人工智慧：現代方法

引用

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

章節概要

第四版共七部二十八章，其後有兩個附錄：一是數學背景附錄（複雜度分析與O()記號、線性代數、機率分布），二是語言與演算法附錄（巴科斯–諾爾範式與虛擬碼慣例）。全書以參考文獻與索引作結，正文約1,020頁。每章都以小結和文獻與歷史註記結束。

第一部：Artificial Intelligence（第1–2章）

第1章Introduction探討什麼是人工智慧：類人行動、類人思考、理性思考、理性行動與有益的機器。它回顧人工智慧在哲學、數學、經濟學、神經科學、心理學、電腦工程、控制理論與語言學中的基礎，接著給出從1943年到深度學習的歷史，並以技術現況以及人工智慧的風險與益處收尾。

第2章Intelligent Agents定義了代理人與環境、理性與績效度量，以及任務環境的性質。它也討論代理人的結構，從簡單反射代理人到目標導向、效用導向與學習型代理人。

第二部：Problem-solving（第3–6章）

第3章Solving Problems by Searching涵蓋：

• 問題表述；
• 無資訊搜尋策略（廣度優先、一致代價、深度優先、迭代加深、雙向）；
• 以A*、加權A*與記憶體受限變體為代表的啟發式搜尋；
• 啟發函數的設計與學習。

第4章Search in Complex Environments處理區域搜尋與最佳化、連續空間、非確定性動作、部分可觀察性與線上搜尋。第5章Adversarial Search and Games談極小極大、α–β剪枝、啟發式評估、蒙地卡羅樹搜尋，以及隨機賽局與部分可觀察賽局。第6章Constraint Satisfaction Problems涵蓋限制傳播、回溯、區域搜尋與問題的結構。

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

第7章Logical Agents以wumpus世界建構命題邏輯，包括定理證明、歸結、模型檢驗與基於命題邏輯的代理人。第8章First-Order Logic與第9章Inference in First-Order Logic擴展了邏輯工具；第9章涵蓋合一、前向與後向鏈結以及歸結。

第10章Knowledge Representation涵蓋本體工程、類別、事件、心理對象、語意網路、描述邏輯與預設推理。第11章Automated Planning談古典規劃、規劃啟發式、階層規劃、非確定性領域中的規劃以及排程。

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

• 第12章Quantifying Uncertainty： 機率記號、聯合分布、獨立性、貝氏定理與單純貝氏模型。
• 第13章Probabilistic Reasoning： 貝氏網路、精確與近似推論以及因果網路。
• 第14章Probabilistic Reasoning over Time： 隱馬可夫模型、卡爾曼濾波與動態貝氏網路。
• 第15章Probabilistic Programming： 關係機率模型與開放世界模型。
• 第16章Making Simple Decisions： 效用理論、決策網路與資訊價值。
• 第17章Making Complex Decisions： 馬可夫決策過程、拉霸機問題與部分可觀察MDP。
• 第18章Multiagent Decision Making： 非合作與合作賽局理論以及集體決策。

第五部：Machine Learning（第19–22章）

第19章Learning from Examples涵蓋監督式學習、決策樹、模型選擇、學習理論、線性模型、非參數方法、集成學習以及機器學習系統的開發。第20章Learning Probabilistic Models涵蓋完整資料下的學習以及含隱藏變數的學習（EM）。

第21章Deep Learning涵蓋前饋、卷積與遞迴網路、計算圖、泛化、非監督式學習與遷移學習。第22章Reinforcement Learning涵蓋被動與主動強化學習、泛化、策略搜尋與逆向強化學習。

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

兩章談語言：第23章Natural Language Processing與第24章Deep Learning for Natural Language Processing（詞嵌入、序列到序列模型、Transformer、預訓練）。第25章Computer Vision涵蓋影像形成、特徵、影像分類、物件偵測與三維世界。第26章Robotics涵蓋硬體、感知、規劃與控制，以及人機互動。

