Logika i dowody: reguły, według których rozumuje AI

Zdania, spójniki i tabele prawdy, pułapka implikacji, kwantyfikatory i rodzaje dowodów — i dlaczego XOR zatrzymał pierwsze sieci neuronowe.

14 minut Matěj Žalmánek 2026-10-15

Seria Podstawy AI Część 7 z 52

1. Mapa sztucznej inteligencji: co jest czym i jak to do siebie pasuje
2. Krótka historia sztucznej inteligencji: od Turinga do modeli językowych
3. Dane, model, trening, inferencja: podstawowe pojęcia na jednym przykładzie
4. Jak czytać zapis matematyczny: symbole, indeksy, sumy i kwantyfikatory
5. Zbiory i relacje: klocki, z których składają się definicje w AI
6. Funkcje i odwzorowania: dlaczego każdy model AI jest funkcją
7. Logika i dowody: reguły, według których rozumuje AI
8. Grafy i drzewa: struktura, na której opierają się przeszukiwanie i sieci neuronowe
9. Algebra liniowa dla uczenia maszynowego: wektory, macierze i dlaczego AI głównie mnoży
10. Pochodne, gradient i reguła łańcuchowa: jak model ustala, w którą stronę się uczyć
11. Spadek gradientu: jak uczy się model
12. Czym jest prawdopodobieństwo: od rzutu kostką do aksjomatów Kołmogorowa
13. Prawdopodobieństwo warunkowe i twierdzenie Bayesa: jak zmienić ocenę, gdy dowiesz się czegoś nowego
14. Zmienna losowa i dystrybuanta: jedna funkcja, która mówi o rozkładzie wszystko
15. Funkcja gęstości i funkcja prawdopodobieństwa: dlaczego zmienna ciągła ma w punkcie prawdopodobieństwo zero
16. Wartość oczekiwana, wariancja i kowariancja: gdzie leży rozkład, jak jest szeroki i co z czym się wiąże
17. Przegląd rozkładów prawdopodobieństwa: Bernoulliego, dwumianowy, Poissona, jednostajny, normalny i wykładniczy
18. Prawo wielkich liczb i centralne twierdzenie graniczne: dlaczego średnie zachowują się tak przewidywalnie
19. Statystyka i estymacja parametrów: największa wiarygodność, MAP i przedziały ufności
20. Teoria informacji: entropia, entropia krzyżowa i dywergencja KL — skąd się biorą funkcje straty
21. Przeszukiwanie przestrzeni stanów: BFS, DFS, UCS i A* z animacjami
22. Gry i przeciwnik: minimax, przycinanie alfa-beta i Monte Carlo tree search
23. Spełnianie ograniczeń: backtracking, propagacja ograniczeń i AC-3 na sudoku i mapie czeskich krajów
24. Logika i systemy z bazą wiedzy: wnioskowanie w przód i wstecz, rezolucja i systemy ekspertowe
25. Planowanie: STRIPS, świat klocków, heurystyki z relaksacji i planowanie w agentach AI
26. Przeszukiwanie lokalne i symulowane wyżarzanie: komiwojażer przez czeskie miasta wojewódzkie
27. Algorytmy genetyczne: populacja, krzyżowanie, mutacja i selekcja na plecaku na wycieczkę
28. Strategie ewolucyjne i programowanie genetyczne: od reguły jednej piątej do prawa Keplera
29. Optymalizacja kolonią mrówek: jak ślad feromonowy znajduje krótką drogę
30. Optymalizacja rojem cząstek: bezwładność, własne doświadczenie i doświadczenie roju
31. Neuroewolucja: ewolucja wag i kształtu sieci neuronowych oraz algorytm NEAT
32. Zbiory rozmyte i funkcje przynależności: jak zapisać „trochę ciepło”
33. Logika rozmyta a prawdopodobieństwo: dlaczego „trochę ciepło” nie znaczy „prawdopodobnie ciepło”
34. Logika rozmyta: t-normy, implikacje i reguły JEŻELI–TO
35. Sterowanie rozmyte: Mamdani i Sugeno od wentylatora po wahadło na wózku
36. Klasteryzacja rozmyta: algorytm fuzzy c-means i punkty między skupieniami
37. Systemy neuro-rozmyte (ANFIS): reguły rozmyte, które uczą się z danych
38. Łańcuchy Markowa: macierz przejścia, rozkład stacjonarny i PageRank
39. Ukryte modele Markowa: algorytm Viterbiego i nieuczciwe kasyno
40. Sieci bayesowskie: dlaczego trawa jest mokra i co z tego wynika dla zraszacza
41. Filtr Kalmana: jak z niedokładnych pomiarów oszacować, gdzie jest samochód i jak szybko jedzie
42. Rodzaje uczenia maszynowego: nadzorowane, nienadzorowane, półnadzorowane i inne
43. Prompty, kontekst i RAG: jak dać modelowi właściwe informacje
44. Wariacyjne autoenkodery (VAE): nowe obrazki z ciągłej przestrzeni latentnej
45. Generatywne sieci przeciwstawne (GAN): fałszerz kontra detektyw
46. Modele dyfuzyjne: jak z czystego szumu powstaje obraz
47. Procesy decyzyjne Markowa: stany, akcje, nagrody i równania Bellmana
48. Q-learning i DQN: uczenie się wartości akcji od tabeli po sieć neuronową
49. Policy gradient i PPO: uczenie się bezpośrednio polityki
50. Jak działa agent AI: model językowy w pętli z narzędziami
51. Programowanie z agentami AI: zadanie, testy i kontrola
52. Ocena i bezpieczeństwo systemów AI: jak mierzyć i jak pilnować

