定性推理

定性推理（Qualitative Reasoning, QR）是符号主义 AI 中处理连续物理世界的定性理解的分支：不追求精确数值计算，而是用”增/减/稳”等定性符号刻画物理系统的行为趋势，模拟人类工程师的直觉推理。前置阅读：逻辑推理与知识表示、符号主义 AI 概览。

核心直觉

人类理解物理世界不需要精确数值——你不需要知道水温是 87.3 度就能判断”水快开了”。定性推理用极少的符号信息捕捉这种直觉：

定性值（Qualitative Value，把连续物理量离散成几个标志性档位的符号表示）= 把连续量离散成几个标志性档位：增加 (+)、减少 (减)、稳定 (0)。比如”水位在涨”是定性信息，不需要知道涨了多少。其数学本质是用**路标值（Landmark Values，标志量级质变的临界点，如 0、沸点、溢出阈值）**作为分界点，把连续区间切成若干段，每段用一个符号代表——这与数值计算中的浮点数完全不同，它直接编码了”在哪一段”这一语义。
定性导数（Qualitative Derivative，变量变化方向的符号化表示）= 变量的变化趋势：增 (inc)、减 (dec)、稳 (std)。比精确导数粗略得多，但足以预测”会不会溢出”。在 Kuipers 的 QSIM 框架里，定性导数只有 [+]/[0]/[-] 三种取值，对应导数的符号。
定性过程理论（Qualitative Process Theory, QPT，Forbus 于 1984 年提出的以”过程”为中心的物理建模理论）= Forbus 提出的框架：物理世界由”过程”驱动（如热流、水流），过程在条件满足时激活并改变变量。QPT 的核心思想是——变化不是属性自带的，而是由激活的过程带来的：一杯水不会自己变凉，是因为”向环境散热”这个过程在激活。
定性微分方程（Qualitative Differential Equation, QDE，经典 ODE 的定性版本，只保留变量间的单调约束关系）= 经典微分方程的定性版本——不写精确公式，只约束变量间的单调关系（如”水位随流入量增加而增加”）。一个 QDE 由一组定性变量、每个变量的路标值集合、以及变量之间的**单调对应关系（Monotonic Correspondence，即一个变量增时另一个也增或也减的函数约束）**组成。
构想（Envisionment，枚举系统所有可能定性状态及转移的完整图）= 枚举系统所有可能的定性状态序列——类似于模型检测中的状态空间，但状态是定性的、粗粒度的。“构想”一词来自 de Kleer 的早期工作，意指”在脑中构想出系统所有可能的演化路径”。
朴素物理（Naive Physics，人类对日常物理现象的常识性理解）= 人类对日常物理的常识理解——“杯子掉地上会碎""水往低处流”，定性推理试图将这些常识形式化。这也是早期 AI 的宏伟目标之一（Hayes 1978 年的”朴素物理宣言”），至今仍是物理常识推理研究的思想源头。

原理图解

定性推理的基本框架

定性推理从物理系统的结构描述出发，推导出定性行为——变量的变化趋势和可能的未来状态。整个流程可以用”结构 → 约束 → 模拟 → 预测 → 诊断”五个阶段概括，每个阶段对应不同的工程任务：

值得注意的是，这条流水线的信息流是单向的、可解释的：每个定性结论都能追溯到具体的定性约束和过程激活条件，这与端到端的黑盒神经网络形成鲜明对比——这也是定性推理在安全关键场景（核电、航天、化工）中至今仍有价值的重要原因。

定性过程理论：水箱系统示例

以一个带 faucet（进水阀）和 drain（排水口）的水箱为例——QPT 用过程的激活条件来决定行为：

定性推理的强大之处在于：不需要知道 faucet 的流量系数和 drain 的口径，只靠”流入大于流出则水位上升”这样的定性关系，就能预测系统会走向溢出、排空还是稳态——这正是人类工程师做快速判断的方式。

QSIM 算法的核心机制

要真正理解定性模拟怎么工作，需要看清 Kuipers 的 QSIM 算法在每一步做了什么。QSIM 把连续时间切成由**显著时间点（Distinguished Time Points，定性状态发生质变的时刻，如变量到达路标值、导数变号）**分隔的区间，在区间内定性状态不变，在时间点上状态发生转移：

