人工智能（第4版）

本书全面、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。 全书分7个部分，共28章，理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想，内容主要包括逻辑、概率和连续数学，感知、推理、学习和行动，公平、信任、社会公益和安全；实践部分完美地践行了“现代”理念，实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。 本书适合作为高等院校人工智能相关专业本科生和研究生的教材，也可以作为相关领域专业人员的参考书。

第一部分 人工智能基础 第 1 章 绪论 2 1.1 什么是人工智能 2 1.1.1 类人行为：图灵测试方法 3 1.1.2 类人思考：认知建模方法 3 1.1.3 理性思考：“思维法则”方法 4 1.1.4 理性行为：理性智能体方法 4 1.1.5 益机 5 1.2 人工智能的基础 6 1.2.1 哲学 6 1.2.2 数学 8 1.2.3 经济学 9 1.2.4 神经科学 10 1.2.5 心理学 12 1.2.6 计算机工程 13 1.2.7 控制理论与控制论 14 1.2.8 语言学 15 1.3 人工智能的历史 16 1.3.1 人工智能的诞生（1943—1956） 16 1.3.2 早期热情高涨，期望无限（1952—1969） 17 1.3.3 一些现实（1966—1973） 19 1.3.4 专家系统（1969—1986） 20 1.3.5 神经网络的回归（1986—现在） 22 1.3.6 概率推理和机器学习（1987—现在） 22 1.3.7 大数据（2001—现在） 23 1.3.8 深度学习（2011—现在） 24 1.4 目前的先进技术 24 1.5 人工智能的风险和收益 27 小结 30 参考文献与历史注释 31 第 2 章 智能体 32 2.1 智能体和环境 32 2.2 良好行为：理性的概念 34 2.2.1 性能度量 34 2.2.2 理性 35 2.2.3 全知、学习和自主 36 2.3 环境的本质 37 2.3.1 指定任务环境 37 2.3.2 任务环境的属性 38 2.4 智能体的结构 41 2.4.1 智能体程序 41 2.4.2 简单反射型智能体 42 2.4.3 基于模型的反射型智能体 44 2.4.4 基于目标的智能体 45 2.4.5 基于效用的智能体 46 2.4.6 学习型智能体 47 2.4.7 智能体程序的组件如何工作 49 小结 50 参考文献与历史注释 51 第二部分 问题求解 第 3 章 通过搜索进行问题求解 54 3.1 问题求解智能体 54 3.1.1 搜索问题和解 55 3.1.2 问题形式化 56 3.2 问题示例 57 3.2.1 标准化问题 57 3.2.2 真实世界问题 59 3.3 搜索算法 61 3.3.1 最佳优先搜索 62 3.3.2 搜索数据结构 63 3.3.3 冗余路径 64 3.3.4 问题求解性能评估 65 3.4 无信息搜索策略 65 3.4.1 广度优先搜索 66 3.4.2 Dijkstra 算法或一致代价搜索 67 3.4.3 深度优先搜索与内存问题 68 3.4.4 深度受限和迭代加深搜索 69 3.4.5 双向搜索 712 3.4.6 无信息搜索算法对比 72 3.5 有信息（启发式）搜索策略 73 3.5.1 贪心最佳优先搜索 73 3.5.2 A* 搜索 75 3.5.3 搜索等值线 77 3.5.4 满意搜索：不可容许的启发式 函数与加权 A* 搜索 79 3.5.5 内存受限搜索 80 3.5.6 双向启发式搜索 83 3.6 启发式函数 85 3.6.1 启发式函数的准确性对性能的影响 85 3.6.2 从松弛问题出发生成启发式函数 86 3.6.3 从子问题出发生成启发式函数：模式数据库 87 3.6.4 使用地标生成启发式函数 88 3.6.5 学习以更好地搜索 90 3.6.6 从经验中学习启发式函数 90 小结 90 参考文献与历史注释 92 第 4 章 复杂环境中的搜索 95 4.1 局部搜索和最优化问题 95 4.1.1 爬山搜索 96 4.1.2 模拟退火 98 4.1.3 局部束搜索 99 4.1.4 进化算法 99 4.2 连续空间中的局部搜索 102 4.3 使用非确定性动作的搜索 104 4.3.1 不稳定的真空吸尘器世界 105 4.3.2 与或搜索树 106 4.3.3 反复尝试 107 4.4 部分可观测环境中的搜索 108 4.4.1 无观测信息的搜索 108 