一些人工智能的研究者解决了理解常识性推理的问题。以下给出的是在一些组成部分中经常用来表示常识性推理的必要组成部分^[8]：

1）有能力使用不同的表示去形容相同的情形。

2）当问题解决方法失效的时候有能力进行辨识。

3）在更高的层次上具有自省能力。

4）有效的知识检索能力。

让我们看一下这四点内容，并且审视一下当前这一代的人工智能系统的错误究竟是什么。更进一步，让我们对这些局限给出可能的解决方法。常识性推理的这四点要素将作为评价智能用户接口有效性的一个框架。

1.能够使用多种表示的能力

传统的程序是依照使用单一方法解决问题的模式进行设计。这样的程序可能缺乏灵活性，并且当面对变化的假设和使用不同的程序方法时缺乏鲁棒性。需要设计人工智能程序，使之能够在不同的表示中工作，以便当一种表示失效的时候程序可以很容易地进行切换去寻找替代程序。对于一个人类的问题解决者，为了真正理解和解决问题的情景，他或她不仅仅要掌握一系列对于问题的表示，而且也要有能力去理解它们是如何与其他表示相关联的，这就是对一系列问题具有一种整体的观点。同样地，人工智能程序应该能够理解如何有效地处理多种表示。

在人工智能领域，知识表示是一个中心主题。这一主题从一开始就引起了人工智能研究者的关注，并且到今天仍旧是一个主要的挑战性主题。本书的一个目标就是说明如何处理知识表示这一主题，这就如同从图表表示这一棱镜中进行折射一样。在以后几章中，我们将看到许多不同类型的知识表示方案，所有的方案都是以图形化的方式进行表示的。我们研究了如何用许多不同类型的图形图表进行推理并得出推论。一些实例包括了帮助我们做出更好决策的决策树和影响图（第3章中论述）、帮助我们理解起因和结果机制的有向图（第3章中论述）、可以完成逻辑推理的维恩图表（第4章中论述）、用来表示在专家系统中应用的解题策略的图表（第6章中论述）、可以帮助我们进行故障诊断的基于模型的推理系统（第7章中论述）和可以完成概率推理（或是不确定和不完善数据推理）的贝叶斯网络（第8章中论述）。其他的实例包括神经网络、脚本（在之前进行过简要讨论）、基于框架的表示、逻辑、面向对象的方法和其他技术以及形式也用于对知识进行表示。由于本书所关注的是通过图表进行推理，所以许多其他并未涉及图表表示的知识表示方法就将不会在本书的范围内涉及。

2.处理误差的能力(www.daowen.com)

传统的人工智能用户接口受到批评的原因是因为它们极其脆弱——也就是传统的人工智能用户接口仅仅用来完成一件特定的事物，但是当你试图使系统超过所设计的人工智能用户接口时（也就是说超过其知识的范围的时候），那么系统将完全失效。确实，人工智能的前景由数以千计的高度专门化的程序所堆积，这些程序中的每一个都可以完成规划好的任务。例如诊断细菌的皮肤感染、玩象棋、决定高胆固醇病人需要服用何种药品并且其服用剂量是多少。这些程序可以很好地完成特定的任务，有时候甚至超过人类专家的水平。然而，如果存在一个潜在不恰当的假设，或是丢失一段数据，或是缺乏对一些事实的完全确定的了解，那么系统就会完全停止工作。而相反的是，当遇到不确定性问题，或是遇到不完整的数据，或是遇到噪声信息的时候，人类的问题解决者就会适度降低其影响。此外，人类的问题解决者能够很好地知道当遇到故障的时候使用相适应的策略去处置相应的情况。

当设计人工智能系统时，需要完成更好的工作。在很大程度上，更好的用户接口能够极大地增强处理误差和故障的能力，目前这种接口主要是图形用户接口。通常，要求用户接口足够灵活，以便去处理误差和不确定信息。在本章的最后和全书中都涉及了系统灵活性这一主题。

3.在更高的层面上具有自我反思能力

传统的程序执行预编程的指令组，但是程序从不会做出尝试去终止其行为，并对它自身的行为进行反应，即使是其进入了死胡同或是鲁莽地脱离了轨迹。在一些总体设计（这是一种处理问题解决情况的模型）中，完全不需要这种程序。人类的问题解决者通常拥有更高层面的策略去处理问题。他或她将常常需要终止任务或是对当前问题的状态进行反应，并决定是否需要改变进程。有效的问题解决者和决策者很重要的特性是具有关键的知识，并具有适应情况的能力。

我们需要人工智能程序具有基本的知识，并且可以反映它们是否沿着正确的问题解决方法前进。关键的知识与理解用于解决问题的方法有关，并且与如何组织这些方法以达到目标有关^[9]。在第6章中将更广泛地讨论关键的知识和如何应用图表表示这些知识。

4.有效地知识检索能力

从一个人所拥有的巨大的知识仓库中检索相关知识的能力，对于高效的性能和解决问题来说是一个重要的功能。人工智能程序也需要能够有效地完成这一功能，以便相对便捷和快速地获得正确的信息（通过内存或是知识库进行的一种详尽的和线性的搜索，人工智能程序无法对其忽略）。此外，知识检索要求人工智能程序可以识别当前问题解决背景的模式或特性，以便程序能够知晓在其知识库中所存储的哪一种问题背景与当前的背景是最为匹配的。

这里提出了大量的知识表示图表去处理知识检索问题。已知的一个流行的方法是基于案例的推理。这种类型的系统将知识组织到案例中，这些案例是对未来出现的问题推导出解决方案的问题求解经验。这一应用的实例是技术支持系统，这一系统为问讯台操作员提供如何解决客户问题的指导帮助。例如，一位顾客打电话给问讯台去报告她的打印机所出现的问题。客户报告说她收到了错误信息号908，并且她的打印机不能工作，同时橘黄色的灯一直闪烁。基于案例的推理系统将会从其历史案例数据库中搜索一个与当前故障特性最为匹配的信息。有时候并没有一个与历史案例完美匹配的数据，所以系统必须知道如何使过去的解决方案与当前的问题相适应。此外，将新的案例添加到历史案例知识库中，这些新的案例与过去任何的案例都不能完美的匹配。这样基于案例的推理系统由于获得了更多经验上的知识，而且能够随着时间的推移去不断地适应和发展。

本书调查了大量的图表表示方法，这些图表表示方法的主要功能之一是作为“组织的支架”^[10]去进行更有效的检索知识。的确，图表的一个十分重要的功能是更有效地组织信息，以便能够更加容易地进行检索。例如，组织大量信息的一个普遍的和自然的方式就是层次体系。这些图表，无论是层次体系还是其他形式，都可以成为用户接口自身的一部分，并能够使终端用户与图表进行交互，以便更好地理解系统。因而，除了作为有效地知识检索工具的角色外，它们也将能够扮演帮助我们理解系统组成和其相互关系的角色——这就是一个复杂系统的潜在机制。