企业官网建设流程全解析

简介：这份资料面向软件工程、计算机等专业修读《人工智能导论》的学生，聚焦教材第五版中的核心概念，把简答题与名词解释系统整理成一份可直接背诵的复习材料，适合期末备考、课堂梳理与概念查漏补缺。压缩包内共1个PDF文件，约2.65MB，内容按知识点逐条编排，涵盖逻辑思维、形象思维与顿悟思维的对比，符号表示法与连接机制表示法，机器学习的学习机理、学习方法与学习系统构成，以及模式识别、人工神经网络等基础概念。同时深入梳理知识表示与推理部分，包括知识的不确定性、一阶谓词逻辑的优缺点、产生式系统的基本结构与工作流程、产生式与蕴含式的区别、框架表示法的槽与侧面结构，以及知识图谱的逻辑结构与构建方式、演绎与归纳推理、正向逆向与混合推理等。目前已有1020人学习，适合需要快速建立知识框架、对照教材查漏补缺的读者使用。

1. 从一道“送分题”翻车说起：人工智能导论简答与名词解释到底考什么

每年期末前，总有人栽在看起来最不该丢分的地方。比如被问到“产生式和谓词逻辑里的蕴含式有什么区别”，不少人的第一反应是“不都是如果……那么……”吗？结果一开口就露馅。这门课的简答和名词解释，考的从来不是你能不能背出一句定义，而是你能不能在几个易混概念之间划出清晰的边界，再用教材的语言把边界说准。分值分布上，名词解释通常占 20 到 30 分，简答和论述占 40 分以上，剩下的才是计算与综合题。也就是说，把简答和名词解释吃透，及格线基本就稳了，想冲高分也绕不开它。这份整理覆盖了从思维类型、知识表示、推理方式到搜索策略、智能计算、专家系统、神经网络共一百多个条目，适合正在突击期末、准备复试专业课问答，或者想系统过一遍人工智能导论核心概念的人。下面按考点模块拆开讲，每个模块都告诉你考什么、怎么答、哪里容易翻车。

2. 思维、知识与表示法：三类思维和四种表示怎么区分

2.1 三类思维的对比是名词解释的常客

逻辑思维、形象思维、顿悟思维这三个词，几乎每次考试都会以某种形式出现，要么直接让你比较不同，要么藏在“为什么说形象思维难以形式化”这样的简答里。答题时不要只写一句“逻辑思维靠逻辑”，要抓住三个维度：思维过程是串行还是并行、能否形式化、结果是否可靠。

这张表建议直接背下来，考试时先写“串行/并行”这一组对比，再补形式化和可靠性，基本不会丢分。面试官如果追问“为什么形象思维形式化困难”，你就答它依赖直觉、并行协同、在信息变形或缺失时仍能工作，这几点正好和逻辑思维的严密性形成对照。

2.2 符号表示法与连接机制表示法的分野

知识表示这块，最容易被忽略的是把“符号表示法”和“连接机制表示法”混为一谈。符号表示法是用包含具体含义的符号，按不同方式和顺序组合起来表示知识，典型例子是一阶谓词逻辑和产生式；连接机制表示法是把物理对象以不同方式连接起来，在连接之间传递和加工信息，典型例子是神经网络。答题时一定要各带一个例子，否则阅卷人没法判断你是真懂还是背了个壳。

再往下就是四种具体表示法的特点对比，这是简答题的高频区。一阶谓词逻辑的优点是自然性、精确性、严密性、容易实现，局限是不能表示不确定知识、组合爆炸、效率低。产生式表示法优点是自然性、模块性、有效性、清晰性，缺点则是效率不高、不能表达结构性知识。框架表示法的特点是结构性、继承性、自然性。知识图谱则要答出逻辑结构分模式层和数据层，构建过程分自顶向下和自底向上两条路线。

