正因為精確推理的基礎是經典邏輯，而經典邏輯可以說是一種符號化了的形式推理，它關心的是符號與符號之間的形式聯系，而不是符號與符號之后深層次的語義聯系。也正是因為這一點，限制了精確推理在人工智能中的應用。如果讓這種邏輯解一些題，進行一些確定性的工作，它還是可以的，但是如果讓它進行更復雜的工作就力不從心了。我們可以想象一下機器翻譯中的例子，人類語言中的有些句子根本沒有什么語法，非要從語義上理解不可。這個時候精確推理就不好用了。

下面我們看看，人類思維的另一方面，非精確方面。我們知道所謂推理就是從已知的事實出發，通過運用相關知識逐步推出結論或者證明某個假設不成立的思維過程。專家系統中的知識來自于領域內的人類專家，而這種知識常常帶有不確定性，在這種情況下，如果仍然使用經典邏輯做精確推理，就必然要把客觀事物原來具有的不確定性及事物之間客觀存在的不確定性關系化歸為確定性，在本來不存在明確類屬關系的事物之間人為地劃上界限，這無疑會舍棄事物的某些重要屬性，從而失去真實性。不確定性推理是建立在非經典邏輯上的一種推理，它是對不確定性知識的運用與處理，嚴格地說，所謂不確定性推理就是從不確定性的初始證據出發，通過運用不確定性的知識，最終推出具有一定程度不確定的，但是卻是合理（或近乎于合理）的結論的思維過程。

要處理不確定的時候就涉及到確定性推理中不存在的幾個基本問題：如何表示這種不確定性，根據表示了的不確定性如何進行推理得到一個（或多個結論），在推理的過程中如何處理不確定性帶來的結論的不確定性，如果評價所得到的結果。

• 因為計算機是處理數字的一種裝置，因此對于不確定性的表示說到底還是將它表示成一種有范圍的數值，這種數值要有利于推理中對結論不確定性的計算。

• 解決問題總是需要推理的，而推理出的結論能不能用，是不是結果，那就需要一種衡量的方法，衡量的方法和具體的推理方法不同而不同，現有的推理方法基本上走的是兩條路，一條是基于概論論的，一條是基于模糊數學的，前者發展的歷史很長了，有很多現成的結果可以使用，但是由于概率是基于一種大樣本統計的產物，而這種大樣本統計往往不可能得到，而且還沒有充分體現模糊性，所以也更談不上對模糊性進行有效地處理了；而后者克服了前者的缺點，它根據模糊集理論發展出來，為不確定性的判斷和獲得開辟了新的道路。

現在我們回到我們上面的專家系統基本結構圖上來，我們知道人類的推理活動是基于一定知識進行的，我們解幾何題的時候總是要知道一些基本的公理（或定理），醫生看病的時候起碼要有一點最起碼的醫學常識，這樣才有進行推理的物質條件，推理是建立在具有知識的基礎上進行的。

知識就是一些事實或事實的抽象，我們稱之為概念的東西組成的。知識是對客觀事物某一方面屬性的了解。知識有著它的特性：

• 相對正確性。任何知識都有一定的應用范圍，不能脫離了范圍來說一個知識可用不可用；

• 不確定性。由于現實世界的復雜性，許多事實和概念都不可以說是絕對正確，就象哲學中不存在絕對真理一樣，知識本身也有不確定性；

• 可表示性。同樣，知識也要是可以表達的，用口述也要，用什么東西記錄也要，要能夠感知的，如果不能表示出來，那誰能夠理解，連表示都表示不出來，那也根本談不上應用了。不能用的東西，我們知道也罷不知道也罷，對于面向應用的人工智能來說沒有什么意義。

