OpenNARS：非公理化推理引擎，为通用人工智能而生

你可能见过很多"通用人工智能（AGI）"的 Demo，但大多数只是在特定任务上表现惊艳——换个场景就歇菜。OpenNARS 走的是完全不同的路线：它不是针对某个任务的专用工具，而是一个能够在不确定环境中持续学习、推理和规划的通用智能系统。

一、研究背景：从"常识陷阱"到非公理化推理

传统 AI 系统有一个致命弱点——依赖完美的前提假设。一个象棋 AI 默认棋规是完备的，一个问答系统假设知识库是准确的。但现实世界没有完美假设：信息不完整、来源不可靠、结论随时可能被推翻。

OpenNARS 的理论基础来自天普大学（Temple University）计算机系教授 裴逸（Pei Wang） 提出的非公理化推理（Non-Axiomatic Reasoning, NAR） 理论。该理论的核心主张是：智能不是完美推理，而是资源有限的系统在不完备信息下做出合理决策的能力。

裴逸从 1990 年代开始这项研究，2006 年左右开源社区接过接力棒，由 Patrick Hammer、Tony Lofthouse 等核心贡献者持续维护至今。2016 年，OpenNARS 的实现论文发表在 AGI 国际会议（AGI-16）上，成为 AGI 领域的标志性开源项目。

类比理解：传统 AI 像一个在标准化考场里考高分的学生（依赖固定规则和充足知识），而 OpenNARS 像一个在陌生城市里靠有限线索导航的旅行者——没有地图，但有常识、有学习能力、会从错误中修正路线。

二、核心技术：NAL 语言与三模块推理架构

OpenNARS 的技术实现围绕NAL（Narsese Acquisition Language） 形式语言展开，这是一套为非公理化推理专门设计的表现语言（representation language）。

NAL 的语法设计

NAL 使用类似 <A --> B> 的结构表达关系，例如：

• <鸟 --> 动物> 表示"鸟是动物的一种"（继承关系）
• <{Swan} --> [黑白]> 表示"天鹅具有黑白属性"（属性关系）
• <乒乓球 --> [运动, 竞技, 室内]> 表示"乒乓球具有多种属性"

这种语法允许表达复合概念（And、Or、Difference 等）、时间关系（先后、同时、期间）以及概率真值。关键在于：每个陈述都附有一个置信度（confidence），而不是非真即假的布尔值。

三模块推理引擎

OpenNARS 的推理引擎由三个核心模块组成：

1. Memory（记忆模块）

记忆模块存储一组"概念（Concept）"，每个概念对应一个 Term（项）。概念包含该 Term 的所有相关信念（belief）、目标（goal）和问题（question）。记忆系统还维护一个任务缓冲区（buffer），新的输入首先进入缓冲区，等待推理引擎调度处理。

所有选择过程都是概率性的：每个任务、信念或概念都附带优先级值（priority），系统根据优先级加权概率决定当前周期处理哪个任务。这模拟了人类注意力的有限性——一次只能专注少数几件事。

2. Inference Engine（推理引擎）

核心推理规则定义在 RuleTables.java、LocalRules.java、StructuralRules.java、CompositionalRules.java、SyllogisticRules.java 等文件中。NAL 定义了 9 个推理级别（NAL-1 到 NAL-9），每升一级支持更复杂的推理形式：

NAL 级别	推理类型	示例
NAL-1	命题逻辑	陈述与否定
NAL-2	继承关系	鸟 → 动物
NAL-3	时间推理	先后、同时
NAL-4	空间推理	位置关系
NAL-5	事件推理	因果链
NAL-6	语义复合	And/Or 组合
NAL-7	语法复合	元规则
NAL-8	量词推理	全称/存在
NAL-9	混合高阶	综合推理

3. Control Mechanism（控制机制）

控制机制负责协调推理过程，核心类 GeneralInferenceControl.java 负责：

• 从任务缓冲区中选择待处理任务
• 选择匹配的信念（belief）进行推理
• 执行推理规则生成新任务
• 根据即时反馈（是否达成目标）调整优先级

temporal 包下的规则（TemporalInferenceControl.java、TemporalRules.java）专门处理时间维度的推理——这是很多 AGI 系统忽略但至关重要的能力。

三、代码架构：18 个包，分层设计

项目代码位于 src/main/java/org/opennars/，共 18 个 Java 包：

• control/ — 推理控制：任务选择、调度、反馈调整
• control/concept/ — 概念处理流程：ProcessGoal（目标处理）、ProcessJudgment（判断处理）、ProcessQuestion（问题处理）、ProcessAnticipation（预期处理）
• entity/ — 核心实体：Concept（概念）、Task（任务）、Sentence（语句）、Stamp（时间戳）
• inference/ — 推理规则：局部规则、组合规则、结构规则、时序规则、 syllogistic 规则
• language/ — Narsese 语言定义：Term（项）、Statement（语句）、Variable（变量）
• storage/ — 存储层：Memory（概念记忆）、Bag（优先级容器）
• io/ — 输入输出：Narsese 语法解析器（/） 、事件输出（Events）
• operator/ — 操作符系统：内建操作符（^say、^want等）和可扩展操作符接口
• plugin/ — 插件系统：感知插件（视觉、听觉）、心理插件（信念/目标管理）
• util/ — 工具类：JSON 序列化、配置加载

依赖极少：仅 junit:junit、commons-lang3、guava 三个第三方库，保持了核心逻辑的高度自洽。

四、应用形态：从实验室到机器人

OpenNARS 不是一个静态的"推理机"，它设计为嵌入式认知引擎：

opennars-lab（实验室版）：提供完整 GUI，包括：

• Test Chamber（行为测试仿真环境）
• Micro World（昆虫行为学习）
• NAR Pong（AI 乒乓球）
• Language Lab（词性/语法学习）
• Perception Test（模式匹配实验）

opennars-applications：面向实际应用，如与机器人 Henry 集成，实现感知-推理-行动闭环。

opennars-gui：独立的 GUI 前端，用于人机交互和系统监控。

所有形态共享同一个 Nar.java 核心 API，开发者可以通过 addInput("陈述") 直接向系统注入知识和问题。

五、局限与争议

必须承认，OpenNARS 并非没有批评：

1. 性能问题：NARS 的随机调度和反复推理机制计算开销大，在大规模知识库上性能不理想
2. 理论争议：非公理化推理的数学基础尚不完善，学术界对其泛化能力存在质疑
3. 工程成熟度：虽然代码质量高（MIT 许可、完整 Javadoc、Travis CI 集成），但缺乏生产级部署案例
4. 活跃度下降：主仓库最后更新于 2021 年 3 月，核心团队似乎将重心转向了商业化的 "OpenNARS for Applications" 分支

六、行业意义

尽管如此，OpenNARS 在 AGI 探索路线中占据独特位置：它是唯一一个持续维护超过 10 年、理论与代码完整对应的非符号主义 AGI 开源实现。

近年来 NARS 思想对多个研究领域产生了影响：

• 认知机器人：将 NARS 作为机器人的内部认知模型
• 多智能体系统：结合 Jason BDI 框架构建混合架构
• 持续学习：NARS 的记忆和遗忘机制为资源受限学习提供了参考

如果你对"AGI 到底怎么实现"这个问题感到好奇，OpenNARS 是一个值得深入研究的窗口——它代表了一种严肃的、非炒作的路线。