Bài báo này đề cập đến thách thức cân bằng giữa việc tối đa hóa tiện ích với việc sử dụng tài nguyên, bao gồm chuyển động bên ngoài và tính toán nội bộ, trong quá trình phát triển trí tuệ nhân tạo. Mặc dù sự đánh đổi này đã được nghiên cứu trong các môi trường hoàn toàn có thể quan sát được, nhưng hiểu biết của chúng ta về hiệu quả tài nguyên trong các môi trường có thể quan sát được một phần vẫn còn hạn chế. Để giải quyết thách thức này, chúng tôi phát triển một biến thể của khung POMDP, coi thông tin thu được thông qua suy luận như một tài nguyên cần được tối ưu hóa cùng với hiệu suất và nỗ lực của tác vụ. Bằng cách giải quyết vấn đề này trong bối cảnh được mô tả bởi động lực học tuyến tính-Gauss, chúng tôi khám phá ra các nguyên tắc cơ bản của hiệu quả tài nguyên. Chúng tôi tìm thấy một sự chuyển pha trong suy luận từ phương pháp tiếp cận tối ưu Bayes sang phương pháp tiếp cận chiến lược để lại một số bất định chưa được giải quyết. Hành vi tiết kiệm này tạo ra một tập hợp có cấu trúc các chiến lược hiệu quả, tạo điều kiện thuận lợi cho việc thích ứng với các mục tiêu và ràng buộc tiếp theo bị bỏ qua trong quá trình tối ưu hóa ban đầu. Chúng tôi chứng minh tính ứng dụng của khung và tính tổng quát của các nguyên tắc được rút ra bằng cách sử dụng hai tác vụ phi tuyến tính. Nhìn chung, nghiên cứu này cung cấp nền tảng cho một loại tính toán hợp lý mới có thể được cả não bộ và máy móc sử dụng để kiểm soát hiệu quả và tiết kiệm tài nguyên trong điều kiện bất định.
