功能性存在引擎（FPE）是一种概率解析机制，通过组合至少四个组件来响应输入模式：词法分析系统、概率适应度函数、知识库以及知识库可触发的函数库。词法分析系统接收并解析输入或查询模式，而概率适应度机制从给定知识库中确定近似匹配和可行响应，然后选择一个或多个生成适当响应的函数。作为一种刺激-响应机制，FPE允许更高变异的输入引发具有高正确可能性的响应模式，即使训练不完整也能实现。该系统比SIRI早六年问世。
此类系统使对话式AI和虚拟助手平台能够正确响应训练集之外的新输入，美国陆军的Sgt Star便是典型例子。FPE广泛用于智能客服系统和数字助手，也被部署为黑盒解决方案并嵌入安全设备中。
历史
首个功能性存在引擎于2001年由Spectre AI公司部署。该技术及其多种实施例随后由Spectre AI联合创始人Robert Hust（FPE的原始发明者）和Mark Zartler（Spectre AI首席开发人员）申请专利。FPE的开发还催生了一种晦涩的标记语言，公司称之为FPML（功能性存在标记语言），其基础主要基于AIML（人工智能标记语言）。原始FPE和FPML现为Verint Systems拥有的专有技术。
架构与组件
FPE通过一个流水线运行，始于其词法分析系统，该系统将传入的文本或查询模式分词为结构化元素。此解析阶段对于处理自然语言的句法变异性至关重要，使引擎能够处理可能偏离规范形式的输入。随后，概率适应度函数通过对照知识库（存储事实、规则和程序数据）对候选响应进行评分来评估它们。这种评分机制使引擎即使在输入不完整或模糊时也能选择最可能正确的响应，这是相对于需要精确匹配的基于规则系统的一个关键优势。
函数库包含可执行例程，知识库可根据所选响应触发这些例程。这些函数可能检索额外数据、执行计算或生成自然语言输出。知识与函数的分离使引擎能够在不同领域重用同一函数库，使其适用于客户服务自动化或安全监控等各种应用。
与对话式AI的关系
FPE在更广泛的人工智能和机器学习领域中占据独特位置。与依赖深度学习和神经网络并在海量数据集上训练的大型语言模型不同，FPE采用概率性、知识驱动的方法，不需要大量训练数据。这使得它们在数据稀缺或需要快速部署的环境中特别有效。美国陆军使用的Sgt Star系统体现了这一能力，它无需为每个可能的输入显式编程即可处理广泛的士兵查询。
该方法也早于现代生成式AI系统，其设计通过强调概率匹配优于刚性模式匹配，影响了后来序列到序列模型和变换器的发展。然而，FPE通常不如当代基于神经网络的助手灵活，后者可以生成新颖响应，而非从预定义函数集中选择。
应用与部署
FPE在智能客服系统中得到广泛采用，用于处理常规查询并将复杂问题升级给人工代理。它们对新输入做出响应的能力减少了对详尽FAQ列表的需求，并提高了用户满意度。面向消费者和企业的数字助手也利用FPE来解读命令并执行操作，通常作为更高级自然语言处理技术的补充。
在安全领域，FPE已作为黑盒解决方案嵌入监控网络流量或用户行为的设备中。这些部署受益于引擎的低计算开销和无需持续再训练即可运行的能力，使其适用于边缘设备或连接受限的环境。原始FPE和FPML的专有性质（现归Verint Systems所有）限制了开源采用，但底层概念已在各种商业产品中被复制。
局限性与比较
虽然FPE擅长处理输入变异性，但它们受限于知识库的质量和范围。如果知识库缺乏相关条目，概率适应度函数可能产生不正确或无意义的响应，这是许多基于知识的系统共有的局限。此外，函数库必须手动策划，与深度学习模型的自动学习相比可能劳动密集。
与OpenAI或Anthropic等开发的大型语言模型相比，FPE提供更高的可解释性和更低的延迟，但缺乏现代变换器系统的生成创造力和上下文理解能力。这种权衡使FPE适用于狭窄、高可靠性的任务，而非开放式对话。截至2020年代中期，FPE仍是一种小众但持久的技术，尤其在遗留系统和专业工业应用中。