3. 逻辑主义的“死穴”：现实世界不是“非黑即白”

但逻辑主义有个致命缺点：它只能处理“确定的、非黑即白”的知识，没法应对现实世界的“不确定性”。

比如，“鸟会飞”在逻辑上是“?x（鸟(x)→飞(x)）”，但现实中鸵鸟、企鹅不会飞，这就导致推理结论错误。再比如，“明天会下雨吗？”这个问题，现实中只能得到“可能下雨”的不确定答案，而逻辑主义要求“要么下雨，要么不下雨”，根本处理不了“可能”这种模糊的情况。

人类在这种“不确定”的情况下，依然能做出理性决策（比如“可能下雨就带伞”），但纯靠逻辑的AI就会“卡壳”——因为它的“思考规则”里没有“不确定”的位置。

三、概率论：让AI在“不确定”中理性思考

为了让AI应对现实世界的“不确定性”，“概率论”被引入到理性思考的框架中。它的核心是**“在信息不确定时，通过概率计算来做最优决策”**。

1. 概率推理的“基本逻辑”：用可能性衡量不确定性

概率推理的思路很简单：把“不确定的事件”用“发生的可能性大小”来量化。比如“明天下雨的概率是60%”，“抛硬币正面朝上的概率是50%”。

AI进行概率推理时，通常会用到“贝叶斯定理”，它的核心是**“根据新证据不断更新对事件的概率判断”**。公式是：

P(A|B) = \frac{P(B|A) \times P(A)}{P(B)}

翻译成大白话就是：“在出现证据B后，事件A发生的概率 = （事件A发生时出现B的概率 × 事件A原本的概率） ÷ 证据B本身的概率”。

举个例子，判断“小明感冒了（A）”的概率，已知“小明咳嗽（B）”：

- P(A) ：小明原本感冒的概率（比如10%）；

- P(B|A) ：感冒时咳嗽的概率（比如80%）；

- P(B) ：小明咳嗽的总概率（比如20%，因为咳嗽也可能是因为过敏、抽烟等）；

- 代入公式： P(A|B) = \frac{80\% \times 10\%}{20\%} = 40\% 。

所以，在小明咳嗽的情况下，他感冒的概率是40%——这个结论比纯逻辑的“要么感冒要么不感冒”要合理得多，也更贴近现实。

2. 概率推理的“应用场景”：从医疗诊断到金融风控

概率推理在AI中有很多实际应用：

- 医疗诊断：AI通过患者的症状（咳嗽、发烧、乏力等），结合每种疾病对应的症状概率，计算患者得某种疾病的概率。比如某AI诊断系统对肺炎的诊断准确率能达到90%以上，就是靠大量的概率数据训练出来的。

- 金融风控：银行判断用户是否会违约，会分析用户的收入、负债、信用记录等因素，给每个因素分配概率权重，最后计算出用户违约的概率。如果概率超过一定阈值，就拒绝贷款。

- 自动驾驶：汽车通过传感器感知周围环境，比如“前方有物体的概率是95%”“是行人的概率是80%”，然后结合这些概率，决策是刹车、避让还是继续行驶。

3. 概率推理的“进阶：贝叶斯网络”

为了处理更复杂的概率推理，人们发明了“贝叶斯网络”——把多个事件的概率关系用“网络结构”表示出来。

比如，一个简单的贝叶斯网络可以表示“吸烟→肺癌→咳嗽”的关系：

- 吸烟（S）是肺癌（L）的原因，肺癌是咳嗽（C）的原因；

- 每个节点都有对应的概率表，比如P(S)（吸烟的概率）、P(L|S)（吸烟时得肺癌的概率）、P(C|L)（得肺癌时咳嗽的概率）。

当有新证据时（比如“咳嗽了”），贝叶斯网络能通过概率传播，计算出“吸烟”“得肺癌”的后验概率，帮助AI做出更全面的判断。

现在的AI在处理复杂的不确定性问题时，大多依赖贝叶斯网络或其升级版（比如马尔可夫决策过程、隐马尔可夫模型）。

四、从“理性思考”到“理性行动”：AI成为“理性智能体”

但光“会思考”还不够，AI得把思考转化为“行动”，才能真正解决现实问题。这就需要“理性智能体”的概念——一个能感知环境、理性思考、做出最优行动的系统。

1. 理性智能体的“构成要素”

一个完整的理性智能体通常包含四个部分：

- 感知模块：收集环境信息，比如自动驾驶汽车的摄像头、雷达；