4.4.2 部分可观测环境中的搜索 111 4.4.3 求解部分可观测问题 112 4.4.4 部分可观测环境中的智能体 113 4.5 在线搜索智能体和未知环境 115 4.5.1 在线搜索问题 115 4.5.2 在线搜索智能体 117 4.5.3 在线局部搜索 118 4.5.4 在线搜索中的学习 119 小结 120 参考文献与历史注释 121 第 5 章 对抗搜索和博弈 124 5.1 博弈论 124 5.2 博弈中的优化决策 126 5.2.1 极小化极大搜索算法 127 5.2.2 多人博弈中的最优决策 128 5.2.3 α-β 剪枝 129 5.2.4 移动顺序 131 5.3 启发式 α-β 树搜索 132 5.3.1 评价函数 132 5.3.2 截断搜索 134 5.3.3 前向剪枝 135 5.3.4 搜索和查表 136 5.4 蒙特卡罗树搜索 136 5.5 随机博弈 139 5.6 部分可观测博弈 142 5.6.1 四国军棋：部分可观测的国际象棋 142 5.6.2 纸牌游戏 144 5.7 博弈搜索算法的局限性 146 小结 147 参考文献与历史注释 148 第 6 章 约束满足问题 152 6.1 定义约束满足问题 152 6.1.1 问题示例：地图着色 153 6.1.2 问题示例：车间作业调度 154 6.1.3 CSP 形式体系的变体 155 6.2 约束传播：CSP 中的推断 156 6.2.1 节点一致性 157 6.2.2 弧一致性 157 6.2.3 路径一致性 158 6.2.4 k 一致性 158 6.2.5 全局约束 159 6.2.6 数独 160 6.3 CSP 的回溯搜索 161 6.3.1 变量排序和值排序 163 6.3.2 交替进行搜索和推理 164 6.3.3 智能回溯：向后看 164 6.3.4 约束学习 166 6.4 CSP 的局部搜索 166 6.5 问题的结构 168 6.5.1 割集调整 169 6.5.2 树分解 170 6.5.3 值对称 171 小结 171 参考文献与历史注释 172 第三部分 知识、推理和规划 第 7 章 逻辑智能体 176 7.1 基于知识的智能体 176 7.2 wumpus 世界 178 7.3 逻辑 180 7.4 命题逻辑：一种非常简单的逻辑 183 7.4.1 语法 183 7.4.2 语义 184 7.4.3 一个简单的知识库 185 7.4.4 一个简单的推断过程 186 7.5 命题定理证明 187 7.5.1 推断与证明 188 7.5.2 通过归结证明 190 7.5.3 霍恩子句与确定子句 194 7.5.4 前向链接与反向链接 194 7.6 高效命题模型检验 196 7.6.1 完备的回溯算法 196 7.6.2 局部搜索算法 198 7.6.3 随机 SAT 问题概览 199 7.7 基于命题逻辑的智能体 200 7.7.1 世界的当前状态 200 7.7.2 混合智能体 203 7.7.3 逻辑状态估计 204 7.7.4 用命题推断进行规划 205 小结 207 参考文献与历史注释 208 第 8 章 一阶逻辑 211 8.1 回顾表示 211 8.1.1 思想的语言 212 8.1.2 结合形式语言和自然语言的优点 213 8.2 一阶逻辑的语法和语义 215 8.2.1 一阶逻辑模型 215 8.2.2 符号与解释 216 8.2.3 项 218 8.2.4 原子语句 218 8.2.5 复合语句 218 8.2.6 量词 219 8.2.7 等词 222 8.2.8 数据库语义 222 8.3 使用一阶逻辑 223 8.3.1 一阶逻辑的断言与查询 223 8.3.2 亲属关系论域 224 8.3.3 数、集合与列表 225 8.3.4 wumpus 世界 227 8.4 一阶逻辑中的知识工程 228 8.4.1 知识工程的过程 229 8.4.2 电子电路论域 230 小结 233 参考文献与历史注释 234 第 9 章 一阶逻辑中的推断 236 9.1 命题推断与一阶推断 236 9.2 合一与一阶推断 238 9.2.1 合一 239 9.2.2 存储与检索 240 9.3 前向链接 241 9.3.1 一阶确定子句 242 9.3.2 简单的前向链接算法 242 9.3.3 高效前向链接 244 9.4 反向链接 247 9.4.1 反向链接算法 247 9.4.2 逻辑编程 248 9.4.3 冗余推断和无限循环 249 9.4.4 Prolog 的数据库语义 251 9.4.5 约束逻辑编程 251 9.5 归结 252 9.5.1 