可能下雨就带伞”），但纯靠逻辑的ai就会“卡壳”——因为它的“思考规则”里没有“不确定”的位置。
三、概率论：让ai在“不确定”
为了让ai应对现实世界的“不确定性”，“概率论”被引入到理性思考的框架中。“在信息不确定时，通过概率计算来做最优决策”
1 概率推理的“基本逻辑”性衡量不确定性
概率推理的思路很简单：把“不确定的事件”用“发生的可能性大小”来量化。天下雨的概率是60”币正面朝上的概率是50”。
ai进行概率推理时，通常会用到“贝叶斯定理”“根据新证据不断更新对事件的概率判断”
翻译成大白话就是：“在出现证据b后，事件a发生的概率 = （事件a发生时出现b的概率 x 事件a原本的概率） ÷ 证据b本身的概率”。
举个例子，判断“小明感冒了（a）”的概率，已知“小明咳嗽（b）”
- p(a) ：小明原本感冒的概率（比如10）；
- p(b) ：小明咳嗽的总概率（比如20，因为咳嗽也可能是因为过敏、抽烟等）；
所以，在小明咳嗽的情况下，他感冒的概率是40——这个结论比纯逻辑的“要么感冒要么不感冒”要合理得多，也更贴近现实。
2 概率推理的“应用场景”诊断到金融风控
- 医疗诊断：ai通过患者的症状（咳嗽、发烧、乏力等），结合每种疾病对应的症状概率，计算患者得某种疾病的概率。比如某ai诊断系统对肺炎的诊断准确率能达到90以上，就是靠大量的概率数据训练出来的。
- 金融风控：银行判断用户是否会违约，会分析用户的收入、负债、信用记录等因素，给每个因素分配概率权重，最后计算出用户违约的概率。如果概率超过一定阈值，就拒绝贷款。
- 自动驾驶：汽车通过传感器感知周围环境，比如“前方有物体的概率是95””，然后结合这些概率，决策是刹车、避让还是继续行驶。
3 概率推理的“进阶：贝叶斯网络”
为了处理更复杂的概率推理，人们发明了“贝叶斯网络”——把多个事件的概率关系用“网络结构”表示出来。
比如，一个简单的贝叶斯网络可以表示“吸烟→肺癌→咳嗽”
- 吸烟（s）是肺癌（l）的原因，肺癌是咳嗽（c）的原因；
- 每个节点都有对应的概率表，比如p(s)（吸烟的概率）、p(l|s)（吸烟时得肺癌的概率）、p(c|l)（得肺癌时咳嗽的概率）。
当有新证据时（比如“咳嗽了”），贝叶斯网络能通过概率传播，计算出“吸烟”“得肺癌”的后验概率，帮助ai做出更全面的判断。
现在的ai在处理复杂的不确定性问题时，大多依赖贝叶斯网络或其升级版（比如马尔可夫决策过程、隐马尔可夫模型）。
四、从“理性思考”到“理性行动”：ai成为“理性智能体”
但光“会思考”还不够，ai得把思考转化为“行动”，才能真正解决现实问题。这就需要“理性智能体”的概念——一个能感知环境、理性思考、做出最优行动的系统。
1 理性智能体的“构成要素”
一个完整的理性智能体通常包含四个部分：
- 感知模块：收集环境信息，比如自动驾驶汽车的摄像头、雷达；
- 推理模块：用逻辑或概率方法分析信息，得出结论，比如判断“前方是行人”“距离多远”
- 决策模块：根据推理结果，选择最优行动，比如“刹车”“避让”
- 执行模块：执行决策，比如控制汽车的刹车系统、方向盘。
这四个部分环环相扣，让ai从“被动接收信息”变成“主动做出行动”。
2 理性行动的“决策标准：期望效用最大化”
理性智能体做决策时，通常遵循“期望效用最大化”原则——选择能带来最大“收益”的行动，这里的“收益”要考虑概率（期望）和实际价值（效用）。
比如，ai在“带不带伞”
- 行动1：带伞。，效用是“不淋雨，方便度-1”，效用是“方便度-3（因为带伞麻烦）”。
- 行动2：不带伞。，效用是“淋雨，不舒服度-5”，效用是“方便度+5”。
比较两个行动的期望效用，“不带伞”的期望效用（-1）比“带伞”（-18）高，所以ai会选择不带伞——这个决策过程和人类在权衡利弊时的思路是一致的。
3 理性智能体的“应用：从理论到现实”
理性智能体的概念已经在很多领域落地：
- 自动驾驶：汽车通过感知模块知道“前方有行人”，推理模块计算出“碰撞概率”，决策模块选择“刹车”，执行模块控制刹车系统，整个过程不到1秒。
- 智能推荐：电商平台感知用户的浏览历史，推理模块分析用户的喜好概率，决策