● 最后，我们再定义一个谓词“ want(x)”，表示“要获取 x 而采取的行动”，它的具体定义如下：
● 这样，所有的前提都建立完毕，把“我要去机场”这个意愿表达出来，看看机器会给你什么建议：
根据以上定义，Advice Taker 就可以自动推理出“我要去机场”所要做的行为，下面是依次推理的步骤，最后一个输出的步骤就是结论，即“我要去机场”这个行为应该去做的第一个动作：“从书桌步行到汽车”。
- at（我，书桌）→ can（go（书桌，汽车，步行））
- at（我，汽车）→ can（go（我家，机场，驾车））
- did（go（书桌，汽车，步行）→ at（我，汽车））
- did（go（我家，机场，驾车）→ at（我，机场））
- canachult（at（我，书桌），go（书桌，汽车，步行），at（我，汽车））
- canachult（at（我，汽车），go（我家，机场，驾车），at（我，机场））
- canachult（at（我，书桌），prog（go（书桌，汽车，步行），go（我家，机场，驾车））→ at（我，机场））
- do（go（书桌，汽车，步行））
上面笔者列举的这个例子，来自麦卡锡《常识编程》论文的原文，定义和推理过程虽然对人类来说会觉得很烦琐，但这些“烦琐”对机器来说并不存在任何困难。从这个角度看，机器用逻辑推理模拟人类思考，似乎确实具备可行性。可是，Advice Taker 其实并未解决“常识源自哪里？”这个真正的难题，上面这个例子中，诸如 go、walkable、drivable、canachult、want 这些谓词的定义，都是人类总结后灌输进去的，而不是计算机从某种“公理”或者“公设”性质的常识中推导而来的。使用一小撮最小化、最本质的公理定义和规则的集合就可以推理出人类的所有常识，这样的思路在数学、几何这些抽象世界虽然行得通而且常见，但也是经过了上千年时间和无数数学家的智慧才成功完成的，要在具体的现实世界里做到这点谈何容易。麦卡锡在论文中也承认了现在并不能解决这个问题，所以 Advice Taker 只是给出了一个让计算机获得常识的理论上的可行性，而暂时无法作为一个真正去实施的指导方法。
80
第二部分 学派争鸣