一阶逻辑的合取范式 252 9.5.2 归结推断规则 253 9.5.3 证明范例 254 9.5.4 归结的完备性 256 9.5.5 等词 258 9.5.6 归结策略 260 小结 261 参考文献与历史注释 262 第 10 章 知识表示 265 10.1 本体论工程 265 10.2 类别与对象 267 10.2.1 物理组成 268 10.2.2 量度 269 10.2.3 对象：事物和物质 271 10.3 事件 272 10.3.1 时间 273 10.3.2 流和对象 275 10.4 精神对象和模态逻辑 275 10.5 类别的推理系统 278 10.5.1 语义网络 278 10.5.2 描述逻辑 280 10.6 用缺省信息推理 281 10.6.1 限定与缺省逻辑 281 10.6.2 真值维护系统 283 小结 284 参考文献与历史注释 285 第 11 章 自动规划 290 11.1 经典规划的定义 290 11.1.1 范例领域：航空货物运输 291 11.1.2 范例领域：备用轮胎问题 292 11.1.3 范例领域：积木世界 292 11.2 经典规划的算法 294 11.2.1 规划的前向状态空间搜索 294 11.2.2 规划的反向状态空间搜索 295 11.2.3 使用布尔可满足性规划 296 11.2.4 其他经典规划方法 296 11.3 规划的启发式方法 297 11.3.1 领域无关剪枝 299 11.3.2 规划中的状态抽象 300 11.4 分层规划 300 11.4.1 高层动作 301 11.4.2 搜索基元解 302 11.4.3 搜索抽象解 303 11.5 非确定性域的规划和行动 307 11.5.1 无传感器规划 309 11.5.2 应变规划 312 11.5.3 在线规划 313 11.6 时间、调度和资源 315 11.6.1 时间约束和资源约束的表示 315 11.6.2 解决调度问题 316 11.7 规划方法分析 318 小结 319 参考文献与历史注释 320 第四部分 不确定知识和不确定推理 第 12 章 不确定性的量化 326 12.1 不确定性下的动作 326 12.1.1 不确定性概述 327 12.1.2 不确定性与理性决策 328 12.2 基本概率记号 329 12.2.1 概率是关于什么的 329 12.2.2 概率断言中的命题语言 330 12.2.3 概率公理及其合理性 333 12.3 使用完全联合分布进行推断 334 12.4 独立性 336 12.5 贝叶斯法则及其应用 337 12.5.1 应用贝叶斯法则：简单实例 338 12.5.2 应用贝叶斯法则：合并证据 339 12.6 朴素贝叶斯模型 340 12.7 重游 wumpus 世界 342 小结 344 参考文献与历史注释 345 第 13 章 概率推理 348 13.1 不确定域的知识表示 348 13.2 贝叶斯网络的语义 350 13.2.1 贝叶斯网络中的条件独立性关系 353 13.2.2 条件分布的高效表示 354 13.2.3 连续变量的贝叶斯网络 356 13.2.4 案例研究：汽车保险 358 13.3 贝叶斯网络中的精确推断 360 13.3.1 通过枚举进行推断 361 13.3.2 变量消元算法 363 13.3.3 精确推断的复杂性 365 13.3.4 聚类算法 366 13.4 贝叶斯网络中的近似推理 367 13.4.1 直接采样方法 368 13.4.2 通过马尔可夫链模拟进行推断 372 13.4.3 编译近似推断 378 13.5 因果网络 379 13.5.1 表示动作：do 操作 380 13.5.2 后门准则 382 小结 382 参考文献与历史注释 383 第 14 章 时间上的概率推理 388 14.1 时间与不确定性 388 14.1.1 状态与观测 389 14.1.2 转移模型与传感器模型 389 14.2 时序模型中的推断 391 14.2.1 滤波与预测 392 14.2.2 平滑 394 14.2.3 寻找最可能序列 396 14.3 隐马尔可夫模型 398 14.3.1 简化矩阵算法 398 14.3.2 隐马尔可夫模型示例：定位 400 14.4 卡尔曼滤波器 403 14.4.1 更新高斯分布 403 14.4.2 简单的一维示例 404 14.4.3 一般情况 406 14.4.4 卡尔曼滤波的适用范围 407 14.5 动态贝叶斯网络 408 14.5.1 构建动态贝叶斯网络 409 14.5.2 动态贝叶斯网络中的精确推断 412 14.5.3 动态贝叶斯网络中的近似推断 