? ?作為統籌學分支的決策論，并沒有很長的歷史，但是作為概率論后繼者的決策論則有充分的發展。通過對事件的概率進行預估來決定將要選取的策略和手段，這種方法無疑能在很大程度上優化決策過程，得到較好結果。

? ?另一方面，智能學作為一門新興學科，在快速地發展著，它的研究內容很特別，是智能的形成方式與運行機制。毫無疑問，統籌學的內容在很大程度上能夠解釋人類智能的運作機制，所以我們有必要研究一下兩者的交集，來獲得一個全新的角度與思路，來審視那些困擾我們很久的難題。

1. 機器智能的合理性

? ?長久以來，人工智能界就存在著一大爭論即機器能不能具有真正的智能，這個問題從來沒有一個統一的答案。在計算機能力較弱的時代，圖靈測試是區別人類智能與人工智能的重要工具，而后來，隨著計算機計算能力的不斷增強，圖靈測試已經不能有效的區分兩者，但實際上，機器智能與人類智能仍有極大的差距，于是西爾勒提出了著名的“中文屋子”模型，用來說明滿足圖靈測試的機器智不能被認為是達到了人類智能的水平。

? ?那么機器智能與人類智能的根本區別是什么呢，是學習能力的差別：機器智能只有極弱的學習能力，即收集標簽來完善定義；而人類則具有總結以及質疑的能力，進而實現數據在類別上的擴充，從而增強智能，以及對數據有意識的修改重寫。從這里我們可以看出，人類智能的核心其實是對于未知數據處理，這種未知項對機器而言毫無熟悉度可尋，但人類則可以通過類比來給它假定的定義并加以驗證。

? ?而決策論則是人類對未知項進行處理的重要工具，如果開發出可以讓機器人進行決策論運算的程序，機器智能將得到極大的擴充，貝葉斯推斷無疑是其中最重要的部分，但更重要的是讓機器智能對不確定性產生定義。

2. 樹形決策與并行運算

? ?決策論中一個重要的工具就是樹形決策圖，用來描述當前問題的潛在諸多選擇，在這種條件下，每個選擇的可能性（概率）一般都是確定的，這就給機器智能處理這種情況提供了可能性，而實現這種決策所需要的工具則是并行運算。

? ?不同于串行運算，并行運算較晚才被注意，當智能學的研究者注意到人類神經網絡的并行結構的強大效果時，這個概念也被采用到機器智能中。但不同于人類神經元，計算機并沒有一個足夠好的算法可以處理在數以千萬計的節點之間進行的數據交換，這個問題被稱為“行商問題”。

? ?雖說并沒有一個足夠好的算法，但并不代表沒人嘗試，艾倫?紐厄爾和赫伯特?西蒙創造的通用問題求解器（GPS）就是一個極好的例子。它包括三種算法：并行為主的寬度優先搜索法；串行為主的深度優先法；以及分析為主啟發式搜索法（先排除無效節點，后選擇路徑）。寬度優先法用于擴大選擇的覆蓋面，將盡可能多的相關節點納入考慮，而深度優先法則在選擇方向與范圍相對固定的情況下給出更接近正確解的選擇，而啟發式搜索則通過增加限制條件，完善搜索信息來實現擬合。很明顯，啟發式搜索的方法在給定時間內的準確度與效率是非常高的。

3. 不確定性的幽靈

? ?機器智能不能理解不確定性是可以理解的，畢竟我們也很難定義它，而且，值得一提的是，如果現代科學如果真的證明了不確定性是物質的基本性質，科學建立的基石也因此難以存在。但是無論如何，我們并不能因此而放棄前行的腳步，至少在一切還沒有變得不能確定之前是這樣的。

? ?決策論對付不確定的幽靈所采用的方法是估計和模擬，雖然我們不能對事件發生的可能性進行確切的計算，但并不代表我們不能通過模糊的估算得到一個確定的值（雖然這個值既是100又是100.1以及99.789），而且充分多的估計值抵消了這種不準確性（想想割圓術），從而實現對概率的精確擬合（雖然無法確定，但我們始終認為有一個確定的解存在，不能確定的不存在與不能確定的存在實質上是相同的，但我們更傾向于前者）。而這種算法被稱為是模糊集理論，不同于涇渭分明的二值邏輯，這是一種多值邏輯，所以進行多值邏輯運算的機器智能才有可能真正理解不確定性（至少在語義上是這樣的）。

? ?通過闡述上面幾個問題，我們已然了解智能學與決策論之間的交集之處，明白了兩者的共同點。毫無疑問，決策論作為人類理性高度發達的一種產物，其嚴謹性與邏輯性都使得它可以成為人工智能領域一個非常有效的工具，但是對不確定性有效的邏輯化的工具卻并沒有產生，這無疑是人工智能在根本上缺乏“智能”（人類智能）的原因，但作為一個哲學上爭論已久的難題，我們似乎也難以在短期內解決它，所以在這種情況下，實現在確定模式下對不確定事件的模糊擬合是極好的解決方法，而且結合現今發達的數據統計技術，通過增加數據來彌補擬合的不精確性是可以實現的。而從現狀來看，研究者并沒有把這一切很好地結合起來而表現為研究各領域方法與思路的差異性大于共通性，我覺得這是不可取的，事實上，人類的知識本來便是一種，區分開來只是由于人類的懶惰與無知。