近年来，在企业，科学或互联网中收集的信息量呈爆炸式增长，越来越多地要求使用计算机来帮助人们解释所有这些数据并对其采取行动。
例如，本地温度数据能告诉我们有关全球气候系统的信息，网上冲浪和购买能告诉我们有关消费者的信息，以及如何利用遗传数据来个性化医疗。
好吧，所有这些可识别的问题似乎彼此不同，但实际上是相似的。它们都需要归纳推理，从对世界的观察到其下划线的原因进行概括。我们使用的计算机不是为此而设计的，也不擅长于此。为什么 ?
最初设计计算机是为了解决科学和技术问题，但我们很快就开始将其用于业务需求。自从问世以来，计算机也成为通信和娱乐设备。但是，当要求计算机处理数据时会发生什么呢?
可以将计算机视为执行指令集的机器，该指令集告诉计算机如何将输入转换为输出。计算机用于解释或理解数据的方式有两种：模拟和推理。
在Simulation中，机器从一些背景假设开始，将其作为世界的输入配置，并产生观察的轨迹作为输出。由于机器在执行从原因到影响的建模过程中所用的方向与处理过程的方向相同，因此很容易。
推论是相反的问题。机器以相同的背景假设开始，但以观察到的轨迹作为输入，并产生输出来解释它。在这里，机器必须从事实回到其可能的原因。推断数据的一个共同挑战是，对于特定的输出通常有许多可能的解释。换句话说，对于哪种解释是正确的存在根本的不确定性。在解释和解释数据时，这种不确定性是一个至关重要的问题。太普遍了，我们不能期望对数据有绝对肯定的答案，但是我们可以做出很好的猜测，并尽可能多地吸收知识。
良好的猜测可以使一致性与背景知识保持一致并适合数据，而不会带来不必要的复杂性。在传统计算中，用于推理的指令比用于模拟的指令难编写，因为我们通常从科学行为和技术知识方面收集有关事物是如何引起另一事物的代码。因此，在该方向上利用知识要比逆向要容易得多。但是，这些反向或推理应用程序对企业和社会而言通常更有价值。
概率计算机自动将模拟指令转换为推理程序，并管理有关偶然解释的不确定性。这些是专为口译员设计的机器。