- 综合排序
- 最热优先
- 最新优先
- 来自专栏DeepHub IMBA
解决推理能力瓶颈，用因果推理提升LLM智能决策
我们依靠因果关系做决策、制定计划、解释行为、适应变化，基本上所有决策都是基于对后果的考量。 这类似于人脑的新皮层功能，负责高阶推理，比如决策、规划和感知。 为了达到这个目标，我们建议在LLM/LRM的训练和微调过程中加入因果AI作为核心组件，同时结合知识图谱。 实现方式是将传统神经网络架构与因果推理技术结合，在神经网络内部推断因果路径。这意味着在训练数据集中建模因果关系，理解特征间的关系、相互影响方式以及对预测的作用。 推理模块负责分解复杂任务并调整执行策略来达成目标；智能体市场提供现有和可用的智能体资源；编排模块负责协调和监控多智能体系统的执行；集成模块与企业系统对接，比如SCADA系统和知识库；共享内存管理处理智能体间的数据和上下文共享 总结 当前LLM的推理局限性已成为制约智能体AI企业级应用的核心瓶颈。由于智能体系统在任务规划阶段高度依赖LLM能力，这种局限性直接影响了AI智能体的自主决策水平。
43010编辑于 2025-11-15 决策智能
1.决策科学与决策智能。 事实上，决策者一直使用决策科学来指导他们的选择。虽然早期的决策科学以数学和统计学为基础，但计算机的出现增强了它在决策智能和决策支持分析等领域的应用。 以下是与决策科学和决策智能相关的两个定义。a.决策科学定义 “研究如何根据你拥有的信息做出决策，以及判断未来可能出现的风险、变化等。” …专家系统在知识库中积累经验和事实，并将它们与推理或规则引擎集成，这是一组将知识库应用于提供给程序的情况的规则。 因此，传统的AI专家系统是基于规则的系统，围绕人类专业知识的知识库构建。 具体来说，它们使用逻辑规则来解决问题，可以解释它们的推理，并且是为特定领域设计的。 另一方面，决策智能平台是较新的、以数据为中心的系统，它使用机器学习来分析数据并支持决策。 另一方面，决策智能可以直接支持决策周期，根据识别的模式提供个性化的保留策略。 将数据科学与决策智能进行比较的另一种方法是，数据科学家使用数据来改进和开发新的IT产品。
35900编辑于 2025-07-22- 来自专栏CreateAMind
具身决策即主动推理
在此，我们表明，具身决策的这些特征会自然地出现在主动推理（active inference）框架中——该框架根据同一原则（自由能最小化）同时优化感知与动作。 此外，我们的主动推理模拟揭示了具身决策在生态情境中的规范性特征——即，在高准确性与低错失有效机会风险之间实现有效平衡。 与传统模型将决策与动作视为分离过程不同，我们基于主动推理的框架揭示出：具身决策的关键特征——例如决策动力学与动作动力学之间的反馈回路——会自然涌现。 下文将展示，一个混合主动推理模型（即由离散变量与连续变量共同构成的模型），通过联合优化决策与动作，能够复现这些具身选择的特征。 虽然我们在主动推理框架下涵盖了具身决策的几个重要方面，但我们重点关注的是离散决策与连续动力学之间的关系。
16610编辑于 2026-03-11 - 来自专栏技术人生黄勇
REACT：在语言模型中协同推理与行动，使其能够解决各种语言推理和决策任务。
“ 谷歌的研究人员提出了一种通用的方法，将推理（Reson）和行动（Acting）相结合，使得语言模型能够处理多种语言推理和决策任务。 之前的文章《解锁人工智能项目开发的关键：Python 基础库详解与进阶学习》中有过Langchain 的简单介绍。 03 — 人类智能的一个独特特征是能够将任务导向的行为与言语推理无缝结合，这在人类认知中起着重要作用，可以实现自我调节或策略化。 以在厨房里烹饪一道菜为例。 与之相反，对于偏重决策的任务，可能只在有限的步骤内进行推理，因此推理路径在提示中会呈现出稀疏的模式，并由语言模型自主决定是否以异步方式进行推理和动作。 与这些方法相比，ReAct执行的不仅仅是孤立的、固定的推理，还将模型操作及其相应的观察集成到一个连贯的输入流中，以便模型更准确地推理并处理推理之外的任务(例如交互式决策)。
1.1K10编辑于 2024-07-19 《模型决策因果推理与统计相关性深度区分指南》
