跳转至

P1-6.1 信息不完整且例外很多的问题

Section ID: P1-6.1 Version: v2026.07.20

第 5 章区分了 learning 和 inference。现在要继续回答下一个问题：为什么 AI 最终会把规则、搜索、概率和学习一起使用？

这里的问题很简单：为什么有些问题很难只靠显式规则处理？

规则仍然重要。权限、政策、禁止条件、工作流程和部署条件，依然需要用显式规则管理。但现实世界里的问题，很难把所有条件和所有例外都事先写完。

这一节用几个例子说明：在什么地方，单靠规则的方法会开始变得不稳。

这一节会先看到，为什么在存在 incomplete information、partial observability、noise、exceptions 和候选项爆炸时，规则集往往无法自然闭合。probability、uncertainty 和 stochastic 的区分会在 6.2 继续，search 和 heuristics 的结构会在 P1-7 继续。

P1-6.1 是 P1-6 的导入。更细的概率计算、条件概率、随机变量和 stochastic 的定义会在 P1-6.2 处理。搜索算法和启发式会在 P1-7 处理。

这里先固定一个更窄的观点：

规则仍然必要，
但现实问题经常带着一些条件，使得规则本身并不足够。

仅靠规则无法封闭的问题条件

  • 理解规则式方法在哪些条件下表现良好。
  • 区分哪些问题条件很难只靠规则处理。
  • 在入门层面把 incomplete information、partial observability、noise、exception 和 computational limit 连起来。
  • 为后面为什么会出现不确定性、概率、启发式和学习做好准备。

三个基准

基准 为什么重要 本节需要达到的理解程度
规则依然必要 这样能把后面的概率和学习读成补充，而不是替代。 先保留政策、禁止条件和流程仍然需要规则。
现实问题常常夹杂信息缺失、例外和噪声 这能说明为什么显式规则很快就会不够。 理解同一句话或同一个场景也可能因上下文而有不同解释。
这正是后面会出现不确定性、概率、启发式和学习的原因 这能把 P1-6 和 P1-7 串起来。 对“规则之后为什么需要概率式思考”先形成直觉。

先做一个很短的角色区分：

术语 极短含义 本节里的作用
信息不足 一开始就缺少判断所需的信息 说明规则单独无法定案的原因之一
部分可观测 只能看到整体状态的一部分 说明当前能看到的内容可能不够
噪声 观测值可能不稳定或错误 说明输入本身未必完全可信
例外 规则之外的案例不断出现 说明规则集会迅速复杂化
候选项爆炸 可选项太多，无法穷举检查 说明为什么需要搜索和启发式

在这一阶段，只要先保留这个直觉就够了：当信息缺失、只能看到局部、观测带噪、例外很多，或者候选项过多时，规则往往无法单独闭合问题。

先看一个例子

假设我们要用规则处理下面这句话：

我昨天刚下单，但现在还查不到物流。

一个简单规则可以写成这样：

如果用户说查不到物流，就转给配送团队。

这不是坏规则。很多情况下，它确实能快速分流消息。但只要再加上下面这些情况，判断就会变难：

额外暴露出来的情况 第一条规则本身够吗？
距离下单只过了 10 分钟 也许只是系统同步延迟
支付成功了，但没有订单号 也许是支付或订单生成问题
商品属于预约配送 也许根本不是配送问题
用户是从另一个账号下单的 也许是账号确认问题
快递单号存在，但轨迹查不到 也许是外部接口联动问题

重点不是原规则错了，而是它不再足够。

再看人脸识别：

如果眼睛、鼻子和嘴巴的位置满足某种比例，就判断为人脸。

这条规则很直观，但真实照片里会混入光照、角度、遮挡、表情、分辨率和背景。

图像条件 为什么规则会变难
脸转向侧面 眼鼻口位置规则会被打破
脸的一部分被口罩或手挡住 关键线索根本看不见
光线过暗或过强 观测到的像素不能稳定反映真实形状
插画、照片和屏幕里的人脸同时出现 很难判断什么该算作真实人脸

自动驾驶也类似：

如果前方有障碍物，就停车。

这条规则对安全是必要的。但真实道路上会同时出现必须停车的障碍物、可以穿过的阴影、塑料袋、正在变道的车辆以及突然冲出来的人。连“前方”这个词本身，也会受传感器类型、距离、速度和道路语境影响。

这些例子共同说明：AI 往往很难只用简单规则把问题闭合。

规则是必要的，
但真实输入是不完整的、会波动的，而且充满例外。

规则在哪些条件下表现好

当条件和动作都很清晰时，规则很强。

场景 规则例子 为什么更容易处理
权限检查 只有管理员可以部署 条件和动作都明确
输入校验 邮箱格式不合法就阻止注册 检查标准清晰
工作流分发 配送咨询交给配送团队 标签和处理团队都预先定义好
安全策略 如果请求被禁止，就直接拒绝 策略条件可以显式写出

这些规则在 AI 系统里依然必要，因为它们可解释、可审查，而且能把预期控制明确保留下来。

哪些条件会让规则本身变得困难

把前面的例子整理一下，现实问题里经常会出现这些条件：

条件 含义 例子
信息不完整 判断所需的信息没有全部给出 单凭“查不到物流”很难确定真正原因
部分可观测 只能看到完整状态的一部分 机器人一开始并不知道所有物体的位置
噪声 观测是错误的或不稳定的 传感器误差、模糊图像、错别字
例外不断增加 规则的例外持续出现 同一条消息里同时混着配送、取消和退款
候选项爆炸 可选可能太多，难以穷举 路径规划、排程、博弈搜索

当然可以继续往系统里加规则。但问题在于，每加一条规则，就可能冒出新的例外，而新的例外又需要更多规则。

所以关键问题不是“要不要丢掉规则”，而是：

哪些部分可以显式写成规则？
从哪一部分开始，需要搜索、概率、学习或人工复核？

为什么最后会变成多种方法一起工作

Artificial Intelligence: A Modern Approach 的目录把 search、heuristic search、partially observable environments 和 uncertain knowledge and reasoning 放在 AI 导论的重要主轴上。Poole 和 Mackworth 也把搜索解释为智能体寻找达到目标的方法，并说明在不确定环境里，智能体需要根据观测到的 evidence 更新自己的信念。

这条线可以先这样读：

问题条件 更容易需要的方法
某些事情必须被显式禁止或允许 规则
候选项太多 搜索、启发式
信息不完整 概率、不确定性处理
输入表达差异太大 数据驱动学习
需要负责任的判断 人工复核、政策决策 
flowchart TD
  I["不完整的输入"]
  J{"为什么规则本身不够？"}

  I --> J
  J --> R["显式规则"]
  J --> S["搜索 / 启发式"]
  J --> P["概率"]
  J --> L["学习得到的模型"]

  R --> H["人工复核或政策判断"]
  S --> H
  P --> H
  L --> H
  H --> O["结果"]

这不是实际服务架构图。在 6.1 里，它只是用来说明：AI 为什么经常把多种方法组合起来，而不是只靠一个规则集。

检查清单

  • 能说明规则式方法在哪些条件下表现良好。
  • 能把很难只靠规则处理的问题条件分成信息不足、部分可观测、噪声、例外和候选项爆炸。
  • 能说明规则没有消失，而是和其他方法组合使用。
  • 能说明为什么后面会接着出现不确定性、概率、搜索、启发式和学习。
  • 能分辨当前问题里，信息不足、部分可观测、噪声、例外、候选项爆炸 哪一种或哪几种是核心条件。
  • 能说明哪些内容应写成规则，哪些内容应交给搜索、概率、学习或人工复核。

来源与参考资料