状态表示：每个定性状态是三元组 <变量, 定性量级, 定性导数>，如 <水位, <(满, 溢出), +>, inc> 表示水位处于”满到溢出”之间且正在上升。
转移算子（Transition Operators）：QSIM 定义了两类转移——
- P-转移（P-transition，在时间点上的瞬时变化）：<l, std> → <l, inc>（导数从稳变增），发生在质变时刻；
- I-转移（I-transition，在区间内的连续变化）：<l_j, inc> → <(l_j, l_{j+1}), std>（变量在两个路标值之间，导数从增变稳），发生在区间内。
约束过滤（Constraint Filtering）：每一步转移后，QSIM 用 QDE 中的单调约束过滤掉不满足物理规律的状态组合，但——关键点——剩余的状态可能仍不唯一，这正是定性推理”多行为分支”的来源。
完备性保证：QSIM 的关键定理是：真实系统的行为一定包含在 QSIM 生成的行为树中（可能多出”虚假行为 Spurious Behavior”，需要额外的全局过滤剔除）。这一”宁可多不可漏”的性质，使其在安全分析中极为重要。

动手实践

水箱定性模拟

用纯 Python 实现一个简化的定性水箱模拟器——追踪水量的定性值和定性导数，预测系统未来走向。代码刻意保持最简，帮助理解 QSIM 的核心思想：状态由定性值 + 定性导数组成，转移由导数驱动：

# 定性值定义
Q_POS, Q_ZERO, Q_NEG = "+", "0", "-"    # 正、零、负 —— 对应 QSIM 中的定性量级
INC, STD, DEC = "inc", "std", "dec"      # 导数：增、稳、减 —— 对应 QSIM 中的定性导数

def qualitative_tank(inflow, outflow, water_level, steps=5):
    """定性水箱模拟（简化版 QSIM）
    inflow/outflow: 定性流量（+ 有流入/流出, 0 无）
    water_level: 当前水量的定性值（+ 有水, 0 空）
    返回未来若干步的定性状态序列

    核心思想：净流量决定定性导数，定性导数驱动定性值变化 ——
    这正是 QSIM 的 I-转移（区间内连续变化）的最小实现。
    """
    level = water_level
    # 净导数：流入促使 inc，流出促使 dec
    # 真实 QSIM 会用单调对应关系约束来推这一步，这里直接简化
    if inflow == Q_POS and outflow == Q_ZERO:
        deriv = INC
    elif inflow == Q_ZERO and outflow == Q_POS:
        deriv = DEC
    elif inflow == Q_POS and outflow == Q_POS:
        deriv = STD            # 简化：假设流入=流出（真实 QSIM 此处会产生分支）
    else:
        deriv = STD            # 都关闭，不变

    trajectory = []
    for step in range(steps):
        # 定性状态转移：导数改变定性值（对应 QSIM 的 I-转移）
        if deriv == INC and level == Q_ZERO:
            level = Q_POS      # 空水位开始上升 → 有水（穿越路标值 0）
        elif deriv == DEC and level == Q_POS:
            level = Q_ZERO     # 有水持续下降 → 排空（穿越路标值 0）
        elif deriv == STD:
            pass               # 导数为零，值不变（稳态）
        trajectory.append((f"t={step}", f"水量={level}", f"趋势={deriv}"))
        # 终止条件：到达吸收状态（水箱排空且无补充）
        if level == Q_ZERO and deriv != INC:
            trajectory.append(("END", "水箱排空", "终止"))
            break
    return trajectory

# 场景：水箱有水，只开排水口（流入关闭）
result = qualitative_tank(inflow="0", outflow="+", water_level="+")
for t in result:
    print(t)
# 输出: ('t=0', '水量=+', '趋势=dec') → ... → ('END', '水箱排空', '终止')

练习建议：把 inflow 和 outflow 都设为 "+"，你会看到当前简化版直接判稳；但真实水箱中流入和流出的关系取决于水位高度（托里拆利定律），定性推理会在这种情况下产生多条可能的行为分支——这正是 QSIM 的”行为树”而非”行为轨迹”的由来。试着把代码改成返回多条可能的导数分支，体会定性推理的歧义性。

