企业官网建设流程全解析

简介：这份资料是山东大学人工智能导论课程的概念汇总笔记，面向正在修读该课程、准备期末考试或需要系统梳理人工智能基础知识的本科生与自学者，帮助读者在有限时间内抓住课程重点、厘清易混概念。压缩包内共1个PDF文件，大小约2.28MB，内容按章节组织，涵盖绪论、知识表示与知识图谱、确定性推理方法等模块，并标注了非重点内容，便于按考试可能性取舍复习。笔记对智能、知识、智力等基础概念给出明确定义，系统整理了一阶谓词逻辑、产生式表示法、框架表示法与知识图谱的表示方式及各自特点，还梳理了演绎推理、归纳推理、默认推理与确定性推理等推理方法的分类与区别，并涉及搜索策略与遗传算法相关概念。目前已有433人学习，适合需要快速建立知识框架、对照课堂查漏补缺的读者使用。

1. 人工智能导论到底在讲什么：从“智能”这两个字说起

很多人第一次翻开人工智能导论的资料，看到“谓词逻辑”“归结反演”“可信度方法”这些词，第一反应是：这跟我想象中会聊天的 AI 完全不是一回事。其实这门课讲的不是某个具体产品，而是一整套让机器“像人一样处理知识”的底层语言。打个比方，如果把训练一个大模型比作盖楼，那导论课讲的就是砖怎么烧、图纸怎么画、承重墙为什么不能乱拆——它不教你用现成工具，而是告诉你智能这件事本身是怎么被拆解、被表示、被推理出来的。

搞懂这套概念的价值在于，你以后再看到“知识图谱”“专家系统”“模糊推理”这些词，不会觉得是玄学，而是能一眼看出它属于哪一类问题、用的是哪套表示方法。这份概念汇总把绪论、知识表示、确定性推理、不确定性推理几条主线串在一起，正好适合用来建立第一层认知框架。

2. 智能被拆成了哪几块：感知、记忆、思维、学习、行为

2.1 智能不是单一能力，而是五种能力的组合

资料里给智能下的定义很朴素：智能是知识与智力的总和。知识是长期实践和科学研究中积累起来的对客观世界的认识与经验，是一切智能行为的基础；智力则是获取知识并应用知识求解问题的能力。这两句话合起来说明一件事——光有知识不会用不算智能，光会推理没有知识储备也不算。

在此基础上，智能被拆成五个特征：感知能力、记忆与思维能力、学习能力、行为能力。感知是获取外部信息，记忆是存储感知到的信息和思维产生的知识，思维是对信息进行有目的的处理，学习是通过环境反馈不断改善性能，行为则是表达能力。这五块不是并列的五个抽屉，而是一条流水线：感知进来、记忆存住、思维加工、学习优化、行为输出。

提示：理解这条流水线，后面所有表示方法和推理方法都能对号入座——知识表示解决“怎么存”，推理解决“怎么加工”，机器学习解决“怎么优化”。

2.2 为什么要有“知识表示”这个中间层

人类的知识存在脑子里，机器没法直接读。知识表示要干的事，就是把人类知识形式化或者模型化，变成机器能操作的结构。这一步为什么绕不开？因为机器不会“意会”，它只能处理符号和结构。你说“老张是教师”，人一听就懂，机器需要把它写成Teacher(Zhang)这样的谓词形式，才能参与后续推理。

资料里列了四种主流表示方法：一阶谓词逻辑、产生式、框架、语义网络，外加知识图谱。它们不是互相替代的关系，而是各有各的适用面。谓词逻辑精确严密但表达不了不确定性；产生式适合规则型知识但效率不高；框架有继承性、适合描述对象属性；语义网络和知识图谱则擅长表达实体之间的关联。选哪种，取决于你要表示的知识长什么样。

2.3 机器感知、机器学习、机器思维、机器行为的分工

这四个词经常被混着用，其实分工很清楚。机器感知是让计算机具有类似人的感知能力，以机器视觉和机器听觉为主；机器学习是让计算机自动获取知识和技能、不断改善性能；机器思维是对感知来的外部信息和内部工作信息进行有目的的处理；机器行为是计算机的表达能力。