第七部：Conclusions（第27–28章）

第27章Philosophy, Ethics, and Safety of AI討論人工智慧的局限、機器能否思考，以及人工智慧倫理。第28章The Future of AI考察人工智慧的組成部分與架構。

核心概念

第一至二部：代理人與搜尋

• 理性代理人：在給定感知的條件下，以最大化期望績效為目標行動的代理人，是全書的組織思想。
• A*搜尋與啟發函數：由剩餘代價估計引導的啟發式搜尋。
• 極小極大與α–β剪枝：面對對手時的決策。
• 限制滿足：透過傳播限制與搜尋變數賦值來求解。

第三至四部：知識與不確定性

• 命題邏輯與一階邏輯：表示知識並據此推理的形式語言。
• 貝氏網路：聯合機率分布的精簡表示。
• 馬可夫決策過程：結果不確定情形下的序列決策。

第五至七部：學習、感知與倫理

• 監督式學習與深度學習：從有標註資料中學習函數，包括神經網路。
• 強化學習：從獎勵中學習。
• Transformer架構：現代語言處理所用的序列模型。
• 人工智慧的倫理與安全：局限、風險與責任。

評析

優點

• 有統一的組織思想。 理性代理人在第2章引入，並用來組織其餘各部，因此邏輯、機率、搜尋與學習都作為解決同一問題的工具出現。
• 廣度與章級結構並存。 七個部分可以單獨取用：搜尋、邏輯、機率推論、學習，以及感知與機器人章節，都是獨立的單元。課程進度正是利用這一點。
  • 下文列出的普渡大學課程按小節而非整章指定閱讀，例如3.1–3.3、6.1–6.2與17.2.1。
  • 該課程也不依書中順序在各部之間跳讀，先讀第22章強化學習，再讀第19章。
• 隨領域更新。 目錄中新增機率程式設計、多代理人決策、深度學習、Transformer與預訓練。另有一章關於人工智慧哲學、倫理與安全的內容，第1章也有關於有益機器與人工智慧風險與益處的小節。
• 配套資料。 本書的配套網站（aima.cs.berkeley.edu）提供虛擬碼、程式碼、圖表、習題與課程頁面。
• 仍是標準課程教材。 下文列出的約翰霍普金斯大學與普渡大學2026年春季課程都將第4版列為教材。

局限

• 篇幅與廣度。 約一千頁的二十八章不可能處處深入；第24、25、26章各用一章概述本身就有專門教材的領域。
• 數學先修要求不均勻。 附錄用寥寥數頁複習了複雜度、線性代數與機率，而第四、五部大量依賴機率。
• 不是動手寫程式的教材。 演算法以虛擬碼（附錄B）寫成，程式碼另在線上提供。
• 版本與章節編號的摩擦。 第3版仍在使用：前述普渡大學課程接受第3版，前提是學生自行將小節對應到第4版。各版本之間章節編號可能不同。美國版與Global版的內容也不同，請核對你手上那本的目錄。因此，課程大綱上的章號未必能指向正確的內容（見「如何使用本書」中的約翰霍普金斯大學例子）。

在課程中的定位

在這門機器學習與人工智慧課程中，Russell與Norvig是廣博的概覽教材，把學習與搜尋、邏輯、規劃和決策放在一起。大學課程也是這樣使用它：下文的約翰霍普金斯大學與普渡大學課程都以本書為骨架安排進度，從代理人與搜尋，經邏輯與機率，到學習與強化學習。

本站其他書籍對其中部分內容講得更深，或換一個角度：

• Mitchell，Artificial Intelligence: A Guide for Thinking Humans： 一部非技術性的著作，講述當前系統能做什麼、不能做什麼，適合在教材之前或同時閱讀。
• James、Witten、Hastie、Tibshirani與Taylor，An Introduction to Statistical Learning with Applications in Python： 以極少的數學講解動手實作的機器學習，附有Python實驗，是第五部的實作補充。
• Murphy，Probabilistic Machine Learning: An Introduction： 透過機率建模講解包括深度學習在內的機器學習，從這一視角涵蓋第19–22章的內容。
• Szeliski，Computer Vision: Algorithms and Applications： 把只有一章的視覺擴展成一整本書。

