文档介绍：一、归纳推理和类比推理在人工智能中的应用人类智能的本质特征和最高表现是创造。在人类创造的过程中, 演绎推理的作用固然不可忽视, 但归纳推理和类比推理在其中所起的作用似乎更为重要, 因为它们构成了人类创造的契机。因此, 计算机要成功地模拟人的智能, 真正体现出人类智能的品质, 就必须能够借助于归纳推理和类比推理这两种方法,实现机器内学****以达到“机器创造”的目的。 1 、通过归纳的学****正如人们运用归纳推理的情况一样,当外部环境给计算机提供的信息过于特殊和细节化时, 计算机便必须学会对所给的信息加以概括和总结, 把环境提供的特殊的、个别的实例变换成较为概括的、高水平的、可以有效使用的知识块。计算机这种归纳能力的获得对于整个人工智能系统具有重大意义。这是因为, 借助于归纳的方法, 计算机不仅可以自动获得新概念以增长知识, 而且, 在可能的情况下, 它还能够证实已有的理论并发现新的理论。然而, 由于归纳推理本身的缺陷以及人类归纳机制的模糊性等问题的存在,使得虽然有许多哲学家、心理学家、逻辑学家和一些人工智能专家早已涉足计算机通过归纳的学****这一领域并对之进行过艰辛的探索和研究, 但这种通过归纳的学****在人工智能领域中的应用至今却仍然未能有重大突破。在这方面, 许多学者都作过有意义的探索和研究, 如瑞典哲学家 Peter Cardenfor (《思维科学》, 1988 年第 1 期,第 15页。)曾提出,在模拟人类进行归纳的人工智能系统中,需要对机械化归纳推理的知识表示形式问题作更多的探索。他提出了一种超越逻辑和语言的知识表示方式“概念空间”来帮助人们识别事物的可推测性质以避免某些关于归纳的老问题; 乌哥夫提出用“倾向性”(bias) 概念( 《机器学****摩根考夫曼出版社, 1986 年版,第 107 页。) 来解释学****者为什么会形成不同归纳概括; 范莱(《人工智能》杂志, 1986 年1 月号。) 则强调要通过安排好一课一课的次序来学****正如我们学****数学一样, 这样就能够获得归纳学****中的额外的信息或线索。但是, 计算机如何实现从个别到一般或从部分到整体或从过去到未来这一飞跃却是长期困扰着众多人工智能学者的问题。因为人类在归纳过程中所实现的“这一飞跃”是自然而然地来到的。计算机要在既无常识,又无经验(直觉就更无从谈起) 的情况下, 单纯依靠人们输入其内部的、有限的知识来完成这一飞跃过程, 着实是存在着许多困难的。退一步说, 即使计算机能够完成这一飞跃, 所得结论的有效性程度仍然是令人担忧的,因为计算机甚至不能识别一些常识性的错误。归纳已被称之为“哲学丑闻”。为了使之不至于成为人工智能领域中的“丑闻”, 逻辑学家和人工智能学者对于归纳推理的深入研究迫在眉睫。 2 、通过类比的学****类比推理是人类理解、学****甚至发现新的概念、理论, 并能利用过去成功的经验来解决新问题的重要的逻辑手段。由于它能以最小的能量消耗获取最大的信息,因而在某种程度上,我们可以把它看作比归纳更为重要的认知技能。随着人工智能科学研究的不断深入, 其研究重点最终势必会转到类比推理上来。类比推理在计算机系统中的实现具有重要意义。我们知道, 一个专家系统或决策系统内部所贮存的经验知识的数量总是有一定限度的, 而在系统中, 这种经验知识的多少及优劣又往往起着决定性的作用。在这种情况下, 如果计算机能够运用