2.3 真题演练：产生式与蕴含式到底差在哪

题目：产生式与谓词逻辑中的蕴含式有什么区别？

这类题通常这么答，分两点说清楚。第一，范围不同。蕴含式只是逻辑连接词，而产生式除了逻辑蕴含外，还包括各种操作、规则、变换、算子、函数。教材里那个“如果炉温超过上限，则立即关闭风门”就是典型例子，它是产生式，但不是蕴含式，因为右部是一个操作而不是一个逻辑结论。第二，精确性要求不同。蕴含式只能表示精确知识，匹配必须精确；产生式既能表示精确知识也能表示不精确知识，匹配可以按相似度落在某个范围内就算匹配成功。

面试官最想听的是你能不能举出那个“关闭风门”的例子，因为它是区分两者的关键证据。只背“产生式能表示不精确知识”而不举例，答案会显得空。

2.4 产生式系统的工作过程必须能默写

产生式系统的基本结构是规则库、综合数据库、控制系统三部分，这个几乎年年考。工作过程五步要按顺序写：从规则库中选出与综合数据库已知事实匹配的规则；匹配成功的可能不止一条，进行冲突消解；执行规则，右部是结论就加入综合数据库，是操作就执行；对不确定性知识还要计算结论的不确定性；检查综合数据库是否包含最终结论，决定是否停止。

冲突消解策略也要顺带记住：按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。这里有个血泪经验，很多人在“执行规则”这一步只写“加入结论”，漏掉“右部是操作则执行操作”，结果被扣分。产生式本来就不只是逻辑推理，操作也是它的重要组成部分。

3. 推理与不确定性：正向逆向怎么选，可信度怎么算

3.1 推理分类的几条主线

推理这一块的考点密度很高，但主线其实很清楚。按方向分，演绎推理是一般到个别，归纳推理是个别到一般，其中完全归纳是必然性推理，不完全归纳是非必然性推理。按确定性分，确定性推理的知识和证据都确定，结论真值非真即假；不确定性推理的知识或证据不确定，结论也不确定。按单调性分，单调推理随着新知识加入结论越来越接近目标，非单调推理则可能因为新知识加入而否定已有结论、退回重来。默认推理是在知识不完全时假设某些条件已具备再推理，属于非单调推理的典型。

答题时建议先给分类维度，再给定义，最后各配一句例子。比如非单调推理就举“鸟会飞，但企鹅是鸟却不会飞”这种经典反例，虽然教材没写，但用来说明“新知识否定旧结论”非常直观。

3.2 正向、逆向、混合推理的流程与取舍

正向推理是从已知事实出发推出结论，流程是：从初始事实出发在知识库中找出可适用知识构成集合；按冲突消解策略选一条推理，把新事实加入数据库；重复直到求得解或无可适用知识。逆向推理是以假设目标为出发点，寻找支持该假设的证据，证据都能找到则假设成立，找不到则另作假设。它的优点是不使用与目标无关的知识、目的性强、利于向用户解释，缺点是起始目标选择有盲目性。混合推理则是先正向后逆向，或先逆向后正向。

这里有个容易翻车的点：题目问“逆向推理的主要优点”，有人答“效率高”，这就不准确。教材强调的是目的性强和便于解释，效率高是相对而言的，不是它的定义性优点。答简答题要贴着教材的措辞走。

3.3 真题演练：谓词公式化为子句集的九步

题目：简述谓词公式化为子句集的步骤。

这是推理部分最像“操作流程”的题，九步一步都不能少：消去蕴含和等价符号；把否定符号移到紧靠谓词的位置；变量标准化；消去存在量词；化为前束形；化为 Skolem 标准形；略去全称量词；消去合取词；子句变量标准化。

答题时不要只列九个短语，每一步后面加半句解释，比如“消去存在量词时用 Skolem 函数或常量替代”，这样阅卷人一眼能看出你理解顺序背后的逻辑。顺序本身也有讲究，先消连接词再移否定，先标准化变量再消量词，乱了顺序结果就会错。

