1 引言与基本概念

非单调推理（Non-monotonic Reasoning）是人工智能与逻辑学中的一个重要分支，它突破了经典逻辑中“演绎推理是单调的”这一基本假设。在经典逻辑中，如果一个结论被推导出来，增加新前提不会导致该结论失效（即单调性）；而非单调推理允许在获得新信息后撤回先前得出的结论，从而更贴近人类日常推理中基于默认假设、常识和不确定信息的思维过程。该理论广泛应用于知识表示、专家系统、自然语言处理及认知建模等领域，其核心在于处理不完全信息和默认规则，使得推理系统具备灵活性与适应性。

1.1 单调性与非单调性的对比

在经典一阶逻辑中，推理具有单调性：若一个结论可以从前提集合P中推导出来，则对于任意扩展的前提集合P∪Q，该结论仍然成立。用符号表示为：若P ⊨ φ，则P∪Q ⊨ φ。这一性质保证了推理结果的稳定性。

非单调推理则打破了这一点：增加新前提可能导致原有结论失效。例如，典型的三段论“所有鸟类都会飞。企鹅是鸟。因此企鹅会飞”在经典逻辑中成立，但现实中企鹅不会飞——当增加“企鹅是不会飞的鸟类”这一前提时，原有结论被撤销。非单调推理正是为了处理这种“默认知识”与“例外情况”共存的情境。

1.2 非单调推理的直观动机

人类日常推理中大量使用默认假设：当我们说“去超市买东西”，默认超市是开门的；若后来得知超市今天歇业，我们会修正计划。同样，人工智能系统需要处理不完整信息，其知识库通常只包含典型情况下的规则，而非所有可能的例外。

非单调推理的动机来自以下几个方面：第一，真实世界信息通常不完整，系统必须基于现有信念进行推断；第二，人类认知中普遍存在“可废止性”（defeasibility），即结论可以因新证据而被推翻；第三，在自然语言理解中，预设（如“张三戒烟了”预设张三以前抽烟）和非字面含义需要借助默认规则消解。

1.3 核心术语定义（默认、例外、可废止性）

默认规则（Default Rule）：一种形如“如果A，且不违反B，则通常C成立”的推理模式。例如，“鸟通常能飞”可表示为：鸟(X) 且 不是企鹅(X) → 能飞(X)。默认规则带有“除非有反证”的隐含条件。

例外（Exception）：使默认规则失效的特殊情况。在上述例子中，企鹅、鸵鸟、受伤的鸟等都是例外。例外本身也可能有默认性质（“受伤的鸟不能飞”也有例外？）。

可废止性（Defeasibility）：推理结论可以被击败或撤销的性质。可废止推理承认结论的暂时性：只要前提不变，结论有效；但若出现击败者（更具体或更优先的规则），原结论即被撤回。可废止性是非单调推理的核心哲学基础。

2 历史发展

2.1 早期哲学与逻辑基础

非单调思想的哲学渊源可追溯至古希腊的“可废止推理”传统。亚里士多德在《前分析篇》中讨论过“通常”前提下的三段论，但其逻辑体系基于必然性。近代哲学家如康德、休谟均涉及“经验概括的可废止性”。

20世纪逻辑学家提出“缺省推理”（Reasoning by Default）的概念。1944年，卡尔纳普在《意义与必然性》中讨论过“正常状态”的假设。1957年，图灵在《计算机器与智能》中提及“默认信念”对AI的重要性，但受限于当时的技术，未能系统化。

2.2 人工智能中的兴起（1970–1980年代）

非单调推理作为AI领域的独立研究方向诞生于1970年代，直接驱动因素是专家系统的需要。

  • 1978年：约翰·麦卡锡（John McCarthy）发表《作为常识推理的非单调逻辑》，提出“异常条件”的表示方法，并引入“谓词完成”概念，成为奠基之作。
  • 1980年：雷蒙德·赖特（Raymond Reiter）在《默认逻辑：非单调推理的形式推理》中系统定义了默认逻辑，包括默认规则、默认扩张等核心概念，至今仍是该领域的标准框架之一。
  • 1980年：德鲁·麦克德莫特（Drew McDermott）和乔恩·多伊尔（Jon Doyle）提出非单调逻辑的另一种形式，强调信念修正。
  • 1984年：大卫·普尔（David Poole）提出“可废止逻辑”，以论证与反驳为基础，引入优先级排序机制。
  • 1988年：卡内基梅隆大学团队开发了“MMOS”（多重默认推理系统），首次实现实用化推理。

