🤖 AI

Plausible Reasoning and First-Order Plausible Logic

Dieser Artikel stellt einen kondensierten Überblick über das Buch „Plausible Reasoning and Plausible Logic" vor, in dem ein ersterordentlicher plausibler Kalkül (PL) definiert wird, der auf siebzehn Prinzipien basiert und es ermöglicht, aus faktischen und widerlegbaren Aussagen ohne Verwendung numerischer Wahrscheinlichkeiten logische Schlüsse zu ziehen.

Ursprüngliche Autoren: David Billington

Veröffentlicht 2026-04-22

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: David Billington

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die Logik des „Wahrscheinlich": Eine Reise durch die Welt der unsicheren Fakten

Stell dir vor, du lebst in einer Welt, in der nicht alles schwarz oder weiß ist. In der klassischen Logik (wie in einem strengen Mathebuch) ist eine Aussage entweder wahr oder falsch. Es gibt keine Grauzonen. Aber im echten Leben ist das anders.

Wenn du sagst: „Vögel können fliegen", ist das meistens wahr. Aber ein Pinguin kann es nicht. Wenn du sagst: „Wenn es regnet, wird der Boden nass", ist das fast immer wahr. Aber wenn der Boden unter einer Plane liegt, bleibt er trocken.

Der Autor dieses Artikels, David Billington, fragt sich: Wie können wir eine Logik bauen, die mit diesen „meistens"- und „wahrscheinlich"-Aussagen umgehen kann, ohne dabei komplizierte Wahrscheinlichkeitszahlen (wie 73,4 %) zu benutzen?

Er nennt sein Ergebnis Plausible Logic (PL) – oder auf Deutsch: Plausible Logik.

1. Das Problem: Warum alte Logik scheitert

Stell dir vor, du hast einen sehr strengen Richter (die klassische Logik). Dieser Richter sagt: „Wenn ich beweise, dass alle Vögel fliegen können, und ich beweise, dass Pinguine Vögel sind, dann muss der Pinguin fliegen können."
Der Richter ignoriert, dass es Ausnahmen gibt. Sobald eine neue Information kommt (z. B. „Pinguine haben keine Flugmuskeln"), muss der Richter seine ganze vorherige Entscheidung verwerfen und neu anfangen. Das nennt man nicht-monoton. In der echten Welt ändern sich unsere Schlüsse ständig, wenn wir neue Details lernen.

Billington sagt: „Wir brauchen einen neuen Richter, der flexibler ist."

2. Die Lösung: Ein Werkzeugkasten mit 8 verschiedenen Richtern

Die große Innovation in diesem Artikel ist, dass es nicht einen einzigen Weg gibt, zu einer plausiblen Schlussfolgerung zu kommen. Es gibt verschiedene Situationen, die unterschiedliche Vorsicht erfordern.

Stell dir vor, du bist ein Detektiv. Je nach Art des Falls brauchst du einen anderen Ansatz:

Der Fakten-Detektiv (φ): Er ignoriert alles, was nur „wahrscheinlich" klingt. Er schaut nur auf harte Beweise. Wenn er etwas sagt, ist es zu 100 % wahr.
Der „Beste-Wette"-Detektiv (β): Er ist sehr mutig. Er sagt: „Wenn die Beweise für etwas auch nur ein bisschen stärker sind als dagegen, dann ist es wahr." Er blockiert Zweifel. (Gut für Zivilprozesse: „Auf der Waage der Wahrscheinlichkeiten").
Der „Jeder-zweifelt"-Detektiv (π): Er ist extrem vorsichtig. Wenn es irgendeinen Grund gibt, an etwas zu zweifeln, sagt er: „Ich kann das nicht beweisen." Er lässt Zweifel weiterlaufen. (Gut für Strafprozesse: „Jenseits vernünftiger Zweifel").
Und noch 5 weitere Detektive: Dazwischen gibt es weitere Stufen, je nachdem, wie viel Risiko man eingehen will.

Diese 8 „Algorithmen" (Rechenwege) bilden eine Hierarchie. Du wählst den Detektiv, der zu deiner Situation passt.

