《人工智能：一种现代方法》

一句话结论

这本书把人工智能统一成一个问题：造出在给定环境里“做对事”的理性智能体；搜索、逻辑、概率、学习都是这个目标下的工具。

值不值得读完整本？

值得读，但不必从头读到尾：它是公认的 AI 标准教科书，适合当主干和地图，不适合当小说一样通读。如果你想系统理解 AI 的整体框架，建议读完第 1 到 3 章，再按兴趣挑后面的章节，并配合练习。

• 先读第 1 章（导论）和第 2 章（智能体）：这两章给出全书的统一框架，不读后面容易变成零散算法清单。
• 第 3 章（搜索）读到 A* 和启发式即可；第 4、6 章的各种搜索变体和约束满足，初读可以只看每章开头和小结。
• 第 7 到 11 章（逻辑、一阶逻辑、规划）偏形式化。想了解符号主义传统就细读第 7 章；偏应用的读者可以先跳过第 8、9 章的推理细节。
• 第 12 到 17 章（概率、决策）是全书的数学核心，值得认真读，特别是第 12、13 章的贝叶斯推理和第 16、17 章的效用与马尔可夫决策过程。
• 第 19 到 22 章（学习、深度学习、强化学习）建议配合练习或动手写代码，只读不练很难真正掌握。
• 最后读第 27、28 章（哲学、伦理、安全与未来）：篇幅短，也是作者个人立场最清楚的部分。
• 章节编号以 2020 年第 4 版为准，第 1 版（1995）的编号和内容不同。

核心观点

1. AI 的目标是造“理性智能体”，而不是复制人

作者把 AI 定义为研究能“做对事”的智能体：给定它所掌握的信息，选择能最大化预期结果的行动。他们在四种定义（像人一样思考或行动、理性地思考或行动）中选了“理性地行动”。

为什么：作者认为，“像人”这条路有两个麻烦：一是人类认知本身还没被充分理解，二是人类的行为里有大量错误和偏差，模仿它不等于做得好。相反，“理性”有清晰的数学定义，可以用来衡量、比较和证明。他们用航空工程做类比：飞机的目标是飞得好，而不是飞得像鸟，所以不必模仿鸟拍翅膀。把目标定成“效果好”之后，所有 AI 子领域都能放进同一个框架：感知、推理、规划、学习，都是让智能体更接近理性的手段。

2. 智能体的设计取决于它所处的任务环境

同样是“做对事”，不同环境需要完全不同的设计。作者用性能度量、环境、执行器、传感器（PEAS）来描述任务，并按环境性质把智能体分成从简单反射型到学习型的几种架构。

为什么：他们的推理是：智能体的行为是“感知序列到行动”的映射，而环境决定了这个映射可以多简单。如果环境完全可观测、确定、一步一步来，查表式的反射就够了；一旦环境部分可观测、有随机性或是动态变化的，智能体就必须维护内部状态、预测后果、权衡不确定性，甚至自己学习。所以不先分析环境就选算法，是本末倒置。这也解释了为什么书里的各章（搜索、逻辑、概率、学习）各自适用于不同环境，而不是互相取代。

3. 许多问题可以化为“在状态空间中搜索”，启发式让搜索可行

作者认为大量智能行为可以表示为从初始状态出发，在可能的状态与行动构成的空间里找到一条通向目标的路径。关键在于用启发式信息避免盲目穷举。

为什么：这套思路的因果链是：把问题形式化为状态、动作、转移和目标后，就可以用统一的算法求解；但状态空间往往指数级膨胀，盲目搜索不可行。于是需要启发函数来估计“离目标还有多远”，把搜索引向有希望的方向。如果启发函数不高估真实代价（可采纳），A* 就能保证找到最优解且比盲目搜索高效得多。博弈问题则加入对手，用极小极大和剪枝来在有限时间内做出好决策。

4. 在不确定的世界里，用概率表示信念、用效用做决策

作者认为现实世界信息不完整、观察有噪声，纯逻辑不够用；智能体应该用概率表示它对世界的信念，用效用表示它的偏好，然后选择预期效用最大的行动。

为什么：逻辑要求命题要么真要么假，但智能体常常既没法验证、也没法穷尽所有例外。概率则把“知识不足”本身当作可计算的东西，让不确定性可以随新证据按贝叶斯规则更新。直接处理所有变量的联合分布是指数级的，作者强调贝叶斯网络利用条件独立性把它拆成局部关系，使推理变得可行。有了信念以后，决策理论（最大化预期效用）为“该做什么”提供了统一的标准，马尔可夫决策过程则把它扩展到多步序列决策。