深度学习在这里的位置也要说清：它特指基于深层神经网络模型和方法的机器学习，是机器学习的一个子集，不是并列概念。人工神经网络则是用大量简单处理单元广泛连接组成的人工网络，用来模拟大脑神经系统的结构和功能——它是深度学习的底层结构。这三者的关系是：神经网络是结构，深度学习是方法，机器学习是大类。

3. 知识表示的四条路：谓词逻辑、产生式、框架、知识图谱

3.1 一阶谓词逻辑：精确但不够灵活的那把尺子

命题逻辑研究命题及命题之间的关系，但它有个明显缺陷：无法把所描述事物的结构及逻辑特征反映出来，也不能把不同事物间的共同特征表述出来。“老张是教师”和“小李是教师”在命题逻辑里是两个独立命题，看不出共同结构。谓词逻辑就是来补这个洞的。

谓词形式是P(x1, x2, ..., xn)，其中 P 是谓词名，x 是个体。比如“老张是一个教师”写成Teacher(Zhang)，是一元谓词。连接词有否定 ¬、析取 ∨、合取 ∧、蕴含 →、等价 ↔，量词有全称 ∀ 和存在 ∃。优先级从高到低是 ¬、∧、∨、→、↔，这个顺序在写复杂公式时经常翻车，建议养成加括号的习惯。

(∀x)[ROBOT(x) → COLOR(x, GRAY)] 含义：对所有 x，如果 x 是机器人，则 x 的颜色是灰色

上面这个例子展示了全称量词的典型用法：量词后面的单个谓词或用括号括起来的谓词公式叫辖域，被量词约束的变元叫约束变元，否则叫自由变元。谓词公式还有永真性、永假性、可满足性、不可满足性、等价性、永真蕴含这些性质，它们是后面归结原理的理论地基。

一阶谓词逻辑的优点是自然性、精确性、严密性、容易实现；局限也很实在：不能表示不确定的知识、组合爆炸、效率低。所以它适合逻辑关系清晰、要求严格证明的场景，不适合充满“大概”“可能”的现实知识。

3.2 产生式表示法：if-then 背后的规则库思维

产生式的基本形式是P→Q。确定性规则知识用它表示；确定性事实性知识写成(对象, 属性, 值)；不确定性规则写成P→Q (置信度)；不确定性事实写成(对象, 属性, 值, 置信度)。

产生式和谓词逻辑里的蕴含式容易混，区别有两条：第一，除逻辑蕴含外，产生式还包括各种操作、规则、变换、算子、函数；第二，蕴含式只能表示精确知识，产生式既能表示精确知识，也能表示不精确知识。这个区别在考试里几乎是必考点。

一个产生式系统由三部分组成：规则库，存放领域内的产生式集合；综合数据库，存放求解过程中的当前信息；控制系统，负责系统运行、实现问题求解。控制系统运行时，匹配成功的规则可能不止一条，这时要做冲突消解。产生式的优点是自然性、模块性、有效性、清晰性；缺点也直白：效率不高、不能表达结构性知识。

3.3 框架表示法：把“教师”这种对象装进带槽的模板

框架是一种描述所论对象属性的数据结构。一个框架由若干槽组成，每个槽描述对象某一方面的属性；每个槽又可以由若干侧面组成，描述相应属性的一个方面。资料里的教师框架很典型：姓名、年龄、性别、职称、部门、住址、工资、开始工作时间、截止时间，每个槽都带单位、范围或缺省值。

当把具体信息填入槽或侧面后，就得到该框架的一个事例框架。比如“教师-1”这个事例里，姓名填夏冰、年龄填 36、职称填副教授，住址和工资则指向另外的框架。这种嵌套引用正是框架表示法的精髓——它天然支持结构性。

框架表示法的特点是结构性、继承性、自然性。继承性意味着下层框架可以沿用上层框架的缺省值，不用重复填写。它适合描述有固定属性结构的知识，比如人员档案、设备参数，但不擅长表达过程性、规则性的知识。

