人工知能：現代的アプローチ

引用

Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

章の要約

第4版は7部28章からなる。その後に二つの付録が続く。一つは数学的背景（計算量解析とO()記法、線形代数、確率分布）、もう一つは言語とアルゴリズム（バッカス・ナウア記法と擬似コードの規約）である。最後に参考文献と索引があり、本文は約1,020ページである。各章は、要約と、文献・歴史的ノートで終わる。

第I部：Artificial Intelligence（第1～2章）

第1章Introductionは、AIとは何かを問う。人間らしく行動する、人間らしく考える、合理的に考える、合理的に行動する、有益な機械という観点である。続いて、哲学、数学、経済学、神経科学、心理学、計算機工学、制御理論、言語学におけるAIの基礎を概観する。さらに1943年からディープラーニングまでの歴史を示し、最先端の現状とAIのリスクと利益で終わる。

第2章Intelligent Agentsは、エージェントと環境、合理性と性能指標、課題環境の性質を定義する。また、単純反射エージェントから目標ベース、効用ベース、学習エージェントまで、エージェントの構造を扱う。

第II部：Problem-solving（第3～6章）

第3章Solving Problems by Searchingは次の内容を扱う。

• 問題の定式化
• 無情報探索（幅優先、一様コスト、深さ優先、反復深化、双方向）
• A*、重み付きA*、メモリ制限型の変種による有情報探索
• ヒューリスティックの設計と学習

第4章Search in Complex Environmentsは、局所探索と最適化、連続空間、非決定的行動、部分観測、オンライン探索を扱う。第5章Adversarial Search and Gamesは、ミニマックス、アルファ・ベータ枝刈り、ヒューリスティック評価、モンテカルロ木探索、確率的ゲームと部分観測ゲームを扱う。第6章Constraint Satisfaction Problemsは、制約伝播、バックトラック、局所探索、問題の構造を扱う。

第III部：Knowledge, reasoning, and planning（第7～11章）

第7章Logical Agentsは、ウンパス世界を使って命題論理を構築し、定理証明、導出、モデル検査、命題論理にもとづくエージェントを扱う。第8章First-Order Logicと第9章Inference in First-Order Logicは、論理の道具立てを拡張する。第9章は単一化、前向き・後ろ向き連鎖、導出を扱う。

第10章Knowledge Representationは、オントロジー工学、カテゴリ、事象、心的対象、意味ネットワーク、記述論理、デフォルト推論を扱う。第11章Automated Planningは、古典的計画、計画のヒューリスティック、階層的計画、非決定的領域での計画、スケジューリングを扱う。

第IV部：Uncertain knowledge and reasoning（第12～18章）

• 第12章Quantifying Uncertainty： 確率の記法、同時分布、独立性、ベイズの定理、ナイーブベイズモデル。
• 第13章Probabilistic Reasoning： ベイジアンネットワーク、厳密推論と近似推論、因果ネットワーク。
• 第14章Probabilistic Reasoning over Time： 隠れマルコフモデル、カルマンフィルタ、動的ベイジアンネットワーク。
• 第15章Probabilistic Programming： 関係確率モデルと開世界モデル。
• 第16章Making Simple Decisions： 効用理論、決定ネットワーク、情報の価値。
• 第17章Making Complex Decisions： マルコフ決定過程、バンディット問題、部分観測MDP。
• 第18章Multiagent Decision Making： 非協力・協力ゲーム理論と集団的意思決定。

第V部：Machine Learning（第19～22章）

第19章Learning from Examplesは、教師あり学習、決定木、モデル選択、学習の理論、線形モデル、ノンパラメトリック法、アンサンブル、機械学習システムの開発を扱う。第20章Learning Probabilistic Modelsは、完全データでの学習と隠れ変数をもつ学習（EM）を扱う。

第21章Deep Learningは、順伝播型、畳み込み、再帰型ネットワーク、計算グラフ、汎化、教師なし学習と転移学習を扱う。第22章Reinforcement Learningは、受動的・能動的強化学習、汎化、方策探索、逆強化学習を扱う。

第VI部：Communicating, perceiving, and acting（第23～26章）

言語は二つの章で扱われる。第23章Natural Language Processingと、第24章Deep Learning for Natural Language Processing（単語埋め込み、系列変換モデル、トランスフォーマー、事前学習）である。第25章Computer Visionは、画像形成、特徴、画像分類、物体検出、3次元世界を扱う。第26章Roboticsは、ハードウェア、知覚、計画と制御、人間とロボットの関係を扱う。

