元推理（Meta-Reasoning）是一种针对有效部署计算资源问题的解决方案。随着深度学习的迅猛发展，AI 对算力的要求不断提高，而大数据应用中的数据量也在不断增大，这两者都呈指数级增长。如何在有限的计算资源上进行 AI 推理和运算，必然是一个要解决的大问题。
类似于元学习的「学会如何学习」，元推理是关于推理的推理，即「思考如何思考」，意味着作出关于如何思考或推理的明智决策。元推理是一种更为普遍的现象，其特征在于选择或发现将用于解决任务的认知过程的方法。元推理被认为是人类智能的一个关键组成部分，有可能解释人类认知的各个方面，并阐明人类思维与当前 AI 系统所存在的差异因素。
在关于 AI 的研究中，常讨论理性智能体的概念，元学习、元推理等元理论在理性智能体的定义和设计中起着核心作用，而理性智能体可以在性能有限的硬件上运行，并实时与其环境相互作用。
在传统的认知科学和 AI 中，思维或推理已被视为一个动作感知循环中的决策循环。元推理的基本模型如图 11.3 所示，理性智能体通过从它的一组能力中选择一些动作，感知来自环境的一些激励，并且合理、理性地动作以实现其目标，随后在目标层面感知这些基础动作的结果，并且继续循环。元推理是推理这个推理循环的过程，包括计算活动的元级（最高级）控制和推理的内部监控 [201] 。
图 11.3 元推理的基本模型
使用元推理的目的，就是让 AI 系统事先知道哪些运算是必要的、哪些运算是没有意义的，从而在元级作出合理的决策，即合理的计算资源安排。
在这个概念下，智能体的合理性不是通过它们采取的动作的预期效用来评估，而是通过在预期效用和花费计算量之间的更好折中来评估。从这个角度来看，合理性不仅是作出正确的决策和得出好的推论，还涉及采用有效的认知策略。后来，研究人员又将元级合理性定义为有界最优化的概念，该概念考虑了对元推理本身的计
（本章节未完结，点击下一页翻页继续阅读）
正在加载...