企业官网建设流程全解析

简介：这份百度人工智能经典考试试题文档面向备考AI课程考试、梳理知识框架的高校学生与求职者，围绕语义网络、推理、知识表示、机器学习、自然语言处理等核心板块组织内容，可用于考前自测、课堂复习与面试前的概念查漏。压缩包内为1个doc文件，约279KB，篇幅紧凑却覆盖选择题、填空题、简答计算题与应用题四种题型，并附有对应参考答案，从AI英文缩写、消解法证明、正向推理等基础判断，到不确定性分类、可信度CF运算、谓词公式子句集与MGU求解，再到语义网络建模和α-β剪枝，形成由概念到计算的递进练习。文档还对相关知识点做了归纳说明，便于对照题目回看定义与方法。目前已有1588人学习，适合希望用一份题量适中的试卷快速检验掌握程度、补齐薄弱环节的读者。

1. 一份老派的人工智能经典考试题，藏着整套 AI 骨架

第一次翻到这份人工智能经典考试题的人，往往会有两种反应：一种是“这些名词我好像都见过”，另一种是“真让我解释，一个也说不清”。这很正常。今天大家谈 AI，聊的是模型、参数、算力，而这类老试题问的却是另一套东西——知识怎么存、结论怎么推、搜索怎么剪枝。它们不新，但它们是骨架。搞懂这套骨架，再回头看今天那些热闹的词，你会发现自己不再是“听个响”，而是能指出某个说法到底站在哪根骨头上。这篇就把这份资料里反复出现的几个核心概念，一个一个拆开讲透。

2. 知识表示：机器拿什么“记住”一条常识

人和人之间传递知识，靠一句话就够了：“老李是大李的父亲，大李是小李的父亲。”可机器拿到这句话，既不知道“父亲”是个什么东西，也不知道这句话能推出什么。所以人工智能领域有一门基础功课叫知识表示——把人类脑子里的常识，翻译成机器能存储、能检索、能运算的形式。

这件事难在哪儿？难在你既要保真，又要可用。保真，是说翻译过去不能丢信息；可用，是说翻译完还得方便机器做推理。同一句“老李是大李的父亲”，用关系图存是一种样子，用 IF-THEN 规则存是另一种样子，用逻辑公式存又是第三种样子。下面这三种，就是这份资料里出现频率最高的几种表示方法。

2.1 语义网络：把一句话拆成一张关系图

语义网络的基本构造特别简单：节点代表概念或对象，有向边代表它们之间的关系。上面那句话画出来，就是“老李”指一条边到“大李”，边上标“父亲”；“大李”再指一条边到“小李”，边上同样标“父亲”。三个节点、两条边，一句话的意思就存下来了。

打个比方，语义网络很像家谱或者思维导图。你不需要读完一整段文字，只要顺着线走，就能知道谁和谁是什么关系。

这份资料里反复考的一个点是：有向弧上的AKO 链和ISA 链，是用来表达节点知识的什么特性？答案是继承性。

这两个缩写值得说清楚。ISA 是 “is a” 的缩写，AKO 是 “a kind of” 的缩写，两者都在说“下位概念是上位概念的一种”。比如“麻雀 ISA 鸟”“鸟 AKO 动物”。一旦这条链建立起来，上位节点身上挂着的属性，下位节点就自动拥有——鸟会飞，麻雀是鸟，那么不必再单独给麻雀写一条“会飞”。这就是继承。

继承性为什么重要？因为它让知识库不必重复。你想想，如果每个具体概念都要把上位概念的属性重抄一遍，那知识库会膨胀到没法维护，改一处还得改一百处。继承把这件事变成了“只在最合适的那一层写一次”。

提示：语义网络的“边”不是随便标的。ISA、AKO 这类边带有推理含义，普通的“住在”“年龄是”只是属性关联，不产生继承。混淆这两类边，是初学者最常见的失分点。

2.2 产生式规则：IF-THEN 这套老骨架

如果说语义网络是“画图”，那产生式就是“写规则”。它的基本形式只有一行：

IF P THEN Q

或者写成P → Q。这里的 P 叫前提（前件），用来判断这条规则当前能不能用；Q 叫结论或操作（后件），表示前提一旦满足，应该得出什么或者执行什么。

产生式规则的语义也非常直白：如果前提 P 被满足，就可以推出结论 Q，或者执行 Q 所规定的操作。

一个完整的产生式系统由三部分组成，这三部分几乎是必考内容：

推理过程中，当某条规则的前提被当前事实满足，这条规则就“可以触发”；而从所有可触发规则里挑一条真正执行，这条被执行的就叫被触发规则。这个说法看着绕，其实就是“能用的规则”和“这次用了的规则”的区别。