第VII部：Conclusions（第27～28章）

第27章Philosophy, Ethics, and Safety of AIは、AIの限界、機械は考えられるか、AIの倫理を扱う。第28章The Future of AIは、AIの構成要素とアーキテクチャを論じる。

主要概念

第I～II部：エージェントと探索

• 合理的エージェント：知覚が与えられたとき、期待される性能を最大化するように行動するエージェント。本書の組織原理。
• A*探索とヒューリスティック：残りコストの推定に導かれる有情報探索。
• ミニマックスとアルファ・ベータ枝刈り：敵対者がいる場合の意思決定。
• 制約充足：制約の伝播と変数への割り当ての探索による解決。

第III～IV部：知識と不確実性

• 命題論理と一階述語論理：知識を表現し、そこから推論するための形式言語。
• ベイジアンネットワーク：同時確率分布のコンパクトな表現。
• マルコフ決定過程：結果が不確実な逐次的意思決定。

第V～VII部：学習、知覚、倫理

• 教師あり学習とディープラーニング：ラベル付きデータから関数を学習する。ニューラルネットワークを含む。
• 強化学習：報酬から学習する。
• トランスフォーマー・アーキテクチャ：現代の言語処理で用いられる系列モデル。
• AIの倫理と安全：限界、リスク、責任。

批判的分析

長所

• 一つの組織原理。 合理的エージェントは第2章で導入され、残りの部を組織するために使われる。そのため、論理、確率、探索、学習が同じ問題のための道具として現れる。
• 章単位の構造をもつ幅広さ。 7つの部は独立に拾い読みできる。探索、論理、確率的推論、学習、知覚とロボティクスの各章はそれぞれ独立した単位である。実際の授業日程もこれを利用している。
  • 後述のパデュー大学の授業は、章全体ではなく節単位で課題を出す。たとえば3.1～3.3、6.1～6.2、17.2.1である。
  • また、本書の順序どおりではなく部をまたいで進み、強化学習の第22章を第19章より先に読む。
• 現在の分野に合わせた更新。 確率的プログラミング、マルチエージェント意思決定、ディープラーニング、トランスフォーマー、事前学習が新たに扱われている。AIの哲学・倫理・安全の章もあり、第1章には有益な機械とAIのリスクと利益の節がある。
• 補助資料。 本書の公式サイト（aima.cs.berkeley.edu）には、擬似コード、コード、図、演習、コース用のページがある。
• 今なお標準的な授業教科書。 後述のジョンズ・ホプキンス大学とパデュー大学の授業は、どちらも第4版を教科書に指定している。

短所

• 分量と幅広さ。 約千ページの28章では、あらゆる所で深く掘り下げることはできない。第24、25、26章は、それぞれ独自の教科書をもつ分野を一章に収めている。
• 数学的前提が均一でない。 付録は計算量、線形代数、確率を数ページで復習するが、第IV部と第V部は確率に大きく依拠している。
• 実践的なプログラミングの本ではない。 アルゴリズムは擬似コード（付録B）で書かれており、コードはオンラインで別に提供される。
• 版と章番号のずれ。 第3版はまだ使われている。後述のパデュー大学の授業は、学生が自分で第4版の節に対応づけることを条件に第3版を認めている。章番号は版によって異なることがある。さらに米国版とGlobal版は目次が異なるので、手元の目次を確認すること。そのため、シラバス上の章番号が正しい内容を指しているとは限らない（「本書の使い方」のジョンズ・ホプキンス大学の例を参照）。

コースにおける位置づけ

Russell and Norvigは、この機械学習・AIのコースにおける幅広い概説書である。学習を、探索、論理、計画、意思決定と並べて位置づける。大学の授業もこの形で使っている。後述のジョンズ・ホプキンス大学とパデュー大学の授業は、どちらも本書を軸に日程を組む。エージェントと探索から始まり、論理と確率を経て、学習と強化学習へ進む構成である。

