简介：山东大学《人工智能导论》概念汇总是一份面向期末复习与考研备考的知识梳理文档，覆盖人工智能、机器学习方向的核心理论，便于快速建立课程知识框架。内容按章节组织，从智能与人工智能的基本定义出发，系统整理一阶谓词逻辑、产生式表示、框架表示法、知识图谱等知识表示方法，并延伸到确定性推理、搜索策略与遗传算法等重点考点。资源为1个PDF文件，压缩包约2.28MB，体积小巧，适合打印或离线阅读。目前已有433人学习下载。该版本在原稿基础上结合期末考试可能性做了针对性删减，对代码框内的非重点内容进行了标注，既保留主干概念，又减轻考前记忆负担。学习者可通过它快速回顾定义、特性与知识表示框架，配合课程教材查漏补缺。
1. 人工智能导论：这份概念汇总帮你把四章考点一次盘清
期末复习最怕的不是教材厚，而是不知道哪些概念会考、哪些细节容易被忽略。人工智能导论这类课程覆盖面很广，从知识表示到推理方法，从确定性逻辑到不确定性计算，每一章都能出题。这份概念汇总笔记按绪论、知识表示、确定性推理、不确定性推理四章做了精简，把期末考试大概率涉及的考点剔了出来，还顺手标注了原版代码框里的内容基本可以不看。对准备应试的学生来说，它能省下不少整理时间；对想快速建立AI基础知识框架的从业者，它也是一份可以直接对照复习的路线图。
2. 知识表示与知识图谱：谓词逻辑、产生式、框架三种表示法的边界与考点
2.1 先看懂知识表示要解决什么问题
知识表示在整门课里是地基性质的内容。教材里的定义是“将人类知识形式化或者模型化”，落到考试层面，就是要你理解计算机为什么需要一套符号系统来表示现实世界的事实。人在说话时可以靠上下文补全语义，但机器不行，它需要一种无歧义的载体。所以绪论里反复强调“知识是智能行为的基础”，没有知识表示，后面的推理、搜索、专家系统都无从谈起。
复习这一章时我建议按三条线走。第一条线是搞清楚知识本身的性质，比如相对正确性、不确定性、可表示性与可利用性，这四个特性经常出现在名词解释题里。第二条线是掌握不同表示法的语法结构和适用场景，一阶谓词逻辑适合表示精确知识，产生式适合规则型知识，框架适合结构性知识，而知识图谱适合描述实体之间的关联。第三条线是能看懂每种表示法在具体例题里怎么写，真题往往不会直接问“什么是产生式”，而是给你一句话让你用产生式表示出来。
还有一个容易忽略的点：知识表示与知识图谱被编排在同一章，说明知识图谱本质上也是知识表示的一种落地形态。它的逻辑结构分模式层与数据层，数据层存事实，模式层建在数据层之上，是知识图谱的核心。构建知识图谱的数据来源又分为结构化、半结构化和非结构化三类，这三个概念常被放在填空题或判断题里考察。
2.2 一阶谓词逻辑：连接词优先级、量词辖域与表示法优缺点
一阶谓词逻辑的核心结构是谓词公式，由谓词名、个体和变元组成。比如“老张是一个教师”记作Teacher(Zhang)，其中Teacher是谓词名，Zhang是个体。考试里常见的是让你把自然语言翻译成谓词公式，或者反过来解释公式的含义。这里最容易被扣分的是连接词优先级：从高到低依次是﹁、∧、∨、→、↔。优先级影响公式的读法，比如P→Q∨R如果没有括号，默认读作P→(Q∨R)还是(P→Q)∨R，取决于优先级的约定。按教材的优先级顺序，∨优先于→，所以应理解为P→(Q∨R)。一到考场紧张就容易把顺序记反，我复习时把这句话抄在了笔记扉页上。