3. Die Regeln des Spiels (Die Prinzipien)

Billington hat 17 Regeln aufgestellt, die eine gute „Plausible Logik" befolgen muss. Hier sind die wichtigsten, einfach erklärt:

Trennung von Fakten und Vermutungen: Man muss genau wissen, was sicher ist (Fakten) und was nur wahrscheinlich ist (Vermutungen). Man darf sie nicht durcheinanderwerfen.
Keine neuen Informationen erfinden: Eine Schlussfolgerung darf nicht mehr enthalten, als in den Ausgangsdaten steckt. (Man darf nicht raten).
Die „Nicht-Monotonie"-Regel: Wenn du eine neue Information bekommst, die gegen deine alte Schlussfolgerung spricht, darfst du die alte Schlussfolgerung zurückziehen.
- Beispiel: „Tupfen sind normalerweise nicht giftig." -> Schlussfolgerung: „Dieser Tupfen ist sicher."
- Neue Info: „Dieser Tupfen ist ein Gift-Tupfen." -> Schlussfolgerung: „Aha, mein erster Schluss war falsch."
Das „Mehrheits-Prinzip" (Beweislast): Eine Aussage ist nur dann wahr, wenn die Beweise für sie stärker sind als die Beweise dagegen.
Das „Zwischen-Mitte"-Prinzip: Es gibt nicht nur „Wahr" und „Falsch". Es gibt auch:
- „Wahrscheinlich wahr"
- „Wahrscheinlich falsch"
- „Unentschieden / Unklar"
- (Und in manchen Fällen sogar „Widersprüchlich", wenn beide Seiten gleich stark sind).

4. Wie funktioniert das im Computer? (Die Struktur)

Um das mathematisch sauber zu machen, benutzt Billington eine Art Baumstruktur (ein „gerichteter azyklischer Graph").

Stell dir einen Baum vor, dessen Wurzeln die Fakten sind. Von den Ästen gehen Zweige ab, die neue Schlüsse repräsentieren.

Manchmal gehen zwei Zweige in entgegengesetzte Richtungen (einer sagt „Ja", einer „Nein").
Der Algorithmus prüft dann: Welcher Zweig ist stärker? Gibt es einen „Warnhinweis" (eine Regel, die sagt: „Vorsicht, hier könnte es gefährlich sein")?
Um Endlosschleifen zu vermeiden (wenn der Computer sich im Kreis dreht), merkt sich der Algorithmus, welche Wege er schon gegangen ist (eine Art „Gedächtnis" oder Historie).

5. Warum ist das wichtig?

Bisher gab es keine Logik, die all diese Regeln gleichzeitig erfüllt und trotzdem mit komplexen Beispielen (wie Lotterien oder biologischen Ausnahmen) richtig rechnet.

Die Kernaussage:
Dieser Artikel beschreibt ein neues System, das es Computern (und uns Menschen) erlaubt, vernünftig zu denken, auch wenn die Welt nicht perfekt ist. Es erlaubt uns, zwischen „Ich bin mir sicher" und „Ich vermute stark" zu unterscheiden, ohne dabei in mathematische Wahrscheinlichkeiten (Zahlen) verfallen zu müssen.

Es ist wie ein Schutzanzug für das Denken: Er schützt uns davor, Dinge als absolut sicher zu behandeln, wenn sie es nicht sind, und erlaubt uns trotzdem, Entscheidungen zu treffen, auch wenn wir nicht alle Fakten kennen.

Zusammenfassung in einem Satz:
David Billington hat eine neue Art der Logik erfunden, die wie ein flexibler Richter funktioniert, der je nach Situation zwischen „strengem Faktencheck" und „mutiger Wahrscheinlichkeit" wechseln kann, um in einer unvollkommenen Welt vernünftige Schlüsse zu ziehen.

1. Problemstellung

Der Artikel adressiert das Problem der formalen Modellierung von plausiblem Schlussfolgern (plausible reasoning). Im Gegensatz zur klassischen Logik, die sich mit absoluten Fakten und notwendigen Wahrheiten befasst, muss plausibles Schlussfolgern mit Aussagen umgehen, die „wahrscheinlich", „üblicherweise" oder „meistens" wahr sind, aber gelegentlich falsch sein können (defeasible statements).

