AI 代理使用概率推理通过计算不同结果的可能性并在新信息到达时更新他们的信念来管理不确定性。 这种方法使他们即使在数据不完整或嘈杂的情况下也能做出明智的决定。 概率推理的核心是依靠概率分布来建模不确定的变量和关系。 例如，贝叶斯网络使用条件概率表示变量之间的依赖关系，而马尔可夫决策过程对不确定性下的顺序决策进行建模。 这些框架使 AI 系统能够权衡可能的场景并选择使预期结果最大化的行动，例如准确性或效用。
一个常见的应用是在机器人技术中，代理必须在具有传感器噪声的环境中导航。 例如，一辆自动驾驶汽车使用卡尔曼滤波器等概率模型，通过组合 GPS 数据、激光雷达读数和运动传感器来估计其位置。 每个传感器的可靠性都表示为一个概率分布，系统融合这些输入以减少不确定性。 同样，推荐系统使用概率推理来预测用户偏好。 Netflix 可能会根据用户的观看历史记录计算用户观看电影的概率，然后推荐最有可能吸引用户的影片。 这些例子突出了 AI 代理如何随着收集更多数据而迭代地改进预测。
实施概率推理的开发人员通常使用 TensorFlow Probability 或 PyMC3 等库，这些库提供用于构建和推断概率模型的工具。 挑战包括计算复杂性——大型贝叶斯网络中的精确推断可能难以处理，从而导致蒙特卡洛采样或变分推断等近似。 对于实时系统，粒子滤波等技术可在准确性和速度之间取得平衡。 概率推理也与机器学习集成：具有 dropout 层的神经网络可以估计预测不确定性，而强化学习代理使用概率来探索不确定的环境。 通过结合这些方法，开发人员可以创建能够可靠地处理现实世界模糊性的 AI 系统。