人工智能：现代方法

引用

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

章节概要

第四版共七部二十八章。其后是两个附录：数学背景附录（复杂度分析与O()记号、线性代数、概率分布）和语言与算法附录（巴科斯–诺尔范式和伪代码约定）。全书以参考文献与索引收尾，正文约1,020页。每章都以小结和文献与历史注记结束。

第一部：Artificial Intelligence（第1–2章）

第1章Introduction探讨什么是人工智能：类人行动、类人思考、理性思考、理性行动与有益的机器。该章回顾人工智能在哲学、数学、经济学、神经科学、心理学、计算机工程、控制论和语言学中的基础，给出从1943年到深度学习的历史，并以技术现状以及人工智能的风险与益处收尾。

第2章Intelligent Agents定义了智能体与环境、理性与性能度量、任务环境的性质。该章还讨论智能体的结构，从简单反射智能体到基于目标、基于效用和学习型智能体。

第二部：Problem-solving（第3–6章）

第3章Solving Problems by Searching涵盖：

• 问题表述；
• 无信息搜索策略（广度优先、一致代价、深度优先、迭代加深、双向）；
• 以A*、加权A*和内存受限变体为代表的启发式搜索；
• 启发函数的设计与学习。

第4章Search in Complex Environments处理局部搜索与优化、连续空间、非确定性动作、部分可观察性和在线搜索。第5章Adversarial Search and Games讲极小极大、α–β剪枝、启发式评估、蒙特卡洛树搜索，以及随机博弈和部分可观察博弈。第6章Constraint Satisfaction Problems涵盖约束传播、回溯、局部搜索和问题的结构。

第三部：Knowledge, reasoning, and planning（第7–11章）

第7章Logical Agents以wumpus世界构建命题逻辑，包括定理证明、归结、模型检验和基于命题逻辑的智能体。第8章First-Order Logic与第9章Inference in First-Order Logic扩展了逻辑工具；第9章涵盖合一、前向与后向链接以及归结。

第10章Knowledge Representation涵盖本体工程、类别、事件、心理对象、语义网络、描述逻辑与缺省推理。第11章Automated Planning讲经典规划、规划启发式、层次规划、非确定性领域中的规划以及调度。

第四部：Uncertain knowledge and reasoning（第12–18章）

• 第12章Quantifying Uncertainty： 概率记号、联合分布、独立性、贝叶斯法则与朴素贝叶斯模型。
• 第13章Probabilistic Reasoning： 贝叶斯网络、精确与近似推理以及因果网络。
• 第14章Probabilistic Reasoning over Time： 隐马尔可夫模型、卡尔曼滤波和动态贝叶斯网络。
• 第15章Probabilistic Programming： 关系概率模型与开放世界模型。
• 第16章Making Simple Decisions： 效用理论、决策网络和信息价值。
• 第17章Making Complex Decisions： 马尔可夫决策过程、赌博机问题和部分可观察MDP。
• 第18章Multiagent Decision Making： 非合作与合作博弈论以及集体决策。

第五部：Machine Learning（第19–22章）

第19章Learning from Examples涵盖监督学习、决策树、模型选择、学习理论、线性模型、非参数方法、集成学习以及机器学习系统的开发。第20章Learning Probabilistic Models涵盖完全数据下的学习以及含隐变量的学习（EM）。

第21章Deep Learning涵盖前馈、卷积和循环网络、计算图、泛化、无监督学习与迁移学习。第22章Reinforcement Learning涵盖被动与主动强化学习、泛化、策略搜索与逆强化学习。

第六部：Communicating, perceiving, and acting（第23–26章）

语言部分有两章：第23章Natural Language Processing与第24章Deep Learning for Natural Language Processing（词嵌入、序列到序列模型、Transformer、预训练）。第25章Computer Vision涵盖图像形成、特征、图像分类、目标检测和三维世界。第26章Robotics涵盖硬件、感知、规划与控制，以及人与机器人的交互。

第七部：Conclusions（第27–28章）

第27章Philosophy, Ethics, and Safety of AI讨论人工智能的局限、机器能否思考以及人工智能伦理。第28章The Future of AI考察人工智能的组成部分与体系结构。

核心概念

第一至二部：智能体与搜索

• 理性智能体：在给定感知的条件下，以最大化期望性能为目标行动的智能体，是全书的组织思想。
• A*搜索与启发函数：由剩余代价估计引导的启发式搜索。
• 极小极大与α–β剪枝：面对对手时的决策。
• 约束满足：通过传播约束和搜索变量赋值来求解。

第三至四部：知识与不确定性

• 命题逻辑与一阶逻辑：表示知识并据此推理的形式语言。
• 贝叶斯网络：联合概率分布的紧凑表示。
• 马尔可夫决策过程：结果不确定情形下的序贯决策。

第五至七部：学习、感知与伦理

• 监督学习与深度学习：从带标注数据中学习函数，包括神经网络。
• 强化学习：从奖励中学习。
• Transformer架构：现代语言处理所用的序列模型。
• 人工智能的伦理与安全：局限、风险与责任。

评析

优点

• 有统一的组织思想。 理性智能体在第2章引入，并用来组织其余各部，因此逻辑、概率、搜索与学习都作为解决同一问题的工具出现。
• 广度与章级结构并存。 七个部分可以单独取用：搜索、逻辑、概率推理、学习，以及感知和机器人章节，都是独立的单元。课程安排正是利用了这一点。
  • 下文介绍的普渡大学课程按小节而非整章布置阅读，例如3.1–3.3、6.1–6.2和17.2.1。
  • 该课程还不按书中顺序在各部之间跳转，先读第22章强化学习，再读第19章。
• 随领域更新。 第4版新增概率编程、多智能体决策、深度学习、Transformer和预训练等内容。另有一章关于人工智能哲学、伦理与安全的内容，第1章也有关于有益机器和人工智能风险与益处的小节。
• 配套资料。 本书的配套网站（aima.cs.berkeley.edu）提供伪代码、代码、图表、习题和课程页面。
• 仍是标准课程教材。 下文的约翰斯·霍普金斯大学和普渡大学课程都将第4版列为教材。

