（圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜推理系統 (Inference System) 是什麼教學封面。
🎙️ 日野遼開場廣播：揭開專家系統的大腦引擎——推理系統
「嘿，各位聽眾朋友們，歡迎來到白話實驗室！我是日野遼。」
上一集我們認識了「知識工程」這位翻譯官，他辛苦地把專家的「憑感覺」變成了電腦懂的「說明書」（知識庫）。
但是，光有一本厚厚的說明書，電腦還是不會自己看啊！當你輸入症狀時，到底是誰在裡面快速翻閱、交叉比對，最後告訴你得了什麼病呢？
今天，我們就要來開箱專家系統裡真正的「大腦引擎」——推理系統！
準備好揭開它神秘的面紗了嗎？這裡是白話實驗室——Let’s go！
📌 名詞解碼：推理系統 (Inference System)
- 英文名稱： Inference System / Inference Engine（也常稱推論引擎）
- 一句話定義： 專家系統中的「邏輯大腦」，負責根據知識庫中的規則與使用者輸入的線索，進行自動推導並得出結論的運算程式。
❓ 這是什麼？
在傳統 AI（如專家系統）中，知識被存放成一條條的「If-Then」規則。
而「推理系統」就是那個負責「動腦」的執行單位。
它就像一個不知疲倦的超級偵探，拿著你給的線索，去比對知識庫裡的所有規則，一步一步推導出最終的答案或決策建議。
沒有它，知識庫就只是一堆死板的文字檔案。
🧠 白話解釋
想像你有一本超詳細的「感冒診斷說明書」（知識庫），裡面寫滿了各種症狀的判斷標準。
今天你跟電腦說：「我發燒了，而且喉嚨痛。」
「推理系統」就像一位大腦運轉超快的圖書館員，他立刻翻開說明書，找到「發燒」的頁面，再交叉比對「喉嚨痛」的條件，順著邏輯線條一路找下去，最後把結果遞給你：「根據說明書第 304 條，你應該是得了扁桃腺炎！」
（圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜推理系統解析漫畫）
💡 記住這一句就好：
在規則之海裡，幫你翻書找答案的超級邏輯偵探！
🎬 白話小劇場｜墨星 × 宙猩的偵探推理
🦍 宙猩： (拿著放大鏡) 所以知識庫是「書」，推理系統就是「看書找答案的人」囉？那它找答案的方法跟我們一樣嗎？
🐈 墨星： (戴上偵探帽) 差不多，但它的看書邏輯分成兩大流派：一種叫「順向推論」，一種叫「逆向推論」。
🦍 宙猩： 聽起來好繞口...有什麼差別啊？
🐈 墨星： 很簡單。「順向推論」就像警察辦案，收集地上的線索、指紋，一步步推導出誰是兇手。這叫做「由資料找答案」。
🦍 宙猩： 那逆向推論呢？
🐈 墨星： 就像法官先假設「兇手是猩猩」，然後回頭去翻找有沒有香蕉皮、腳印等證據來支持這個假設。這叫「從目標找證據」。推理系統會根據你要解決的問題，靈活切換這兩顆邏輯引擎。
💡 核心功能與應用場景
核心三大功能：
- 順向推論 (Forward Chaining)： 從已知事實出發，不斷觸發規則，直到得出最終結論（資料驅動）。
- 逆向推論 (Backward Chaining)： 先設立一個目標假設，反向尋找是否有足夠的事實能證明它成立（目標驅動）。
- 衝突解決 (Conflict Resolution)： 當多條規則同時滿足條件時，系統會依據設定好的優先權，決定哪一條規則優先執行。
📊 技術應用場景：
- 醫療問診系統： 通常使用「逆向推論」，先假設某種疾病，再透過提問來確認病患是否有對應症狀。
- 工業感測器警報監控： 通常使用「順向推論」，一收到異常溫度、壓力的數據，馬上推導出系統即將當機的結論。