Pełny program serii Gotowe: 52 z 83 tematów

Każda definicja w tej serii to zdanie logiczne, a każde „zatem” po niej to kawałek dowodu. Logika to reguły gry: mówi, kiedy twierdzenie jest prawdziwe i jak z prawdziwych twierdzeń poprawnie wyprowadzić kolejne. A w sztucznej inteligencji występuje dwa razy — jako język, w którym mówi się o algorytmach, i jako osobna dziedzina, z której wyrosły pierwsze „myślące” programy.

Symbole ¬, ∧, ∨, ⇒, ∀ i ∃ spotkaliśmy po raz pierwszy w części o zapisie matematycznym. Tutaj dowiesz się, jak dokładnie działają, gdzie najczęściej popełnia się przy nich błędy i jak składa się z nich dowód.

1. Zdania i wartości logiczne

Definicja — zdanie logiczne

Zdanie logiczne to stwierdzenie, o którym ma sens powiedzieć, czy jest prawdziwe, czy fałszywe. Jego wartość logiczna to 1 (prawda) lub 0 (fałsz).

Ze zdań prostych P, Q, … za pomocą spójników logicznych tworzy się zdania złożone. Prawdziwość zdania złożonego zależy tylko od prawdziwości jego części.

2. Spójniki i tabele prawdy

Jak działa spójnik, najlepiej pokazuje tabela prawdy: dla każdej kombinacji wartości P i Q jeden wiersz. Dwie zmienne mają 2 · 2 = 4 kombinacje, n zmiennych 2ⁿ.

• Negacja ¬P odwraca wartość.
• Koniunkcja P ∧ Q („i”) zachodzi tylko wtedy, gdy zachodzą obie części.
• Alternatywa P ∨ Q („lub”) zachodzi, gdy zachodzi co najmniej jedna — także obie.
• Implikacja P ⇒ Q („jeżeli…, to”) nie zachodzi tylko w jednym przypadku: P zachodzi, a Q nie.
• Równoważność P ⇔ Q zachodzi, gdy obie części mają tę samą wartość.
• Alternatywa wykluczająca P ⊕ Q (XOR) zachodzi, gdy zachodzi dokładnie jedna z nich.

3. Implikacja: najczęstsza pułapka

Definicja — implikacja odwrotna i kontrapozycja

Dla implikacji P ⇒ Q implikacją odwrotną jest Q ⇒ P, a kontrapozycją ¬Q ⇒ ¬P.

Twierdzenie. Implikacja jest równoważna swojej kontrapozycji, ale nie implikacji odwrotnej.