3.4 可信度与证据理论的计算要点

可信度这块，静态强度 CF(H,E) 是知识强度，表示证据为真时对结论的影响程度；动态强度 CF(E) 是证据当前的不确定性程度。C-F 合成公式要分清同号和异号两种情况，同号时用较大值加上两者之差乘以剩余部分，异号时用两者之和除以 1 减去较小绝对值。教材原文里公式有缺字符，复习时以老师课件或课本为准，别死记这份整理里的残缺版。

证据理论那边，样本空间是变量所有可能取值构成的互斥集合，信任函数和似然函数要分清哪个是下界哪个是上界，证据正交和的合成公式里那个求和条件是交集等于目标集合。基于证据理论的推理步骤是：建立样本空间；给出基本概率分配函数；计算信任函数值和似然函数值；得出结论。模糊集合则要记住隶属度的概念、三种表示方法（Zadeh、序偶、向量）、四种隶属函数确定方法，以及清晰化的三种方法：最大隶属度法、加权平均判决法、中位数法。

4. 搜索策略与智能计算：A* 的可采纳性和遗传算法的编码坑

4.1 盲目搜索与启发式搜索的分界

搜索部分先要答清楚四个基本问题：是否一定能找到解、找到的是否最优、时间空间复杂性如何、是否终止或陷入死循环。搜索方向分数据驱动（正向）、目的驱动（逆向）、双向搜索。盲目搜索是在没有特定问题信息的条件下按固定步骤搜索，启发式搜索则利用领域知识动态选择操作算子，重排 OPEN 表，优先扩展最有希望的节点。

状态空间表示法是四元组，回溯搜索要记住三张表：PS 保存当前路径状态，NPS 保存待搜索的新路径状态，NSS 保存不可解状态。回溯思想的核心是用 NPS 支持回退、用 NSS 避免重搜无解路径、用 PS 记录解路径、对新生成子状态查三张表防死循环。宽度优先按深度逐层扩展，深度优先优先扩展最新产生的节点。

4.2 A* 算法的三个特性怎么答

A* 的简答题通常问“为什么 A* 一定能找到最优解”或者“h(n) 的大小对搜索有什么影响”。答题要点是：A* 使用估计函数 f(n)=g(n)+h(n)，在 h(n) 满足可采纳性（不高估实际代价）时，算法可采纳，即最短路径存在时一定能找到它。h(n) 比重大会降低搜索工作量但可能找不到最优解，比重小则工作量加大、极限情况退化为盲目搜索，但可能找到最优解。信息性是指 h2 比 h1 信息更多时搜索状态更少，但更多信息性需要更多计算时间，可能抵消收益。

这里有个玄学般的细节：可采纳性、单调性、信息性三个词经常被混着用。可采纳性说的是“保证找到最短路径”，单调性说的是启发函数沿路径不递减，信息性说的是两个启发函数之间的比较关系。答题时各用一句话锁定，别串。

4.3 真题演练：遗传算法的编码与特点

题目：简述遗传算法的基本思想与主要特点。

基本思想是从多个解开始，通过选择、重组、变异逐步迭代产生新解。特点要答：对优化问题数学要求不高，可直接对结构对象操作；利用随机技术指导编码参数空间的高效搜索；群体搜索策略易于并行化；仅用适应度函数评估个体；能进行概率意义的全局搜索。

二进制编码的优缺点也是高频题。优点是类似生物染色体、易解释、遗传操作易实现、处理模式数最多；缺点是相邻整数二进制编码可能有较大 Hamming 距离降低搜索效率、要先给出求解精度、高维问题串长导致搜索效率低。自适应遗传算法的要点是：适应度趋于一致或局部最优时增大交叉概率 Pc 和变异概率 Pm 以跳出局部最优，适应度分散时减小 Pc 和 Pm 以保护优良个体。

4.4 粒子群与群智能的答题模板

粒子群的基本思想是把每个个体看作 n 维搜索空间中没有体积质量的粒子，以一定速度飞行，速度决定方向和距离，所有粒子有由优化函数决定的适应值。基本原理是初始化随机粒子后迭代，每次通过跟踪个体极值 Pi 和全局极值 Pg 更新自己。流程六步：初始化位置和速度；评价适应度；更新个体极值；更新全局极值；更新速度和位置；检查终止条件，未达到则返回第二步。