这一时期的核心贡献包括：默认逻辑、可废止逻辑、自认知逻辑、时钟世界假设等形式化方案的提出，以及计算复杂性的初步分析。

2.3 现代研究方向

进入21世纪后，非单调推理的研究方向多元化：

  • 与描述逻辑结合：应用于OWL（Web本体语言）的默认规则扩展，处理本体中的缺省知识。
  • 逻辑编程：稳定模型语义（Stable Model Semantics）发展为答案集编程（Answer Set Programming，ASP），广泛应用于规划、诊断等任务。
  • 认知建模：与脑科学和心理学交叉，研究非单调推理的人脑认知机制。
  • 概率化非单调推理：将概率论引入，处理默认规则的置信度与例外概率。
  • 深度学习结合：尝试用神经网络模拟非单调推理，如在预训练模型中融入默认规则。

3 主要形式化方法

3.1 默认逻辑

默认逻辑由赖特在1980年提出，是最早的、最著名的非单调推理形式化方法。它以默认规则扩展经典逻辑，允许推导出在经典逻辑中不能得到的结论。

3.1.1 默认规则的形式化描述

默认规则的一般形式为：

A(x) : B1(x), ..., Bm(x)
──────────────────────
C(x)

其中：

  • 前提（Prerequisite）：A(x)是经典逻辑公式，是规则触发条件。
  • 证明（Justifications）：B1(x), ..., Bm(x)是经典逻辑公式列表，表示规则使用时必须“未被否定”（即假设它们一致）。
  • 结论（Consequent）：C(x)是经典逻辑公式，是推导出的结论。

直观解释：若A(x)成立，且对于所有i，Bi(x)不与当前知识矛盾（即可一致性地假设它们），则推断C(x)。例如，“鸟类会飞”的默认规则可写为：

鸟类(x) : 会飞(x)
────────────────
会飞(x)

此规则表示：如果x是鸟类，且假设“会飞(x)”与知识库一致（不是已知矛盾），则推断能飞。

默认规则可以是开放式的（带有变量x）或封闭式的（无变量）。规则的应用可能产生循环依赖，从而需要特殊处理。

3.1.2 默认扩张（Extensions）与固定点

默认扩张是默认逻辑中的核心语义概念。一个默认理论由一组经典逻辑公式（事实）和一组默认规则组成。默认扩张是满足以下条件的最小经典理论集合：

  1. 包含所有事实；
  2. 在经典逻辑下封闭；
  3. 对于每条默认规则，若前提已经在扩张中，且所有证明与扩张一致，则结论也必须在扩张中。

默认扩张可以理解为：从事实出发，反复应用默认规则，直到饱和，且没有任何规则产生矛盾。但要注意，一个默认理论可能有多个扩张（对应于不同规则应用顺序）。例如，关于“鸟类”与“非企鹅”的规则可能产生一个扩展包含“会飞”，另一个（若同时有“企鹅不会飞”的规则）包含“不会飞”。

固定点（Fixed Point）是扩张的另一种定义方式。设T为一个理论集合，定义算子Γ(T)=Th(事实 ∪ {C规则前提在T中且所有证明与T一致})。那么，T是默认扩张当且仅当T是Γ的最小固定点（即Γ(T)=T且T是最大的这样的集合）。这种迭代过程类似于递归枚举。

3.2 可废止逻辑

可废止逻辑由大卫·普尔等人于1980年代提出，强调推理是可击败的（defeasible），而非默认的（default）。它不假设“默认正确”，而是将推理视为“论证”过程，允许反对并裁判。

