计算机可以做推理逻辑吗？

 【作者：吴斌，原文创作于2016-04-20，如今仍有较高参考价值，但不排除部分信息需要更新。文中有很多引用，不一一列举出处了。】

计算机（主要指人工智能AI）能不能做推理逻辑？这个问题我思考了很久。其实答案很简单，当然可以。其实推理就是：规则+依据已有规则生成新规则。计算机就是基于数学的演绎逻辑做的，程序其实都是if...else...，规则是计算机的基本能力，简单的由规则产生规则并不难，比如：规则1 : 1+2=3，规则2：加法满足交换规则，所以产生规则：2+1=1+2=3。但是，规则多了以后，会造成组合爆炸，推理问题就很难了。更重要的问题是，谁来产生初始规则？目前看来，只有人来产生初始规则。而且，很多时候计算机做不了推理逻辑，主要原因就是初始规则不够。因为归纳是不严谨的，只有演绎才是严谨的推理。甚至连统计学都不被认为是严谨的数学（少量的贝叶斯推理可能被认为是例外）。所以，产生初始规则是非常困难的。

      可能有人会说，贝叶斯派的理论是不是一个可行的路径？这个问题很难回答，因为这个问题可大可小。往大了说，这是一个世界观的问题，因为频率派和贝叶斯派是数理统计领域的两大门派，核心思想是很不同的。频率派，也就是经典统计理论派，我认为核心思想是从宏观角度来看这个世界。贝叶斯派，我认为核心思想是从微观角度来看这个世界。更多关于两派理论的讨论，我以前曾经讨论过，建议看这个文章：贝叶斯学派与频率学派有何不同？    往小了说，这是个实现方法的问题，实际上在统计机器学习领域，大多数的实际应用都是使用频率派的方法，即“判别式模型”。而基于贝叶斯的模型，很多时候会面临一些难以克服的困难。贝叶斯的公式其实很简单，如下图所示： 

如果不了解贝叶斯的基本理论，可以看一下我以前转的文章：数学之美番外篇：平凡而又神奇的贝叶斯方法

      在实际使用时，完整的贝叶斯公式一般是用不了的，因为发生一件事情，可能的原因非常多，一般情况，不可能把所有的原因（条件）都做统计，而且，很多原因（条件）是有相互影响的，一旦考虑相互影响，计算会几何级增长，完整的贝叶斯公式几乎是无法计算的。另外，很多时候，在你预测的时候，很多条件（特征）也是获取不到的，实际上，大多数时候你不能获取到一个事情发生的全部条件数据。所以，工业界常用的方法是朴素贝叶斯算法，实际上是对贝叶斯做了大幅度的约束，就是要求所有条件（特征）是相互无关的，才能求解，而且，通常是当你的特征非常多的时候，朴素贝叶斯才基本可用，因为特征非常多的时候，可以近似地忽略条件（特征）之间的相关性。换句话说，条件（特征）之间有相关性才是普遍现象，所以朴素贝叶斯的条件无关是个强约束。而且，如果你的特征很多的时候，你也可以用广义线性模型求解（判别式模型），比如Logistic regression, 使用起来会更容易操作，而且有人曾经证明特征量很大的时候，朴素贝叶斯与Logistic regression是等价的。（而且，判别式模型比贝叶斯的模型更容易做正则化，更容易调参，这个问题展开讲还有很多内容。）

      总的来说，我的个人观点：基于贝叶斯理论，或者贝叶斯网络来做推理逻辑，只有在做强约束条件下，才能使用，而且，很多时候的实际应用中，就算是加约束也是很难真正有效的，因为实际情况变化会很复杂，远比预期的复杂。

       所以，在可以预见的未来（大约是10年），我想这个问题是难以解决的。

       不过，在更远的未来，可能有一种意外情况。未来的有些计算机不是基于传统逻辑的，比如，量子物理就不是基于传统逻辑可以解释的。

      补充说明，这里所说的是严谨的推理逻辑（基于演绎的方法），实际上还有些概率性的推理方法研究（一般是基于统计推断的方法），没有详细描述，严格说，那是“推测”。