量词的辖域是另一个高频考点。量词后面的单个谓词或用括弧括起来的谓词公式就是它的辖域，被量词约束的变元叫约束变元，没被约束的叫自由变元。判断辖域时有一个常用技巧：看到(∀x)或(∃x)，先找它后面第一个完整结构到哪里结束，那就是它的作用范围。比如(∀x)[ROBOT(x)→COLOR(x, GRAY)]，这里的x在整个括号里都被约束，没有自由变元。这类题不会考得很深，但容易在“约束变元与自由变元”的识别上设小陷阱。
一阶谓词逻辑表示法的优缺点也是简答题的常客。优点是自然性、精确性、严密性、容易实现；局限性是难以表示不确定知识、可能产生组合爆炸、求解效率低。注意答题时不能只写关键词，要把“为什么”也带一句，比如“组合爆炸”要说明是因为公式之间的推理空间随规模增长迅速。
下面用一个实际字符串公式来说明量词与辖域：
(∀x)[ROBOT(x) → COLOR(x, GRAY)] ∧ (∃x)WORKER(x)这里第一个全称量词辖域是整个方括号内的公式，x为约束变元；第二个存在量词辖域是WORKER(x)，x同样是约束变元。从谓词公式的语义看，它表示“所有机器人都是灰色的，且存在工人”。把这句话和公式对应起来，是解答此类题目最稳妥的方式。
2.3 产生式表示法：四种知识格式与结构图
产生式表示法的考点集中在格式分类和与蕴含式的区别上。首先要记住四种基本表示：
- 确定性规则知识：P→Q
- 确定性事实性知识：（对象，属性，值）
- 不确定性规则知识：P→Q（置信度）
- 不确定性事实性知识：（对象，属性，值，置信度）
这里有一个经典辨析题：产生式中的P→Q和谓词逻辑中的蕴含式是不是一回事？答案是不是。原因有两点：产生式除逻辑蕴含外，还包含各种操作、规则、变换、算子、函数等；蕴含式只能表示精确知识，而产生式还可以带置信度表示不精确知识。答题时最好把这两条都写上，只写一条会丢一半分。
产生式系统的结构图也是必考内容，由规则库、综合数据库、控制系统三部分组成。规则库存放领域知识，综合数据库存放当前求解过程中的各种信息，控制系统负责匹配规则和执行冲突消解。当多条规则同时匹配成功时，要按针对性、已知事实新鲜性、匹配度、条件个数等策略排序，决定先启用哪一条。这个流程在专家系统的考题里反复出现，建议画图记忆：规则库在左，综合数据库在右，控制系统在中间调度两边。
产生式表示法的特点可以用“三好一差”来概括：自然性、模块性、有效性、清晰性是优点，效率不高、不能表达结构性知识是缺点。“不能表达结构性知识”和框架表示法形成对比，正好为下一个考点做铺垫。
2.4 框架表示与知识图谱：概念题的高频出处
框架表示法要求掌握三个词：框架、槽、侧面。框架是描述对象属性的数据结构，槽是某一方面的属性，侧面是描述属性某一方面。教材里的教师框架是一个典型例题，里面姓名、年龄、性别、职称等都是槽，职称的侧面对应有教授、副教授、讲师、助教，还可以设置缺省值。当具体数据填入槽后，框架就变成事例框架。这个转变过程一定要会写：框架名、槽名、侧面名三层结构，缺一不可。
框架表示法的特点是结构性、继承性、自然性。其中继承性意味着子框架可以继承父框架的属性值，这是框架表示与谓词逻辑表示的一个显著区别——谓词逻辑想表达继承关系时通常要额外写蕴含规则。
知识图谱这节的内容偏记忆。要记住知识图谱的逻辑结构分模式层和数据层，模式层构建在数据层之上，是整个图谱的核心。资源对象分为结构化数据、半结构化数据和非结构化数据三类。构建方法有自顶向下和自底向上两种方向。考试一般就考这些概念的定义和分类，不会让你写代码。
3. 确定性推理：子句集化九步与鲁宾逊归结反演的推导细节
3.1 推理分类：先分清演绎、归纳、默认与四种控制策略