3.4 知识图谱：节点和边织成的那张关系网

知识图谱用图形等可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。通俗地说，它就是一张图：节点表示实体或概念，边表示属性或关系。

它的逻辑结构分两层：数据层由一系列事实组成，知识以事实为单位存储；模式层构建在数据层之上，是知识图谱的核心。体系架构上，资源对象分三类：结构化数据，知识定义和表示都比较完备；半结构化数据，部分结构化但存在大量结构化程度较低的数据；非结构化数据，没有定义和规范约束的自由数据。构建方式有自顶向下和自底向上两种。

知识图谱和语义网络的关系可以这样理解：语义网络是更早的、更朴素的关联表示，知识图谱是它在工程规模和数据规范上的升级版。两者都靠“关系”说话，但知识图谱对模式层和数据层做了明确分层。

4. 推理这件事：从已知事实走到结论的几条路径

4.1 推理的分类：演绎、归纳、默认，确定性还是不确定性

推理是从已知事实出发，运用已掌握的知识找出其中蕴涵的事实，或归纳出新的事实。按方向分，演绎推理是从全称判断推导出单称判断，即由一般性知识推出适合某一具体情况的结论；归纳推理是从足够多事例中归纳出一般性结论，从个别到一般。归纳里又分完全归纳和不完全归纳，前者考察全部对象，后者只考察部分对象。默认推理又称缺省推理，是在知识不完全的情况下假设某些条件已经具备所进行的推理。

按确定性分，确定性推理所用的知识与证据都是确定的，结论也确定，真值非真即假；不确定性推理所用的知识与证据不都是确定的，结论也不确定。按单调性分，单调推理随着新知识加入结论越来越接近最终目标；非单调推理则相反，新知识可能否定已推出的结论，使推理退回前面某一步重新开始。这个区分很关键，因为现实世界的大部分推理其实是非单调的。

4.2 正向、逆向、混合：推理从哪头开始

正向推理以已知事实为出发点，叫事实驱动推理；逆向推理以某个假设目标为出发点，叫目标驱动推理。混合推理有两种：先正向后逆向，先从已知事实演绎出部分结果帮助选择目标，再用逆向推理证实该目标或提高可信度；先逆向后正向，先假设目标做逆向推理，再利用其中得到的信息做正向推理推出更多结论。双向推理则是正向与逆向同时进行，在推理过程的某一步骤上“碰头”。

选哪种方向，取决于你手里有什么。事实多、目标不明确，走正向；目标明确、事实零散，走逆向；两头都有线索，混合或双向更省力。冲突消解策略也在这里派上用场：按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。

4.3 自然演绎推理与归结原理：两条证明路线

自然演绎推理从一组已知为真的事实出发，运用经典逻辑的推理规则推出结论。规则包括 P 规则（前提引入）、T 规则（推理规则）、假言推理P, P→Q ⇒ Q、拒取式推理P→Q, ¬Q ⇒ ¬P。资料里那个“小王喜欢 ds 课程”的例子很能说明问题：把三句话写成谓词公式，再一步步推，C(ds) → EASY(ds) → LIKE(Wang, ds)，链条清晰。

归结原理走的是另一条路。它的基本思想是：检查子句集 S 中是否包含空子句，若包含则 S 不可满足；若不包含，就在 S 中选择合适子句进行归结，一旦归结出空子句，就说明 S 不可满足。命题逻辑里的归结很直观：¬P∨Q和¬Q∨R归结出¬P∨R。谓词逻辑里则要先做最一般合一，得到二元归结式。

归结反演的步骤是：把已知前提表示为谓词公式 F；把待证结论表示为 Q 并否定得到 ¬Q；把 {F, ¬Q} 化为子句集 S；对 S 反复归结并把归结式并入 S；出现空子句即证明 Q 为真。资料里给了一个实用建议：归结时按由长到短的子句顺序进行，这个血泪经验能少走不少弯路。

