1、神经计算与非经典逻辑融合：智能系统新路径

神经计算与非经典逻辑融合：智能系统新路径

1. 研究动机

在人工智能领域，构建能够融合推理和学习的强大计算模型是一项关键挑战，同时也是计算机科学面临的重要问题。这一挑战与人工智能中符号范式和连接主义范式的整合目标相互交织。

人类认知成功地将连接主义（受大脑启发）和符号（受思维启发）这两种人工智能范式融合在一起，例如语言就是一个典型例子。然而，在神经计算（以及统计人工智能）和符号逻辑/人工智能领域，对认知的建模是分开进行的。如今，有趋势将逻辑研究与连接主义相结合，这种整合不仅有助于构建更智能的系统，还有助于理解成熟的计算认知模型。

从历史上看，麦卡锡在1988年对神经网络提出批评，认为其存在“命题局限”，即无法表示一阶逻辑。尽管过去几十年中，有许多方法已解决了神经网络中的一阶推理问题，但许多研究人员过于关注一阶逻辑，而忽视了非经典的实际推理。实际上，非经典逻辑在计算机科学、人工智能、经济学和物理科学等多个领域都有重要应用。非经典逻辑可以用于表达推理的多种特征，如时间、认知和概率抽象等。

我们认为，非经典推理对于构建计算连接主义模型至关重要。如果神经网络能够代表人类丰富的推理和学习模型，并为智能计算挑战提供替代解决方案，那么非经典逻辑应在其中发挥核心作用。

2. 方法与相关工作

为了整合人工智能的连接主义和符号范式，已经提出了多种方法。大多数方法通过神经网络或相关方法解决了经典命题逻辑或一阶逻辑片段的学习问题。例如，我们的工作调查了截至2002年的神经符号集成研究，并提出了处理人工神经网络中非单调性的方法，包括知识提取。

尽管一阶逻辑的发展对人工智能中的知识表示、学习和推理做出了重要贡献，但真正的智能