常识性推理

在人工智能（AI）中，常识性推理是一种类似于人类的能力，对人类每天遇到的普通情况的类型和本质进行推测。这些假设包括对物理对象的性质、分类学属性和人们的意图的判断。

表现出常识推理的设备可能能够得出与人类的民俗心理学（人类对人们的行为和意图进行推理的先天能力）和天真的物理学（人类对物理世界的自然理解）相似的结论。

定义和特征不同作者对常识的一些定义和特征包括。常识性知识包括关于事件（包括行动）及其影响的基本事实，关于知识和如何获得知识的事实，关于信仰和欲望的事实。

它还包括关于物质对象及其属性的基本事实。

常识性知识与百科全书式的知识不同，它涉及的是一般知识，而不是具体实体的细节。

常识性知识是现实世界的知识，可以为自动收集和解释其他知识提供基础。

常识性世界包括时间、空间、物理互动、人等等。

常识是所有关于世界的知识，我们认为这是理所当然的，但很少大声说出来。

常识是广泛的可重复使用的背景知识，不是特定的学科领域，你应该拥有的知识。

纽约大学教授欧内斯特-戴维斯将常识知识描述为一个典型的7岁儿童对世界的了解，包括物理对象、物质、植物、动物和人类社会。它通常不包括书本知识、专业知识和惯例知识；但它有时也包括有关这些主题的知识。

与人类相比，现有的人工智能缺乏人类常识性推理的几个特征；最值得注意的是，人类有强大的机制来推理天真的物理学，如空间、时间和物理相互作用。这使得即使是年幼的孩子也能轻易地做出推论，如如果我把这支笔从桌子上滚下来，它就会掉在地上。

人类也有一个强大的民间心理学机制，帮助他们解释自然语言句子。这种常识的缺乏意味着人工智能经常会犯与人类不同的错误，其方式可能看起来令人难以理解。例如，现有的自动驾驶汽车不能像人类那样准确推理出行人的位置或意图，而是必须使用非人类的推理模式来避免事故。

常识推理的重叠子主题包括数量和测量、时间和空间、物理学、思想、社会、计划和目标、以及行动和变化。

常识性知识问题是目前人工智能领域的一个项目，目的是建立一个数据库，其中包含大多数人应该拥有的常识，并以使用自然语言的人工智能程序可访问的方式表示。

由于常识性知识的范围很广，这个问题被认为是人工智能研究中最困难的问题之一。为了使任何任务都能像人的头脑管理的那样完成，要求机器看起来像人一样聪明。

这些任务包括物体识别、机器翻译和文本挖掘。为了完成这些任务，机器必须了解拥有常识性知识的个人所认识的相同概念。

1961年，BarHillel在机器翻译的背景下首次讨论了自然语言处理的实用知识的需求和意义。有些歧义可以通过使用简单和容易获得的规则来解决。

其他的则需要对周围世界的广泛承认，因此它们需要更多的常识性知识。例如，当机器被用来翻译一个文本时，就会出现歧义的问题，这些问题可以通过对上下文的具体和真实的理解来轻松解决。在线翻译者经常使用类似或相似的词来解决歧义问题。