強人工智慧的產生是否離不開數理邏輯的支撐？

01-04

如題

曾經發表過十多篇形式邏輯的文章在AAAI、ISWC、RR等會議上，對這個事情可能有一點發言權。

這個問題很難回答，因為強人工智慧是什麼，也沒有一致的看法。現在主流的人工智慧研究者，也很少有追求達到強人工智慧的。

數理邏輯作為人工智慧的支柱之一，則無疑問是作為工程的人工智慧不可繞過的。但是邏輯的建模和推理的高複雜性，限制了這種方法在非專家系統領域的廣泛使用。即使是在人工智慧專業領域內，能掌握數理邏輯方法的人也是很少的。

命題邏輯、一階邏輯、高階邏輯、模態邏輯、時態邏輯、空間邏輯、認知邏輯、描述邏輯、概率邏輯、邏輯程序、答題程序、過程規則、模糊邏輯……數理邏輯本身是一個極大的學科群體，任何一個人工智慧問題，往深了鑽研，最後都會遇到知識的表達問題、知識的重用問題、從已知知識推導推論的問題。所以最近即使是深度學習的研究，也開始和邏輯表達結合了。

邏輯方法由於其工程複雜性，現在通常在應用中只運用其簡化的形式。最典型的就是資料庫中的查詢語言，如SQL、SPARQL和Gremlin，本質上都是邏輯語言。邏輯的基礎是結構化表示，最近的應用表現多以語義網和知識圖譜出現。

從工程上講，我們要解決複雜人工智慧問題，通常需要懂一點邏輯。至於強人工智慧是不是需要邏輯，我不知道。

當然離不開，因為也是邏輯思考的組成部分，是一個整體的。但是也只是一部分而已，並不是全部。這裡的部分不是演算法組合體，不要將智慧和演算法划上等號，演算法只是智慧的副產物。

其實現在的神經網路以及所謂「深度學習」都沒有很強的數學邏輯。人們只知道這樣訓練可以訓練出識別率很高的分類器，卻不知道怎麼來的。未來的人工智慧可能連人類自己都無法理解了吧

瀉藥。

數學不過關的人在 AI 這個圈子裡是無法參與交流的，或者說得直白一點，是被人瞧不起的，根本無法被接納成為AI 圈子裡的人。其次，數學不過關而只能調參數的人，實踐當中並不好用。我接觸過幾個 AI 創業企業，他們都瘋狂的缺人，但是對於不懂數學只會使用工具的「人才」，他們卻大門緊閉。什麼原因？溝通效率低，出活慢，遇到問題無法解決，一句話，「不好用」。第三，即便是調參這件事情本身，懂不懂數學也是有很大差別的。因為調參是一個跟自己較勁的過程，不斷地劃分訓練數據集和驗證數據集，調整參數，追求更高的準確率，又要防範過擬合，一遍又一遍，本身就是非常繁瑣和枯燥的工作。如果你數學不過關，對參數的意義和相關關係理解不深，方向感不強，只能半隨機的去刷參數，那麼工作的單調性和煩瑣性還會大大上升，很難堅持到做出好的模型來。

就這三點，決定了不懂數學的「AI框架調參工」不會是一個令人嚮往的工作。我絕不相信一個年輕人滿懷 AI 夢想走進這個行業，會滿足於做一個「以其昏昏使人昭昭」的調參工。

所以，結論已經很清楚，想搞 AI，數學必須過關。一切與這個結論有衝突的說法，都是耍流氓。

類比著問：

對於人類而言，除了四肢，是否離不開大腦？

作為數學專業的但是人工智慧的門外漢，試著隨意胡說幾句。。歡迎專業人士的吐槽。

人工智慧的不同於數理邏輯的另一個支撐是什麼？我想，是統計能力。

統計的功能如下：可以從一堆信息巨大的數據中，萃取出一個關鍵性的命題（發現相關性或因果性），保證：1.可以對既有數據進行解釋，並且 2. 具備在既有數據之外，比較準確的預測能力。

而邏輯演繹的功能則在於：在既有的公理基礎之上（這些公理可能來自於統計或其它來源的有效命題），進行演繹推理，得到更多的結論。

邏輯演繹的關鍵之處便在於：通過邏輯演繹得到的新結論，可能是無法從數據中得來的，或者說，根本做不到在現實中收集到能夠直接驗證該結論的數據。

比如，對於「如果全球全面進入共產主義，那麼人類進入最高效的發展路徑」這種命題，你怎麼直接設計實驗而收集數據？在真偽未被驗證之前（假設拒絕其它驗證方式的話），人類當然是拒絕冒此風險的。

這就體現出邏輯的價值。它可能可以得到一些命題，而它們通過實驗被直接證實的成本過高。

所以，這也可以反過來看，我在文首舉的例子的類比關係：

四肢可以不斷地與外界接觸，是實踐的重要部位，重複的實踐會形成肌肉記憶，它更像是在反覆的具體實踐（數據）中習得的，所以四肢就像是統計能力；

大腦則可以進行各種抽象的概念的討論，假設的自由空間很大，而且基本上沒什麼現實成本，所以更像數理邏輯能力。

從以上角度去看，當然可以相信，人工智慧的進步，也許正是體現在對邏輯演繹能力的進步。

而當前的統計能力，顯然是百花集放（但似乎也不能說成熟，個人覺得還未到集大成者的階段，但是從很多具體的人工智慧測試來看，還是非常雄心勃勃啊）。

當然，邏輯演繹也許是一件在目前來看，還很困難的事情。

其一是自公理出發可以推出的命題實在太多，而且有很多冗餘的命題。怎麼建立一個識別並篩選出有價值的命題的機制，是有意義的一個問題。

其二是在現實情形中恰好有用的命題，怎麼能夠及時地找到，這也是另一個問題。

比如現實情形中，我們會提出某個命題，關心它是否成立。而強人工智慧的回答則自然有四種：真、偽、不可判斷真偽、不知道（是上面三個的哪一種）。也許更多的時候，強人工智慧的回答就是第四個——不知道，那我們自然很絕望啊（笑）。

對邏輯演繹的前景，我覺得我們可以參考一下人腦在歷史上所做到的效率，或者說人類在邏輯演繹領域的進堅進度——可行，但是進度似乎也不夠快。

所以嘛，我將含著淚歡迎，未來的人工智慧把我們這些可能靠著一點證明本事的數學從業者，搞失業。

債見！

題主的這個問題目前來看還屬於人類的未解之謎。