事實和概念之間，概念和概念之間，事實和事實之間都存在聯系，這種聯系有兩種，靜態聯系和動態聯系。

前面已經說過知識是客觀事物某一方面屬性的描述，而正因為客觀事物是相互聯系的，因此知識也必須是相互聯系的。這就是知識聯系的存在的本質原因。

知識作為機器智能的一部分，就必須能夠讓機器知道什么是知識，那就涉及到了知識表示的問題，這個問題就象人記錄某一事實有不同的方法一樣，例如對于聾子來說，你讓他把“早上”和“公雞叫”聯系在一起，那是根本不可能的。而對于機器這個東西，它簡直就是一個又聾又瞎，又沒有感覺（更談不上感情）的石頭，它只理解數字和一些人為規定的數據結構，那么如何讓它能夠理解知識，特別是知識中的聯系就是一個重要的問題了，一個專家系統的推理系統做得再好，沒有知識做為后盾肯定什么也干不成。

同時，知識的表示又影響到推理機制的運行，推理機制和知識表示兩者是相關的，一種知識表示可以有利于一種推理機制的運行，而另一種則不利于這種推理機制的運行，因此選擇知識表示也一定要根據所要處理的具體領域選擇相應的知識表示方法，具體的知識表示有以下幾種：

就知識表示來的幾種方法來看，知識的表示有貼近于人類表示的，有與人類表示相差比較遠的表示方法，總體上我們可以看到一種特點：與人類思維接近的表示法，讓計算機表示起來都會有一定的麻煩，而與機器接近的表示法卻不能完全表示人類知識結構。機器和人之間有著一種差別，這種差別可能開始促使人們開始研究新結構的計算機，讓機器和人類思維之間的差別減少到最小。但是因為目前人類的思維結構，人腦的結構還不能搞得很清楚，因此能夠靠這樣一臺機器把人和機器的思維差距縮小到什么程度就不得而知了。而且就目前看來，替換如此許多的計算機也是不現實的，因此有必要采用另外的方法讓機器和思維和人類的思維更加接近。

有人說人工智能就是一個數據庫加上搜索，從某種程度上，這句話也確實可以說明人工智能的現狀。無論是在知識庫這一方也好，還是在推理機那一方也好，都要涉及到搜索這一過程。

有了搜索的方法，那我們現在可以看看要搜索的東西是什么樣子的了。數據結構決定算法的實現。對于我們所知道的問題，我們可以采用狀態空間或與或樹的表示方法來表示一個待搜索的問題空間。

由于工程實踐的需要，搜索的結果有時候可以不是最優解（有時候最優解也沒有判定標準），而是次優解，我們可以想一下機器翻譯中對一句話的翻譯可能有許多種，哪里談得上有什么最優的。因此，隨了我們熟悉的一些類似的深度優先，廣度優先算法以外，現在研究的很多還有一種進化式的搜索算法，例如遺傳算法，模擬煺火算法等等，它們有的搜索方法獨立于問題，而且能夠在比較短的時間內找到最優解（或次優解），特別適應于對問題空間比較在的情況下使用。

拿遺傳算法來說，我想更重要的一點是我們不必關心它如何做，而只用關心它做什么，這一點是相對于傳統搜索算法的最大不同。而人工智能所追求的也就是讓機器具有類似人類的智能，如果你能夠告訴一臺計算機要干什么，它就能夠自己干了，而不用你告訴它如何干，那人工智能就已經實現了。

我們現在再回到上面專家系統基本結構圖上來。我們有了推理機，有了知識庫，按說就可以實現用戶的功能了，但是我們還應該注意到，另一個重要的部件，知識獲取部分，一個人類專家只所以能夠成為人類專家，就是它可以在實踐過程中不斷地豐富自己的知識，讓自己做出的結論在結合實踐后反饋回自己，讓自己修改錯誤，人是一個負反饋的系統，而我們上面提到的沒有知識獲取的專家系統根本沒有什么反饋，這個機器專家，現在是這個水平，將來還會是這個水平，它所知道的，不會因為自己的實踐而有絲毫的變化。因此它不能適用工程實際的需要。知識獲得部分的工作就是要建立這樣一種反饋機制，把所得到的結果反饋給知識庫，修改已知的知識，讓它得到的結果更準確，更具有可用性。如果讓它能夠實例進行學習，那更好不過了，編程人員就可以不用把一條條的規則用程序寫給這個專家系統了，而只用把一個個用計算機作好標記的實例交給計算機，它自己會生成知識庫，這樣它就更象一個人了。因此，如果一個專家系統有自學習的功能，那在系統的維護方面和系統的可用性方面一定會大有提高。

