AI 中的不确定性推理指的是用于处理信息不完整、模糊或具有概率性的情况的方法和技术。与依赖明确规则和精确数据的确定性系统不同，不确定性推理允许 AI 模型即使在输入模糊或结果不可预测时也能做出决策。这在现实世界应用中至关重要，因为在这些应用中，完美的数据很少见，决策必须考虑到多种可能性。例如，一个医疗诊断系统可能需要权衡相互冲突的症状或测试结果，以估计疾病的可能性，即使某些数据缺失或有噪声。
不确定性推理的常见方法包括概率模型、贝叶斯网络和模糊逻辑。概率模型为事件分配数值概率，使系统能够计算最可能的结果。贝叶斯网络使用图形模型表示变量及其依赖关系，并在新证据出现时更新概率。例如，使用贝叶斯推理的垃圾邮件过滤器可以根据某些关键词的存在来调整将电子邮件归类为垃圾邮件的置信度。另一方面，模糊逻辑处理的是真度的程度，而不是二元的真/假值，这对于控制恒温器等任务非常有用，因为温度调整依赖于“暖”或“凉”等不精确概念。这些方法通过量化或限定未知因素来帮助系统管理不确定性。
实现不确定性推理的开发者必须权衡准确性、计算复杂性和可解释性。例如，蒙特卡洛模拟可以近似复杂的概率场景，但可能需要大量的计算资源。相比之下，基于规则的模糊系统更容易解释，但可能过度简化细微的问题。应用范围从自动驾驶汽车（例如，在不明确的场景中预测行人移动）到金融风险评估（例如，估计市场波动）。一个关键挑战是确保这些模型适应新信息而不过度拟合历史数据。通过为问题选择合适的不确定性框架——例如使用贝叶斯网络进行动态证据更新，或使用模糊逻辑设置类似人类的决策阈值——开发者可以构建在不可预测环境中可靠运行的 AI 系统。