人工智能中的元推理是指系统监控、评估和调整自身推理过程的能力。 系统不只专注于解决特定问题，而是分析其解决问题的方式，识别潜在的缺陷，并调整其策略。 这涉及到对计算资源、决策信度和算法有效性的自我意识。 例如，人工智能可能会识别出搜索算法花费的时间过长，并切换到更快但不太精确的方法，或者检测到其逻辑中的不一致之处并回溯以纠正错误。
元推理的一个实际应用是在自动驾驶汽车等自主系统中。 假设车辆的感知模块接收到来自摄像头和激光雷达的冲突数据。 元推理层可以评估哪个传感器可能出现故障，优先考虑可靠的输入，并相应地调整决策。 同样，在聊天机器人中，元推理可能涉及检测用户何时对响应感到困惑，并重新措辞答案或提出澄清问题。 另一个例子是在自动定理证明器中，系统可能会跟踪资源使用情况，并在路径在计算上变得不可行时动态切换证明策略。
实现元推理需要设计用于自我监控和适应的机制。 开发人员通常创建单独的模块来监督核心推理任务，例如性能指标、置信度阈值或回退协议。 挑战包括平衡开销（例如，用于自我分析的额外计算）与收益，并避免系统过度优化自身推理的无限循环。 反射架构（人工智能维护自身状态模型）或用于策略选择的强化学习等框架是常见的方法。 有效的元推理可以提高鲁棒性，但需要仔细的工程设计，以确保它在不必要地使系统复杂化的情况下增加价值。