AI 模型通过识别数据中的模式和关系，然后将这些模式应用于新的上下文来执行类比推理。这个过程依赖于它们映射不同场景之间的结构相似性的能力。例如，在自然语言处理 (NLP) 中，像 GPT 或 BERT 这样的模型可能会识别出“国王”和“王后”（性别差异）之间的关系与“男演员”和“女演员”之间的关系相呼应。这些模型使用嵌入——词语或概念的数值表示——来捕捉语义和句法关系。通过比较这些嵌入，即使表面细节不同，它们也能推断出类比。
类比推理的有效性很大程度上取决于模型的训练方式。在训练期间，神经网络通过调整权重以最小化预测误差来学习将输入与输出相关联。对于类比，这涉及到将模型暴露于包含隐式关系模式的大量数据集中。例如，在文本上训练的模型可能会遇到诸如“巴黎之于法国，犹如东京之于日本”之类的短语，从而隐式地教会它“首都到国家”的关系。Transformers 通过注意力机制增强了这一点，该机制让模型专注于输入的相关部分。在代码中，开发人员可以使用特定于类比的任务（例如，解决“A:B 就像 C:?”）来微调模型，以加强其泛化关系的能力。
然而，人工智能中的类比推理存在局限性。模型通常难以处理超出其训练数据的抽象或新颖的类比。例如，在动物图像上训练的视觉模型可能识别出猫的耳朵与狗的耳朵相关，但如果结构相似性在数据中不明显，则无法将“猫的耳朵”类比为“卫星天线”。此外，训练数据中的偏差可能导致有缺陷的类比——例如，由于历史数据偏差，仅将“医生”与“男人”相关联。开发人员可以通过管理多样化的数据集、在边缘情况下测试模型或使用像图神经网络这样显式建模关系的架构来缓解这种情况。最终，虽然 AI 模型可以近似于类似人类的类比推理，但它们的成功取决于数据质量、任务设计以及训练环境中关系模式的清晰度。