群智能的定义是由简单个体组成的群落与环境以及个体之间的互动行为。智能优化方法通常包括进化计算和群智能两大类，是典型的元启发式随机优化方法。这类题面试官最想听的是“个体极值”和“全局极值”这两个跟踪对象，答漏了就等于没答到核心。

5. 专家系统与机器学习：知识获取和 BP 网络的失分点

5.1 专家系统的结构与特点

专家系统是运用知识和推理解决只有专家才能解决的复杂问题的智能程序。基本组成要答知识库、推理机、综合数据库、知识获取、解释机构、人机接口。特点六条：具有专家水平的专业知识、能进行有效推理、具有启发性、具有灵活性、具有透明性、具有交互性。

与传统程序的比较是经典简答：传统程序是数据结构加算法，专家系统是知识加推理；传统程序知识隐含在程序中，专家系统知识单独组成知识库与推理机分离；传统程序处理数值计算和数据处理，专家系统处理符号；传统程序不具解释功能，专家系统具有解释功能；传统程序产生正确答案，专家系统通常正确但有时会错；体系结构不同。这六条建议按“编程思想、知识组织、处理对象、解释功能、答案性质、体系结构”六个关键词记，考场上顺着关键词展开。

5.2 什么情况下开发专家系统是可能、合理、合适的

这三问经常被合并成一道论述题，答题要分三层。可能的条件是：主要依靠经验性知识、不需大量常识性知识就能解决的任务；存在真正的领域专家；有明确开发目标且任务不太难。合理的条件是：有较高经济效益；人类专家奇缺但多处需要；专家经验不断丢失；危险场合需要专业知识。合适的条件是：问题能通过符号操作和符号结构求解且需启发式知识；复杂性适中；任务大小可驾驭且有实用价值。

设计原则六条：专门的任务、专家合作、原型设计、用户参与、辅助工具、知识库与推理机分离。开发步骤和评价四正确性（设计、测试、运行、有用性）也要能顺口说出来。

5.3 真题演练：BP 网络的步骤与优化问题求解

题目：简述 BP 神经网络的训练步骤。

答题要点：确定隐层数和隐层神经元数（目前尚无理论指导）；初始权值一般设为均值为 0 的随机分布；训练数据做线性比例变换到 [0,1] 或 [-1,1] 区间，使每个特征均值为 0 且方差相同；后处理时把输出编码成名义变量对应类别标号。正向传播是输入由输入层经隐层到输出层，反向传播是修改各层权值使误差信号最小。

用神经网络求解优化问题的一般步骤也要能答：把每个可行解用换位矩阵表示；换位矩阵与 n 个神经元构成的网络对应；构造能量函数使其最小值对应最优解并满足约束；用罚函数法构造目标函数并与 Hopfield 能量函数表达式相等，确定连接权和偏置；给定初始状态和参数让网络运行到稳定，解释为优化问题的解。

5.4 机器学习与知识发现的考点清单

机器学习要答出三方面研究：学习机理、学习方法、学习系统。学习系统由环境、学习、知识库、执行与评价四部分组成。机械式学习又称记忆学习或死记式学习，直接记忆外部信息供以后检索。指导式学习又称嘱咐式学习，由外部提供一般性指示，系统转化为细节知识入库，过程是征询、转换、加入知识库、评价。示例学习是从若干与某概念有关的例子归纳出一般性概念。

知识发现全称是从数据库中发现知识（KDD），数据挖掘是从数据库中挖掘知识，目的是从数据集中抽取和精化一般规律或模式。知识发现的任务包括数据总结、概念描述、分类、聚类、相关性分析、偏差分析、建模。主要方法有统计方法、粗糙集、可视化、机器学习方法。粗糙集是具有三值隶属函数的模糊集，即“是、不是、也许”，常与规则归纳、分类和聚类结合使用。

