真实世界的知识极少是确定无疑的。医疗诊断中"头痛且发烧则患感冒"的规则只能达到0.8的可信度，气象预报中"明天可能下大雨"的描述既不确定也不确切。这种"不确定性"与"不确切性"的普遍存在，使得前述基于二值逻辑的推理框架在工程应用中寸步难行。本章作为本科"智能系统"课程的关键转折，将系统讲授如何在知识

前两章分别以谓词逻辑和产生式规则为核心，解决了"如何用形式化语言精确表达知识"以及"如何用规则高效驱动推理"的问题；然而，现实世界的知识具有结构性、层次性、过程性与关联性等多重特征，单一表示方法难以胜任。本章正是对这一需求的回应——在本科"智能系统"课程中，知识表示是连接"推理算法"与"领域应用"的

谓词逻辑以形式化的精确表达见长，却在工程实践中面临规则爆炸、推理效率低下、知识获取瓶颈等困境。产生式系统作为符号主义AI走向实用的关键桥梁，将逻辑规则转化为"IF-THEN"式的产生式规则，既保留了形式化推理的严谨性，又赋予系统更接近人类专家经验的表达灵活性，成为早期专家系统（如MYCIN、DEND

在人工智能的诸多技术路线中，符号主义AI以其可解释性强、推理过程透明的特点，至今仍是理解智能系统运作机制的重要基础。谓词逻辑作为符号主义的知识表示与推理核心工具，为后续学习专家系统、知识图谱、自动定理证明等内容奠定了不可或缺的理论基础。 本章内容围绕"知识如何被形式化表示"与"机器如何基于形式化知识

与或图，是将复杂问题拆解为子问题，并表达子问题间“并且（与）/或者（或）”逻辑的有向图，它的节点分为与节点（其子节点必须全真才真）和或节点（其子节点必须全假才假）。普通的状态图等同于一个全是或节点的与或图。与或图搜索的难点在于，一方面，其必须一边扩展节点一边判断子节点和父节点的逻辑关系；另一方面，当

写在开始之前：本笔记整理自西北工业大学2026年春智能系统课程内容，在此感谢老师以及助教的辛苦付出！ 智能系统，笔者上之前以为是教我怎么做一个完整的、以人工智能为主要内容的项目系统，但实际上是在讲人工智能从符号主义起源到当下连接主义盛行的历史发展过程中探索出的各种算法和系统。其实笔者上着感觉非常轻松