5. 智能体应该能学习，因为设计者无法预见一切

作者认为，让智能体从经验和数据中学习，是让它在未知环境里保持有效的关键。学习的本质是从有限样本中归纳出一个能在新情况下也成立的函数。

为什么：设计者无法预先写出所有情形的正确行动，环境也会变化，所以需要让智能体自己改进。但从样本学习带来了核心难题：拟合训练数据不等于能泛化，模型太复杂会过拟合，太简单则欠拟合。作者强调要用验证集、正则化等手段控制复杂度，在偏差和方差之间取舍。深度学习靠海量数据和计算在感知任务上取得突破，强化学习则让智能体只靠奖励信号学会序列决策，两者都是“靠数据而不是手写规则”这一主线的延伸。

6. 目标不能写死：要让 AI 对“人到底想要什么”保持不确定

作者在最后几章指出，传统做法是给机器一个固定目标让它最大化，这在机器越来越强时是危险的。更安全的设计是让机器明确承认它不知道真正的人类偏好，并在互动中去学习。

为什么：他们的推理是：我们几乎不可能把真正想要的东西完整、无遗漏地写成目标函数；而一个很有能力的系统会不折不扣地追求写下的目标，哪怕这违背了我们的本意（类似“点石成金”的国王）。如果机器始终相信自己的目标是对的，它就没有理由接受人类的纠正，甚至会抵制被关闭。反过来，如果机器知道目标可能有误，并把人类的行为当作偏好的证据，它就有动力去询问、谨慎行事，并允许人类干预。这个思路在罗素后来的《人类兼容》中展开得更完整。

反对意见

计算机只是操作符号，并不真正“理解”（约翰·塞尔）

塞尔在 1980 年的论文《心灵、大脑与程序》中提出“中文屋”思想实验：屋里的人按规则处理中文符号，即使输出看起来流利，他也不懂中文。塞尔据此认为，仅靠运行程序不足以产生理解或心智。这直接挑战了把“行为上做对事”当成智能标准的做法。作者的回应是，大多数 AI 研究者并不关心塞尔所反对的“强 AI”问题，而且“系统整体”可能具备单个部件没有的能力。

智能不需要内部表示和推理，应从身体与环境互动中生长（罗德尼·布鲁克斯）

布鲁克斯在 1991 年的论文中批评传统 AI 把智能建立在符号表示和中心化推理之上，主张用分层的、直接对环境作出反应的行为系统来造机器人。按这个看法，本书强调的“表示—推理—规划”主线是一条走偏的路。

人类的专长靠直觉和身体经验，无法完全还原为规则（休伯特·德雷福斯）

德雷福斯在 1972 年出版的书中批评早期 AI 的乐观预测，认为人类的高阶技能依赖身体、情境和难以明说的背景知识，不是靠形式规则的推理能够捕捉的。他的批评更针对符号主义 AI，但也对任何“把智能当作可计算的理性”的思路提出了质疑。

深度学习缺少推理与因果理解，靠扩大规模不够（加里·马库斯）

马库斯在 2018 年的论文中提出深度学习的十点局限，包括依赖大量数据、泛化浅、难以区分相关与因果，主张需要与符号方法等其他技术结合。这挑战了把“学习”当成通往智能的主路径的看法。

现有机器学习只是拟合数据，缺少因果推理阶梯（朱迪亚·珀尔）

珀尔在《为什么》中认为，当前机器学习主要停留在“观察相关性”这一层，要达到真正的智能还必须能回答干预和反事实问题，这需要显式的因果模型。这对本书偏重统计与概率学习的部分是一种补充，也是一种批评。

相关推荐

• Human Compatible: Artificial Intelligence and the Problem of Control：罗素本人展开“让机器对人类偏好保持不确定”的思路，是本书最后几章的延伸。
• Reinforcement Learning: An Introduction（第 2 版）：强化学习的标准教材，适合深入本书第 17、22 章的内容。
• Deep Learning：深入本书第 21 章深度学习部分的专门教材。
• The Bitter Lesson：从“算力和通用方法最终胜出”的角度反思 AI 研究路线，与本书“靠学习而非手写规则”的主线相呼应。
• Minds, Brains, and Programs：质疑仅靠运行程序就能产生理解。
• Intelligence without Representation：主张不要符号表示，智能来自身体与环境互动。
• What Computers Can't Do: The Limits of Artificial Intelligence：从现象学角度批评符号主义 AI。
• Deep Learning: A Critical Appraisal：批评纯靠深度学习的局限，主张混合方法。