逻辑智能体

本章中我们设计可表示世界的智能体，采用了推理过程以得到关于世界的新表示，并且用这些新表示来推导下一步做什么。

本章介绍基于知识的智能体。我们将对一些概念——知识的表示和推理过程进行讨论，这些概念赋予知识以生命，是人工智能整个领域的核心。

看来，人类能认识事物，而且能够进行推理。知识和推理对于人工智能体同样重要，如果没有知识和推理，将很难获得它的成功行为。我们已经看到表示行动结果的知识使得问题求解智能体在复杂环境中有出色的表现。反射型智能体只是由于偶然的运气才能发现从Arab到Bucharest的路线。而问题求解智能体的知识非常特定而缺乏灵活性。国际象棋程序能够推算王的合法走棋，但是在任何有用的意义下都不知道任意一个棋子无法同时存在于两个不同的方格中。基于知识的智能体从采用非常通用的形式表达的知识中获益，通过对信息的组合和再组合以适应各种用途。通常，这一过程还远不能满足当前的需求——如同在数学家证明定理或者天文学家演算地球的生命周期的时候。

在涉及部分可观察的环境中，知识和推理同样扮演着至关重要的角色。基于知识的智能体能够将常识和当前的感知结合起来，从而在选择行动之前推导出当前状态的隐藏部分。例如，一个内科医师在选择治疗方案之前给病人做诊断——也就是说，推断出无法直接观察到的病理状态。医师采用的知识，某些是以从书本和老师那里学到的规则的形式出现，某些则是以关联模式的形式存在，但医师无法对其进行有意识的描述。如果它存在于该医师的脑海中，那么它可以被当作知识。

自然语言理解同样需要对隐含状态，即说话者的意图进行推理。当我们听到“约翰透过橱窗看到那颗钻石，对它垂涎不已”时，我们知道“它”指代钻石而不是橱窗——根据拥有的相对价值知识，我们得出这样的推理，可能是无意识地。类似地，当我们听到“约翰向橱窗扔砖头并打碎了它”，我们知道“它”指代橱窗。推理使得我们可以用有限的常识性知识来对付实际无限的话语变化。问题求解智能体很难处理这类多义性，因为偶发性问题的表示属于固有的指数级增长问题。

我们研究基于知识的智能体的最后一个原因是它们的灵活性。它们能够接受以明确描述目标的形式表示的新任务，通过被告知或者主动学习环境的新知识从而快速获得能力，并可以通过更新相关知识来适应环境的变化。

在第 7.1 节中我们将从总体的智能体设计开始。第 7.2 节介绍了一个简单的新环境——wumpus世界，并在无需涉及任何技术细节的情况下，举例说明基于知识的智能体的运转。接着，在第 7.3 节我们解释了逻辑的一般原则。贯串本书的第三部分，逻辑将成为表示知识的首要工具。逻辑智能体的知识通常是确定的——世界中的每个命题非真即假，即使某些命题对于智能体是不可知的。

逻辑作为基于知识的智能体的一种知识表示的简单实例，具有教学上的优点，但逻辑也具有一些严重的局限性。显而易见，人和其它智能体在部分可观察环境中采用的推理大部分依赖于对不确定性知识的处理。逻辑无法很好的表示这种不确定性，因此在第五部分中我们将论及可以处理不确定性的概率方面的内容。第六部分和第七部分中我们会涵盖多种表示方法，包括一些基于连续数学的方法，诸如混合高斯分布、神经元网络和其它表示。

本章的第 7.4 节定义了一种被称为命题逻辑的简单逻辑。虽然命题逻辑表达能力远差于一阶逻辑（第八章），但它适合于阐述逻辑的所有基本概念。在命题逻辑中还有一种用于推理而且发展完善的技术，我们将在第7.5节和第7.6节中描述。最后，第7.7节将把逻辑智能体的概念和命题逻辑技术结合起来，建造一些用于wumpus世界的简单智能体。也将明确命题逻辑的某些缺点，以便在后续章节中推动更多更强有力的逻辑的发展。