用几十行代码，就能把这套循环跑起来：

# 规则库：每条规则写成 (前提集合, 结论) rules = [ ({"下雨"}, "地面湿"), ({"地面湿"}, "路滑"), ] facts = {"下雨"} # 综合数据库：当前已知事实 fired = [] # 记录被触发过的规则 changed = True while changed: changed = False for premise, conclusion in rules: # 前提全部满足，且结论还是新事实，才触发 if premise <= facts and conclusion not in facts: facts.add(conclusion) fired.append((premise, conclusion)) changed = True print(facts) # {'下雨', '地面湿', '路滑'} print(fired) # [({'下雨'}, '地面湿'), ({'地面湿'}, '路滑')]

这段代码里，premise <= facts是集合包含判断，意思是“前提集合里的每一个元素都已在事实集合中”。changed这个变量控制“这一轮到底有没有产生新事实”，只要有新事实产生，就还得再扫一遍规则库，因为新事实可能点燃新规则。fired记录下来的，正是被触发规则的执行顺序。

跑一遍就能看出产生式系统的性格：它是数据驱动的。事实越多，能匹配上的规则越多，推理就一层层往下滚。这种性格很适合表达“经验型”的知识——医生看病、老师判卷、设备报警，都是从若干现象出发，套一条条经验规则得出结论。

2.3 谓词逻辑与子句集：把自然语言翻译成机器能算的式子

语义网络胜在直观，产生式胜在好用，但两者都有一个软肋：没法严格证明。你说“老李是小李的祖父”，图上是这么连的，规则是这么推的，可万一连错了呢？逻辑表示就是来解决“严谨”这件事的。

谓词逻辑里，一个命题被拆成“谓词 + 个体”。比如“老李是大李的父亲”，写成F(老李, 大李)，其中 F 表示“是……的父亲”这个关系。一旦写成这种形式，机器就能做符号运算，一步一步推到结论。

这份资料里有一道选择题专门问：仅个体变元被量化的谓词，称为什么？答案是一阶谓词。这个区分很关键——如果连谓词本身也能被量化（比如“对所有关系 R 都成立”），那就是二阶谓词，处理起来复杂得多。日常考试和绝大多数工程场景，用的都是一阶谓词。

机器要拿公式做推理，得先把它加工成标准形态，也就是子句集。原文给出了八个步骤，值得完整过一遍：

1. 消去蕴含式（→）和等价式（↔）；
2. 缩小否定词的作用范围，直到它只作用于原子公式；
3. 适当改名，使量词之间不含同名指导变元和约束变元；
4. 消去存在量词，形成 Skolem 标准型；
5. 消去所有全称量词；
6. 化成合取范式；
7. 适当改名，使子句之间无同名变元；
8. 消去合取词，用逗号代替，以子句为元素组成集合 S。

第三步和第七步都是“改名”，很多人会疑惑为什么要改两次。原因不同：第三步是防止量词辖域之间的变量名打架，第七步是防止不同子句之间的变量名打架。子句之间不能共享变量名，否则消解的时候会把两个本来无关的东西错误地替换到一起，这是很隐蔽的一个坑。

第四步提到的Skolem 函数也常被问到。当存在量词落在全称量词的辖域内时，那个“存在的 x”其实依赖于 y 的取值。用一个函数把这个依赖关系显式写出来，这个函数就叫 Skolem 函数。说白了就是把“对每个 y 都存在某个 x”里的“某个 x”，改写成f(y)——依赖关系摆到明面上，机器就好处理了。

