逻辑推理一直是 AI 的难点

权衡论据、得出逻辑结论并推导出唯一正确的答案，一直是人工智能领域的棘手问题。面对结构复杂的任务，要在严格逻辑约束下计算出结论，很快就会把传统算法推到数学和计算能力的极限。

一个包括格拉茨工业大学（TU Graz）软件工程与人工智能研究所研究员约翰内斯·P·瓦尔纳（Johannes P. Wallner）在内的团队，提出了一种新方法：将复杂的论证与推理过程转写为更高效的数学公式，并将这些公式接入已有的求解系统。借助这一方案，系统可以在毫秒级时间内完成精确计算。团队还与荷兰警方合作，在一款用于受理欺诈案件的工具中成功验证了该方法的可靠性。

与大型语言模型的不同之处

瓦尔纳指出，与 ChatGPT 等依赖统计概率和海量训练数据生成文本的大型语言模型不同，精确的逻辑推理在数学上很快会触及可计算性的边界。

在这种逻辑推理场景中：

• 结论必须严格建立在针对具体问题给定的数据之上；
• 系统需要在预先定义的逻辑框架内，保证输出正确或最优的答案；
• 数据量越大，计算复杂度呈指数级上升，反而会成为负担。

为突破这一瓶颈，团队将重点放在逻辑问题的数学建模上，构造出精确的逻辑公式，使人工智能系统能够在此基础上自主搜索并找到最优解。

网络欺诈：实际应用案例

在与荷兰警方的合作中，研究人员需要把“识别潜在欺诈”的任务压缩成简洁而严谨的数学公式。为此，他们必须给出数学证明，说明这些公式能够正确表达输入数据中支持或反对“存在欺诈”的推理关系。

目标是：在给定证据和数据的前提下，让计算机输出一个明确判断——某个案件是否很可能属于网络欺诈。

例如，在一些案件中，受害者通过网站购买商品却从未收到货物。系统需要综合考虑：

• 下单时间
• 网店网址
• 以及其他相关信息

通过这些要素，系统对案件进行逻辑评估，判断其是否符合网络欺诈的特征。

速度足以支撑实际应用

虽然当前工作仍主要属于基础研究范畴，但团队已经识别出许多潜在应用场景：凡是需要基于逻辑论据做出复杂决策的领域，都可能受益于这种方法。

目前的主要挑战在于数据输入：系统要求输入数据足够精确，才能进行严密的逻辑处理。未来，瓦尔纳团队计划探索与大型语言模型的结合方式——利用大模型从自然语言中提取信息，并自动将其转换为适合逻辑推理系统处理的精确形式，从而打通“自然语言描述”到“形式化逻辑计算”的通路。