框架问题的核心命意乃是:在对智能体的行动进行表征之时,如何能够在有效地表征出行动的效果之时,避免对于其非效果的表征?对于符号主义路数的人工智能研究来说,框架问题的确非常棘手,因为它的存在使得对于行动的知识刻画必须引入大量的框架公理,并由此使得系统的计算负荷剧增。从历史上看,人工智能界赖以解决这个问题的基本路径主要有两条。第一条是诉诸于"关于惯性的常识律"或缺省逻辑,即在行动表征中预设:没有被表征式牵涉到的"世界其余部分"都将保持惯性。另一条路径则采纳了海耶斯的"素朴物理学"表征方案,即试图把日常物理学知识全部用谓词逻辑公理化,让系统自动推算出哪些动作会导致哪些结果。本文将论证,这两条道路其实都走不通。在此基础上,本文将从维特根斯坦的《论确定性》中寻找灵感,建立一个关于信念网动力学模型——在这个模型中,某些知识节点的激发只会导致某些与之毗邻的节点的激发,因此,对于特定问题求解路径的表征,就能够避免对于一个更大范围内的知识网络的牵涉。框架问题也有望借助于这个模型得到解决。最后,我将利用"非公理推演系统"(NARS)为这个模型提供一种尽量逼真的工程学模拟。