機器學習在這樣的需求下產生了。機器學習的方法有以下幾種：

• 機械式學習。它的另一個名稱死記式學習能夠直接體現它的特點，這是一種最簡單的，最原始的學習方法，也是機器的強項，人的弱項。

• 指導式學習。這種學習方式是由外部環境向系統提供一般性的指示或建議，系統把它們具體地轉化為細節知識并送入知識庫中，在學習過程中要對反復對知識進行評價，使其不斷完善。

• 歸納學習。我們看到，機器所善長的不是歸納，而是演繹，它適用于從特殊到一般，而不太適應從一般到特殊，從特殊到一般的歸納是人類所特有的，是智慧的標志。具體的歸納學習方法有許多，但它們的本質就是讓計算機學會從一般中得出規律。

• 類比學習。類比也就是通過對相似事物進行比較所進行的一種學習。它的基礎是類比推理，也就是把新事物和記憶中的老事物進行比較，如果發現它們之間有些屬性是相同的，那么可以（假定地）推斷出它們的另外一些屬性也是相同的。

• 基于解釋的學習。這是近年來興起的一種新的學習方法。它不是通過歸納或類比進行學習，而是通過運用相關的領域知識及一個訓練實例來對某一目標概念進行學習，并最終生成這個目標概念的一般描述，這個一般描述是一個可形式化表示的一般性知識。

通過以上的學習方法就是為了得到知識，通過一種方便的方法得到知識。前面已經說過了，因為機器的思考方式和人類的思考方式大有不同之處，因此讓機器通過自己學習生成自己便于理解和使用的知識，也不失為機器學習的目標之一。

就人工智能的研究領域來說，前面說所說的系統可以表示成下面這樣一個圖示：

這個系統類型于控制中的負反饋系統，把結果重新作用于知識庫上，于是知識庫得到不斷地修正，以適應系統的需要。但是我們注意到上圖中，如果把結果作用于推理機會得到什么結果。

我們前面討論的專家系統也好，推理機也好，機器學習也好，與人的差距就在于我們還需要告訴它們怎么做，而不是僅僅告訴它們做什么，它們就會去做了。人工智能的兩種研究方法，一種是希望找到人類智力的數學解釋，只要找到了數學解釋，那么人工智能就可以得到實現了；另一種是用一種軟件或硬件的結構來模擬人腦的結構，通過類似仿生學的方法來模擬人類思維。而神經網絡正是基于后一種思路提出的。從某種意義上來說，對于神經網絡而言，結果它改變的是不是知識庫，而是推理機的結構，它也是研究人工智能的一種重要的方法。

神經網絡也就是模擬人腦中神經元的功能，希望通過模擬人腦最基本的單位神經元功能來模擬人腦的功能。它通過一定的范例訓練構成的神經網絡，就象教一個小孩子一樣，在訓練結束后，這個神經網絡就可以完成特定的功能了。它是通過范例的學習，修改了知識庫和推理機的結構，達到實現人工智能的目的。

最后還有一個應用領域，就是模型識別，我想它應該在知識挖掘中應用不小，因為現在工程中的獲得的數據越來越多，要想人為地從這些數據中確定某一規律都不容易，更不要說在這些數據中發現新規律了，因此有必要進行數據挖掘，它的應用對于決策支持系統將有著巨大的意義。

人可以思考，人工智能也需要思考，這就是推理；人可以學習，人工智能也就需要學習；人可以擁有知識，那么人工智能也就需要擁有知識。

人工智能是為了模擬人類大腦的活動的，人類已經可以用許多新技術新材料代替人體的許多功能，只要模擬了人的大腦，人就可以完成人工生命的研究工作，人創造自己，這不但在科學上，而且在哲學上都具有劃時代的意義。

最后，我們來總結一下，人工智能的各個研究領域。參照人在各種活動中的功能，我們可以得到人工智能的領域也不過就是代替人的活動而已。哪個領域有人進行的智力活動，哪個領域就是人工智能研究的領域。人工智能就是為了應用機器的長處來幫助人類進行智力活動。人工智能研究的目的就是要模擬人類神經系統的功能。