Die spezifischen Herausforderungen sind:

Fehlende Quantifizierung: Die Unsicherheit wird nicht durch numerische Wahrscheinlichkeiten (wie in der Wahrscheinlichkeitstheorie) ausgedrückt, sondern durch qualitative Begriffe wie „normalerweise" oder „wahrscheinlich".
Nicht-Monotonie: Neue Informationen (Gegenbeweise) können frühere Schlussfolgerungen widerrufen.
Mehrdeutigkeit (Ambiguity): In bestimmten Situationen gibt es gleich starke Beweise für und gegen eine Aussage. Unterschiedliche Intuitionen (z. B. „zivilrechtliche Beweislast" vs. „strafrechtliche Beweislast") erfordern unterschiedliche Umgangsweisen mit dieser Mehrdeutigkeit (Blockierung vs. Propagierung).
Mangel an adäquaten Logiken: Bisherige Systeme (wie Default Logic) erfüllen nicht alle intuitiven Anforderungen an plausibles Schlussfolgern, insbesondere in Bezug auf die Behandlung von Konjunktionen, Disjunktionen und der Konsistenz bei mehr als zwei Aussagen.

2. Methodik

Der Autor entwickelt einen systematischen Ansatz, der in drei Hauptphasen unterteilt ist:

A. Definition von Prinzipien (Signpost Examples)

Um zu definieren, was eine Logik für plausibles Schlussfolgern leisten muss, werden 17 Prinzipien aufgestellt, basierend auf fünf „Leitbeispielen" (Signpost Examples), wie dem 3-Lotterie-Beispiel oder dem Ambiguitäts-Puzzle.

14 Notwendige Prinzipien: Wenn eine Logik diese verletzt, kann sie nicht als Logik für plausibles Schlussfolgern gelten. Dazu gehören:
- Repräsentationsprinzip: Unterscheidung zwischen Fakten und plausiblen Aussagen.
- Informationsprinzip: Schlussfolgerungen dürfen nicht mehr Information enthalten als die Prämissen (keine ampliativen Schlussfolgerungen).
- Nicht-Monotonie-Prinzip: Neue Beweise können alte Schlussfolgerungen widerrufen.
- Nicht-Konjunktivitäts-Prinzip: Die Konjunktion zweier plausibler Aussagen ist nicht notwendigerweise plausibel.
- Stärke-2-Konsistenz: Es dürfen nicht zwei Aussagen gleichzeitig als plausibel bewiesen werden, wenn ihre Kombination mit den Fakten inkonsistent ist.
- Vielzahl von Beweisalgorithmen: Es muss Algorithmen geben, die Mehrdeutigkeit blockieren (optimistisch) und solche, die sie propagieren (konservativ).
3 Wünschenswerte Prinzipien: Dazu gehören die Entschlossenheit (Decisiveness) und das Vermeiden von Endlosschleifen.

B. Definition der Plausible Logic (PL)

Basierend auf diesen Prinzipien wird eine First-Order Plausible Logic (PL) definiert.

Struktur: Eine plausible Beschreibung $D = (Ax, R, >)$ besteht aus:
- $Ax$: Axiome (Fakten).
- $R$ $R$ : Eine Menge von Regeln, unterteilt in:
  - Strenge Regeln ( $\to$ ): Faktenimplikationen.
  - Defeasible Regeln ( $\Rightarrow$ ): „Wenn A, dann normalerweise B".
  - Warnregeln ( $;$ ): Warnen vor zu riskanten Schlüssen.
- $>$ : Eine Prioritätsrelation, die Konflikte zwischen Regeln auflöst (z. B. spezifische Regeln haben Vorrang vor allgemeinen).
Beweistheorie:
- Die Logik verwendet 8 verschiedene Beweisalgorithmen ( $\phi, \pi, \psi, \theta, \theta', \beta, \psi', \pi'$ ).
- $\phi$ ist der faktische Algorithmus (nur Fakten).
- Die anderen Algorithmen unterscheiden sich darin, wie sie Beweise gegen eine Aussage behandeln (z. B. durch „Team-Defeat" oder „Disabling") und wie sie mit Mehrdeutigkeit umgehen (Blockierung vs. Propagierung).
- Um Endlosschleifen zu vermeiden, wird ein History-Mechanismus eingeführt, der bereits verwendete Regelinstanzen und Algorithmen protokolliert.
- Ein Beweis in PL ist strukturell ein gewurzelter azyklischer Digraph (rad), der die Anwendung der Beweisregeln darstellt.

