现试用最简单的方法，介绍如何写一个逻辑引擎。
即使是现时最尖端的人工智能，例如 OpenCog，它的内部仍然是很简单的。
逻辑推理 (deduction) 只需要两个算法：
- 命题推理
- 配对法 (unification)
这两个算法只需要数行程式就能表达 !
逻辑是什么？
逻辑可以分解为两部分:
- 命题逻辑 (propositional logic)
- 命题内部的结构
命题逻辑
命题逻辑的意思是： 我们只关心命题的真假，而不看命题内部的结构。 所以「小明爱小娟」和「北京昨天下雨」都是同一类句子，只要我们知道它们的真值 (truth value)。
命题之间的关系用箭頭表示，例如：
- 吃了不洁食物 $\rightarrow$ 肚痛
- 下大雨，没带雨伞 $\rightarrow$ 变落汤鸡
但命题不一定非黑即白，关系也会有不确定因素，所以最严格是要用 fuzzy probability (模糊 机率) 来描述。
推理的算法，原理很简单：
所有命题的关系构成一个 graph，例如下图：
有些 nodes 的真值我们知道，有些不知道； 我们将真值由已知的 nodes「传播」到未知的 nodes 去。 这传播有其法则，例如 机率 要用机率论的法则计算，你甚至可以自创，甚至可以用机器学习那些法则，而不需我们伤脑筋去设计！
所以，你只要懂得怎样在电脑建立和处理 graph 结构，第一个问题便解决了。
谓词逻辑
现在来看看句子内部的结构。
最经典的做法是用谓词逻辑 (predicate logic)，那是 Gottlob Frege 在 1879 年发明的。 罗素 (Bertrand Russell) 用它改写所有数学，使之发扬光大，然后 AI 之父 John McCarthy 把它应用在 AI 上，变成 classical AI。 但现在我们搞 strong AI 的人似乎都不太喜欢它，使用一些变奏，但基调一样。
谓词逻辑的做法就是将句子拆成 predicate 和 predicate 里面的 objects。
例如：
「小明爱小娟」 $\Longrightarrow$ 爱(小明，小娟)
「北京下雨」$\Longrightarrow$ 下雨(北京)
但对於较为复杂的句子结构例如「小明执迷不悟地爱着小娟」则视乎个别研究者的做法，没有统一的准则。 我们暂时不深究。
其实只要用某个方法把句子内部拆开就行，命题的推理方法完全没有变。
但句子拆开之后，我们可以在里面使用 variables (变量)，那是很有用的。
例如，我们可以构造：
爱(小明，X)
那变量 X 可以是 小娟、美玲、等。
於是现在我们需要另一个算法，叫 unification (配对)。
Unification
Unify 的作用是： 给定两个句子 A 和 B，它们内部可以很复杂，也可以有 variables，而我们试图找一些 substitutions (代入)，令那两句变成一样。
例如：
爱(X，Y)
和
爱(小强，美玲)
这两句命题，只要代入｛X = 小强，Y = 美玲｝，就可以变成同一句。
当然有些命题是无法 unify 的，例如：
爱(小明，小娟)
恨(小明，X)
那算法便会回覆 "fail"。
变量是很重要的发明，有了变量才可以表达 general rules (一般法则)，例如：
「女人都说谎」换成逻辑就是：
女人(X) $\rightarrow$ 说谎(X)
有些人被女人骗过一次之后，便永远不信女人； 所以人脑的思想也是透过 generalization (一般化) 来学习的。 那是机器学习的範围，容后再谈。
Unify 所做的其实是 pattern matching。
例如：
戴眼镜(X) 或 爱(小明，Y)
是一些模式，可以套到：
戴眼镜(美玲) 或 爱(小明，小娟)
这些实例上。
人工智能就是一个很大的资料库，里面有很多用模式写成的 general rules，经过配对而产生新的推论。 例如 小娟是女人，所以用上面那条 general rule，得出小娟说谎的结论。
