炎热的酷暑，费城的一个街区内，发生了一宗凶杀案，案发时间大约是晚上2点左右。

经过缜密的搜查，警方拘捕了4个与案件有关的疑犯A、B、C、D。但是，他们的证词确让案情扑朔迷离。

疑犯A:“我有不在场证据。凶手不是我。”

疑犯B:“我没有作案，是C杀的。”

疑犯C:“我看见D神色慌张，凶手一定是D。”

疑犯D:“C在撒谎。”

经过充分的调查，证实四人中只有一人说了假话，并且罪犯只有一个。那么谁才是案件的真正罪犯呢？

我们可以假如A说了假话 那么凶手是A， 但这样B、C也说了假话，所以假设不成立。

假如B说了假话，那么C、D说的应该全是真话， 但是C、D互相矛盾，所以假设不成立。

假如C说了假话，那么A、B、D都是真话，则C是真凶且各不矛盾，假设成立。

根据上述推理说明C是凶手。

上文的侦探悬疑故事，其实是一道计算机C语言的逻辑推理题。推理，不仅是人类特有的思维活动，计算机同样更够进行推理。

所谓推理，是由一个或几个已知的判断（前提）推出新判断（结论）的过程，从已有事实和知识推出结论的过程。与人类进行推理相似，计算机推理也需要一些前置条件。

首先，计算机推理需要建立在一般性知识的基础上，这要求计算机拥有抽象、归纳能力，即从具体事例中提取事物的一般规律并归纳成一般性知识。在实际操作中，计算机对数据资料，加以抽丝剥茧地分析，最后获得做出一个概括性的类别，并能将具体事物归入某个类别。比如，“小智，我想查明天天气？”“小智，明天天气怎么样？”“小智，明天天气是好是坏？”，这三句话虽然表达方式不同，但是计算机都将其归纳为天气询问这一大类。

归纳不仅针对事物特点，甚至还包括数学题型。打个比方，【现女友的重量是45kg，前女友的重量是现女友的1.2倍。前女友重量是多少？解：40*1.5=54kg】与【女友的重量是45kg，前女友的重量是54kg，你的重量是现女友的1.5倍？你的重量是多少？】，虽然题目的已知条件与求解问题，但在题型上是相似的，本质上都是乘法运算，计算机可以将它们归纳为同一题型。

其次，计算机能通过语言理解事物与事物之间所存在的关联关系，并形成知识图谱，知识图谱将提供从“关系”的角度进行推理的能力。例如。计算机当开发人员，将一段对话交给计算机，比如：

旭东：“可欣，要喝奶茶吗？”

可欣：“不喝，你自己喝吧。”

旭东：“为啥？你不是很爱喝奶茶吗？”

可欣：“因为最近在减肥啊”

计算机通过语句信息，将可欣与奶茶这两个事物，通过某一种有效的方式组织起来，让知识图谱能够得以搭建并支持高效的知识推理，当你询问“可欣喝不喝奶茶”以及“她为什么不喝奶茶”时，计算机会依据图谱进行推理，得出正确答案：“她不喝”与“因为她正在减肥”。

推理，对于计算机来说，是一个巨大的挑战，但是智视科技基于其独特的人工智能技术，开发出能抽象、归纳、形成知识知识图谱，并自我进行推理演算的人工智能系统。例如，系统预先对具体事例进行抽象，归纳出（A大于B，B大于C，那么A大于C）这一一般性知识，并将司令、军长、师长、旅长、团长、营长、连长、排长之间联系以知识图谱的方式表现，系统就可以自发推理以上任意两个军职之间的大小关系。

计算机推理将突破以往算法对任务的限制，让计算机实现更接近人类的推理与执行能力。

在语音领域，可使计算机“听懂”和“思考”接收到的语音信号，在提高系统对语音信息的存储和处理能力基础上，并能够使用上下文、关系推理等方式对谈话者的真正含义进行预测，就像人在谈话时大脑所做的一样。反映到实际应用上，语音助手将变得更智能，相较于刻板的预先功能设定，推理能力使得他们能像人类一样进行思考，提出更符合当时情境的最佳方案，例如帮助用户便捷的预定旅游行程。此外，在文字翻译方面，也将进一步提高准确度及流畅度。

在图像领域，在现有的机器学习系统中，大多数系统没有能力去理解概念之间的关系。例如，视觉系统可以识别图片中的狗或猫，但它不会知道图片中的狗在追逐猫。推理能力使得图形识别引擎不仅仅能够识别出照片的对象，还能够对整个场景中各事物的关系进行推理，对拓宽图像识别技术的应用落地有巨大意义。例如，当我们试图通过规划图纸对树木与公园长椅之间的距离进行排序，就需要对图像上树和长椅之间的关系(距离)进行比较，以得到解决方案；如果我们单独考虑树或者长椅的位置，未考虑他们之间的距离关系，则无法得到解决方案。