局限

• 篇幅与广度。 约一千页的二十八章不可能处处深入；第24、25、26章各用一章概述本身就有专门教材的领域。
• 数学先修要求不均匀。 附录用寥寥数页复习了复杂度、线性代数和概率，而第四、五部大量依赖概率。
• 不是动手编程的教材。 算法以伪代码（附录B）写成，代码另在线提供。
• 版本与章节编号的摩擦。 第3版仍在使用：下文的普渡大学课程接受第3版，前提是学生自行把小节对应到第4版。不同版本的章节编号可能不同。美国版与Global版的目录也有差异，请核对自己手中版本的目录。因此，课程大纲上的章号并不总能对应到正确的内容（参见"如何使用本书"中约翰斯·霍普金斯大学的例子）。

在课程中的定位

在这门机器学习与人工智能课程中，Russell与Norvig是广博的概览教材，把学习与搜索、逻辑、规划和决策放在一起。大学课程也是这样使用它的：下文介绍的约翰斯·霍普金斯大学和普渡大学课程都围绕本书安排进度，从智能体与搜索，经逻辑与概率，到学习与强化学习。

以下几本书对其中部分内容讲得更深入，或换了角度：

• Mitchell，Artificial Intelligence: A Guide for Thinking Humans： 一部非技术性的著作，讲述当前系统能做什么、不能做什么，适合在教材之前或同时阅读。
• James、Witten、Hastie、Tibshirani与Taylor，An Introduction to Statistical Learning with Applications in Python： 以极少的数学讲解动手实践的机器学习，附有Python实验，是第五部的实践补充。
• Murphy，Probabilistic Machine Learning: An Introduction： 通过概率建模讲解包括深度学习在内的机器学习，从这一视角覆盖第19–22章的内容。
• Szeliski，Computer Vision: Algorithms and Applications： 把只有一章的视觉扩展成一整本书。

如何使用本书

本书面向具备编程经验、离散数学和基础概率知识的读者，学习章节还需要一些线性代数。

实用的阅读方案：

• 第一门课的核心： 第1–3章、第5–6章，或第4、7、12–13、19、21章中的选读部分。
• 逻辑路线： 第7–11章。
• 概率与决策路线： 第12–18章。
• 学习路线： 第19–22章，编码练习另配动手类教材。
• 语言、视觉与机器人： 第23–26章作为概览单元阅读，之后转向专门书籍。
• 结尾： 第27–28章在读完第1章之后随时可读。

利用各章末的习题和配套网站的代码，并通过文献与历史注记追溯原始文献。

常见课程阅读安排

普渡大学CS47100，人工智能导论（2026年春季）。 该课程使用第4版（ISBN 9780134610993），按课程进度顺序布置以下阅读：

主题	阅读（第4版）
导论与智能体	第1章；第2章
搜索	3.1–3.3；3.4；3.5–3.6；4.1
博弈	5.1–5.2；5.3
约束满足	6.1–6.2；6.3–6.5
逻辑	7.2–7.4；7.5–7.6；8.2–8.3；9.1–9.5
不确定性与贝叶斯网络	12.2–12.6；13.1–13.2；13.3–13.4
马尔可夫决策过程	17.1；17.2.1；17.2.2
强化学习	22.1–22.2；22.3
从样例学习	19.1–19.2；19.4
深度学习	21.1

这与上面的核心方案相近，但增加了一阶逻辑（第8–9章）、MDP（第17章）和强化学习（第22章），略去了知识表示与规划（第10–11章）、第14–16章和第18章，以及第六、七部的全部内容。深度学习只读第21.1节，因此按此路线阅读的读者应另找专门的机器学习教材深入学习。

约翰斯·霍普金斯大学601.664，人工智能（2026年春季，Philipp Koehn）。 指定教材为第4版（2020）。课程进度表在以下主题中引用了Russell与Norvig的章节：

• 导论与智能体；
• 基本搜索与启发式搜索，以及局部搜索；
• 博弈与约束满足；
• 逻辑智能体、一阶逻辑与推理；
• 规划、概率推理与贝叶斯网络；
• MDP；
• 统计学习、深度学习与强化学习。

课程还包括一次心灵哲学课。该进度表上的部分章号与第4版目录不符：

• 知识表示被标为第12章，但在第4版中是第10章；第12章是Quantifying Uncertainty。
• 心灵哲学被标为第26.1–2章，但在第4版中哲学与伦理是第27章；第26章是Robotics。

遇到这类进度表时，请按主题对照自己手中版本的目录，而不要直接照抄章号。

版本说明

• 当前版本。 第4版为Pearson 2020年出版，ISBN 9780134610993（美国版）。
• 第3版。 在课程允许的情况下仍可使用：上述普渡大学课程接受第3版，条件是学生自行对应小节。章号会有变动，尤其是后面几部。
• 美国版与Global版。 两个版本的目录不同，不要假定一个版本的小节编号与另一个版本相同。

聚焦阅读与版本边界

以下试做使用本站配套指南的原创题，请先打开题设，核对条件和数据。

阅读路线： 第4版美国版按标题读智能体与从样例学习，再按需读概率、深度或强化学习。

继续前试做： 为分类器描述感知、预测标签、行动和评价。检查标准： 准确率不自动等于效用、安全或决策保证。

版本与访问： 美国版与Global版目录不同，公开习题与代码不等于免费商业全文或全部教师解答。

本书配套网站