中文啦

让ai学会“理性思考”：思维法则与方法的全景解析（第3页）

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