6. 易错点：五个年年有人栽的简答题陷阱

6.1 把产生式当成蕴含式的同义词

错在哪：答题时写“产生式就是蕴含式的一种”。为什么错：产生式包含操作、规则、变换、算子、函数，蕴含式只是逻辑连接词；产生式可表示不精确知识，蕴含式要求精确匹配。怎么答对：先讲范围差异并举“关闭风门”的例子，再讲精确性差异，两句话锁定。

6.2 逆向推理优点答成“效率高”

错在哪：把逆向推理的优点写成搜索效率高。为什么错：教材明确的优点是目的性强、不使用与目标无关的知识、利于向用户解释，效率高不是定义性优点。怎么答对：按“目的性强、便于解释、起始目标有盲目性”这组正反搭配来答，既准确又显得有辨析。

6.3 子句集九步顺序颠倒

错在哪：先消存在量词再变量标准化，或者先化前束形再移否定。为什么错：变量标准化必须在消量词之前，否定必须移到谓词紧前才能正确消去。怎么答对：按“消连接词、移否定、标准化变量、消存在量词、前束形、Skolem 标准形、略全称量词、消合取、子句变量标准化”的顺序默写，每步补半句解释。

6.4 A* 的可采纳性与单调性混为一谈

错在哪：说“A* 因为单调所以一定能找到最优解”。为什么错：保证找到最短路径的是可采纳性，单调性是启发函数沿路径不递减的更强条件，两者不是一回事。怎么答对：可采纳性答“不高估实际代价、保证最短路径存在时找到它”，单调性单独一句带过，信息性再单独一句。

6.5 专家系统与传统程序比较漏掉“答案性质”

错在哪：只答知识库与推理机分离、符号处理，漏掉“传统程序产生正确答案，专家系统有时产生错误答案”。为什么错：这一条恰恰体现专家系统处理不确定经验知识的本质，是阅卷人爱看的区分点。怎么答对：按六个关键词逐个展开，答案性质这条一定要写，并补一句“因为专家系统依赖经验性知识，可能出错”。

7. 考前一周怎么用这份整理：三轮过题法和答题节奏

第一轮用两天把一百多个条目按模块过一遍，每个条目只做一件事：合上资料，用自己的话把定义说一遍，说不出来的做标记。这一轮不求背原文，求的是知道每个概念在哪个模块、和谁容易混。第二轮用三天专攻标记条目和易混对，比如产生式与蕴含式、正向与逆向、可采纳性与单调性、信任函数与似然函数，每对概念画一张两列对比表，左列写区别维度，右列写各自表述。第三轮用两天做默写模拟，拿一张白纸，按“思维与表示、推理与不确定性、搜索与智能计算、专家系统与神经网络”四个板块各默写五道简答，限时二十分钟，写完对照原文补漏。

答题节奏上，名词解释每题控制在三到四行，先给定义再补一句特点或例子；简答题先总后分，第一句给结论，后面分点展开，每点一行半左右；遇到计算类如 C-F 合成、证据正交和，先把公式写出来再代入，公式分往往比结果分好拿。面试场景下，被问到“谈谈你对知识表示的理解”，不要背四种表示法的定义，而是先给一句“知识表示是把人类知识形式化或模型化，让计算机能接受的数据结构”，再挑产生式和框架各说一个适用场景，最后补一句“选择哪种表示取决于知识是否有结构、是否确定”，这样层次就出来了。

我当年复习这门课的时候，总觉得名词解释背背就行，结果第一次模拟考在“框架表示法的继承性”上卡住，明明背过却写不出“下层框架可以继承上层框架的槽值，也可以补充和修改”这句关键表述。从那以后我每次过概念都强制走一遍“定义加一句特点加一个例子”的三件套，再也没在简答上翻过车。这份整理把一百多个条目按考点模块归好，配上易错点和答题模板，直接拿来背、拿来默写都行，希望帮到你。

本文还有配套的精品资源，点击获取