这种“关联依赖”型决策，在医疗诊断中可能导致病因误判，在自动驾驶中可能引发风险漏判，在工业控制中可能造成故障误定位，让智能系统陷入“数据拟合越精准，决策偏差越严重”的悖论。 混杂剥离则是针对隐匿变量的关键步骤，通过挖掘数据中的隐性关联，显化那些同时影响“因”与“果”的混杂因子，在教育智能决策中，模型曾认为“课后作业时长”与“学习成绩”存在因果关系，但通过混杂剥离发现，“学生的学习自主性 因果推理为决策提供“可靠性锚点”，确保决策逻辑符合客观规律，避免重大偏差；统计相关性则为决策提供“效率增益”，通过捕捉表层关联快速筛选关键信号，减少决策延迟。 在医疗智能诊断中，这种协同体现为：通过因果推理锁定“核心病因”与“治疗靶点”，确保诊断的准确性；再利用统计相关性快速关联“病因相关症状”“治疗相关副作用”，提升诊断与治疗方案的制定效率。 在工业智能运维中，因果推理确立“故障根源-故障现象”的核心链路，指导维修方向；统计相关性则挖掘“故障前兆信号”与“故障发生时间”的关联，实现预测性维护，降低停机损失。
14010编辑于 2026-01-24Gemini 3 发布：全新推理与智能体能力
Gemini 3 Pro 基于最先进的推理能力构建，与先前版本相比，在每一项主要 AI 基准测试中都提供了无与伦比的结果。它在编码方面也超越了 2.5 Pro，精通智能体工作流和复杂的零样本任务。 这是一种更快速的开发方式：您扮演架构师的角色，与在编辑器、终端和浏览器中自主运行的智能智能体进行协作。这些智能体规划并执行复杂的软件任务，并通过详细的工件与用户沟通其工作。 此外，Gemini 托管的工具（如某中心搜索和 URL 上下文）现在可以与结构化输出结合使用。这对于构建涉及获取、提取数据并以特定格式输出以供下游智能体任务处理的智能体用例尤其强大。 视觉推理Gemini 3 Pro 在文档理解方面是同类最佳，超越了简单的 OCR，能够智能地处理复杂的文档理解和推理。 其空间推理能力还支持对桌面、移动设备和操作系统屏幕的智能理解，为计算机使用智能体带来了显著的性能提升。
62800编辑于 2026-01-28- 来自专栏一个会写诗的程序员的博客
战略决策 , 战术决策 与 业务决策
决策是决策者根据一定的目标，运用科学的理论与方法从众多备选方案中选择一个合理方案并执行的活动过程。决策是管理者从事管理工作的基础，在管理过程中，管理者会面临各种各样的问题，它们都需要管理者予以解决。 战术决策又称管理决策，是为了实现战略决策、解决某一问题所做出的决策，以战略决策规定的目标为决策标准。如医院住院流程设计、医院人员的招聘与工资水平等决策。 由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。 其实施是对组织已经形成的能力的应用，实施效果主要影响组织的效率与生存。 业务决策（Business Decisions） 业务决策亦称“日常管理决策”。 三、作用和影响不同 1、战略决策的实施效果影响组织的效益与发展。 2、战术决策的实施效果则主要影响组织的效率与生存。
4.2K20发布于 2020-04-01 - 来自专栏企鹅号快讯
人工智能：未来决策制定的机遇与影响
报告信息 Artificial intelligence:opportunities and implications for the future of decision making（人工智能：未来决策制定的机遇与影响 让官员更容易使用更多数据来决策（通过快速访问相关信息），并减少欺诈和错误。使决策更加透明（可能是通过捕获数字记录背后的过程，或通过可视化的数据来为决定做支撑）。 事实上，技术与贸易相结合，已经提高了高技能工作岗位的比例，降低了中低技能岗位的比例。 （6）除了人工智能带来的巨大好处之外，人工智能的使用，还会带来一些潜在的道德伦理问题。 因此，实现人工智能的高效使用与快速推广，应努力寻求与公众的对话，公众信任是人工智能被高效使用的重要条件。信任是以可信赖为基础的。 与公众对话，需要：正确识别人工智能，带来的任何有害影响；正式的结构和程序，使公民能够按照预期行事；适当的补救手段；明确责任；清楚地传达人工智能为社会带来的实质性收益。