C. Wahrheitswert-Theorie

Da PL nicht binär (wahr/falsch) ist, wird eine Wahrheitswert-Theorie mit mindestens vier Werten eingeführt:

$t$ (usually true): Meistens wahr.
$f$ (usually false): Meistens falsch.
$a$ (ambiguous): Mehrdeutig (Beweise für und gegen sind stark).
$u$ (undetermined): Unbestimmt (nicht genug Beweise).
Dies erfüllt das „Included Middle Principle" (Prinzip 3.33), das fordert, dass plausibles Schlussfolgern mehr als zwei Wahrheitswerte benötigt.

3. Wichtige Beiträge

Systematisierung durch Prinzipien: Der Artikel liefert die erste vollständige Liste von 17 Prinzipien (14 notwendig, 3 wünschenswert), die eine formale Logik erfüllen muss, um plausibles Schlussfolgern korrekt abzubilden.
Plausible Logic (PL): Die Definition einer First-Order-Logik, die fast alle Prinzipien erfüllt und korrekt mit allen vorgestellten Beispielen (inklusive der 3-Lotterie und des Ambiguitäts-Puzzles) umgeht.
Hierarchie der Algorithmen: Die Einführung von 8 Beweisalgorithmen, die eine lineare Hierarchie bilden. Dies erlaubt es, unterschiedliche „Vertrauensniveaus" oder „Sicherheitsstufen" (z. B. zivilrechtlich vs. strafrechtlich) innerhalb desselben logischen Rahmens zu modellieren.
Strukturelle Beweise: Die Definition von Beweisen als rooted acyclic digraphs (rads) statt als lineare Sequenzen, was die komplexe Struktur des plausiblen Schlussfolgerns (mit Verzweigungen für Beweise und Gegenbeweise) korrekt abbildet.
Behandlung von Mehrdeutigkeit: Eine klare Unterscheidung zwischen Algorithmen, die Mehrdeutigkeit blockieren (zu einem Ergebnis kommen, auch wenn Unsicherheit besteht) und solchen, die sie propagieren (bei Unsicherheit kein Ergebnis liefern).

4. Ergebnisse

Erfüllung der Prinzipien: PL erfüllt alle 14 notwendigen Prinzipien und 2 der 3 wünschenswerten Prinzipien. Sie ist der einzige bekannte Logiktyp, der dies für alle betrachteten Beispiele leistet.
Konsistenz und Kohärenz: Es wird bewiesen, dass PL stark 2-konsistent ist (keine zwei inkonsistenten Aussagen können gleichzeitig als plausibel bewiesen werden) und kohärent (eine Aussage kann nicht gleichzeitig als bewiesen und widerlegt gelten, außer bei spezifischen Algorithmen für Mehrdeutigkeit).
Linearität der Hierarchie: Die Beweisalgorithmen bilden eine lineare Hierarchie ( $D(\phi) \subseteq D(\pi) \subseteq \dots \subseteq D(\pi')$ ), was bedeutet, dass stärkere Algorithmen mehr Aussagen beweisen können, aber mit geringerer Zuverlässigkeit.
Entscheidbarkeit: Unter bestimmten Bedingungen (endliche Menge an Regelinstanzen) sind die Algorithmen endlich entscheidbar.

5. Bedeutung

Die Arbeit ist von erheblicher Bedeutung für das Feld der Künstlichen Intelligenz und der nicht-monotonen Logik:

Theoretische Fundierung: Sie bietet eine rigorose mathematische Basis für plausibles Schlussfolgern, die über reine Heuristiken hinausgeht.
Praktische Anwendbarkeit: Die Unterscheidung zwischen verschiedenen Beweisalgorithmen ermöglicht die Anpassung von KI-Systemen an verschiedene Anwendungsbereiche (z. B. medizinische Diagnose vs. juristische Argumentation), wo das Risiko von Fehlentscheidungen unterschiedlich gewichtet wird.
Einzigartigkeit: Der Autor stellt fest, dass PL, soweit bekannt, die einzige Logik ist, die die gesamte Bandbreite der identifizierten Prinzipien und Beispiele korrekt abdeckt.
Grundlage für zukünftige Forschung: Die vorgestellten Prinzipien und die Struktur der PL dienen als Referenzrahmen für die Entwicklung und Evaluierung zukünftiger nicht-monotoner Logiksysteme.

Zusammenfassend stellt der Artikel eine umfassende Theorie vor, die plausibles Schlussfolgern formalisiert, indem sie die Grenzen der klassischen Logik überwindet und ein flexibles, mehrstufiges System für den Umgang mit Unsicherheit und widersprüchlichen Informationen bereitstellt.