Tabela pokazuje to bez dyskusji: kolumny implikacji i kontrapozycji są takie same, implikacja odwrotna różni się w dwóch wierszach.

Druga pułapka to pierwszy wiersz z P = 0: gdy założenie nie zachodzi, implikacja jest prawdziwa, czymkolwiek jest Q. „Jeśli 7 jest parzyste, to jestem papieżem” to zdanie prawdziwe. Brzmi dziwnie, ale ma sens — implikacja obiecuje coś tylko o sytuacji, w której P zachodzi, a tej obietnicy nie da się złamać, gdy P nie zachodzi.

4. Tautologie i zdania równoważne

Definicja — tautologia, kontrtautologia, równoważność

Tautologia to zdanie złożone, które jest prawdziwe przy każdym wartościowaniu zmiennych (np. P ∨ ¬P). Kontrtautologia (sprzeczność) jest zawsze fałszywa (P ∧ ¬P).

Zdania A i B są logicznie równoważne, A ≡ B, gdy A ⇔ B jest tautologią — mają tę samą kolumnę w tabeli prawdy.

Tak można sprawdzić prawa De Morgana z części o zbiorach: ¬(P ∧ Q) ≡ ¬P ∨ ¬Q. Kolumny są takie same:

Sprawdzanie tautologii tabelą jest niezawodne, ale dla n zmiennych oznacza 2ⁿ wierszy. Dla 300 zmiennych to więcej wierszy, niż jest atomów we wszechświecie. Pytanie, czy zdanie da się w ogóle spełnić (problem SAT), jest jednym z najsłynniejszych trudnych problemów informatyki.

5. Dlaczego XOR zatrzymał pierwsze sieci neuronowe

Narysujmy cztery kombinacje P i Q jako punkty na płaszczyźnie i pokolorujmy je według wyniku. Przy „i” oraz „lub” zielone punkty da się oddzielić od pomarańczowych jedną prostą. Przy XOR się nie da — zielone punkty leżą na jednej przekątnej, a pomarańczowe na drugiej:

P ∧ Q

P ∨ Q

P ⊕ Q

Perceptron, najprostsza sieć neuronowa, potrafi rozdzielać punkty tylko prostą. W 1969 roku Minsky i Papert pokazali, że dlatego nie poradzi sobie nawet z tak prostą funkcją jak XOR, i zainteresowanie sieciami neuronowymi na lata osłabło. Rozwiązaniem jest dodanie warstwy: XOR można złożyć z prostszych funkcji, (P ∨ Q) ∧ ¬(P ∧ Q), a sieć dwuwarstwowa to potrafi. Tu zaczyna się historia uczenia głębokiego.

6. Predykaty i kwantyfikatory

Definicja — predykat i kwantyfikatory

Predykat P(x) to zdanie ze zmienną: dla każdego x z danego zbioru staje się zdaniem („x jest parzyste”).

∀x ∈ M : P(x) jest prawdziwe, gdy P(x) zachodzi dla wszystkich x ∈ M. ∃x ∈ M : P(x) jest prawdziwe, gdy zachodzi dla co najmniej jednego.

Kolejność różnych kwantyfikatorów ma znaczenie: ∀x ∃y : P(x, y) na ogół nie znaczy tego samego co ∃y ∀x : P(x, y).

Definicje w AI są pełne kwantyfikatorów. Heurystyka dopuszczalna z części o przeszukiwaniu to „∀n : h(n) ≤ h*(n)” — a żeby ją obalić, wystarczy jeden stan, w którym oszacowanie przestrzeli.

7. Czym jest dowód

Definicja — dowód i modus ponens

Dowód twierdzenia T to skończony ciąg zdań, który kończy się T i w którym każde zdanie jest albo założeniem (aksjomatem, wcześniej udowodnionym twierdzeniem), albo wynika z poprzednich zgodnie z regułą wnioskowania.

Podstawową regułą wnioskowania jest modus ponens: z P i P ⇒ Q wynika Q. Reguła jest poprawna, ponieważ (P ∧ (P ⇒ Q)) ⇒ Q jest tautologią.