已知：P(A)∨P(B)∨P(C)，¬P(A)∨P(B)∨P(C)，¬P(B)∨P(C)，¬P(C) 归结：前两条 ⇒ P(B)∨P(C) P(B)∨P(C) 与 ¬P(B)∨P(C) ⇒ P(C) P(C) 与 ¬P(C) ⇒ NIL（空子句，证明成立）

上面这段对应资料里的招聘例题：三人至少录取一人，录取 A 不录取 B 则录取 C，录取 B 则录取 C，求证一定录取 C。归结到 NIL 就说明结论成立。注意一个边界：如果没有归结出空子句，既不能说 S 不可满足，也不能说 S 可满足——这是初学者最容易下错结论的地方。

4.4 用归结原理求解问题：ANSWER 是怎么冒出来的

归结不光能证明定理，还能求解问题。步骤是：前提 F 化为子句集 S；待求解问题 Q 用谓词公式表示并否定，再与 ANSWER 构成析取式¬Q ∨ ANSWER；把它化为子句集并入 S 得到 S'；对 S' 归结；若得到归结式 ANSWER，答案就在里面。

资料里“小张的老师是谁”的例子很典型：Teacher(Wang, Li)、Classmate(Li, Zhang)、同班同学共享老师的规则，再加上¬Teacher(A, Zhang)∨ANSWER(A)，一路归结出ANSWER(Wang)。这个技巧的妙处在于，把“求什么”也编码进逻辑式里，让归结过程顺便把答案带出来。

5. 不确定性推理：当证据不是非真即假

5.1 可信度方法：给规则打一个 -1 到 1 的分

不确定性推理是从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度不确定性但合理或近乎合理的结论。可信度方法是最直观的一种：可信度是根据经验对一个事物或现象为真的相信程度，知识写成if P then Q (CF(Q,P))，CF 是可信度因子，反映前提条件与结论的联系强度，取值范围 [-1, 1]。CF=0 表示证据出现与否与结论无关。

证据本身也有可信度 CF(E)：等于 1 表示能肯定它为真，等于 0 表示未获得任何相关观察，等于 -1 表示能肯定它为假。组合证据的算法很干脆：合取取最小值，析取取最大值。传递算法是CF(H) = CF(H,E) × max{0, CF(E)}，当 CF(E) < 0 时直接令 CF(H)=0。

IF 头痛 AND 流涕 THEN 感冒 (0.7) CF(E) = 0.6 CF(H) = 0.7 × max{0, 0.6} = 0.42

多条知识支持同一结论时，要做结论不确定性的合成：先分别求出每条知识对 H 的可信度，再按合成公式合并。资料里的例题算出 0.28、0.48、-0.27 三个分量，先合成前两个得 0.63，再与 -0.27 合成得 0.49。这套算法不难，难在别把合成顺序和正负号搞反。

5.2 证据理论：信任函数和似然函数夹出的区间

证据理论里，概率分配函数作用于子集而不是元素，这是它和普通概率最大的不同。信任函数 Bel(A) 表示对 A 为真的总信任程度，注意 Bel(∅)=M(∅)=0。似然函数 Pl(A) 又叫不可驳斥函数或上限函数，表示对 A 为非假的信任程度，算法是Pl(A) = 1 - Bel(¬A)。

以 D={红, 黄, 蓝} 为例，M({红})=0.3、M({黄})=0、M({红,黄})=0.2，则 Bel({红,黄})=0.3+0+0.2=0.5，Pl({蓝})=1-Bel({红,黄})=0.5。信任函数给下界，似然函数给上界，两者夹出的区间就是这条证据能支撑的置信范围。

概率分配函数还有正交和的概念：如果 K≠0，正交和 M 也是一个概率分配函数；如果 K=0，则不存在正交和，称两个概率分配函数矛盾。基于证据理论的推理流程是：建立样本空间 D，给出基本概率分配函数，计算关心子集的信任函数值和似然函数值，据此得出结论。

5.3 模糊推理：隶属度让“有点热”变成可计算的数

模糊逻辑给集合中每一个元素赋予一个介于 0 和 1 之间的实数，描述其属于一个集合的强度，这个实数叫隶属度，全体隶属度构成隶属函数。模糊集合有三种表示法：Zadeh 表示法、序偶表示法、向量表示法。

