从Doyle到AGM：信念改变的综述与实现路线图

# 从Doyle到AGM：信念改变的综述与实现路线图  
来源：https://arxiv.org/html/2608.14567  
Yuri Almeida  
马德拉大学计算机科学与信息学NOVA实验室（NOVA LINCS），Campus Universitário da Penteada, Funchal, 9020-105, 马德拉，葡萄牙。通讯作者：[email protected]  
Arthur Casals  
马德拉大学计算机科学与信息学NOVA实验室（NOVA LINCS），Campus Universitário da Penteada, Funchal, 9020-105, 马德拉，葡萄牙。电子邮箱：[email protected]  

###### 摘要  
本文呈现了一项针对性的叙事综述，旨在为信念修正的计算实现建立历史与理论基础。以Doyle和London于1980年提出的开创性分类法为起点，我们追溯了信念修正从计算起源到AGM框架的理论转变，再到当代方法的演进历程。分析表明，前AGM时代的计算实用主义如何与AGM的理论构建相关联，并揭示了这一演进过程中的连续性与转变。我们分析了AGM后时代每个分类范畴的演变，梳理了为当代实现挑战提供指导的理论基础与历史先例。这一基础为后续研究提供了支撑，使我们能够构建综合历史洞见与形式化保证的稳健计算蓝图，从而为系统化的实现分析与面向工程的信念修正研究奠定基础。  
这是作者发表于《欧洲人工智能杂志》（SAGE）的接受稿件。最终出版版本可访问 doi:10.1177/30504554261426170 (https://doi.org/10.1177/30504554261426170)。  
关键词：信念修正；AGM框架；真值维护系统；知识表示；智能体；计算逻辑；非单调推理；认知牢固性；信念基；迭代修正  

## 1 引言  
信念修正（BR）是智能体在面临与其当前知识状态相矛盾的新信息时，修改自身信念的过程（Gärdenfors, 1988 (https://arxiv.org/html/2608.14567#bib.bib90)）。这一基本的认知与计算过程涉及确定哪些现有信念需要放弃、哪些新信念应被接受，以及如何在最终的信念系统中保持一致性与连贯性。与仅整合新信息的简单信念添加不同，信念修正需要复杂的机制来处理冲突、优先处理信息源，并在放弃那些已站不住脚的信念时保留最可靠或最重要的信念。  

为说明信念修正所面临的问题，我们借鉴了（Fermé and Hansson, 2018 (https://arxiv.org/html/2608.14567#bib.bib71), pp. 1-2）中的一个例子。假设以下陈述均为真：  
- • 约翰出生于葡萄牙（α）  
- • 佩德罗出生于马萨瓜苏（β）  
- • 约翰和佩德罗是同胞（γ）  
由此可推断，马萨瓜苏位于葡萄牙。  

现在，假设我们收到两条新信息：  
- • 马萨瓜苏不是一个国家（δ）  
- • 马萨瓜苏位于巴西（ε）  

由于这五个陈述存在不一致性，因此不可能同时接受它们为真。针对这个问题，存在几种不同的处理方式。我们应该遗忘一些先前的信念吗？如果是，应该选择遗忘哪些？为什么？这些仅仅是信念修正理论试图回答的部分问题。  

信念修正的正式研究既包括规定理性智能体应如何修正信念的规范性理论，也包括模拟自然与人工系统中信念修正实际过程的描述性理论。其核心涉及三个基本操作：**扩展**（在不移除旧信念的情况下添加新信念）、**收缩**（移除信念以恢复一致性）和**修正**（在移除冲突旧信念的同时添加新信念以保持一致性）（Alchourrón et al., 1985 (https://arxiv.org/html/2608.14567#bib.bib4)）。  

信念修正对人工智能（AI）至关重要，因为现实世界的AI系统必须在动态、不确定的环境中运行，其中信息不完整、可能相互矛盾且易发生变化（Doyle, 1979 (https://arxiv.org/html/2608.14567#bib.bib49)）。与假设信息完美且恒定不变的静态知识库不同，智能体必须根据新的观察、传感器数据、用户输入和变化的环境条件持续更新其理解。  

此外，信念修正在模拟类人推理方面也发挥着关键作用（Harman, 1986 (https://arxiv.org/html/2608.14567#bib.bib119)）。通过建模认知过程，AI系统可以更有效地模拟人类思维模式，这在开发智能助手、教育导师和协作系统等方面具有不可估量的价值。  

