真实世界的知识极少是确定无疑的。医疗诊断中"头痛且发烧则患感冒"的规则只能达到0.8的可信度，气象预报中"明天可能下大雨"的描述既不确定也不确切。这种"不确定性"与"不确切性"的普遍存在，使得前述基于二值逻辑的推理框架在工程应用中寸步难行。本章作为本科"智能系统"课程的关键转折，将系统讲授如何在知识表示与推理中引入量化的不确定性度量，使智能系统具备处理模糊、随机、不完全信息的能力。
本章的学习内容围绕"不确定知识如何表示与传播"展开。首先建立不确定性与不确切性的概念区分，理解"不能确定真伪"与"描述模糊不精确"的本质差异；继而深入确定性理论（CF模型），掌握置信因子的定义、前提事实的合成计算、推理结论的CF值传播，以及多路径重复结论的合成公式——这是MYCIN等早期专家系统的核心理论基础。在此基础上，拓展至程度化知识表示，学习程度化元组、程度化谓词与程度化规则的构造方法，理解如何将"比较胖""有些黄"等模糊语言值嵌入框架与语义网络。最后进入模糊集合与模糊推理领域，掌握隶属函数、模糊关系及其合成运算，并接触贝叶斯网络这一基于概率图模型的不确定性推理框架，理解条件概率表与贝叶斯更新的推理机制。
这些概念与前章内容形成深刻的互补与升级关系。谓词逻辑中的二值真值被CF模型的连续可信度取代，产生式规则的确定性触发变为带置信度的激活，框架与语义网络的精确槽值扩展为程度化语言值。模糊集合理论则为"高个子""年轻人"等人类自然语言中的模糊概念提供了严格的数学描述，其隶属函数本质上是将经典集合的特征函数平滑化。贝叶斯网络则以概率图的方式，将语义网络中的定性关联升级为定量条件依赖，实现了不确定性在复杂因果网络中的精确传播。掌握这些不确定性处理方法，意味着从"理想化的逻辑世界"走向"真实的不确定环境"，为后续学习机器学习中的概率模型、深度神经网络的不确定性量化，以及现代AI系统的可信决策机制，奠定不可或缺的理论基础。
另外一提，智能系统课程后面的内容几乎就是对机器学习和NLP内容的概括，所以笔者不打算再重复地写了。如有需要可以跳转至对应标签下阅读。
