計算機（主要指人工智慧
ai）能不能做推理邏輯？這個問題我思考了很久。其實答案很簡單，當然可以。其實推理就是：規則
+依據已有規則生成新規則。計算機就是基於數學的演繹邏輯做的，程式其實都是
if...else...
，規則是計算機的基本能力，簡單的由規則產生規則並不難，比如：規則
1 : 1+2=3
，規則2
：加法滿足交換規則，所以產生規則：
2+1=1+2=3
。但是，規則多了以後，會造成組合**，推理問題就很難了。更重要的問題是，誰來產生初始規則？目前看來，只有人來產生初始規則。而且，很多時候計算機做不了推理邏輯，主要原因就是初始規則不夠。因為歸納是不嚴謹的，只有演繹才是嚴謹的推理。甚至連統計學都不被認為是嚴謹的數學（少量的貝葉斯推理可能被認為是例外）。所以，產生初始規則是非常困難的。
可能有人會說，貝葉斯派的理論是不是乙個可行的路徑？這個問題很難回答，因為這個問題可大可小。往大了說，這是乙個世界觀的問題，因為頻率派和貝葉斯派是數理統計領域的兩大門派，核心思想是很不同的。頻率派，也就是經典統計理論派，我認為核心思想是從巨集觀角度來看這個世界。貝葉斯派，我認為核心思想是從微觀角度來看這個世界。更多關於兩派理論的討論，我以前曾經討論過，建議看這個文章：
貝葉斯學派與頻率學派有何不同？
往小了說，這是個實現方法的問題，實際上在統計機器學習領域，大多數的實際應用都是使用頻率派的方法，即
「判別式模型
」。而基於貝葉斯的模型，很多時候會面臨一些難以克服的困難。貝葉斯的公式其實很簡單，如下圖所示：
如果不了解貝葉斯的基本理論，可以看一下我以前轉的文章：
數學之美番外篇：平凡而又神奇的貝葉斯方法
在實際使用時，完整的貝葉斯公式一般是用不了的，因為發生一件事情，可能的原因非常多，一般情況，不可能把所有的原因（條件）都做統計，而且，很多原因（條件）是有相互影響的，一旦考慮相互影響，計算會幾何級增長，完整的貝葉斯公式幾乎是無法計算的。另外，很多時候，在你**的時候，很多條件（特徵）也是獲取不到的，實際上，大多數時候你不能獲取到乙個事情發生的全部條件資料。所以，工業界常用的方法是樸素貝葉斯演算法，實際上是對貝葉斯做了大幅度的約束，就是要求所有條件（特徵）是相互無關的，才能求解，而且，通常是當你的特徵非常多的時候，樸素貝葉斯才基本可用，因為特徵非常多的時候，可以近似地忽略條件（特徵）之間的相關性。換句話說，條件（特徵）之間有相關性才是普遍現象，所以樸素貝葉斯的條件無關是個強約束。而且，如果你的特徵很多的時候，你也可以用廣義線性模型求解（判別式模型），比如
logistic regression,
使用起來會更容易操作，而且有人曾經證明特徵量很大的時候，樸素貝葉斯與
logistic regression
是等價的。（
而且，判別式模型比貝葉斯的模型更容易做正則化，更容易調參，這個問題展開講還有很多內容。）
總的來說，我的個人觀點：基於貝葉斯理論，或者貝葉斯網路來做推理邏輯，只有在做強約束條件下，才能使用，而且，很多時候的實際應用中，就算是加約束也是很難真正有效的，因為實際情況變化會很複雜，遠比預期的複雜。
所以，在可以預見的未來（大約是
10年），我想這個問題是難以解決的。
不過，在更遠的未來，可能有一種意外情況。未來的有些計算機不是基於傳統邏輯的，比如，量子物理就不是基於傳統邏輯可以解釋的。
補充說明，這裡所說的是嚴謹的推理邏輯（基於演繹的方法），實際上還有些概率性的推理方法研究（一般是基於統計推斷的方法），沒有詳細描述，嚴格說，那是「推測
」。
計算機邏輯筆試回憶總結
廢話在前 程式設計師的面試除了考資料結構和演算法，還經常會考一些智商型別的邏輯題，而這些題目其實是有一些共同的規律和分類的，有套路可摸，相信積累總結分析之後即使碰不到原題也會有很大的啟發作用，也就是那些套路。地上本沒有套路，走的人多了也變成了套路 哈哈這是廢話。一.數字推理 1 144,121,10...
計算機的邏輯運算
上一節 十六進製制與資料寬度 我們提到，計算是有寬度的。比如 乙個二進位制數 1111 1111 1111 1111 b 我們用4位，4位書寫形式ffff這樣比較簡單。計算機除了算術運算外，還有邏輯運算，只有二進位制才能進行邏輯運算。邏輯運算只有對與錯，成與敗兩個結果 也就是0和1 0 0 0 0 ...
計算機邏輯運算總結
在計算機二進位制中，最高位表示符號位，若為0表示正數，若為1表示負數。同時我們需要清楚知道原碼 反碼 補碼的概念，這裡請自行了解。取非 反 在二進位制補碼中，要獲取數字的負數，需反轉所有位並加1。比如 5 5是00000101，那麼 5則是 11111010 00000001 11111011，然後...