前向链接和后向链接推理技术在人工智能中的应用

在人工智能推理当中，前向链接和后向链接推理技术同样是非常重要的。相对而言，前向链接和后向链接推理技术能针对样本进行特定的处理和转换，这种一一对应的逻辑关联，能在结果上保证信息推理的准确性。而在人工智能的实际应用当中，有相当一部分数据处理，都是通过前向链接和后向链接推理技术进行的。

从定义上来讲，前向链接就是指在计算机的内部运算和数据传递等过程当中，如果有一条信息满足了拟定规则的要求，那么它就会激活相关条例，执行本条规则下的行为。由于这个过程是以“因素——规则——结果”的逻辑顺序进行的，所以在计算机应用学科当中，这样的推理过程就被称作“前向链接”。与之相对应的，在已知或者确定结果的前提下，通过相关激活条例寻找造成结果的因素，这样的逆向思维逻辑推理办法，在人工智能推理当中就被称为“后向链接”。针对两种推理方式的区别，我们可以通过图解的方式来解析。

如图5-2所示。

图5-2

按照一般逻辑顺序，我们可以看到，“规则2”是应当最先被激活的，它在得到了样本“a”的冲击之后，且经过探索得知样本“b”同样满足存在条件，于是就产生了第一次激活，进而产生新的样本“c”；在样本“c”生成的条件下，“规则3”就具备了激活条件：在这时，假如样本“d”和“e”都同时存在，那么新的样本“f”就会产生；最后，在以上条件均得到满足的情况下，且样本库当中同时存在元素“g”和“h”，那么结合之前生成的“f”，样本“h”就会被生成。在此期间，还有一则相对独立的“规则4”也是存在的，它强调在样本“e”和“a”同时存在的情况下，新元素“w”就会生成。

如果将规则“1”“2”“3”整合起来，那么上述3条规则分别就是“f+g=h”“a+b=c”“c+d+e=f”。而假如要将3条推理链合并成一条，那么就是“a+b+d+e+g=h”。

可以看出，在这若干条推理当中，所有的结果都是由样本信息之间相互结合、相互作用产生的。这样一种由因到果的前向逻辑推理过程，实际上就是“前向链接推理”。(www.xing528.com)

“前向链接推理”的好处是非常明显的，因果元素之间的一一对应会极大限度地回避推理过程当中的误差率。但是从一定程度上来说，“前向链接推理”同样是存在不少缺陷的。依然从图5-2当中解释。假如本次运算是以求得样本“h”为目的的，那么在规则“1”“2”“3”均满足的前提下，“规则4”也会受到激活。而“规则4”最后生成的结果为“样本w”，与本次运算的目的是完全不符的。更重要的是，在数据信息极为庞大的推理模型当中，类似“规则4”这种特定条件下的干扰选项是很多的。这不光让逻辑推理背上了沉重的额外负担，同时还会延阻正确信息的生发和传递。尤其在单独求证某一项结果时，“前向链接推理”在推导效率方面是存在极大弊端的。所以在更多时候，在人工智能推理体系当中，“后向链接技术”被引用的情况会更多。

从推导过程来讲，如果说“前向链接技术”是由因及果的正向逻辑的话，那么“后向链接技术”就恰恰将这一个过程反转了过来。在“后向链接推理”过程中，人工智能专家系统会为命题设立一个假定的“需求目标”，然后按照结果来推导出合理的论据及规则。这样做的好处就是，单一命题只会激发出针对本命题的推理计算，而不会带来其他与命题无关的推导。比如在图5-2当中，已知结果“f”，那么计算机就会探索内置数据库，从中寻找与“f”相关的“规则”和样本。经计算，假如结果为“f”，那么数据库当中必须存在样本“c”“d”“e”，以及“规则3”，即“c+d+e=f”；或者数据库当中必须存在样本“a”“b”“d”“e”，以及“规则2”和“规则3”，即“a+b+d+e=f”。

而假如计算机当中出现了“x为真”这样缺乏规则及数据支撑的“答案”时，“后向链接推理”的逻辑链就会断裂，无法寻找到合适的答案。

这就是说，“后向链接技术”可以针对问题的答案来寻找合理的链接元素。在这一过程中，带着答案找问题的推导过程可以自动过滤掉与主题不相关的因素，这一点极大地加快了系统内部的运算速度。而在大多数人工智能产品当中，利用“后向链接技术”进行推理运算，自然是非常常见的。

那么，在一般条件下，“前向链接”和“后向链接”技术在适用性方面又有何不同呢？这两大推理模型，有没有可能合二为一同时存在呢？尽管在整体运算时存在效率方面的劣势，但在针对部分未知命题的探索时，“前向链接”毫无疑问是占据主导地位的，只有当面对那些已验证命题的探索时，“后向链接”才会被更多引入。在这一点上，美国著名人工智能专家、“B语言”发明人肯·汤普森就曾举例说：“对于‘鲸鱼是否属于脊椎动物’这个命题，如果是第一次研究，我们就应当采用前向链接推理；而假如是已经验证过多次，我们在已知答案的情况下，就可以使用逆向逻辑推理，进行后向链接推导。”

而汤普森也表示，在人工智能科学当中，以上两种推导方式并存同样是可以通过技术手段实现目标的。这就是说，在追求高性能的人工智能产品当中，“前向链接推理技术”可以帮助人工智能体识别、学习到新的计算机知识；“后向链接推理技术”可以帮助智能体在运算、推理方面具备更强的效率，而这两种不同的推理模型，则能从理论层面保障人工智能的内部逻辑推论。