4.新AI技术中的不确定性推理理论

在人工智能推理技术当中，相关事件的不确定性因素会极大地影响到推理结果的生成。那么，想要针对一个相对不稳定的、存在多重变数的因素进行归纳推理，就是一件比较困难的事情。著名人工智能专家马文·明斯基就指出：“计算机推理不像数学运算当中的一加一求和，更多的时候，计算机需要推理的样本和规则，都是模糊不定的，这就需要我们引入不确定性推理办法。”

从概念上来说，不确定性推理就是求证者利用不确定的初始证据，通过不确定性的规则作用，最后推理出一系列带有不确定性属性，但又合理或者是似乎合理的过程。对于这一概念，我们也可以通过一些相对简单的事例来解释：假如有一位农夫，他回到家后发现自己家养的牛倒在地上死掉了。为了将这头牛的死因找出来，农夫查看了牛栏中堆放的两堆饲料，结果发现其中一堆散发出腐烂的气味。最后，依据个人经验，他认为是那堆变质的饲料害死了这头牛。在这个事例中，关于这头牛致死的原因和最后结论，其实都是带有强烈的不确定性的。只不过从一定程度上来说，农夫的推论“似乎合理”，那么他的猜想也就是符合“不确定性推理理论”的。

很显然，对于人工智能来说，这样一种求取“似乎合理结果”的推论方式，是能起到很多作用的。比如给定以下不稳定条件，请人工智能进行动物物种推算：

（1）大型猫科动物

（2）无角

（3）高攻击性

（4）能够爬树

（5）该生物体重60千克

在得到上述推理因素后，人工智能会对照自己数据库当中的相关资料进行验证。在它的数据库当中，猫科动物有“狮子”“人工饲养虎”“豹”，以及“家猫”。由于选项当中限定了“体型较大”这一概念，那么“家猫”就被排除在外，剩余的“狮子”“人工饲养虎”，还有“豹”都符合要求，因此综合条件概率各为33.33%；再看第二个条件“无角”，针对这一则推论，“狮子”“人工饲养虎”“豹”都与之匹配，因此这一则推论因素暂时对概率结果不产生影响；接下来是“高攻击性”，在这一推论当中，“人工饲养虎”从逻辑方面而言，攻击性要低于未加限定的“狮子”和“豹”，因此它的概率降低到20%，而“狮子”和“豹”的综合概率上升到40%；接下来，条件（4）的出现完全将“人工饲养虎”排除掉，“狮子”和“豹”的综合概率进一步上调，变为50%。到最后，“体重60千克”的推理条件出现，又将“狮子”的概率大大降低了，因为从一般概念上来讲，成年狮的体重都可以达到200千克，所以该生物为“狮子”的可能性非常低。而与之相对应的是，成年豹的平均体重为50千克，与条件选项接近，因此经过人工智能推算，综合上述5个不确定性因素，该被推理物种为“豹”的可能性最大，因此系统默认这是一只体型较大的成年豹。

可以看到，在上面这个推理过程当中，5个条件在定义方面都是模糊、含有较大歧义的。而在最后的推导结果当中，AI系统也不能给出一个绝对肯定的答案，因为就“狮子”这一物种来说，它也有体型、齿龄较小的，所以并不能将这一结论完全否定。所以人工智能给出的这一个动物为“豹”的答案，只是按照综合推论，得出的“近似结果”。

对于这样一种推理办法，麻省理工学院媒实验室研究院大卫·达尔林普尔表示：“人工智能的不确定性推理，实际上是在推理条件残缺的条件下，做出的一个合乎推理逻辑的答案。这个答案并不能确保万无一失的准确性，但却是综合了所有有效信息之后得出的最优结果。因为在很多时候，整个AI系统需要分析处理的信息是混乱、波动性极强的，想要在这种情况下求得一个百分之百真实的答案，从理论上来说是不切实际的。这时，我们只需要找出一个逻辑方面的最优结果即可，而这也是能适用于大多数计算机逻辑推理的。”这就是说，无论从实际可操作性方面，还是就现实功用角度而言，不确定性推理都是一个理想的选择。

既然不确定性推理在人工智能应用方面存在如此多的优势，那么是否就意味着，使用“似乎合理”的结果，真的就是十全十美的呢？结果很显然是否定的。在人工智能推理方面，不确定性推理同样是存在多种弊端的。

（1）在探索部分未知事物的时候，不确定性推理往往难以发挥作用。

以上面所说的“狮豹判定”为例，推算过程当中所引用到的“非确定性因素”如“狮子”“家猫”等，都是已被探测过且具备一定逻辑公论的。而假如在这里我们讨论的是某些完全陌生的样本信息，那么类似这样的推断就会难以进行。

（2）由于操控者的不同，关于不确定性推理在应用过程当中所涉及的可信参数就会产生变化。

同样是关于狮子和豹的可能性推测，一名专家做出的推论可能是“99%为豹、1%为狮子”，而另一位专家可能因为援引了世界狮豹总体基数对比差异，继而做出“80%为豹、20%为狮子”的猜测。所以说，在不确定性推理当中，主观参数模型的设定会影响到最终结论。

（3）由于不确定性推理在最终结果上追求的只是一个常理下的正确值，因此这个数值与严格意义上的正确结论是具有差异性的。

或许从单一某一次推论来说，类似的偏差带来的影响是可以忽略不计的，但是在人工智能体中，如果每一个神经节点之间都产生一点点误差，那么这些误差最终积少成多，是可能引发深层次连锁反应的。

总体而言，对于不确定性推理来说，它的出现为人工智能实现更高层次的逻辑推理起到了更为积极的推动作用。正如明斯基所说的那样，现实生活当中有太多因素都是不稳定的，要将它们进行归纳和推理，一一对应很可能是不会起到良好作用的。另外，不确定性推理同样不是万能的，严格来讲，它并不是相关命题的最真实答案，而且在类似推论当中，个人主观化观念也容易影响到结果的客观性。因此在运用不确定性推理解决各类问题时，我们要特别注意隐藏在它背后的种种弊端。