信念修正还支持在AI中集成学习与推理（Mitchell, 1997 (https://arxiv.org/html/2608.14567#bib.bib167)）。随着系统越来越多地将机器学习等数据驱动方法与符号推理相结合，信念修正通过近似算子（Chopra et al., 2001 (https://arxiv.org/html/2608.14567#bib.bib33)）和随时算法（Wassermann, 1999 (https://arxiv.org/html/2608.14567#bib.bib217)）促进了学习到的模式与逻辑规则之间的协调，这些算法在计算效率与理论严谨性之间取得平衡。这种集成有助于开发能够在复杂任务中表现出色的稳健混合AI系统（Bengio et al., 2013 (https://arxiv.org/html/2608.14567#bib.bib20)；Russell and Norvig, 2010 (https://arxiv.org/html/2608.14567#bib.bib198)）。  

最后，信念修正对于维护知识系统的一致性不可或缺。专家系统和知识图谱等系统依赖一致的信息以确保准确性与实用性（Davis and Lenat, 1982 (https://arxiv.org/html/2608.14567#bib.bib41)）。在不引入逻辑错误的情况下更新这些系统是一个基本挑战，而信念修正能有效解决这一问题。通过实现这些多样化的能力，信念修正成为推动AI系统适应性、可靠性和智能化的关键机制（Russell and Norvig, 2010 (https://arxiv.org/html/2608.14567#bib.bib198)）。  

总之，信念修正在AI中的重要性体现在多个方面：  

- **自适应推理**：AI系统必须在新的证据出现时调整其推理，这需要机制来识别哪些信念不再被支持，以及如何在相互关联的知识结构中传播变化（Doyle, 1979 (https://arxiv.org/html/2608.14567#bib.bib49)）。  
- **一致性维护**：当智能体获取新信息时，与现有信念的冲突不可避免。信念修正提供了解决这些冲突的原则性方法，同时保留了整体知识集的连贯性（Alchourrón et al., 1985 (https://arxiv.org/html/2608.14567#bib.bib4)）。  
- **学习与知识获取**：机器学习系统本质上涉及信念修正，因为它们根据新的训练数据更新模型，需要复杂的方法来平衡新证据与既定模式（Mitchell, 1997 (https://arxiv.org/html/2608.14567#bib.bib167)）。  
- **多智能体系统**：当多个AI智能体共享信息时，信念修正对于整合其他智能体的知识同时保持个体认知自主性变得至关重要（Stone and Veloso, 2000 (https://arxiv.org/html/2608.14567#bib.bib210)）。  
- **人机交互**：与人类交互的AI系统必须根据用户反馈、纠正和不断变化的偏好来修正其信念，这需要能够处理主观和上下文信息的稳健信念修正机制（Amershi et al., 2014 (https://arxiv.org/html/2608.14567#bib.bib11)）。  
- **本体修复与知识库维护**：现代AI系统越来越依赖形式本体来构建领域知识结构，但这些本体必须随着理解的深化或不一致性的出现而演进（Flouris and Plexousakis, 2005 (https://arxiv.org/html/2608.14567#bib.bib74), 2006 (https://arxiv.org/html/2608.14567#bib.bib76)；Konstantinidis et al., 2007 (https://arxiv.org/html/2608.14567#bib.bib78)）。最近的研究已经建立了AGM信念修正与本体修复之间的正式联系，表明收缩操作可以通过最优修复策略适应于描述逻辑本体，这种策略在恢复一致性的同时最小化信息损失（Flouris et al., 2006 (https://arxiv.org/html/2608.14567#bib.bib75)；Flouris and Plexousakis, 2006 (https://arxiv.org/html/2608.14567#bib.bib76)；Flouris et al., 2013 (https://arxiv.org/html/2608.14567#bib.bib80)；Baader and Wassermann, 2024 (https://arxiv.org/html/2608.14567#bib.bib138)；Souza, 2024 (https://arxiv.org/html/2608.14567#bib.bib206)）。这种将经典信念修正扩展到表达性逻辑框架的做法，为在语义网技术、知识图谱和企业系统中维护大规模知识库提供了原则性方法，使得信念修正对于当代以知识为中心的AI应用的可靠性至关重要。  

### 1.1 问题陈述与动机  
信念修正领域面临着一个基本挑战，即弥合理论基础与实际实现之间的鸿沟（Fermé and Hansson, 2018 (https://arxiv.org/html/2608.14567#bib.bib71)；Fermé et al., 2025 (https://arxiv.org/html/2608.14567#bib.bib72)）。尽管AGM框架为理性信念改变提供了严格的规范性原则，但这些操作在最坏情况下的计算是难处理的（co-NP完全）（Nebel, 1998 (https://arxiv.org/html/2608.14567#bib.bib170)），使得精确实现在大规模应用中不可行，并且通常需要近似处理，这可能损害理论保证（Williams, 1997 (https://arxiv.org/html/2608.14567#bib.bib221)；Chopra et al., 2001 (https://arxiv.org/html/2608.14567#bib.bib33)；Delgrande et al., 2013 (https://arxiv.org/html/2608.14567#bib.bib46)）。相比之下，前AGM计算方法展示了实践可行性，但缺乏能够确保理性行为或提供原则性评估标准的系统性理论基础。  

