本章我们描述了两种不同的不确定信息的表示和处理方法。第一种方法是置信度方法，它是处理不确定性的一种实用简易的方法。由于条件概率的分配具有高度的主观性，所以MYCIN的最初开发者认为利用贝叶斯规则可以产生不精确的概率，而不是将不确定性表示成概率^[13]。

由于置信度方法在数学上并不正确，并且缺乏理论根据，所以置信度数值需要谨慎给出。一种批判的观点认为，一个量程（-1，1）的数纯粹是人造的，并不能表示一个正确的概论或者说是假设正确的可能性^[14]。但是，置信度理论的支持者认为它主要可以用来将编程引入推理过程，如果专家系统的cf落在一个无效区间（-0.2，0.2），那么它会在专家系统中从搜索空间中去除引起这个原因的当前目标，当作一种为假设评定等级的方法^[15]。有一些支持者认为尽管置信度方法的局限性很大，但也可以取得不错的结果，尤其是计算量要远远少于贝叶斯方法。毕竟我们认为MYCIN在细菌感染的诊断方面提供了合理的很好的建议。

此外在很多领域，概率都是未知的，或者极难获得，因此问题就在于不管是贝叶斯网络，还是将不确定性表征为概率，都可能会有很大的偏差从而得不到有意义的结果。一些观点认为当缺乏统计数据时，置信度方法提供了一种处理专家系统中不确定性的简单且非正统的方法。(www.daowen.com)

近些年来，人工智能领域把贝叶斯方法作为导向，用来处理不确定问题以及进行不精确推理。这种最新的发展有两个主要原因。第一，仅在过去的几十年中，已经开发出一种贝叶斯网络中计算和传播概率的有效算法（参见示例Pearl^[16]，Lauritzen和Spiegalhalter^[17]以及其他文献）。这是第一次用这些算法解决了现实世界中的实际问题。尽管没有任何一种已知的算法可以为全部贝叶斯网络所用，但是现存的算法在处理多种类型的问题上，已经取得了相当不错的成果。目前仍在进行解决更多类型问题的更多算法的研究。第二，能自动计算概率的许多软件工具已经产生。即便在先前讨论过的5节点的简单贝叶斯网络（见图8-14）中，手工计算这些概率也是很困难的，并且很浪费时间。一些公司，比如Hugin^[18]以及AgenaRisk^[19]都开发了软件工具，即便对于大型的贝叶斯网络，也具有快速计算的能力。以前非贝叶斯网络方面专业的研究人员和实践人员，现在也可以通过图形化的用户界面相对容易的构建和运行贝叶斯网络。正因如此，近些年来贝叶斯网络的普及发展非常迅速，其应用正扩散到各个不同领域，包括医疗诊断、风险分析以及设备故障诊断（微软和惠普就成功地使用贝叶斯网络进行故障诊断）。贝叶斯网络的发展，以及阐述不精确推理的因果图表的使用，看上去大有前途。