3. 推理：从已知推到未知，中间到底发生了什么

知识存下来是为了用，用的方式就是推理。这份资料里跟推理相关的题目密度很高，而且几个概念经常被混着考。这一章把它们分开摆清楚。

3.1 正向推理与反向推理：从事实出发，还是从目标倒推

产生式系统里，推理方向是最基础的一个分类。

正向推理是“从已知事实出发，通过规则库求得结论”。手里先有一堆事实，看哪条规则的前提能对上，对上就执行，得出新结论，新结论再加进事实堆，继续往下滚。它由数据驱动，问的是“我手上这些事实，能推出什么来”。

反向推理反过来，先摆出目标，问“要证明这个目标，需要哪些条件成立”，然后把这些条件当成新的子目标继续往下追，直到追到已知事实上为止。它由目标驱动，问的是“想得到这个结论，我还缺什么”。

还有一个双向推理，是从两头同时往中间推，中间接上了就结束。这种方式在实际系统里也有用，但考试里出现频率不如前两种高。

哪些场景用哪种，其实取决于“哪一头更小”。如果你手上有一大堆症状，想筛出可能的疾病，那就是事实多、结论少的局面，正向推理更顺手；如果你心里已经锁定几个嫌疑故障，想去核对该具备什么条件，那反向推理更省事。

3.2 归结原理：把“证明”做成消消乐

归结原理，也叫消解，是机器证明定理的主力方法。它的核心动作只有一个：把两个含有互补文字的子句消掉那一对，剩下的部分并起来。

形式化一点说，子句C1 = L ∨ C1'，C2 = ¬L ∨ C2'，其中 σ 是互补文字的最一般合一置换，那么归结式是：

C = C1'σ ∨ C2'σ

这个式子看着唬人，拆开就是三步：先找到两个子句里那一对“一个是 L、一个是 ¬L”的互补文字；再对它们做一个置换 σ 让它们真正对上；最后把剩下的部分并起来，替换应用到剩下所有文字上。

打个不严谨但好懂的比方：归结就像玩消消乐。两个格子里有可以抵消的一对，把它们消掉，剩下的内容合到一起，形成新的格子，再继续找下一对能消的。一直消到出现一个空子句（记作 □），就说明整个式子矛盾了——而反证法证明了矛盾，也就证明了原结论成立。

所以选择题里那句“若当前归结式是什么时，定理得证”，答案是空子句，不是永真式。这个点特别容易翻车：永真式是恒为真，恒为真说明什么也没证明出来；空子句是恒为假，恒为假才说明“假设结论不成立”这个前提崩了，进而说明结论成立。方向刚好相反。

归结还有一个配套话题叫删除策略：在归结过程中，有些子句留着纯属浪费，可以删掉。原文给的三个类别是：

• 含有纯文字的子句——这个文字在整个子句集里没有互补文字，永远消不掉，留着没用；
• 含有永真式的子句——恒为真的子句对推出矛盾没有贡献；
• 子句集中被别的子句类含的子句——某个子句比它更“一般”，能覆盖它。

删掉这些不会影响完备性，但能大幅减少搜索量。这类优化在纸面上只是三个名词，实际跑起来差别可能是指数级的。

3.3 MGU：最一般合一到底“合”的是什么

MGU 全称是最一般合一，英文 Most General Unifier。这份资料里它既出现在选择题里，也出现在计算题里，是个绕不过去的点。

先说“合一”是什么。两个原子公式长得很像但又不完全一样，比如P(f(x), y, g(y))和P(f(x), z, g(x))，要让它们变得完全相同，就得对变量做一组替换。能让它们变成同一个式子的替换，就叫合一。

但合一的解不唯一。举个简单的例子，P(x)和P(a)，你可以用{a/x}合一，也可以用{a/x, b/y}——虽然后者多替换了一个不相干的变量，但结果仍然是同一个式子。多替换的那部分是多余的。

MGU 就是所有合一替换里最“省”的那一个：它只做必须做的替换，不多做一步。任何其他的合一替换，都可以看成是在 MGU 基础上再叠加一层替换得到的。正因为最一般，归结时用 MGU 得出的归结式适用范围最广。

