AI中的策略选择（strategy selection）

在设计一个AI时，会涉及到许多方法，包括推理方法、学习方法等，那么如何在众多方法中选择适合特定问题的方法呢？本文尝试简单探讨这个问题

推理方法（reasoning）选择

AI设计中常用的推理方法包括案例式推理(Case-Based Reasoning ; CBR)，约束补偿 (Constraint propagation)，目标－手段分析(means-ends analysis)，类比推理（analogical reasoning）等等，如果需要从中选择最佳方法，我们需要引入后设认知（Metacognition), 即对自己的认知过程以及储存的知识的思考。通过后设认知，我们有几条推理方法选择原则：

1.解决问题所需要的知识： 任意一个方法都需要一些关于这个世界的知识。比如说，案例式推理需要关于案例的知识，约束补偿需要一些关于约束的知识），等等， 而后设认知会依据目前需要解决的问题具体需要什么知识来选择方法。比如说，如果需要解决的问题中没有标签，那么就无法使用案例式推理，另一方面，如果说有可以利用的约束，那么约束补偿就有可能是一个有效的方法。
2. 计算效率： 在多种方法都满足条件1的情况下（即这些方法所需要的知识也是解决该问题所需要的），那么评判标准则变为计算效率。举例来说，如果现有的问题与之前曾经解决过的一个问题非常类似，那么案例式推理则可能是一个更好的方法，反过来说，如果现有问题与先前解决过的问题很不相同，那么基于案例式推理就可能不是一个好的选择。
3. 解法质量：除此之外，解法的质量也是一个评判标准。有一些方法会生成质量具有保证的解法，比如说，逻辑推理生成的解法往往能确保一定的正确性。如果所面临的问题对于计算效率要求不高，而更重视解法质量的话，可能逻辑推理就是一个好的选择。

学习方法选择

同样的，AI设计中涉及到许多学习方法，如案例式学习（recording cases learning）,分类（classification）, 解释式学习（explanation-based learning）,增量学习（incremental concept learning），版本空间（version spaces）等等。如何选择学习方法，与上文的推理方法选择有点类似，评判标准如下：
1. 取决于问题本身： - 取决于问题本身，有一些方法适用于一个特定问题，而有一些方法则不适用于该问题。比如说训练过程中一次给定示例，那么增量学习就更适合，如果说所有的示例都一次性输入，那么决策树学习可能就更合适。
2. 计算效率和解法质量：同上文推理方法的选择。

策略选择与策略集成

前面提到了如何从众多方法中选择出适合当前问题的方法，那么即便选择出了最适合当前情境的方法，随着时间推移，问题也在变化，我们可能需要从一种方法转移到另一种方法。举例来说，在案例式推理中，又分为检索（retrieval）,改编（adaptation）,适应（evaluation）和storage(储存）。在改编环节中，我们可能需要将方法切换为准则式推理。所以，在实际应用中，也需要对各个方法进行集成，以解决复杂问题。