- 金融貸款資格自動審核： 輸入薪資、信用評分等資料，系統一步步推導出最終的可貸款額度。
（圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜推理系統 應用情境）
⚠️ 常見誤解與易混淆比較
- ❌ 以為推理系統會自己創造知識： 它只能根據現有的「規則」進行推演，如果知識庫裡沒寫的規則，它絕對推不出新東西，缺乏真正的創造力。
- ❌ 混淆傳統推論與神經網路的推論： 現在的機器學習模型在預測時也常被稱為「推論 (Inference)」，但那是計算「機率」；而傳統專家系統的推理是絕對的「是非邏輯 (True/False)」。
💡 阿嬤講 AI：做菜還是點菜？「順向」與「逆向」推論
大家在準備 iPAS 考試或看 AI 理論時，最常被這兩個「推論」搞到腦袋打結。
其實，這就是「看手上有什麼」跟「心裡想藥什麼」的差別而已。
1. 順向推論 (Forward Chaining)：看食材決定菜單
「手上有什麼，就做什麼。」
- 核心邏輯： 從「線索（事實）」出發，一直往下推，看最後會變出什麼。
- 驅動方式： 資料驅動（Data-Driven）。
- 阿嬤白話： 就像阿嬤今天去市場，看到哪家菜新鮮就買哪樣，回到家攤開菜籃一看：「喔！有蛋有番茄」，推論出「今晚吃番茄炒蛋」。
- 常用在哪？ * 天氣預報： 收集氣壓、濕度（資料），推測明天會下雨（結果）。
- 工廠監控： 看到機器震動過大、溫度升高（事實），推論出「快要故障了」。
2. 逆向推論 (Backward Chaining)：看菜單找食材
「心裡想要什麼，才回頭去找證據。」
- 核心邏輯： 先有一個「結論（目標）」，再回頭去找證據，看這結論成不成立。
- 驅動方式： 目標驅動 (Goal-Driven)。
- 阿嬤白話： 就像孫子吵著要吃「紅燒肉」。阿嬤心裡先有了這個目標，才去翻冰箱：「有沒有肉？有沒有醬油？有沒有冰糖？」，如果證據都齊了，紅燒肉才做得出來。
- 常用在哪？
- 醫生看診： 先懷疑你是「流感」（目標），才問你有沒有發燒、喉嚨痛（證據）。
- 故障診斷： 機器已經停機了（結論），維修工才回頭檢查是不是保險絲燒斷。
🧠 阿嬤幫你劃重點
順向（Forward）： 是一條由下往上的路。資料給越多，推論出的路越長。
逆向（Backward）： 是一條由上往下的路。目標越明確，找證據的速度越快
💡 小提醒：如果你正在準備 iPAS，一定要了解知識工程 vs. 特徵工程差異性！
👉 收藏這篇圖卡，考試遇到觀念辨析就不怕被選項騙了。
圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜順向推論 vs. 逆向推論
⚙️ 運作原理 (How It Works)
(以順向推論為例)
1.收集事實： 系統接收使用者輸入的初始線索（例如：機台溫度過高）。
2.規則匹配： 推理引擎在知識庫中尋找條件符合「溫度過高」的 IF-THEN 規則。
3.衝突解決： 如果有多條規則都符合，系統會依據預設的權重挑選一條最適合的執行。
4.產生新事實： 執行該規則後，得出一個新結論（例如：冷卻系統異常），並將其加入已知線索中。
5.循環或結束： 重複步驟 2，不斷滾雪球，直到推導出最終答案，或沒有規則可以觸發為止。
🎯 寫給準備 iPAS 考試的你
進入五月中旬的最後衝刺階段，這個傳統 AI 的核心概念絕對是穩拿分的關鍵！
⚡ 狙擊雷達（考點提示）
- 兩種推論機制的差異： 務必分清楚「順向推論（Data-driven / 從線索出發）」與「逆向推論（Goal-driven / 從目標出發）」的定義。