这种理论-实践鸿沟体现在几个关键方面：  
- **计算复杂性**：AGM修正操作通常是co-NP完全的，使得精确实现在大规模应用中不可行，然而近似策略与理论严谨性之间的关系仍知之甚少（Liberatore et al., 1996 (https://arxiv.org/html/2608.14567#bib.bib147)；Liberatore, 2023 (https://arxiv.org/html/2608.14567#bib.bib148)；Nebel, 1998 (https://arxiv.org/html/2608.14567#bib.bib170)）。  
- **偏好设定**：AGM理论需要诸如认知牢固性排序或选择函数之类的偏好结构，但对于如何从用户、数据或领域专业知识中获取这些偏好提供的指导有限（Williams, 1994 (https://arxiv.org/html/2608.14567#bib.bib219)）。  
- **实现策略**：AGM提供了清晰的规范性约束，但对于实际系统所需的数据结构、算法或架构决策提供的指导很少（Delgrande et al., 2013 (https://arxiv.org/html/2608.14567#bib.bib46)；Williams, 1996 (https://arxiv.org/html/2608.14567#bib.bib220)）。  

本研究的动机源于认识到，在理论基础建立之前开发的前AGM计算方法，可能包含被后AGM时代侧重理论发展所忽视的宝贵实现洞见。这些早期系统在设计时明确关注计算易处理性、增量处理和实际部署限制，这些关注点在当代AI应用中仍然核心，但在理论研究中往往处于次要地位。此外，从自动驾驶汽车到对话智能体等动态、不确定环境中AI系统的激增，重新引发了人们对能够在实时约束和有限计算资源下运行的实际信念修正实现的兴趣。理解前AGM方法如何应对这些挑战，以及如何将其洞见与AGM的理论框架整合，对于开发下一代智能系统至关重要。  

为了更好地理解该领域的进展，有必要重新审视在有影响力的AGM模型（现已成为主流方法）之前出现的信念修正算法。通过比较前AGM算法的状态与AGM后的发展，可以理解这些模型如何在AGM理论的背景下被评估，以及最终如何为在智能体中实现信念修正而调整。我们认为，信念基的信念改变理论现已成熟到可以采取下一步骤——在现实世界智能体中实现信念修正。这得益于该研究领域内部的进步，以及过去几十年小型设备计算能力的提升。基于这种理解，我们主张，AI界在1970年代和1980年代提出的信念修正算法，很可能包含了关于实现信念修正机制的宝贵洞见。  

本文分析了如何在AGM理论的视角下评估前AGM时代提出的模型。我们首先分析前AGM信念修正算法，建立在经典文章《信念修正文献的精选描述符索引书目》（Doyle and London, 1980 (https://arxiv.org/html/2608.14567#bib.bib51)）的基础上。Doyle和London的工作提供了对早期研究和前AGM方法的详细概述，为我们的分析提供了有价值的框架。我们以此书目为基础，重新审视关键贡献并概述信念修正领域的发展。随后，我们分析如何在AGM理论的视角下评估这些贡献，以及最终如何在智能体中实现信念修正机制时进行调整。  

本文并非系统性文献综述，而是一项针对Doyle和London工作的叙事性综述，旨在追溯信念修正研究从其计算起源到理论形式化再到当代实现的演变。这一针对性的叙事综述为解决计算信念修正实现问题的系统性研究项目奠定了历史和理论基础。通过全面分析从前AGM计算方法到AGM理论再到当代系统的演变，我们提供了进行系统性实现分析和面向工程的研究所需的必要基础。后续工作将在此基础上开发综合历史洞见与形式化保证的计算蓝图和实现分析框架。  

### 1.2 论文组织  
本文结构如下：  
相关工作（https://arxiv.org/html/2608.14567#S2）部分全面回顾了相关工作，将我们的综述方法置于信念修正综述与回顾的更广泛格局中。我们将我们的方法论和范围与现有文献综述进行比较，并指明我们历史-理论分析的独特贡献。  
背景与基础（https://arxiv.org/html/2608.14567#S3）部分奠定了哲学和理论基础……