作为统筹学分支的决策论，并没有很长的历史，但是作为概率论后继者的决策论则有充分的发展。通过对事件的概率进行预估来决定将要选取的策略和手段，这种方法无疑能在很大程度上优化决策过程，得到较好结果。

   另一方面，智能学作为一门新兴学科，在快速地发展着，它的研究内容很特别，是智能的形成方式与运行机制。毫无疑问，统筹学的内容在很大程度上能够解释人类智能的运作机制，所以我们有必要研究一下两者的交集，来获得一个全新的角度与思路，来审视那些困扰我们很久的难题。

1. 机器智能的合理性

   长久以来，人工智能界就存在着一大争论即机器能不能具有真正的智能，这个问题从来没有一个统一的答案。在计算机能力较弱的时代，图灵测试是区别人类智能与人工智能的重要工具，而后来，随着计算机计算能力的不断增强，图灵测试已经不能有效的区分两者，但实际上，机器智能与人类智能仍有极大的差距，于是西尔勒提出了著名的“中文屋子”模型，用来说明满足图灵测试的机器智不能被认为是达到了人类智能的水平。

   那么机器智能与人类智能的根本区别是什么呢，是学习能力的差别：机器智能只有极弱的学习能力，即收集标签来完善定义；而人类则具有总结以及质疑的能力，进而实现数据在类别上的扩充，从而增强智能，以及对数据有意识的修改重写。从这里我们可以看出，人类智能的核心其实是对于未知数据处理，这种未知项对机器而言毫无熟悉度可寻，但人类则可以通过类比来给它假定的定义并加以验证。

   而决策论则是人类对未知项进行处理的重要工具，如果开发出可以让机器人进行决策论运算的程序，机器智能将得到极大的扩充，贝叶斯推断无疑是其中最重要的部分，但更重要的是让机器智能对不确定性产生定义。

2. 树形决策与并行运算

   决策论中一个重要的工具就是树形决策图，用来描述当前问题的潜在诸多选择，在这种条件下，每个选择的可能性（概率）一般都是确定的，这就给机器智能处理这种情况提供了可能性，而实现这种决策所需要的工具则是并行运算。

   不同于串行运算，并行运算较晚才被注意，当智能学的研究者注意到人类神经网络的并行结构的强大效果时，这个概念也被采用到机器智能中。但不同于人类神经元，计算机并没有一个足够好的算法可以处理在数以千万计的节点之间进行的数据交换，这个问题被称为“行商问题”。

   虽说并没有一个足够好的算法，但并不代表没人尝试，艾伦•纽厄尔和赫伯特•西蒙创造的通用问题求解器（GPS）就是一个极好的例子。它包括三种算法：并行为主的宽度优先搜索法；串行为主的深度优先法；以及分析为主启发式搜索法（先排除无效节点，后选择路径）。宽度优先法用于扩大选择的覆盖面，将尽可能多的相关节点纳入考虑，而深度优先法则在选择方向与范围相对固定的情况下给出更接近正确解的选择，而启发式搜索则通过增加限制条件，完善搜索信息来实现拟合。很明显，启发式搜索的方法在给定时间内的准确度与效率是非常高的。

3. 不确定性的幽灵

   机器智能不能理解不确定性是可以理解的，毕竟我们也很难定义它，而且，值得一提的是，如果现代科学如果真的证明了不确定性是物质的基本性质，科学建立的基石也因此难以存在。但是无论如何，我们并不能因此而放弃前行的脚步，至少在一切还没有变得不能确定之前是这样的。

   决策论对付不确定的幽灵所采用的方法是估计和模拟，虽然我们不能对事件发生的可能性进行确切的计算，但并不代表我们不能通过模糊的估算得到一个确定的值（虽然这个值既是100又是100.1以及99.789），而且充分多的估计值抵消了这种不准确性（想想割圆术），从而实现对概率的精确拟合（虽然无法确定，但我们始终认为有一个确定的解存在，不能确定的不存在与不能确定的存在实质上是相同的，但我们更倾向于前者）。而这种算法被称为是模糊集理论，不同于泾渭分明的二值逻辑，这是一种多值逻辑，所以进行多值逻辑运算的机器智能才有可能真正理解不确定性（至少在语义上是这样的）。

   通过阐述上面几个问题，我们已然了解智能学与决策论之间的交集之处，明白了两者的共同点。毫无疑问，决策论作为人类理性高度发达的一种产物，其严谨性与逻辑性都使得它可以成为人工智能领域一个非常有效的工具，但是对不确定性有效的逻辑化的工具却并没有产生，这无疑是人工智能在根本上缺乏“智能”（人类智能）的原因，但作为一个哲学上争论已久的难题，我们似乎也难以在短期内解决它，所以在这种情况下，实现在确定模式下对不确定事件的模糊拟合是极好的解决方法，而且结合现今发达的数据统计技术，通过增加数据来弥补拟合的不精确性是可以实现的。而从现状来看，研究者并没有把这一切很好地结合起来而表现为研究各领域方法与思路的差异性大于共通性，我觉得这是不可取的，事实上，人类的知识本来便是一种，区分开来只是由于人类的懒惰与无知。