当サイトの他の本は、この領域の一部をより深く、あるいは別の角度から扱う。

• Mitchell『Artificial Intelligence: A Guide for Thinking Humans』： 現在のシステムにできることとできないことを非専門的に述べた本。教科書の前または並行して読む良い伴走書になる。
• James、Witten、Hastie、Tibshirani、Taylor『An Introduction to Statistical Learning with Applications in Python』： 数学を最小限にした実践的な機械学習を、Pythonの実習とともに扱う。第V部の実践的な補完になる。
• Murphy『Probabilistic Machine Learning: An Introduction』： ディープラーニングを含む機械学習を確率モデルを通じて扱う。その観点から第19～22章の領域をカバーする。
• Szeliski『Computer Vision: Algorithms and Applications』： 1章分のビジョンを一冊に拡張する。

本書の使い方

プログラミングの経験、離散数学、基本的な確率を持ち、学習の章のためには線形代数もいくらか必要とする読者を想定している。

実践的な進め方は次のとおり。

• 最初の講義の中核： 第1～3章、第5～6章または第4章の一部、第7、12～13、19、21章。
• 論理の流れ： 第7～11章。
• 確率と意思決定の流れ： 第12～18章。
• 学習の流れ： 第19～22章。コードを書く練習には実践的な本で補う。
• 言語、視覚、ロボティクス： 第23～26章は概説の単位として読み、続いて専門書へ進む。
• 結び： 第27～28章は、第1章の後ならいつでも読める。

各章末の演習と本書サイトのコードを使う。文献・歴史的ノートを読んで一次資料をたどる。

授業での典型的な課題範囲

パデュー大学 CS47100「Introduction to Artificial Intelligence」（2026年春学期）。 第4版（ISBN 9780134610993）を使い、次の範囲を第4版の番号で、日程順に課している。

主題	読む範囲（第4版）
導入とエージェント	第1章、第2章
探索	3.1～3.3、3.4、3.5～3.6、4.1
ゲーム	5.1～5.2、5.3
制約充足	6.1～6.2、6.3～6.5
論理	7.2～7.4、7.5～7.6、8.2～8.3、9.1～9.5
不確実性とベイジアンネットワーク	12.2～12.6、13.1～13.2、13.3～13.4
マルコフ決定過程	17.1、17.2.1、17.2.2
強化学習	22.1～22.2、22.3
事例からの学習	19.1～19.2、19.4
ディープラーニング	21.1

これは上記の中核プランに近い。一階述語論理（第8～9章）、MDP（第17章）、強化学習（第22章）が加わっている。一方、知識表現と計画（第10～11章）、第14～16章と第18章、第VI～VII部はすべて含まれない。ディープラーニングは21.1節だけなので、この道筋をたどる読者は、より深く学ぶには機械学習の専門書に当たるとよい。

ジョンズ・ホプキンス大学 601.664「Artificial Intelligence」（2026年春学期、Philipp Koehn）。 指定教科書は第4版（2020年）である。日程表では、次の主題にRussell and Norvigの章が挙げられている。

• 導入と知的エージェント
• 基本探索と有情報探索、局所探索
• ゲームプレイと制約充足
• 論理エージェント、一階述語論理と推論
• 計画、確率的推論とベイジアンネットワーク
• MDP
• 統計的学習、ディープラーニング、強化学習

心の哲学の回もある。この日程表の章番号の一部は、第4版の目次と一致しない。

• 知識表現は第12章とされているが、第4版では第10章である。第12章はQuantifying Uncertaintyである。
• 心の哲学は第26.1～2章とされているが、第4版では哲学と倫理は第27章である。第26章はRoboticsである。

このような日程表では、番号をそのまま写すのではなく、主題に従い、手元の目次と照らし合わせること。

版についての注意

• 現行版。 第4版はPearson、2020年、ISBN 9780134610993（米国版）。
• 第3版。 授業が認める場合は今も使える。前述のパデュー大学の授業もその一例である。特に後半の部では章番号がずれると考えておくこと。
• 米国版とGlobal版。 両者は目次が異なる。一方の節番号が他方と一致するとは考えないこと。

焦点を絞った読み方と版の区別

以下の課題には、当サイト独自の関連例題の条件とデータを使います。先に問題文を確認してください。

読む範囲: 第4版（米国版）のIntelligent AgentsとLearning from Examplesの章。必要に応じて確率、ディープラーニング、強化学習の章も読む。

先に試す課題: 知覚、ラベル予測、行動、評価を区別したエージェントを書く。 確認基準: 正解率は効用や安全の保証そのものではない。

版と利用範囲: Global版とは目次が異なります。公開されている演習やコードは、本文や教員用の全解答を公開したものではありません。

本書の公式サイト