求 MGU 有一个很朴素的算法：差异集法。步骤是这样的：

1. 令 k=0，S₀=S，δ₀=ε（空替换）；
2. 若 Sₖ 已经是单元素集，算法结束，δₖ 就是 MGU；
3. 否则找出 Sₖ 中所有公式对应位置上的第一个不同之处，得到差异集 Dₖ；
4. 若 Dₖ 里有一个变元 x 和一个项 t，且 x 不在 t 中出现，则令 δₖ₊₁ = δₖ · {t/x}，Sₖ₊₁ = Sₖ · {t/x}，k 加一，回到第 2 步；
5. 若找不到这样的 x 和 t，说明无法合一。

拿原文那道题走一遍：S = {P(f(x), y, g(y)), P(f(x), z, g(x))}。

k=0 时，两个公式从第一个参数f(x)开始完全一样，往后比到第二个参数，一个是y，一个是z，差异集 D₀ = {y, z}。y 是变元，z 是项，且 y 不出现在 z 里，所以可以做替换{z/y}，得到 S₁ = {P(f(x), z, g(z)), P(f(x), z, g(x))}。

S₁ 还不是单元素集，继续比。第一个参数都是f(x)，第二个都是z，第三个一个是g(z)、一个是g(x)，进到里面比，差异集 D₁ = {z, x}。同样可以做替换{z/x}，得到 S₂ = {P(f(z), z, g(z))}。

S₂ 是单元素集，算法结束，MGU = {z/y, z/x}。

整个过程里有两件事必须守住。第一，被替换的必须是变元，不能是项。你不能拿f(x)去替换一个变元之外的东西，那样会无限展开。第二，变元不能出现在替换它的项里，也就是所谓的 occur check。比如用f(x)去替换 x，会得到f(f(x))、f(f(f(x)))……永远合不完，这就是一个必须被挡掉的死循环。

提示：算 MGU 时，最先出现的差异集不一定是最终答案，一定要检查每一步替换之后式子有没有变成单元素集。中途“看起来快合上了”就停笔，是这道题最常见的失分方式。

4. 搜索与博弈：AI 在岔路口凭什么不迷路

前面讲的是“知识怎么存”和“结论怎么推”，可很多问题的难点根本不在推理，而在于选项太多。走迷宫、下棋、排数字，每一步都有若干走法，如果全试一遍，时间根本不够。搜索技术就是来解决“怎么少走冤枉路”的。

4.1 状态图与启发式搜索：把问题铺成一张地图

这类问题通常会被抽象成一张图：把每一种局面看成一个节点，把一步操作看成一条有向边，整张图就叫状态空间图。原文里那道“或图通常称为什么”的选择题，答案就是状态图。

图还分两种，这个区分极易混：

“与”节点和“或”节点的区别，是把问题分解成子问题时的关键。如果一个问题需要同时满足三个条件，那三个子目标之间就是“与”的关系，画成与或图；如果三条路只要走通一条就行，那是“或”的关系。

图建好之后，剩下的就是怎么走。广度优先搜索是按层扫，先看所有一步能到的，再看两步能到的。它的特点是只要问题存在最优解，就一定能找到那个最优解——因为它是按距离一层层往外扩的，第一次碰到目标，走的一定是最短的那条。代价是它要存下的节点数量会随层数爆炸式增长。深度优先则是一头扎到底，内存省，但不保证最优，有时还会在一条死胡同里绕很久。

为了少走冤枉路，就有了启发式搜索。它的做法是给每个待扩展的节点估一个分，优先扩展“看起来更有希望”的那个。这个估计用的就是启发函数，它把“离目标还有多远”这种经验性的判断，变成一个可以比较的数值。

启发函数写得好不好，直接决定搜索是“聪明”还是“玄学”。一个好的启发函数应该满足两个条件：它给出的估计不能高过真实代价（否则可能错过最优解），同时又要尽量贴近真实代价（否则退化成盲目搜索）。这两条之间的张力，是启发式搜索永远绕不开的取舍。

4.2 极小极大与 α-β 剪枝：下棋时的那把剪刀

博弈问题和普通搜索有一个根本区别：对手会还手。你选一步，对手也会选对他最有利的一步，所以你不能只考虑自己怎么走最好，还得考虑对手会怎么拆你的台。

处理这类问题的经典方法是极小极大分析法。它的思路是把博弈过程展开成一棵博弈树，你走的层叫 MAX 层（你想让分数越大越好），对手走的层叫 MIN 层（他想让分数越小越好）。先在叶子节点算出估值，然后一层层往回倒推：MAX 层取子节点里的最大值，MIN 层取子节点里的最小值。倒推到根节点，得到的那个值就是当前局面的“保守估计”，沿着能取到这个值的分支往下走，就是比较稳妥的走法。

