基于闭合知识假设的神经符号强人工智能机器人：学习与推理
计算机科学中的逻辑
2026-04-14 v1 人工智能
摘要
知识表示形式化方法旨在表示一般概念信息，通常用于构建推理智能体的知识库。知识库可被视为代表该智能体信念的集合。像孩子一样，强人工智能（AGI）机器人必须通过输入和经验不断学习，持续进步其能力。无论是基于神经网络的统计 AI 还是其他方法，我们也需要将事件的"因果性"转化为逻辑推理中演绎的方向性，以为机器人模拟人类智力。此外，我们可以使用公理来保证基于逻辑推理的机器人行为的"受控安全"。对于 AGI 机器人，我们考虑以贝尔纳普 bilattice 的 4 价真值，其中"未知"值是最低值，具有该值的值的句子确实是未知事实，即 AGI 机器人缺失的知识。因此，这些未知事实不属于机器人的数据库，通过学习和经验，机器人的知识会随着时间自然扩展。Consequently，这种现象可以由本文提供的闭合知识假设和逻辑推理来表示。此外，贝尔纳普 bilattice 知识排序中"不一致"值（即最高值）对于强人工智能机器人在演绎过程中支持此类不一致信息和悖论（如说谎者悖论）是必需的。
引用
@article{arxiv.2604.09567,
title = {Neuro-Symbolic Strong-AI Robots with Closed Knowledge Assumption: Learning and Deductions},
author = {Zoran Majkic},
journal= {arXiv preprint arXiv:2604.09567},
year = {2026}
}
备注
32 pages. arXiv admin note: substantial text overlap with arXiv:2508.02774