AI代理在不确定的环境中，通过使用各种策略来做出明智的决策，尽管信息不完整或不一致。这些代理设计用于评估可用数据、评估风险，并根据变化的条件调整其行动。一种常见的方法是概率推理，这涉及使用统计模型来表示和管理不确定性。例如，通过像贝叶斯网络这样的算法，AI代理可以通过根据新证据或观察更新其信念来预测结果。
在不确定的环境中，AI代理通常采用决策框架，例如马尔可夫决策过程（MDP）。MDP使这些代理能够考虑不同状态的概率以及与每个可能行动相关的潜在奖励或后果。通过计算各种行动的期望效用，AI代理可以选择潜在收益最高的行动。例如，一架在不可预测的天气条件中导航的配送无人机可能会使用MDP来评估在平衡恶劣天气风险的同时，最小化延误的路线。
此外，强化学习（RL）是另一种对在不确定环境中运行的AI代理非常有价值的技术。在强化学习中，代理通过与环境的互动来学习，收到以奖励或惩罚形式的反馈。随着时间的推移，它们不断优化自己的策略，以最大化累计奖励。例如，一个玩游戏的AI通过进行多轮游戏来学习做出最优的决策，根据胜利和失败调整其策略，从而在不确定性面前变得更加 capable。通过利用这些策略和框架，AI代理在面对未知变量时，能够更熟练地应对挑战并做出决策。