这个方法的问题特别明显：博弈树太胖了。国际象棋每走一步有几十种选择，往下推十几层，节点数量就是天文数字，全算一遍根本不现实。

于是有了α-β 剪枝。它的直觉非常像人类下棋时的思考方式：如果我已经发现走这一步会让自己明显变差，那我根本不必把这条分支后面的所有变化都算清楚，直接放弃就行。

形式化的条件是这样的：

• α 剪枝：如果某个 MIN 节点的 β 值小于或等于它某个先辈 MAX 节点的 α 值，也就是 α（先辈层）≥ β（后继层），那么这个 MIN 节点以下的搜索可以全部中止，它的倒推值就直接定为这个 β 值。
• β 剪枝：如果某个 MAX 节点的 α 值大于或等于它某个先辈 MIN 节点的 β 值，也就是 α（后继层）≥ β（先辈层），那么这个 MAX 节点以下的搜索可以全部中止，它的倒推值就直接定为这个 α 值。

这里的 α 代表“MAX 层目前能保证拿到的最好值”，β 代表“MIN 层目前能把 MAX 压到的最好值”。一旦这两个界限交叉，说明再往深算也改变不了上面的决策，剪掉即可。

剪枝的效果和节点排列顺序关系极大。运气好的话，同样的深度能少算一大半节点；运气不好，剪枝可能一次都不触发，白忙一场。但这不影响结果的正确性——剪掉的永远是那些不可能影响最终决策的分支，所以剪枝前后倒推出来的根节点值一定一样。

5. 易混概念与常见误区：五个一考就错的地方

学这类内容，最费劲的往往不是新概念本身，而是那些“长得像、名字近、用起来方向相反”的成对概念。下面这五组，是初学者踩坑最集中的地方，每一条都按“易混点在哪、为什么会混、怎么一次分清”来说。

5.1 误区一：正向推理与反向推理搞反

易混点：两者都是推理，都用到规则库，名称里也都有“向”字，很多人记的时候只记住了“一个从前往后，一个从后往前”，一到具体场景就分不清谁是“前”。

为什么会混：因为“前后”是相对的。如果从“事实”的角度看，正向是往前推；可如果从“目标”的角度看，反向也是在往前推——它推的是“还需要什么条件”。参照系一换，描述就乱了。

怎么区分：不要记方向，记起点。正向推理的起点一定是已经摆在桌上的事实，过程是“事实→规则→新事实”，一路往外扩；反向推理的起点一定是那个待证的目标，过程是“目标→需要的前提→这些前提又需要什么”，一路往里收。判断一道题用哪种推理，先问一句：题目给的是“一堆已知事实”还是“一个待证结论”？给事实就是正向，给结论就是反向。

5.2 误区二：把语义网络的所有有向边都当成继承

易混点：语义网络里到处都是有向弧，看着都一样，于是有人认为只要有边就有继承关系。

为什么会混：因为图形表示太直观了，直观到容易忽略边上标签的语义差别。ISA 链、AKO 链确实带来继承，可“老李—年龄→35”这种属性边，或者“某队—比分→89”这种关联边，根本不产生任何继承。

怎么区分：看这条边表达的是分类关系还是属性/关联关系。分类关系可以用“是一种”套进去读——“麻雀是一种鸟”，读得通，那就是 ISA/AKO，有继承；读不通——“老李是一种 35”，显然不对，那就只是属性关联，没有继承。原文里那道“AKO 链、ISA 链是用来表达节点知识的什么特性”的题，答案之所以是继承性，就是因为这两类链专指分类。

5.3 误区三：合一、替换、MGU 三个词混着用

易混点：三者都跟“把变量换成别的东西”有关，很多资料里又常常连着出现，于是被当成同一件事的三个叫法。

为什么会混：因为 MGU 本身就是一种替换，而合一又必须通过替换来实现，三者确实环环相扣，只是层次不同。

怎么区分：把三者摆成一条链就清楚了。替换是最底层的动作，就是把变量映射成项，本身没有对错；合一是一个目标，要求做完替换后两个公式变得完全相同；MGU是达成这个目标的替换里最省的那一个。也就是说，替换是工具，合一是目的，MGU 是这批工具里最合适的那把。判断一个替换是不是 MGU，只需问一句：还能不能找到比它更省、同时仍然能合一的替换？能，它就不是。