- 核心組件關係： 考試常問專家系統的運算核心是什麼，答案就是「推理系統（推論引擎）」。
- 情境判斷題： 考題常給一個醫療問診情境（系統先懷疑你得流感，再不斷問你問題來確認），要你能精準判斷這是「逆向推論」。
💊 考前速充膠囊
- 定義： 根據知識庫的規則與已知事實，進行邏輯推演並得出結論的運算引擎。
- 核心特徵： 主要分為順向推論（線索找結論）與逆向推論（目標找證據）。
- 考試重點： 能從具體情境題中，精準分辨順向推論與逆向推論的差異。
🔬 實驗室隨堂考
【選擇題】
某醫療 AI 系統在診斷時，會先「假設病患得了流感」，然後系統開始提問：「你有沒有發燒？」「有沒有肌肉痠痛？」來驗證這個假設是否成立。請問這種運作邏輯屬於推理系統中的哪一種機制？
(A) 順向推論 (Forward Chaining)
(B) 逆向推論 (Backward Chaining)
(C) 非監督式學習
(D) 決策樹演算法
【判斷題】
在專家系統中，「推理系統 (Inference Engine)」的功能是用來永久儲存人類專家訪談下來的邏輯規則檔案。
(解答請見文章最底部)
📚 延伸知識與歷史背景
- ⭐ 難度標記： 基礎（理解邏輯推導的兩個方向，是傳統 AI 理論的必考核心，對於釐清系統運作邏輯非常有幫助）
- 🔧 技術定位： 傳統人工智慧 / 符號邏輯 AI (Symbolic AI) / 邏輯運算引擎
- 🧱 先備概念： 專家系統 (Expert System)、知識工程 (Knowledge Engineering)
- 🔗 關聯概念： 知識庫 (Knowledge Base)、符號主義 (Symbolism)、決策樹 (Decision Tree)
📖 歷史背景：
推理系統伴隨著 1970 年代專家系統的崛起而發展，是符號主義 AI (Symbolic AI) 的核心結晶。
早期的 AI 科學家認為，人類的智能就是基於「邏輯推理」，因此開發了能處理複雜 IF-THEN 規則的推論引擎。
著名的 MYCIN 系統，曾在特定感染疾病診斷任務中， 展現出接近甚至優於部分醫師的判斷能力。
這項技術奠定了傳統 AI 依賴邏輯而非數據的黃金年代。
📡 關於白話實驗室 White-Lab
- ☀️ 日野遼｜ 本所主持人，負責把 AI 從火星文翻譯成人話。
- 🐈 墨星｜ 冷靜理性的知識解構者，專門拆穿那些高深的科技迷思。
- 🦍 宙猩｜ 好奇心爆棚的初學者，總是替你問出那句：「這到底是什麼？」
🧱 你已解鎖第 10 塊 AI 金磚！
在這場 144 塊金磚的旅程中，你正在從「看不懂 AI」，走向「看懂世界的運作方式」。
📌 下一站預告： 📡 AI 名詞卡 #111 啟發式搜尋 (Heuristic Search)
🧪 實驗室隨堂考解答
選擇題：(B) / 判斷題：(X)
解析： 先有目標 / 假設，再去反向尋找證據支持的，稱為逆向推論 (B)；判斷題錯誤，儲存規則的地方叫做「知識庫」，推理系統是負責「動腦運算」的引擎。
🌌 White-Lab 星系導航站
迷路了嗎？這裡是 White-Lab 的總部。在這裡，你可以查看 144 塊 AI 金磚的全圖譜，以及所有已解鎖的名詞傳送門，讓你的學習路線不迷航。
👉 點我查看【White-Lab 創刊宣言】AI 入門必看：144 張 AI 名詞卡打造完整學習地圖
💡 墨星的防呆導航
知識如果沒有結構，就只是碎片。建議將這份「總目錄」加入書籤，未來每一個 AI 概念，都會在這裡串起來。
🐈 墨星：「你以為你在學 AI，其實你在學『如何看懂未來』。」
