其它学科（例如物理学、遗传学、经济学等）很早以前就赞同把概率理论作为处理不确定性的模型。彼埃尔·拉普拉斯（Pierre Laplace）于1819年说：“概率理论不过是转化成为计算的常识。”詹姆斯·麦克斯韦（James Maxwell）于1850年说：“这个世界真正的逻辑是概率演算，它考虑存在于或者应该存在于任何一个理性的人头脑之中的概率数量。”
当了解到这么长期的传统后，人们可能会感到不可思议：人工智能领域竟然考虑过很多替代概率的方法。20世纪70年代最早的专家系统忽略不确定性，而使用了严格的逻辑推理，但是很快就发现这种方法对于大部分的现实世界领域是不切实际的。下一代的专家系统（特别是在医学领域）开始使用概率技术。最初的结果充满希望，但是它们无法规模扩展，因为在全联合概率分布中所需要的概率数目呈指数级增长。（那时有效的贝叶斯网络方法还不为人所知。）结果，大约从1975年到1988年，人们对概率方法完全失去了兴趣——出于不同的考虑，各种各样的替代方法被尝试过：
• 一种常见的观点认为，概率理论从本质上说是数值的，而人类的判断推理则偏重于“定性”。当然，我们不会有意地认识到对信度进行数值计算。（同时我们也不知道如何进行合一，可是我们似乎有能力进行某种逻辑推理。可能在我们神经元连接和活动的强度中直接编码了某种数值的信度。如果是那样的话，有意识地了解这些强度的难度之大就不那么令人惊讶了。）也应该注意，定性的推理机制也可以直接构建在概率理论的基础上，因此这些“非数值”论据是没有说服力的。不过，一些定性的方案在它们自身的领域还是非常有吸引力的。研究得最充分的一种方法是缺省推理（default reasoning），它不是把结论当作“在某种程度上相信”，而是将其当作“相信，除非找到相信其它事物的更好理由”。缺省推理在第十章中讨论过。
• 基于规则（rule-based）的方法也被尝试用来处理不确定性。这种方法希望建立在基于规则的逻辑系统的成功基础上，不过对每条规则增加某种“伪因子”以容纳不确定性。这些方法是在20世纪70年代中期发展起来的，并形成了医学及其它领域里大量专家系统的基础。
• 我们迄今为止一直没有提到的一个领域是与不确定性相对的无知（ignorance）问题。考虑抛掷硬币的问题。如果我们知道硬币是均匀的，那么正面朝上的概率等于 0.5 是合理的。如果我们知道硬币本身有偏差，但不知道是什么样的偏差，于是 0.5 是关于正面朝上的唯一合理的概率。显然，这两种情况是不同的，然而概率看来并不区分它们。Dempster-Shafer理论使用区间值（interval-valued）信度来表示智能体对命题概率的知识。其它使用二阶概率的方法也被讨论过。
• 概率采用与逻辑相同的本体论约定：事件在世界中或为真或为假，即使智能体不能肯定究竟属于哪种情况。而模糊逻辑（fuzzy logic）的研究者们则提出了一种允许模糊性的本体论：事件可以在某种程度上为真。如我们将看到的，模糊性与不确定性其实上是正交的问题。
下面三小节稍微深入地讨论上面提到的某些方法。我们不打算提供技术细节材料，但是我们会引用一些参考文献，为进一步的学习提供方便。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