如何使用本書

本書面向具備程式設計經驗、離散數學與基礎機率知識的讀者，學習章節還需要一些線性代數。

實用的閱讀方案：

• 第一門課的核心： 第1–3章、第5–6章，以及第4、7、12–13、19、21章中的選讀部分。
• 邏輯路線： 第7–11章。
• 機率與決策路線： 第12–18章。
• 學習路線： 第19–22章，寫程式練習另配動手類教材。
• 語言、視覺與機器人： 第23–26章作為概覽單元閱讀，之後轉向專門書籍。
• 結尾： 第27–28章在讀完第1章之後隨時可讀。

利用各章末的習題與配套網站的程式碼，並透過文獻與歷史註記追溯原始文獻。

常見課程指定閱讀

普渡大學CS47100，Introduction to Artificial Intelligence（2026年春季）。 該課程使用第4版（ISBN 9780134610993），依第4版編號、按進度順序指定以下閱讀：

主題	閱讀（第4版）
導論與代理人	第1章；第2章
搜尋	3.1–3.3；3.4；3.5–3.6；4.1
賽局	5.1–5.2；5.3
限制滿足	6.1–6.2；6.3–6.5
邏輯	7.2–7.4；7.5–7.6；8.2–8.3；9.1–9.5
不確定性與貝氏網路	12.2–12.6；13.1–13.2；13.3–13.4
馬可夫決策過程	17.1；17.2.1；17.2.2
強化學習	22.1–22.2；22.3
從樣例學習	19.1–19.2；19.4
深度學習	21.1

這與上面的核心方案相近，但增加了一階邏輯（第8–9章）、MDP（第17章）與強化學習（第22章），並略去知識表示與規劃（第10–11章）、第14–16章與第18章，以及第六、七部全部內容。深度學習只讀第21.1節，因此依循此路線的讀者應另找專門的機器學習教材深入學習。

約翰霍普金斯大學601.664，Artificial Intelligence（2026年春季，Philipp Koehn）。 指定教材為第4版（2020）。課程進度表在以下主題引用了Russell與Norvig的章節：

• 導論與智慧代理人；
• 基本搜尋與啟發式搜尋，以及區域搜尋；
• 賽局與限制滿足；
• 邏輯代理人、一階邏輯與推論；
• 規劃、機率推理與貝氏網路；
• MDP；
• 統計學習、深度學習與強化學習。

課程另有一堂心靈哲學課。該進度表上有些章號與第4版目錄不符：

• 知識表示被標為第12章，但在第4版中是第10章；第12章是Quantifying Uncertainty。
• 心靈哲學被標為第26.1–2章，但在第4版中哲學與倫理是第27章；第26章是Robotics。

遇到這類進度表時，請依主題對照你手上那本的目錄，而不是直接照抄章號。

版本說明

• 現行版本。 第4版為Pearson 2020年出版，ISBN 9780134610993（美國版）。
• 第3版。 在課程允許時仍可使用：前述普渡大學課程接受第3版，條件是學生自行對應小節。章號會有位移，後半部分尤其明顯。
• 美國版與Global版。 兩個版本內容不同，不要假設其中一版的小節編號與另一版一致。

聚焦閱讀與版本界線

以下試做使用本站配套指南的原創題，請先開啟題目，核對條件和資料。

閱讀路線： 以第4版美國版為準，按標題讀智慧體與從樣例學習，再按需讀機率、深度或強化學習。

繼續前試做： 為分類器描述感知、預測標籤、行動和評價。

檢查標準： 準確率不自動等於效用、安全或決策保證。

版本與存取： 美國版與Global版目錄不同；公開的習題與程式碼並不代表可免費取得全書或全部教師解答。

本書配套網站：aima.cs.berkeley.edu