一、案例定位

理解人工智慧如何從確定性的規則推理，逐步走向能處理不確定性的機率式推理。

二、學習目標

• 區分精確規則推理與機率推論。
• 認識貝氏網路、隱馬可夫模型、資訊理論與隨機模型在原書中的定位。

三、案例情境

原書指出，1990 年代到 2000 年代初期出現多種處理不確定性的模型。貝氏網路以圖形模型表達不確定關係；隱馬可夫模型（Hidden Markov Model, HMM）適合處理具時間順序的模式，例如語音、手寫與手勢；資訊理論處理熵與互資訊；隨機模型則用於分析具有隨機行為的系統。

四、開始資料

五、Excel／AI 分析方法

可在 Excel 用機率表管理先驗機率與條件機率；若來源沒有提供機率值，就只保留概念模型，不自行填入數字。

六、計算結果

本案例沒有原書機率資料集，因此不進行虛構計算。

七、結果分析與管理解讀

現實世界的資訊常常不完整或不確定，因此機率式推理能處理許多確定性規則系統難以涵蓋的問題。

八、AI 提問詞

將以下問題分類為「確定性推理」或「機率式推理」，並指出若要計算需要哪些機率輸入；不得生成不存在的機率值。

九、思考／情境變動

**題目：**若要分析具有時間依賴性的語音序列，原書列出的哪種模型特別相關？

**參考解答：**隱馬可夫模型（HMM）。