有点热”“比较快”这类程度词变成能参与计算的数字。6. 常见易混概念这几组词最容易在脑子里打架6.1 易混点一产生式与蕴含式为什么混两者都写成P→Q的样子形式上几乎一样。怎么区分蕴含式只是逻辑关系只能表示精确知识产生式除了逻辑蕴含还包括操作、规则、变换、算子、函数而且能表示带置信度的不精确知识。看到带置信度的箭头基本可以判定是产生式。6.2 易混点二确定性推理与不确定性推理为什么混两者都是“从证据推结论”流程看起来一样。怎么区分看知识和证据本身是否确定。确定性推理的真值非真即假结论也确定不确定性推理的结论带有程度需要用可信度、信任函数或隶属度来度量。资料里特别提醒这一章和第四章的表述略有不同答题时建议采用第四章的定义。6.3 易混点三单调推理与非单调推理为什么混都涉及新知识加入后的结论变化。怎么区分单调推理加入新知识后结论越来越接近目标只增不减非单调推理加入新知识后可能否定已有结论推理要退回前面某一步重新开始。现实中的默认推理就是典型的非单调推理。6.4 易混点四正向推理与逆向推理为什么混两者都是推理策略名字又对称。怎么区分看起点。正向推理从已知事实出发是事实驱动逆向推理从假设目标出发是目标驱动。手里事实多就走正向目标明确就走逆向两头都有线索就上混合或双向。6.5 易混点五概率分配函数与概率为什么混名字里都带“概率”都用来度量可能性。怎么区分概率作用于单个元素概率分配函数作用于子集。这是证据理论和经典概率论最根本的分野记住“函数作用于子集”这一句就不会错。7. 什么时候用哪套方法一份边界判断清单学完这些概念真正要练的是“看到问题知道该掏哪件工具”。下面这张表把几种表示方法和推理方式的适用边界摆在一起方便对照。方法适合的知识形态不适合的场景关键代价一阶谓词逻辑逻辑关系清晰、要求严格证明含大量不确定性的现实知识组合爆炸、效率低产生式规则型、经验型知识结构性强的对象描述效率不高、表达不了结构框架有固定属性结构的对象过程性、规则性知识灵活性有限知识图谱实体关系密集的领域需要严格逻辑演绎的证明构建成本高可信度方法经验规则带强度需要严格概率语义的场景主观性强证据理论证据来源多、需要置信区间样本空间组合爆炸时计算量大模糊推理程度性、模糊性描述要求精确二值判断的场景隶属函数难定举个具体例子。假设某实验室要做一个课程推荐的小系统规则是“如果学生喜欢编程且数学好则推荐算法课”。这条知识是规则型的用产生式写最自然如果还想表达“推荐强度 0.8”就加上置信度走可信度方法如果要把课程、教师、先修关系都织进去那就该上知识图谱。反过来如果需求是严格证明“某学生一定满足毕业条件”那就得回到谓词逻辑加归结反演因为只有它能给出形式化证明。再说什么时候别用。知识本身高度不确定、又要求给出严格概率解释时可信度方法就不合适因为它的 CF 值是经验给的没有概率语义证据理论的样本空间一大子集数量指数增长计算直接崩掉模糊推理的隶属函数如果拍脑袋定结论的可信度也跟着拍脑袋。这些边界不搞清楚方法用得越熟翻车越彻底。我自己的习惯是拿到一个问题先问三句知识是精确的还是带程度的结构性强还是规则性强要的是证明还是求解这三问答完方法基本就定了。从那以后我每次选表示方法前都强制走一遍这三问省下的返工时间比多背十个公式都值。希望这份梳理帮到你完整的概念汇总资料里还有更多例题和细节需要的话可以取来对照着看。本文还有配套的精品资源点击获取