演绎、归纳和溯因推理
　　当你走出家门，发现街道湿漉漉的。直觉会告诉我们，一定是下雨了。然而，天气晴朗，人行道干燥，你立即排除了下雨的可能性。随后，你将视线移到旁边，发现一辆洒水车停在街上。因此，你得出结论，道路之所以湿，是因为经历了洒水车的冲刷。
　　这是一个“推理”的例子，即从观察到结论的行为，是智能生物的基本功能。我们不断地依据所知道的和所感知的来推断事物。大多数情况是在潜意识中发生的，在我们的思想背景中，并没有重点聚焦和直接关注。
　　拉森表示：“任何进行推理的系统都必须具有一些基本的智能，因为使用已知和观察到的信息来更新信念的行为，不可避免地会与我们所说的智能相关联。”
　　AI研究人员将其系统建立在两种推理机的基础上：演绎（deductive）和归纳（inductive）。具体来说，演绎推理运用先验知识对世界进行推理。这是符号AI的基础，也是AI 最初几十年研究人员的主要关注点。工程师通过赋予符号系统一套预定义的规则和事实来创建符号系统，AI便使用这些知识对接收到的数据展开推理。
　　而归纳推理是通过经验获取知识，在过去十年中，深受AI研究人员和科技公司的青睐。机器学习（ML，Machine Learning）算法可视为归纳推理的引擎。在相关示例上训练的ML模型必然会找到将输入映射到输出的模式。近年来，AI研究人员利用ML技术、大数据和高级处理器对模型进行训练，以完成符号系统无法胜任的任务。
　　第三种推理，溯因推理，由美国科学家查尔斯·桑德斯·皮尔斯（Charles Sanders Peirce）在19世纪首次提出。溯因推理是一种认知能力，能够产生直觉和假设，做出比随机刺探真相更好的猜测。
　　例如，街道变湿的原因可能有很多（包括一些我们之前没有直接经历过的），但溯因推理使得我们能够选择最有希望的假设，迅速排除错误选项，寻找新的假设并得出可靠的结论。正如拉森在《人工智能的神话》一书中说的那样，“我们猜测，在一个充满无限可能性的背景下，哪些假设似乎是可能或可信的。”
　　溯因推理就是许多人所说的“常识”。它是我们观察事实或数据的概念性框架，也是将其他类型的推理结合在一起的粘合剂。它使得我们能够随时专注于头脑中存在的大量信息和通过感官所接收的大量数据中的相关内容。