确定性推理这一章先讲推理的分类，再做子句集化，最后归结消解。分类部分看似简单，实则是后面的基础，因为归结原理依赖于“子句集不可满足”这个前提，而这个前提又来自对推理方向的理解。
推理按方向分有演绎推理、归纳推理、默认推理。演绎是从一般性知识推出具体结论，归纳是从个别事例推出一般性结论。归纳又分完全归纳和不完全归纳，完全归纳考察了全部对象，不完全归纳只考察部分对象。默认推理也叫缺省推理，是在知识不完全时假设某些条件已具备而进行的推理，这类题容易用日常经验混淆，比如“见到天鹅是白色的就认为所有天鹅是白色”是不完全归纳，而不是默认推理。
推理按结论确定性分有确定性推理与不确定性推理。前者所用知识与证据都是确定的，结论非真即假；后者允许知识和证据不确定，结论也不确定。第四章的不确定性推理对应后者，所以答题时要记得区分教材里两处表述略有差异。
推理按过程单调性分有单调推理与非单调推理。单调推理随着新知识加入，结论越来越接近最终目标；非单调推理则可能因为新知识推翻原有结论，退回前面重新开始。四个字概括就是“结论可撤销”。
推理控制策略包括正向推理、逆向推理、混合推理和双向推理。正向推理从已知事实出发，也叫事实驱动；逆向推理从某个假设目标出发，也叫目标驱动。混合推理有两种顺序：先正向后逆向，或先逆向后正向。双向推理则是正反同时进行，在某个步骤上碰头。这四种策略的区别在于推理起点和驱动机制，建议从“起点是什么、终点是什么、怎么算是到达”三个角度对比记忆。
3.2 谓词公式化为子句集：九步操作与Skolem化时机
子句集化是归结原理的前置操作，也是本章最容易失分的计算题。整个过程分为九步，考试时即便只让你写归结过程，子句集化也几乎是必考步骤。我把每一步的操作要点整理如下：
- 消去“→”和“↔”。P→Q等价于﹁P∨Q，P↔Q等价于(P∧Q)∨(﹁P∧﹁Q)。这一步是消除语法糖，把公式变成只含¬、∨、∧、量词的形式。
- 把否定符号﹁移到紧靠谓词的位置。用双重否定律、德·摩根定律和量词转换律处理。
- 变量标准化。不同量词约束的变元重名时要改名，避免冲突。
- 消去存在量词。这里要分两种情况：存在量词不出现在全称量词辖域内，就可以用常量替换；出现在一个或多个全称量词辖域内，则必须用Skolem函数替换。Skolem化的本质是用一个函数来描述“存在”的那个对象如何依赖全称变元。
- 化为前束形。把所有全称量词移到公式最前面，形成“前缀+母式”结构。
- 化为Skolem标准形。此时母式应为子句的合取式。
- 略去全称量词。
- 消去合取词，把母式写成子句集合。
- 子句变量标准化，确保子句集内无同名变元。
举个简化的例子。已知公式：
(∀x)[P(x) → (∃y)Q(x,y)]按步骤处理如下。先消蕴含：(∀x)[﹁P(x)∨(∃y)Q(x,y)]。消存在量词时，由于(∃y)处于(∀x)辖域内，所以必须用Skolem函数f(x)替换y，得到(∀x)[﹁P(x)∨Q(x,f(x))]。略去全称量词后得子句﹁P(x)∨Q(x,f(x))，其中x是约束变元但按约定省略。这里最常翻车的地方就是判断什么时候用常量替换、什么时候用Skolem函数替换。
3.3 鲁宾逊归结原理：二元归结式与归结反演完整推导
归结原理建立在“子句集不可满足”的判定上。两个子句若有互补文字（一个为L，一个为﹁L），消去互补对后把剩余部分析取，就得到归结式。归结式是亲本子句的逻辑结论，用归结式不断替代和加入，目标是归结出空子句，空子句代表矛盾，说明原子句集不可满足。