3.2.1 论证与反驳

在可废止逻辑中，知识库包含三类规则：

  • 严格规则：不可击败，如“所有人类都会死”。形式：A ⇒ B，表示如果A成立，则B必然成立。
  • 可废止规则：可被击败，如“鸟类通常能飞”。形式：A → B，表示如果A成立，则通常B成立，除非有例外。
  • 击败者规则：用于表明某可废止规则不适用于当前情况。形式：A ↛ B，表示在特定条件下，原规则应被阻止。

一个论证（argument）是由规则链支持的结论。例如，从“这只动物是鸟”和可废止规则“鸟会飞”可构建论证“这只动物会飞”。反驳（rebuttal）则是利用相反规则或间接信息攻击论证，例如“该动物是企鹅，而企鹅不会飞”形成反驳。

3.2.2 优先级排序与冲突解决

当多个论证冲突时（如一个论证支持“会飞”，另一个支持“不会飞”），需要排序机制来决定哪个论证占优。优先级通常由以下因素确定：

  • 规则的强度：严格规则永远优先于可废止规则；可废止规则之间可能有预定义的优先级（如更具体的规则优先，或人为赋予的权重）。
  • 论证的长度或复杂度：有时简单的论证（直接规则）可能被间接的反驳击败（例如“虽是鸟，但受伤了”）。
  • 击败者特异性：特例规则优先于一般规则。例如，“企鹅不会飞”比“鸟会飞”更具体，因此优先级更高。

形式化上，可废止逻辑通常采用“证成序”（justification order）或“可击败序”（defeasibility order）来裁决。推理过程分为多个阶段：先构建所有论证，然后标记可击败的论证，最后输出未被击败的结论。

3.3 自认知逻辑

自认知逻辑（Autoepistemic Logic）由罗伯特·摩尔（Robert Moore）在1985年提出，从人类自我认知信念的角度定义非单调推理。其核心思想是：“理性主体”在推理时会考虑自己的知识状态。

3.3.1 信念与知识的非单调性

自认知逻辑中的公式既包含经典逻辑语句，也包含关于知识状态的模态算子L（“知道”）。例如，LA表示“我知道A”，¬LA表示“我不知道A”。推理的非单调性源于信念的“自省”性质：一个新的事实可能改变主体对自己知道什么的认识。

一个自认知理论是一组经典模态语句。其稳定性概念是“稳定集”（Stable Set），它满足：

  1. 包含所有经典逻辑真理；
  2. 在逻辑推论下封闭；
  3. 如果A在集合中，则LA也在集合中（正自省）；
  4. 如果A不在集合中，则¬LA在集合中（负自省）。

例如，假设知识库只有一条事实：“phone(X) ∧ ¬L¬works(X) → works(X)”（如果X是电话且我没理由认为它不工作，则它工作）。当增加一个新事实“L¬works(my_phone)”（我知道我的电话不工作）时，原先“works(my_phone)”的结论被撤销。这是因为主体自省得知自己知道该电话不工作，违反了负自省前提。

3.3.2 稳定模型语义

稳定模型语义（Stable Model Semantics）源自自认知逻辑，由米哈伊尔·格尔冯德（Michael Gelfond）和弗拉基米尔·莱夫施茨（Vladimir Lifschitz）在1988年提出，是逻辑编程中非单调推理的标准语义。

一个逻辑程序由一系列规则（H:-B1,...,Bn, not C1,..., not Cm）组成，其中not表示否定即失败（negation as failure）。稳定模型是程序的“最小化信念”模型：它包含所有可由规则推导出的原子，且排除所有被规则依赖过程否定的原子。

稳定模型的计算通常基于“还原”操作：先假设否定谓词的真值，再验证一致性。稳定模型语义保证了程序的非单调性质，广泛应用于答案集编程（ASP），成为知识推理的主要工具。

3.4 最顺利推理与最小模型

最顺利推理（Preferential Reasoning）强调“尽可能保持正常”的推理原则，即优先选择最“正常”或“最小”的模型。这一思想源于“最小模型”方法，由麦卡锡等人提出。

3.4.1 环世界假设（Closed World Assumption）

环世界假设（CWA，由赖特在1978年提出）是一种最顺利推理的具体形式：如果一个原子事实不在知识库中，则假设它为假。例如，有一个包含“飞：鸟”知识的数据库，若查“大象会飞”，由于没有相关事实，CWA会推出“大象不会飞”。这显然是基于不完全信息的非单调推理：加入新事实“大象会飞”会撤销原结论。