8. Rodzaje dowodów

Dowód wprost

Od założeń krok po kroku dochodzimy do twierdzenia. Twierdzenie: suma dwóch liczb parzystych jest parzysta. Dowód: liczby parzyste to 2a i 2b dla całkowitych a, b. Ich suma to 2a + 2b = 2(a + b), czyli dwukrotność liczby całkowitej — liczba parzysta. ∎

Dowód przez kontrapozycję i nie wprost

Zamiast P ⇒ Q dowodzimy równoważnego ¬Q ⇒ ¬P — albo zakładamy, że twierdzenie nie zachodzi, i dochodzimy do niedorzeczności. Twierdzenie: liczb pierwszych jest nieskończenie wiele. Dowód nie wprost (Euklides): gdyby było ich skończenie wiele, p₁, …, p_k, weźmy N = p₁ · … · p_k + 1. Żadne p_i nie dzieli N — zawsze zostaje reszta 1. N ma więc dzielnik pierwszy, którego brakuje na liście. Sprzeczność. ∎

Kontrprzykład

Twierdzenie „dla wszystkich” obala się jednym przykładem. „Każda liczba nieparzysta większa od 1 jest liczbą pierwszą” zachodzi dla 3, 5 i 7 — i upada na 9 = 3 · 3. Trzy przykłady niczego nie dowodzą, jeden kontrprzykład obala.

Indukcja matematyczna

Definicja — zasada indukcji matematycznej

Jeśli zachodzi P(1) (krok bazowy) i dla każdego n ≥ 1 zachodzi P(n) ⇒ P(n + 1) (krok indukcyjny), to P(n) zachodzi dla wszystkich n ∈ ℕ.

Twierdzenie: 1 + 2 + … + n = n(n + 1)/2. Baza: dla n = 1 po lewej jest 1, a po prawej 1 · 2/2 = 1. Krok: jeśli wzór zachodzi dla n, to 1 + … + n + (n + 1) = n(n + 1)/2 + (n + 1) = (n + 1)(n + 2)/2, co jest wzorem dla n + 1. ∎ Ten sam wynik pokazuje też obrazek: dwa schodki z kropek dają razem prostokąt n × (n + 1).

Indukcją dowodzi się w informatyce poprawności algorytmów: „po k krokach pętli zachodzi…”. Tak dowodzi się na przykład, że UCS rozwija stany w niemalejącej kolejności kosztu — i dlatego znajduje najtańszą ścieżkę.

9. Logika w sztucznej inteligencji

• Symboliczna AI — pierwsze systemy sztucznej inteligencji były logiczne: wiedza zapisana jako reguły „jeśli–to” i wnioskowanie za pomocą modus ponens. Na tym opierały się systemy ekspertowe lat osiemdziesiątych.
• SAT solvery rozwiązują zadanie „czy to zdanie da się spełnić?” dla milionów zmiennych — planują, weryfikują sprzęt i szukają błędów w programach.
• Weryfikacja AI — logiką dowodzi się własności systemów: że autopilot nigdy nie wyda dwóch sprzecznych poleceń albo że sieć neuronowa nie zmieni decyzji z powodu niewidocznego szumu.
• Modele językowe i dowody — dzisiejsze modele potrafią pisać dowody, a te są potem sprawdzane narzędziami formalnymi, które mechanicznie weryfikują każdy krok.

10. Podsumowanie

• Zdanie jest prawdziwe albo fałszywe; spójniki ¬ ∧ ∨ ⇒ ⇔ ⊕ są dokładnie zdefiniowane tabelą prawdy.
• Implikacja jest równoważna kontrapozycji, a nie implikacji odwrotnej — i przy fałszywym założeniu jest zawsze prawdziwa.
• XOR nie da się rozdzielić jedną prostą i dlatego sieć neuronowa potrzebuje więcej warstw.
• Kolejność kwantyfikatorów ma znaczenie; twierdzenie „dla wszystkich” obala jeden kontrprzykład.
• Dowód to łańcuch sprawdzalnych kroków: wprost, przez kontrapozycję, nie wprost lub przez indukcję.

Masz inne zdanie? Napisz na support@coden-app.com.