归结反演的四步流程是死框架，必须背牢。第一步把已知前提写成谓词公式F；第二步把待证结论写成Q，并取否定﹁Q；第三步把{F, ﹁Q}化为子句集S；第四步对S做归结，反复产生归结式并并入子句集，直到出现空子句。出现空子句就说明Q得证。
教材里的招聘例题就是标准考法。这里我用抽象角色重新表述：公司面试三个人A1、B1、C1，面试后三个条件分别是三人中至少录取一人、录取A1而不录取B1则一定录取C1、录取B1则一定录取C1，求证一定录取C1。推理的关键是先把三个条件都用子句写出来：
- L1: P(A1)∨P(B1)∨P(C1)
- L2: ﹁P(A1)∨P(B1)∨P(C1)
- L3: ﹁P(B1)∨P(C1)
对结论取否定得到﹁P(C1)。然后按由长到短的顺序归结：L1和L2归结得P(B1)∨P(C1)，再与L3归结得P(C1)，最后与﹁P(C1)归结得空子句。注意归结顺序不要乱，教材特别提示“建议归结时按照由长到短的子句顺序进行”，这能在考试时减少无效尝试。
归结原理求解问题略有不同，要先把待求解问题Q取否定后与ANSWER析取，组成﹁Q∨ANSWER子句，并入子句集后再归结。如果最后归结出ANSWER(A)这样的式子，则变量A的取值就是答案。求解老师那道题就是这个套路：把小张的老师设定为目标谓词，归结到ANSWER(Wang)即可。这类题比归结反演多了一步ANSWER构造，其余流程相同。
4. 不确定性推理：可信度公式、证据理论与模糊运算的拿分套路
4.1 可信度方法：CF(H,E)的表示、传递与合成
不确定性推理的核心是处理知识与证据都不是百分之百确定的情况。可信度方法是其中相对好拿分的部分，因为它有一个严格的数学框架。知识的不确定性表示为if P then Q (CF(Q,P))，其中CF(Q,P)是可信度因子，取值范围[-1, 1]。当CF(H,E)=0时，证据的出现与否和结论H无关。
证据的不确定性用CF(E)表示，取值同样是[-1, 1]。CF(E)=1表示证据肯定为真，CF(E)=-1表示肯定为假，CF(E)=0表示未获得任何相关观察。组合证据时，合取取最小值，析取取最大值。也就是CF(E1 AND E2 ...)=min{CF(E1), CF(E2), ...}，CF(E1 OR E2 ...)=max{CF(E1), CF(E2), ...}。
不确定性传递公式是CF(H)=CF(H,E)×max{0, CF(E)}。这个公式的关键细节是max{0, CF(E)}，当CF(E)为负数时，计算结果直接置0，而不是把负数带进去乘。这里是考试设陷阱的高发区。
结论不确定性的合成算法分两步。先分别算出每条知识对H产生的可信度CF1(H)、CF2(H)，再按下式合成：
CF1,2(H) = CF1(H) + CF2(H) - CF1(H) × CF2(H) （两者都为正时）若CF1(H)为正、CF2(H)为负，则：
CF1,2(H) = (CF1(H) + CF2(H)) / (1 - min{|CF1(H)|, |CF2(H)|})以教材例题为例。已知规则IF E1 THEN H (0.8)，IF E2 THEN H (0.6)，IF E3 THEN H (-0.5)，且CF(E1)=0.35，CF(E2)=0.8，CF(E3)=0.54。先分别计算CF1=0.8×0.35=0.28，CF2=0.6×0.8=0.48，CF3=-0.5×0.54=-0.27。第一步合成CF1与CF2均为正，得0.28+0.48-0.28×0.48=0.63。第二步与负的CF3合成，得(0.63-0.27)/(1-min{0.63,0.27})=0.49。这个演算过程建议完整写在草稿纸上，考试时能有效避免符号错误。