2.6K60发布于 2018-01-16 - 来自专栏人工智能的秘密
智能决策：人工智能+大数据
但是今天百分点发布的这个决策系统，是由机器而不是人来做决策，这是最大的一个转变，也是这套系统与以往的决策辅助或者决策支持系统本质的区别。 智能决策=大数据+人工智能 百分点Deep Matrix智能决策系统融合大数据与人工智能技术，基于动态知识图谱和行业业务模型，具备自适应和自优化的能力，支持复杂业务问题的自动识别、判断并进行推理，进而做出前瞻和实时决策的智能化产品系统 、快速感知和认知、分析和推理、自适应与自优化、行业智能决策这五大能力，进而实现智能、快速、精确的AI决策。 利用Deepmatrix AI决策系统的创新能力，百分点将持续推动AI技术在大数据领域的落地，满足市场对海量异构数据的智能分析与应用需求，使企业能高效、便捷地进行数据资产管理和价值实现。 ； 强大的分析和推理能力：对数据进行智能分析与推理，分析出业务的真实动向与未来趋势； 自适应与自优化能力：通过对人工配置与机器执行的融合，实现针对应用的智能预警、智能研判； 行业智能决策能力：通过大数据与人工智能的结合
5.9K01发布于 2017-12-21 - 来自专栏新亮笔记
监测与决策
资源监测，对系统基础设施的健康度进行监测，包括网络与服务器节点的监测，监测内容包括网络连接与拥堵状态、CPU 负载和内存及外部存储空间的使用状况等。 结果输出：将实时和离线分析的结果展现，供决策参考。 问题决策：根据上一步的输出，人为或自动给出下一步的行动判定，同时将判定记录保存下来，以便为后续决策提供依据。 自动修复与运维执行体系的接口，它需要将修复指令发送给运维执行体系，由执行体系将指令分发到对应节点，并进行相应的操作。 三、数据格式都包含哪些信息？ 通常包含这两类信息：基础信息和扩展信息。 可以从 3 个维度来衡量： 正确性，即收集到的数据与事实的一致性。 全面性，即收集到的数据信息是否足以支持团队做出决策。 及时性，即数据的发生到能够支持决策所需要的处理时间足够短。
57010编辑于 2023-03-07 基于多模态感知与深度学习的智能决策体系
一、系统架构设计 本系统采用"端-边-云"协同架构，实现从数据采集到决策执行的全链路闭环： 1. 计算层（边缘侧） - 边缘计算节点 - NVIDIA Jetson AGX Orin模组（275 TOPS算力） - 运行轻量化推理引擎（TensorRT 8.6） - 多路视频流并行处理（ 决策层（云端） - 微服务架构 - Spring Cloud Alibaba框架 - 容器化部署（Kubernetes 1.26） - 核心服务模块 - 清洁工单调度引擎（基于Q-Learning 轻量化网络（MobileNetV3+GeM Pooling） - 轨迹预测模块采用Kalman滤波优化 - 性能指标： - MOTA：93.2% - IDF1：89.7% - 姿态估计与行为识别 实时推理优化 - 模型量化压缩 - FP32 → INT8量化（TensorRT工具链） - 速度提升2.3倍，精度损失＜0.5% - 多模型级联 - 构建模型优先级队列 - 动态资源分配
46310编辑于 2025-05-13- 来自专栏程序员
推理与行动：构建智能系统的两大支柱
在人工智能和认知科学领域，“推理”与“行动”是定义智能行为的两个核心且密不可分的概念。推理是智能体内部的信息处理过程，旨在从知识、信念和目标中得出结论、制定计划或做出决策。 第一章：核心概念解析1.1推理：心智的引擎推理是人类和智能系统进行思考、解决问题和决策的核心认知过程。它涉及对已有知识的运用，以产生新的知识或判断。 第三章：技术实现与前沿应用3.1核心技术认知架构：如ACT-R、SOAR，提供了统一的理论框架来模拟人类的推理和决策过程。 3.2应用实例自动驾驶：高层推理（导航到目的地）、中层规划（选择车道）、低层反应（避开突然出现的行人）。机器人手术：外科医生的高级决策（推理）与手术机器人稳定、精确的执行（行动）相结合。 第四章：挑战与未来展望尽管取得了显著进展，实现完美的推理与行动整合仍面临巨大挑战：可解释性与透明度：深度学习等“黑箱”模型做出的决策难以解释，这在安全关键应用中至关重要。