实践要点

定性推理的价值在于”少信息多结论”：当精确参数未知（如不知道管道的确切流量系数），定性推理仍能给出”会不会溢出""会不会震荡”等宏观判断。这在系统设计初期尤为宝贵——工程师在没有精确参数的草图阶段就能排除大量不可行方案。
多行为分支是固有特征：定性信息不足以唯一确定未来——一个定性状态可能转移到一个集合中的任意状态（歧义分支）。定性模拟生成所有可能的行为树，而非单一轨迹。这种”分支”不是缺陷，而是对真实不确定性的诚实表达；后续可以用更精确的信息剪枝。
QSIM 算法是经典实现：Kuipers 的 QSIM（Qualitative SIMulation）是最著名的定性模拟算法——给定 QDE 和初始状态，生成所有可能的状态转移树，保证不遗漏任何真实行为（完备性），但可能产生”虚假行为”，需要用全局一致性约束或领域知识过滤。
定性推理与因果推理互补：定性过程理论天然带有因果结构（过程 → 效果），可以解释”为什么水位在下降”。将定性推理与因果图结合是可解释 AI 的早期范式，与当代因果推理研究一脉相承。
适合与机器学习结合：定性推理提供结构化的领域先验知识，可以约束或指导机器学习模型——例如用定性约束缩小物理参数的搜索空间，或作为物理信息神经网络（PINN，Physics-Informed Neural Network，把物理方程作为损失函数约束项嵌入神经网络训练的方法）的符号约束层。这种”符号先验 + 数据驱动”的融合是当前神经符号 AI的重要方向。
建模成本是主要瓶颈：构建一个定性模型需要领域专家手工编写过程、路标值和约束——这与机器学习”喂数据自动学”的模式相反。这也是定性推理在大数据时代一度被边缘化的原因，但在数据稀缺、安全关键的场景中，这种”显式建模”反而是优势。

典型应用

物理系统监控与故障诊断：化工厂、发电厂的监控系统用定性推理判断系统处于”正常""偏离""危险”中的哪个定性区域——当净热流为负且温度在降时，推理出”冷却异常”的定性诊断。NASA 用定性推理监控航天器子系统（如 Livingstone 系统），其优势在于：传感器数据可能噪声大或不完整，但定性判断”温度在升还是降”对噪声鲁棒。
智能教育系统：教导物理的 ITS（Intelligent Tutoring System，智能辅导系统）需要理解学生的定性物理直觉——“为什么你认为球会一直加速？“用定性推理可以评估学生的推理链。代表性的如 Andes 物理辅导系统，它能识别学生定性推理中的概念错误（如混淆力与速度的方向关系），而不仅仅判断最终数值对错。
生态系统建模：生态学家用定性微分方程描述捕食者-猎物、营养物-藻类的定性互动关系——数据不足以拟合精确模型时，定性推理仍能预测”减少天敌会导致猎物暴增”等趋势。这一方向在欧洲生态学研究中有长期积累（如 Bredeweg 团队的 QR 工作流），被用于湿地管理、渔业政策评估。
经济与社会科学：经济学家用定性推理分析”利率上升 → 投资减少 → 就业下降”这样的定性因果链——在缺乏精确数据的政策分析中提供方向性判断。定性因果图（Qualitative Causal Graph）也是经济政策辩论中的常用工具。
定性空间与时态推理（QSTR）：这是定性推理在空间/时间维度上的重要分支，用”在……之左""在……之间""之前/之后”等定性关系取代精确坐标。典型应用包括地理信息系统（GIS）中的空间关系查询、自然语言中的空间描述理解（“把杯子放到桌子左边”）、以及机器人路径规划中的拓扑约束。QSTR 的代表性形式体系包括 RCC（Region Connection Calculus，区域连接演算）和 Allen 区间代数（Allen’s Interval Algebra，见时态逻辑）。
机器人常识推理：家用机器人需要定性物理常识——“推杯子会掉下桌子""热水会烫手”——这些不需要精确数值，定性推理提供了形式化框架。详见与现代方法的融合。
自动驾驶中的拓扑理解：自动驾驶系统不仅需要精确的坐标，还需要定性理解”我在车流中""前车在变道""路口有优先权冲突”等关系——这些用定性空间推理表达比用浮点坐标更接近人类驾驶判断，也更容易向人类解释决策理由。

当代新趋势：定性推理与神经方法的融合

进入大模型时代，定性推理这一”老派”符号分支反而获得了新的生命力——原因在于：纯数据驱动的方法在物理常识、可解释性、数据效率三个维度上的短板，恰恰是定性推理的强项。近年（2024-2026）出现了若干值得关注的融合方向：