4.2 证据理论：概率分配函数、信任函数与似然函数
证据理论比可信度方法抽象，但它只考三件事：概率分配函数M、信任函数Bel、似然函数Pl。概率分配函数与概率不同，它作用于集合的子集而不是单个元素。设样本空间D={红，黄，蓝}，M({红})=0.3、M({黄})=0、M({红，黄})=0.2。信任函数Bel(A)表示对A为真的总信任程度，等于A的所有子集的M值之和。计算Bel({红，黄})=0.3+0+0.2=0.5。注意Bel(∅)=M(∅)=0，这是公理要求。
似然函数Pl(A)表达对A为非假的信任程度，计算公式是Pl(A)=1-Bel(¬A)。接上例，Pl({蓝})=1-Bel({红，黄})=1-0.5=0.5。这里“非假”和“为真”的差别是理解重点，也是常考的名词辨析。
概率分配函数的正交和也要会算。两个概率分配函数M1和M2正交后得到新函数M，公式是M(A)=ΣM1(B)M2(C)，其中B∩C=A，且B∩C不为空。如果对所有交集为空的分组求和得到K=0，则说明M1和M2矛盾，不存在正交和。实际题目通常只要求判断K是否为0，或者算简单的M值。
基于证据理论的不确定性推理流程，教材给了四步框架：建立样本空间D，由经验或规则求基本概率分配函数，计算所关心子集的信任函数和似然函数，最后下结论。流程图不用背，但顺序不能乱。
4.3 模糊推理：隶属函数、模糊集合运算与合成
模糊推理的核心概念是隶属度，模糊逻辑给集合中每个元素赋予一个0到1之间的实数，描述它属于该集合的强度。所有元素的隶属度合起来叫隶属函数。表示方法有Zadeh表示法、序偶表示法和向量表示法。其中Zadeh表示法形如A=0.2/x1+0.4/x2+0.9/x3+0.0/x4+0.5/x5，这种写法要能看懂并会转换。
模糊集合的运算分为并、交、补以及代数运算。并集取最大隶属度，交集取最小隶属度，补集用1减去原隶属度。教材例题里有四个运算需要区分：
- 代数积A·B：对应元素隶属度相乘。
- 代数和A+B：对应元素隶属度相加后取与1的较小值。
- 有界和A⊕B：有界和，min{1, μA+μB}。
- 有界积AⓧB：有界积，max{0, μA+μB-1}。
用教材数据代入，A=0.2/x1+0.4/x2+0.9/x3+0.0/x4+0.5/x5，B=0.1/x1+0.0/x2+0.7/x3+1.0/x4+0.3/x5。代数和A+B的结果是0.28/x1+0.4/x2+0.97/x3+1.0/x4+0.65/x5，有界和A⊕B的结果是0.3/x1+0.4/x2+1/x3+1.0/x4+0.8/x5。对比着看就能发现，代数和与有界和的差别只在“要不要截断到1”。
模糊关系的合成运算对应矩阵计算，第i行第j列的结果等于前一个模糊矩阵的第i行与后一个矩阵的第j列按“先取小再取大”的方式计算。模糊推理得到的结论是一个模糊向量，需要通过模糊决策转成确定值，常用的方法有最大隶属法、加权平均判决法、中位数法。这三种方法各有利弊，简答题里让你比较时，要说出最大隶属法简单但丢信息，加权平均法更常用，中位数法对隶属函数形状更敏感。
5. 避坑：复习AI导论概念时常见的五个翻车现场
5.1 把产生式P→Q和谓词蕴含式误认为同一回事