CWA的严格形式要求知识库是“赫布兰德模型”上的闭包，即所有结论只能来自事实与规则。CWA已被证明等价于一种非常简单的非单调逻辑。

3.4.2 缺省推理的模型论解释

在模型论层面，缺省推理可以理解为在对所有可能的模型施加偏好序，优先选择那些“异常”更少的模型。例如，“鸟会飞”的规则对应着偏好模型：选择那些“非鸟”或者“能飞”的模型。具体而言，一个语句φ是缺省可推出的，当且仅当在所有“最小异常”模型中φ成立。

“最小模型”语义由麦卡锡的“谓词完成”方法实现：通过向知识库增加封装谓词，确保“异常”谓词（如Abnormality）建模的例外情况被最小化。另一种方法是“优先序逻辑”，即定义模型之间的优先关系（如子集式优先），并只保留最优先模型。这种语义保证了推理的非单调性，并为后续的答案集编程提供了理论基础。

4 关键性质与问题

4.1 计算复杂性

非单调推理的计算复杂性普遍高于经典逻辑推理。

  • 默认逻辑：判定一个公式是否在默认扩张中（成员判定）是NP完全的，若扩张数量指数级增长，则更困难。
  • 可废止逻辑：判断一个论证是否击败另一个，在最坏情况下是指数级的（取决于规则数量）。
  • 自认知逻辑：稳定模型的存在性判定是NP完全的；对于无循环的程序，复杂度可降至多项式。
  • 答案集编程（ASP）：典型问题如稳定模型计数是#P完全；求解最优稳定模型是NP难。

实际系统中采用启发式、剪枝和并行计算来降低复杂度，但理论上非单调推理的决策问题在多项式时间下通常难以解决。

4.2 非单调推理与逻辑的竞合

非单调推理并非取代经典逻辑，而是与经典逻辑互补。经典逻辑提供严格的、不可撤销的推理；非单调推理处理默认知识。二者结合时可能出现冲突：

  • 逻辑完备性：经典逻辑中所有定理都是由公理和规则推导出的必然结论；非单调推理则引入“或然结论”，严格性降低。
  • 知识表示：经典逻辑难以表达“通常”“异常”等概念，而非单调逻辑形式化更复杂。
  • 语义理解：许多非单调逻辑的模型论不尽一致（如默认逻辑的多个扩张），导致推理结果存在歧义。

因此，实际应用中常采用“混合系统”：用经典逻辑处理确定性知识，用非单调机制处理默认规则，并通过综合框架（如“优先序默认逻辑”）统一语义。

4.3 异常的检测与处理

在处理异常时，非单调推理面临三方面挑战：

  1. 异常表示：如何将现实世界中的各种例外（如受伤的鸟、机器故障）形式化为可废止规则或默认规则的例外条件？通常需要引入“异常谓词”（如Ab(x)表示x是异常的）。
  2. 异常推理：当新信息与默认结论矛盾时，系统应能识别哪些规则被击败，并能追溯异常来源（如“鸟会飞”与“这只鸟是企鹅”冲突）。
  3. 异常恢复：在撤回旧结论后，如何避免过度修正？例如，得知某只鸟是企鹅后，系统不应推定所有鸟都不会飞，而应只针对该个体撤销其会飞的结论。

现代系统通过“例外层次”和“冲突解决策略”（如特异性优先）来管理异常，保证只需撤销局部结论。

4.4 非单调推理的语义争议

非单调推理的语义基础始终存在争议，主要在于：

  • 扩张唯一性：默认逻辑允许一个理论有多个扩张（对应于不同假设），但有些哲学家认为一个理论应唯一确定“正确”结论。赖特自己也承认，“扩张”概念并非总能令人满意。
  • 认知解释：自认知逻辑假设主体具有“完全自省能力”，这在认知上不现实；此外，稳定模型语义依赖于“失败即否定”，这与直觉不完全一致。
  • 逻辑干净性：非单调推理缺乏“有效性”“可行性”等经典逻辑中明晰的标准，导致不同形式化方法（默认逻辑、可废止逻辑）之间难以等价转换。