22300编辑于 2025-09-25 - 来自专栏机器学习炼丹之旅
人工智能导论：第二章 逻辑与推理
任一命题公式都存在着与之等值的析取范式与合取范式（注意：命题公式的析取范式与合取范式不是唯一的） 二、谓词逻辑 2.1 定义 命题逻辑的局限性：在命题逻辑中，每个陈述句是最基本的单位(即原子命题)， 因此在命题逻辑中，不能表达局部与整体、一般与个别的关系。 在谓词逻辑中，将原子命题进一步细化，分解出个体、谓词和量词，来表达个体与总体的内在联系和数量关系，这就是谓词逻辑研究内容。 将Couple(x,z)加入到推理规则，得到Couple(x,z)→Father(x, y)新推理规则将训练样例中与该推理规则不符的样例去掉。 3.3 路径排序 与FOIL算法不同，路径排序推理算法（PRA）的基本思想是将实体之间的关联路径作为特征，来学习目标关系的分类器。 为了与自然取值时进行区分，在对X进行干预时，引入“算子”，记 作( = )。
4K20编辑于 2022-09-19 视频孪生与空间智能：重构数字时空认知，定义智能决策新范式
而空间智能则以空间坐标为核心，通过感知、分析、建模实现对物理空间中 “人、物、事件” 的位置关联与规律挖掘，为各类场景提供精准的空间决策依据，其核心价值在于打破空间数据的碎片化局限，构建 “空间 - 实体 ，为孪生体数据的高效管理与智慧“决策”奠定基础更为重要的是，视频孪生技术为全场景业务要素赋予了统一的时空属性，彻底打破数据孤岛，支持在“时间+空间”双维度下跨镜头、跨系统、跨场景的关联检索与深度分析。 叠加具身智能硬件后，更能构建起“感知—理解—决策—处置”的完整智能化管理闭环，不仅彰显视频孪生作为核心数据入口的价值，也完美契合了空间智能的技术发展逻辑。 （二）精准空间定位与动态呈现空间智能的关键能力之一在于精准的空间定位和分析，而视频孪生技术则为这种定位和分析结果提供了直观、动态的呈现方式。 （三）构建智能化管理闭环当视频孪生技术叠加具身智能硬件后，便能够构建起一个完整的 “感知 — 理解 — 决策 — 处置” 智能化管理闭环，这也是视频孪生与空间智能高度契合的重要体现。
20210编辑于 2025-11-20《知识表示：开启人工智能学习与推理的密钥》
在人工智能领域，知识表示是一个核心问题。它决定了如何将知识以一种能够被计算机理解和处理的方式进行存储，进而为人工智能的学习和推理提供基础。随着人工智能技术的不断发展，知识表示的重要性愈发凸显。 通过知识表示，人工智能可以从大量的信息中提取有用的知识，从而实现智能决策和问题解决。例如，在专家系统中，知识表示能够将专家的经验和知识以一种清晰、准确的方式进行存储。 例如，“狗”这个概念可以通过节点表示，而“狗”与“动物”之间的关系则可以通过边来表示。框架表示框架表示是一种将知识组织成一个框架结构的方法。框架由若干个槽组成，每个槽可以表示一个属性或特征。 智能机器人知识表示可以使机器人更好地理解和执行任务。机器人可以通过知识表示来获取和处理知识，从而实现自主决策和行动。例如，机器人可以通过知识表示来识别和理解周围环境，从而更好地完成任务。 总之，知识表示是人工智能领域的一个重要课题。通过有效地表示和存储知识，人工智能可以更好地进行学习和推理，为人类社会带来更多的价值和创新。
41100编辑于 2024-12-28如何利用YashanDB实现智能决策
YashanDB作为一款高性能的数据库系统，采用了先进的体系架构，特别适合快速处理海量数据，进而为智能决策提供强有力的支持。 本文旨在深入探讨YashanDB的核心技术及其在智能决策中的应用，帮助技术人员和决策者更好地理解和利用这一工具。 这种设计能够满足智能决策所需的实时性和一致性。高效的存储引擎与查询引擎YashanDB的存储引擎支持多种存储结构，包括行存、列存及多列变长存储等，能够根据不同的业务需求灵活选择最优存储形式。 这一点对于需要高可用性的智能决策支持系统尤为重要。丰富的分析功能YashanDB内置了丰富的分析函数与存储过程，支持复杂的数据运算和实时分析。 结论YashanDB通过多版本并发控制、高效存储和查询引擎、灵活的部署架构以及丰富的分析功能，为智能决策提供了强有力的支持。