LLM 物理常识的瓶颈与符号 grounding：当前大语言模型在数值类物理推理上表现尚可，但在”定性物理直觉”上仍频频出错——例如误判物体受力方向、忽略惯性、混淆平衡与稳态。研究表明，把定性过程理论（QPT）作为符号先验注入 LLM 的推理链（如让模型先写出”激活的过程 → 定性效果”再回答），能显著减少这类常识性错误。这一方向被称为”定性 grounding”，是神经符号 AI在物理推理上的具体落地。
定性约束 + 物理信息神经网络（PINN）：传统的 PINN 把微分方程作为损失项嵌入神经网络，但方程本身常常不确定或部分已知。一种新做法是把”只知道单调关系”的定性约束（QDE）作为弱监督——网络不需要拟合精确方程，只要满足”水位随流入量单调递增”这类定性关系即可。这在缺少精确物理模型但有大量观测数据的工业场景（如化工反应釜、电网负荷）中很有前景。
神经符号定性空间推理（Neuro-Symbolic QSR）：在自动驾驶和室内导航中，用神经网络从传感器数据提取”前车在左前方""障碍在通道内”等定性空间谓词，再用定性空间演算（RCC、OPRA）做符号推理和冲突检测。这种”感知用网络、推理用符号”的分工，既保留了神经网络的感知能力，又获得了符号推理的可解释性，符合功能安全标准对可审计推理链的要求。
定性推理作为世界模型的结构先验：在具身智能（Embodied AI）研究中，“世界模型（World Model，智能体内部对环境动力学的前瞻预测模型）“是核心组件。把定性推理的”状态-转移”结构作为世界模型的骨架（先预测”会上升还是会溢出”的定性趋势，再用网络细化数值），能提升世界模型在长程预测中的稳定性，减少纯网络模型常见的”预测漂移”。
可解释性的回归：在欧盟 AI 法案（EU AI Act）等监管框架推动下，高风险 AI 系统需要可审计的决策解释。定性推理天然产生”因为过程 X 激活，所以变量 Y 上升”的解释链，正被重新评估为安全关键 AI（医疗诊断辅助、工业故障预警）的可解释组件——这是一种”老技术的新市场”。

这些趋势说明：定性推理并非博物馆里的经典 AI 技术，而是当前”符号复兴（Symbolic Renaissance）“思潮的重要组成部分。它代表了与深度学习互补的另一种智能范式——结构化、稀疏数据、可解释，在 LLM 主流之外的角落里持续生长。

典型类库与工具

类库	语言	说明
QSIM	Lisp/C	Kuipers 的经典定性模拟器，实现 QDE 到行为树的推演
GARP / QRPE	Prolog	Bredeweg 团队的定性推理建模环境，支持定性过程理论
Morven	Java/C	定性电路和物理系统推理工具，支持多定性层级
ModelCanvas	Java	面向教育的定性建模可视化工具
QCN (定性约束网络)	多语言	定性空间/时态推理的通用约束求解框架
SparQ	C++	定性空间推理（QSR）工具箱，支持 RCC、OPRA 等多种空间关系代数
PyRCC / Python-QSR	Python	Python 实现的定性空间关系推理库，便于与机器学习流水线集成

术语表

术语	英文	解释
定性推理	Qualitative Reasoning (QR)	用定性符号而非精确数值推理物理系统行为的 AI 分支
定性值	Qualitative Value	连续量离散化后的符号档位，如正/零/负
定性导数	Qualitative Derivative	变量的变化趋势：增加/减少/稳定
路标值	Landmark Value	标志量级质变的临界点，如 0、沸点、溢出阈值
定性微分方程	Qualitative Differential Equation (QDE)	只含单调约束关系而不含精确公式的微分方程定性版本
单调对应关系	Monotonic Correspondence	两个定性变量之间”同增或同减”的函数约束
定性过程理论	Qualitative Process Theory (QPT)	Forbus 提出的以”过程”为中心的定性物理建模框架
构想	Envisionment	系统所有可能的定性状态及转移关系的完整图
QSIM	QSIM	Kuipers 的经典定性模拟算法，从 QDE 推演行为树
显著时间点	Distinguished Time Point	定性状态发生质变的时刻，如变量到达路标值或导数变号
虚假行为	Spurious Behavior	QSIM 因信息不足而生成的、真实系统不可能出现的行为，需过滤
朴素物理	Naive Physics	人类对日常物理现象的常识性理解，定性推理试图形式化之
定性空间推理	Qualitative Spatial Reasoning (QSR)	用”在左/在内部/相邻”等定性关系而非坐标进行空间推理的分支
区域连接演算	Region Connection Calculus (RCC)	基于区域间”连接”关系的定性空间拓扑形式体系