尽管如此，这些争议推动了更严谨的形式化工作（如“可废止逻辑的论证版”“非单调逻辑的模型论公理化”），为实际应用提供了理论支撑。

5 应用领域

5.1 专家系统与知识工程

早期专家系统（如MYCIN、XCON）依赖确定性规则，存在“规则爆炸”问题。非单调推理允许专家系统使用默认规则减少规则数量，提高知识获取效率。

例如，一个医疗诊断专家系统可包含默认规则：“发烧通常意味着感染，除非有免疫缺陷记录”。系统在推理时会先假设患者免疫功能正常，若后续检查发现免疫缺陷，则撤销原诊断。同样，在知识工程中，非单调机制支持知识库的动态更新：新知识可以自然地被加入，而不必手动修改所有相关规则。

现代专家系统常采用“默认逻辑”或“可废止逻辑”作为底层推理引擎，搭配知识图谱和本体（如OWL的默认扩展）处理不完整知识。

5.2 自然语言理解（预设消解、桥梁推理）

自然语言理解中的预设诱导（presupposition）和桥梁推理（bridging inference）本质上是非单调的。

  • 预设消解：句子“请关门”预设门是开的，如果当前语境是门关着，则需要撤销这一预设。非单调推理可处理这一过程，规则可设为：“若系统没有明确的知识，则默认门是开的”。
  • 桥梁推理：文本跨句子推理时经常依赖默认知识，如“张三打开电脑。他启动了程序”隐含着“电脑被打开后可以启动程序”。非单调推理（如可废止逻辑）可动态生成桥梁假设，同时允许后续文本击败这些假设。

一些自然语言理解系统（如Discourse Representation Theory的扩展）集成了非单调推理模块以处理话语连贯性。

5.3 智能规划与机器人

智能规划（Planning）中，动作模型常采用STRIPS或PDDL格式，但现实世界存在大量不确定性和例外。非单调推理使机器人能够处理“部分可观察”环境下的规划问题。

  • 默认动作前提：如“如果门是关的，且没有锁的迹象，则默认可以推开”。若推不开门，则系统撤销该前提并推断门是上锁的。
  • 执行期间的异常处理：机器人执行计划时，若传感器反馈异常（如预想中有障碍物但实际上没有），非单调推理可用于修正计划。

答案集编程（ASP）是目前最流行的规划领域的非单调推理工具，许多机器人平台（如Rosie）使用ASP进行任务规划与重新规划。

5.4 法律推理与常识推断

法律推理中大量依赖“通常情况”与“例外规则”，正好与非单调推理对症。

  • 法规解释：一条法律规则通常是“如果满足条件A，则规定结论B”。但法律体系内含有例外（如“除非是未成年人”）。非单调逻辑可将此建模为可废止规则，同时允许“例外的例外”（如“除非是16岁以上并得到监护人同意”）。
  • 判例法推理：基于案例推理系统中，新案例通常遵循过往判例，除非新案例具有“显著不同”的特征。这类似于可废止逻辑的优先级机制：更具体的判例优先于一般规则。

许多法律人工智能系统（如Lex Machina、IBM Watson for Legal）开始融入非单调推理模块，以处理法律文本中的默认条款与反例条款。

6 前沿与挑战

6.1 与深度学习的结合

非单调推理与深度学习的交叉是当前AI研究的前沿。传统深度学习缺乏显式的推理能力，而融合非单调推理可增强模型的可解释性与泛化能力。

  • 神经符号系统：将默认规则嵌入神经网络架构，使网络在隐层内模拟非单调推理。例如，用注意力机制处理冲突的规则，用可微分逻辑门实现可废止推理。
  • 预训练语言模型：GPT、BERT等模型具有隐含的知识，但缺乏明确的默认推理机制。新方法尝试在微调时加入非单调推理损失函数，让模型学会识别“典型”与“例外”。
  • 场景图生成：在图像理解中，默认推理帮助从视觉锚点（如“人站在车旁”）推断丰富的背景知识（如“车可能没锁”），并允许根据新证据修正。

