# Уроки Стэнфорда: Почему логика всё ещё критически важна для современного ИИ

Источник: https://www.youtube.com/watch?v=Q7V13XriJEc
Канал: Stanford Online
Опубликовано: 09.03.2026

---

В лекции курса CS221 Стэнфордского университета, посвященной искусственному интеллекту, рассматривается логика как фундаментальный метод рассуждений. Хотя современные системы ИИ часто опираются на вероятностные модели и машинное обучение, логический подход предлагает уникальную выразительность и точность, которые остаются незаменимыми для символьных вычислений и представления знаний.

## 🧠 Логика как язык: синтаксис, семантика и инференс
[[JUMP:04:11]]

Логику следует воспринимать не просто как набор правил, а как формальный язык, предназначенный для представления знаний о мире и рассуждений на их основе [03:46]. В отличие от естественного языка (английского или русского), который часто бывает двусмысленным и «скользким» (например, парадокс: «ничего не лучше вечного мира, грош лучше ничего, значит, грош лучше мира»), логика обеспечивает строгую структуру [04:37].

Любая логическая система состоит из трех обязательных ингредиентов:

1.  **Синтаксис:** определяет набор допустимых формул (предложений).
2.  **Семантика:** определяет значение этих формул (связь с реальным миром).
3.  **Правила логического вывода (Inference rules):** позволяют извлекать новые формулы из уже существующих [06:12].

Один из лекторов (предположительно, Перси Лян) подчеркивает различие между синтаксисом и семантикой на примере: выражения `2 + 3` и `3 + 2` имеют разный синтаксис (написание), но одинаковую семантику (число 5) [07:05]. Напротив, выражение `3 / 2` в Python 2.7 (результат 1) и Python 3 (результат 1.5) имеет одинаковый синтаксис, но разную семантику [07:33].

## 🏗️ Пропозициональная логика: кирпичики знаний
[[JUMP:09:20]]

Пропозициональная (логика высказываний) — это простейшая форма логики. Она начинается с **атомарных формул** (символов), таких как `P`, `Q`, `Rain` (дождь) или `Wet` (мокро) [09:47].

Синтаксис позволяет комбинировать их с помощью логических связок:

*   **Отрицание (not):** `¬P`
*   **Конъюнкция (and):** `P ∧ Q`
*   **Дизъюнкция (or):** `P ∨ Q`
*   **Импликация (implies):** `P → Q` (если P, то Q)
*   **Эквивалентность (equivalence):** `P ↔ Q` [10:27].

Формулы строятся рекурсивно. Например, `(Rain ∧ (Rain → Wet)) → Wet` является валидной формулой, тогда как `P ∧ ∨ Q` — нет, из-за нарушения правил синтаксиса [11:19].

## 🌍 Модели и интерпретация: что есть истина?
[[JUMP:12:42]]

В логике понятие **модели** (W) отличается от машинного обучения. Здесь модель — это состояние мира, представляющее собой присвоение значений «истина» (true) или «ложь» (false) всем пропозициональным символам [13:07]. Если у нас есть 3 символа (A, B, C), то существует $2^3 = 8$ возможных моделей (миров) [13:47].

**Функция интерпретации (I)** связывает синтаксис и семантику. Она берет формулу $F$ и модель $W$, возвращая ответ: истинна ли эта формула в данном конкретном мире [14:44].

*   Если формула — это `Rain ∨ Wet`, а в мире $W$ `Rain = true`, то функция вернет `true`.
*   Семантика формулы — это множество всех моделей $M(F)$, в которых эта формула истинна [20:45].

## 📚 База знаний: сужение круга возможностей
[[JUMP:25:18]]

**База знаний (Knowledge Base, KB)** — это набор формул, которые мы считаем истинными. Семантически KB представляет собой пересечение моделей всех формул, входящих в неё [25:58].

Ключевой вывод лекции: по мере добавления новых фактов в базу знаний, количество возможных моделей (миров) **сокращается** [30:00].

*   База знаний накладывает ограничения на мир.
*   Чем больше мы знаем, тем меньше остается неопределенности.
*   В отличие от вероятностных моделей, логика монотонна: добавление нового факта не может увеличить количество возможных миров, оно только сужает их или оставляет прежним [49:26].

## ⚖️ Логические отношения: Следование, Противоречие, Случайность
[[JUMP:31:34]]

Отношение между базой знаний (KB) и новой формулой (F) может быть трех типов:

1.  **Логическое следование (Entailment):** $KB ⊨ F$. Формула $F$ не дает новой информации; она уже истинна во всех мирах, где истинна KB. Множество моделей не сокращается [32:03].
2.  **Противоречие (Contradiction):** $F$ несовместима с KB. Пересечение моделей KB и $F$ пусто. Такого мира не может существовать [34:08].
3.  **Случайность (Contingency):** $F$ не следует из KB и не противоречит ей. Она отсекает часть миров, делая наше знание более конкретным. Мы узнаем что-то новое [35:29].

На этих принципах строятся операции **Ask** (запрос к базе: «Верно ли это?») и **Tell** (сообщение базе нового факта) [39:51].

## 🤖 SAT-солверы и связь с Байесовскими сетями
[[JUMP:51:27]]

Математически логика тесно связана с вероятностными графическими моделями. Байесовская сеть задает распределение вероятностей над моделями (мирами). Логика же работает в двоичном режиме: вероятность либо равна 0 (невозможный мир), либо больше 0 (возможный мир) [53:26]. Однако логика выразительнее в плане запросов: она позволяет легко оперировать конструкциями вроде «или» (`Rain ∨ Snow`), что в Байесовских сетях требует введения дополнительных переменных [54:08].

Для эффективной проверки выполнимости формул (Satisfiability) на практике используются **SAT-солверы** (например, библиотека **Z3** от Microsoft) [1:01:18]. Хотя задача SAT является NP-полной, современные инструменты способны обрабатывать сотни тысяч переменных благодаря десятилетиям оптимизаций и эвристик [1:02:39].

## 🛠️ Правила вывода: как рассуждают люди
[[JUMP:103:46]]

В финале лекции обсуждается логический вывод (Inference) как манипуляция символами без перебора всех миров. Самым известным правилом является **Modus Ponens**: если у нас есть $P$ и $P → Q$, мы можем вывести $Q$ [1:05:31].

Ключевые характеристики правил вывода:

*   **Обоснованность (Soundness):** мы выводим «ничего, кроме истины» (все выведенные формулы логически следуют из KB) [1:10:01].
*   **Полнота (Completeness):** мы можем вывести «всю истину» (любая формула, которая логически следует из KB, может быть получена через правила) [1:10:30].

Лектор подводит итог: логика — это мощный фундамент, который позволяет ИИ рассуждать компактно и выразительно, переходя от простого поиска к аналитическим доказательствам [1:12:45].