14110编辑于 2025-10-03- 来自专栏小脑斧科技博客
决策树的构建、展示与决策
概述 上一篇文章中，我们介绍了两个决策树构建算法 — ID3、C4.5： 决策树的构建 -- ID3 与 C4.5 算法 本文我们来看看如何使用这两个算法以及其他工具构建和展示我们的决策树。 2. 使用 C4.5 构建决策树 有了上一篇日志中，我们介绍的 ID3 与 C4.5 算法，递归进行计算，选出每一层当前的最佳特征以及最佳特征对应的最佳划分特征值，我们就可以构建出完整的决策树了： 流程图非常清晰 # {{{ import operator from math import log def createDataSet(): """ 创建数据集 :return: 数据集与特征集 决策树的可视化 上面的 json 结果看上去非常不清楚，我们可不可以画出决策树的树结构呢？ :param myTree: 决策树 :return: 决策树的层数 """ maxDepth = 0 # 初始化决策树深度 firstStr = next
68720编辑于 2022-06-27 通过YashanDB实现业务智能决策
通过YashanDB实现业务智能决策可以遵循以下步骤：1. 数据采集与集成- 收集数据：从各个来源（如CRM系统、销售平台、社交媒体等）收集业务相关的数据。 - 机器学习与预测分析：运用数据挖掘与机器学习技术对历史数据进行分析，预测未来趋势，辅助决策。4. 决策支持与优化- 决策制定：基于分析结果和可视化仪表板，为业务决策提供数据支持，帮助管理层制定战略。- 持续优化：根据数据反馈不断调整和优化业务策略，以提高效率和盈利能力。6. 安全与合规- 数据安全管理：确保YashanDB中存储的数据安全，设定用户权限与数据访问策略。- 合规性审查：确保数据处理和存储符合相关法律法规如GDPR等。 总结YashanDB作为一个高效的数据库管理系统，通过有效的数据管理、分析和可视化，可以帮助企业在复杂的商业环境中实现智能决策。关键在于建立系统的数据处理流程，并利用数据驱动的方式持续优化业务策略。
15010编辑于 2025-10-05- 来自专栏Y-StarryDreamer
智能决策支持系统在农业领域的应用与部署
引入智能决策支持>>系统可以通过数据分析和模型预测，提高农业生产的智能化水平，降低农业生产中的不确定性。 解决方案智能决策支持系统通过整合传感器、数据分析和机器学习等技术，为农民提供实时、精准的农业>>决策建议。 二、部署过程 2.1 数据采集与传感器部署 在智能决策支持系统中，数据是关键的基础。 选择适当的机器学习模型对于智能决策支持系统至关重要。 通过大规模部署物联网设备，实现对农业生产全过程的智能监测和管理。 强化学习在农业决策中的应用 引入强化学习算法，使智能决策支持系统能够根据不同农场的实际情况，动态调整决策策略。 未来，随着技术的不断创新和农业生产方式的转变，智能决策支持系统将发挥越来越重要的作用，为农业生产的智能化和可持续发展提供有力支持。
1.3K00编辑于 2024-01-17 - 来自专栏muller的测试分享
人工智能|ReACT 推理提示
在这句话中，我们可以发现两个关键词：推理（Reasoning），如果给出推理过程，大模型给出的答案会更好。行动（Acting）， 在环境中采取行动，并观察结果，反复思考。 实现原理Reason + Action 结合之后：通过推理增强大语言模型解决方案的输出能力。执行完成之后将观察带回到语言模型中进行反馈，完善推理。所以会获得多步骤的思维方式，不仅仅是一次。 比如现在很多企业的智能助理，医疗系统的智能助理等等，都是基于此设计原理。 比如打造企业专属人工智能助理。相关资料ReAct 框架总结理解 ReAct 框架的基本概念。理解 ReAct 框架的应用场景。 在后续的学习过程中，会结合 LangChain 与 assistant 完成 ReAct 相关的实战练习。
36410编辑于 2024-07-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号