挑战在于将离散的、符号化的非单调推理与连续的、分布式的神经网络有效整合，同时保持计算效率。

6.2 概率化非单调推理

传统非单调推理是二值的（结论要么成立要么不成立），但现实世界存在概率性的例外。概率化非单调推理（如“贝叶斯默认逻辑”）引入概率分布建模规则的置信度。

  • 无参数贝叶斯：对默认规则赋予先验概率，通过新证据更新后验分布，从而决定何时撤销默认结论。
  • 马尔可夫逻辑网络：将非单调规则转化为一阶逻辑公式，赋予软权重，通过马尔可夫随机场求解最可能的一致性世界。
  • 双模式推理：结合符号推理（规则）与概率推理（贝叶斯网络），在冲突时自动加权裁决。

概率化非单调推理对于处理医疗诊断、风险评估等不确定性问题具有重要意义，但计算成本和语义一致性仍是难点。

6.3 认知科学与心理模型的交叉

非单调推理不仅仅是AI工具，也是人类认知的核心特性。心理学和认知科学的实验表明，人类推理中存在“快速而节俭的启发式”与“可废止性”一致。

  • 心理模型理论：约翰逊-莱尔德（Johnson-Laird）的心理模型理论认为人类擅长构建“可能性模型”并更新。非单调推理可视为心理模型的动态维护过程。
  • 认知偏差研究：如“证实偏差”导致人们倾向于不放弃初始信念，这与非单调推理的“撤回难”问题相对应。理解人类如何有效处理例外，可启发更好的AI推理策略。
  • brain-inspired推理：神经科学发现前额叶皮层在“信念修正”（Belief Updating）中活跃。研究可帮助设计更符合人类认知的非单调推理算法。

前沿方向包括：用fMRI验证人类非单调推理的脑区活动，开发基于认知负荷理论的“代价敏感”推理模型。

7 相关经典文献与资源

7.1 奠基性论文

  • McCarthy, J. (1978). *Circumscription: A Form of Non-Monotonic Reasoning.* 人工智能期刊，首次提出谓词完成方法。
  • Reiter, R. (1980). *A Logic for Default Reasoning.* 人工智能期刊，定义了默认逻辑并引入默认扩张概念。
  • Moore, R. C. (1985). *Semantical Considerations on Nonmonotonic Logic.* 人工智能期刊，定义了自认知逻辑。
  • Gelfond, M. & Lifschitz, V. (1988). *The Stable Model Semantics for Logic Programming.* 国际逻辑编程大会，奠定了ASP的语义基础。
  • Poole, D. (1988). *A Logical Framework for Default Reasoning.* 人工智能期刊，提出可废止逻辑的论证理论。

7.2 标准教材

  • *Knowledge Representation and Reasoning* (2004), by Ronald J. Brachman & Hector J. Levesque. 第5章详细讲解非单调推理。
  • *Logic for Computer Science: Foundations of Automatic Theorem Proving* (2003), by Michael Huth & Mark Ryan. 涵盖默认逻辑与稳定模型。
  • *Answer Set Programming* (2012), by Vladimir Lifschitz. ASP的非单调语义与应用的经典教材。
  • *Nonmonotonic Reasoning* (1993), by E. Sandewall & R. Fagin. 早期综合教材，虽年代久远但概念清晰。

7.3 开源推理工具

  • DLV（Datalog with Defaults）：基于答案集编程的推理系统，支持默认规则、优化求解。官网：dlvsystem.com
  • Clingo：最活跃的ASP求解器，由德国波茨坦大学开发，集成剪枝与并行。官网：potassco.org
  • Ginsberg（TPTP默认逻辑系统）：基于默认逻辑的推理工具，已有Python实现。
  • Prolog的非单调扩展：如XSB Prolog支持“否定即失败”，是实现非单调推理的轻量方案。
  • ProbLog：概率化非单调推理工具，将默认规则与概率联合推理。官网：problog.github.io

以上工具均已开源，并配有文档和教学案例，适合研究人员与开发者学习与实践。