5.4 误区四：以为归结出永真式就证明成功了

易混点：永真式和空子句都带一个“恒”字，一个恒真一个恒假，字面上都像是某种“确定的状态”，很容易被当成同类。

为什么会混：因为归结法的整体思路是反证法——先否定结论，再推出矛盾。可“矛盾”长什么样，很多人没真正想过，只记得“推到一个特殊的东西就结束了”。

怎么区分：记住结论的方向。空子句 □ 恒为假，它出现意味着子句集里已经推出了不可能成立的东西，也就是矛盾，反证法到此成功。永真式恒为真，它出现只说明这个子句本身没信息量，对推出矛盾毫无帮助，甚至在删除策略里是要被优先删掉的。一个是终点，一个是废物，方向完全相反。

5.5 误区五：把“用户”算进专家系统的组成部分

易混点：一提到系统，很多人下意识觉得“用户”当然算一部分，毕竟系统是给人用的。

为什么会混：因为日常语境里“系统”包含使用者是很自然的想法，产品设计里也总强调用户体验。

怎么区分：看题目问的是系统内部结构还是使用环境。专家系统的经典三件套是知识库、综合数据库、推理机：知识库存规则，综合数据库存当前事实，推理机负责调度。用户是系统的服务对象，站在系统外面，不属于组成部分。类似地，“事实、规则、控制与元知识”是人工智能系统里知识包含的要素，而“关系”不在其列——这类题考的都是边界，不是常识。

6. 什么时候该啃这份题，什么时候纯属浪费时间

这份资料的价值和它的局限都很明确，值得把边界说清楚。

适合啃的情况：你正在准备一门人工智能导论的考试，或者面试前想把基础概念重新捋一遍。这类题的特点是覆盖面广、单点不深，一道选择题就能勾出一个概念，做完一轮相当于把知识表示、推理、搜索、不确定性这几块快速过了一遍。尤其是里面那些计算题——求 MGU、化子句集、画语义网络、做 α-β 剪枝——它们不适合背，适合动手写。写一遍和看一遍的差距，比想象中大得多。

不适合啃的情况：你想学的是怎么调模型、怎么搭工程、怎么处理真实数据。这份资料里的方法大多是符号主义时代的产物，它教你怎么用逻辑和规则表达知识，但不教你怎么从数据里学出规律。拿它当深度学习入门的材料，方向就错了，容易看完一堆名词却写不出一行能跑的代码。

举个具体的用法。比如那道“老李是大李的父亲，大李是小李的父亲，问谁和谁是祖孙关系”的题，正确的打开方式不是背答案，而是走一遍完整流程：先定义谓词F(x,y)表示 x 是 y 的父亲、G(x,z)表示 x 是 z 的祖父；把三条已知写成F(x,y) ∧ F(y,z) → G(x,z)、F(老李, 大李)、F(大李, 小李)；否定结论得到¬G(u,v)；然后归结——¬F(x,y) ∨ ¬F(y,z) ∨ G(x,z)和F(老李, 大李)归结出¬F(大李,z) ∨ G(老李,z)，再和F(大李, 小李)归结出G(老李, 小李)，最后和否定式归结出空子句，证明完成。

如果还想顺便求出“谁是谁的祖父”，就把否定的结论换成一个重言式¬G(u,v) ∨ G(u,v)，同样归结到G(老李, 小李)，于是 u 绑定老李、v 绑定小李，答案就带出来了。同一个归结框架，一次用来证明存在性，一次用来求解具体值，这个转换非常能说明归结法的通用性。

我自己当初就是跳过了手写这一步，只看答案，觉得“哦，原来是这样”，结果隔一周再遇到同类题，差异集都找不对。从那以后我每次复习这类内容，都强制先在纸上把子句集完整写一遍、把 MGU 的每一步替换标出来，再去对答案——纸上的错误比脑子里的自信便宜太多了。希望帮到你。

本文还有配套的精品资源，点击获取