复习时很容易把产生式的P→Q看成语义上的蕴含。产生式里的“P→Q”不只是逻辑蕴含，它还包括操作、规则、变换、算子、函数等机制。更关键的是产生式能带置信度表达不精确知识，而蕴含式只能表示精确知识。判别的简单办法是问一句：这条规则能不能加一个可信度参数？能加的是产生式，不能加的是蕴含式。
5.2 Skolem化时搞混常量替换与函数替换的时机
把存在量词消去时，很多人在任何情况下都用常量替换。正确做法是看存在量词是否落在全称量词的辖域内。不在辖域内，直接用常量；在辖域内，用Skolem函数替换。分辨方法很机械：从左往右数，存在量词后面只要有一个未被消去的全称量词，就要用函数。动手做题前先圈出存在量词的位置，能减少一半错误。
5.3 归结反演时子句顺序混乱导致空子句出不来
归结的顺序不是随意的，按教材建议“由长到短”进行。长子句先归结，能更快合并出短子句，短子句再与其它子句碰撞，空子句更容易出现。如果先拿短子句去碰，很容易陷入反复生成无用归结式的泥潭。遇到一直归不出空子句的情况，回溯检查是不是归结式用错了互补对。
5.4 可信度传递时忽略max{0, CF(E)}截断规则
CF(H)=CF(H,E)×max{0, CF(E)}里，max{0, CF(E)}是强制截断。CF(E)小于0时，整个结论可信度直接等于0，证明这个知识规则在当前证据下不启用。不少人在CF(E)=-0.2时还继续相乘，结果算出负的可信度，然后在合成那一步彻底算乱。做这类题先画层：先算证据可信度，再截断，再乘规则强度，最后合成。
5.5 证据理论里混淆Bel与Pl的语义
Bel和Pl的差别用一句话概括：Bel(A)是“支持A为真的总证据强度”，Pl(A)是“不支持A为假的证据强度”。Bel只累加A的子集的概率分配值，Pl则用1减去对A的补集的Bel。解题时遇到“信任程度”和“非假程度”的表述要对号入座，填空题尤其爱在这里挖坑。
6. 考场活用：把概念笔记整理成答题模板的最后一公里
复习到最后阶段，我习惯把这份概念汇总的每一块内容都压成一个答题模板，直接套用。名词解释题按“定义+关键词+一句话例子”的格式写。比如智能的答题模板是“智能是知识与智力的总和，知识是客观世界的认识与经验，智力是获取知识并应用知识求解问题的能力”。格式固定以后，考场上不需要临场组织语言，写得快而且踩点准。
谓词公式翻译题有一个固定流程：先找个体，再找关系或属性，最后确定量词。题目给的是全称句就用全称量词，存在句就用存在量词，不要凭语感猜。公式化时谨慎处理否定词的位置，否定词在句首时往往需要结合德·摩根律往里推。
归结反演题我固定用四段式：前提谓词化、结论取否定、子句集化、按长到短归结。整个流程在草稿纸上先写出步骤名，再填内容。这样即使中间计算失误，阅卷时也能看到思路，步骤分不会全丢。
可信度计算题用三层结构：先算证据组合可信度，再逐条计算CF(H)，最后合成。每一步单独写一行，标明用的是哪个公式。教材例题就是一个标准参照系，考前把这道题重算一遍，相当于把所有公式都激活了一次。
模糊运算题注意区分代数和与有界和，这两个运算只差一个截断操作。看到“先加后取1”是有界和，看到“直接加不截断”是代数和。计算时先用小表列出各隶属度，再逐项运算，不要跳步。
从那以后，每当我复习一门涉及大量概念体系的课程，都会先把资料拆成“定义类、计算类、流程类”三类考点，再分别设计答题模板。这样做的好处是临考不慌，看到一个题目就知道它属于哪个模板，直接从记忆里调取标准答案结构。希望这份概念汇总和这套整理方法能帮到你，让你在人工智能导论的复习路上少走一些弯路。
本文还有配套的精品资源，点击获取