模糊集合的运算包括包含关系、相等关系、交并补运算和代数运算。资料里的例子很能说明代数运算：A 和 B 在各元素上的隶属度做乘积得到 A·B，做有界和得到 A+B，做有界积和代数和则得到另外两种结果。模糊关系描述两个模糊集合中元素之间关联程度的多少，模糊关系的合成对应到矩阵上，乘法用 min、加法用 max。

模糊推理得到的结论或操作是一个模糊向量，要转化为确定值，这个过程叫模糊决策，常用方法有最大隶属法、加权平均判决法、中位数法。通俗地说，模糊推理不是要消灭不确定性，而是把“有点热”“比较快”这类程度词变成能参与计算的数字。

6. 常见易混概念：这几组词最容易在脑子里打架

6.1 易混点一：产生式与蕴含式

为什么混：两者都写成P→Q的样子，形式上几乎一样。怎么区分：蕴含式只是逻辑关系，只能表示精确知识；产生式除了逻辑蕴含，还包括操作、规则、变换、算子、函数，而且能表示带置信度的不精确知识。看到带置信度的箭头，基本可以判定是产生式。

6.2 易混点二：确定性推理与不确定性推理

为什么混：两者都是“从证据推结论”，流程看起来一样。怎么区分：看知识和证据本身是否确定。确定性推理的真值非真即假，结论也确定；不确定性推理的结论带有程度，需要用可信度、信任函数或隶属度来度量。资料里特别提醒，这一章和第四章的表述略有不同，答题时建议采用第四章的定义。

6.3 易混点三：单调推理与非单调推理

为什么混：都涉及新知识加入后的结论变化。怎么区分：单调推理加入新知识后结论越来越接近目标，只增不减；非单调推理加入新知识后可能否定已有结论，推理要退回前面某一步重新开始。现实中的默认推理就是典型的非单调推理。

6.4 易混点四：正向推理与逆向推理

为什么混：两者都是推理策略，名字又对称。怎么区分：看起点。正向推理从已知事实出发，是事实驱动；逆向推理从假设目标出发，是目标驱动。手里事实多就走正向，目标明确就走逆向，两头都有线索就上混合或双向。

6.5 易混点五：概率分配函数与概率

为什么混：名字里都带“概率”，都用来度量可能性。怎么区分：概率作用于单个元素，概率分配函数作用于子集。这是证据理论和经典概率论最根本的分野，记住“函数作用于子集”这一句就不会错。

7. 什么时候用哪套方法：一份边界判断清单

学完这些概念，真正要练的是“看到问题知道该掏哪件工具”。下面这张表把几种表示方法和推理方式的适用边界摆在一起，方便对照。

举个具体例子。假设某实验室要做一个课程推荐的小系统，规则是“如果学生喜欢编程且数学好，则推荐算法课”。这条知识是规则型的，用产生式写最自然；如果还想表达“推荐强度 0.8”，就加上置信度，走可信度方法；如果要把课程、教师、先修关系都织进去，那就该上知识图谱。反过来，如果需求是严格证明“某学生一定满足毕业条件”，那就得回到谓词逻辑加归结反演，因为只有它能给出形式化证明。

再说什么时候别用。知识本身高度不确定、又要求给出严格概率解释时，可信度方法就不合适，因为它的 CF 值是经验给的，没有概率语义；证据理论的样本空间一大，子集数量指数增长，计算直接崩掉；模糊推理的隶属函数如果拍脑袋定，结论的可信度也跟着拍脑袋。这些边界不搞清楚，方法用得越熟，翻车越彻底。

我自己的习惯是，拿到一个问题先问三句：知识是精确的还是带程度的？结构性强还是规则性强？要的是证明还是求解？这三问答完，方法基本就定了。从那以后我每次选表示方法前都强制走一遍这三问，省下的返工时间比多背十个公式都值。希望这份梳理帮到你，完整的概念汇总资料里还有更多例题和细节，需要的话可以取来对照着看。

本文还有配套的精品资源，点击获取