413 小结 417 参考文献与历史注释 418 第 15 章 概率编程 421 15.1 关系概率模型 421 15.1.1 语法与语义 423 15.1.2 实例：评定玩家的技能等级 425 15.1.3 关系概率模型中的推断 426 15.2 开宇宙概率模型 427 15.2.1 语义与语法 428 15.2.2 开宇宙概率模型的推断 429 15.2.3 示例 430 15.3 追踪复杂世界 433 15.3.1 示例：多目标跟踪 433 15.3.2 示例：交通监控 436 15.4 作为概率模型的程序 436 15.4.1 示例：文本阅读 437 15.4.2 语法与语义 438 15.4.3 推断结果 438 15.4.4 结合马尔可夫模型改进生成程序 439 15.4.5 生成程序的推断 439 小结 440 参考文献与历史注释 440 第 16 章 做简单决策 444 16.1 在不确定性下结合信念与愿望 444 16.2 效用理论基础 445 16.2.1 理性偏好的约束 445 16.2.2 理性偏好导致效用 447 16.3 效用函数 448 16.3.1 效用评估和效用尺度 448 16.3.2 金钱的效用 449 16.3.3 期望效用与决策后失望 451 16.3.4 人类判断与非理性 452 16.4 多属性效用函数 454 16.4.1 占优 455 16.4.2 偏好结构与多属性效用 456 16.5 决策网络 458 16.5.1 使用决策网络表示决策问题 458 16.5.2 评估决策网络 460 16.6 信息价值 460 16.6.1 简单示例 460 16.6.2 完美信息的一般公式 461 16.6.3 价值信息的性质 462 16.6.4 信息收集智能体的实现 463 16.6.5 非短视信息收集 463 16.6.6 敏感性分析与健壮决策 464 16.7 未知偏好 465 16.7.1 个人偏好的不确定性 466 16.7.2 顺从人类 467 小结 468 参考文献与历史注释 469 第 17 章 做复杂决策 473 17.1 序贯决策问题 473 17.1.1 时间上的效用 475 17.1.2 最优策略与状态效用 477 17.1.3 奖励规模 479 17.1.4 表示 MDP 480 17.2 MDP 的算法 482 17.2.1 价值迭代 482 17.2.2 策略迭代 485 17.2.3 线性规划 487 17.2.4 MDP 的在线算法 487 17.3 老虎机问题 489 17.3.1 计算基廷斯指数 491 17.3.2 伯努利老虎机 492 17.3.3 近似最优老虎机策略 493 17.3.4 不可索引变体 493 17.4 部分可观测MDP 495 17.5 求解POMDP 的算法 497 17.5.1 POMDP的价值迭代 497 17.5.2 POMDP的在线算法 500 小结 501 参考文献与历史注释 502 第 18 章 多智能体决策 505 18.1 多智能体环境的特性 505 18.1.1 单个决策者 505 18.1.2 多决策者 506 18.1.3 多智能体规划 507 18.1.4 多智能体规划：合作与协调 509 18.2 非合作博弈论 510 18.2.1 单步博弈：正则形式博弈 510 18.2.2 社会福利 513 18.2.3 重复博弈 517 18.2.4 序贯博弈：扩展形式 520 18.2.5 不确定收益与辅助博弈 525 18.3 合作博弈论 527 18.3.1 联盟结构与结果 528 18.3.2 合作博弈中的策略 529 18.3.3 合作博弈中的计算 531 18.4 制定集体决策 533 18.4.1 在合同网中分配任务 533 18.4.2 通过拍卖分配稀缺资源 535 18.4.3 投票 539 18.4.4 议价 541 小结 544 参考文献与历史注释 545 第五部分 机器学习 第 19 章 样例学习 550 19.1 学习的形式 550 19.2 监督学习 552 19.3 决策树学习 555 19.3.1 决策树的表达能力 556 19.3.2 从样例中学习决策树 557 19.3.3 选择测试属性 559 19.3.4 泛化与过拟合 560 19.3.5 拓展决策树的适用范围 562 19.4 模型选择与模型优化 563 19.4.1 模型选择 564 19.4.2 从错误率到损失函数 566 19.4.3 正则化 567 19.4.4 超参数调整 568 19.5 学习理论 569 19.6 线性回归与分类 572 19.6.1 单变量线性回归 572 19.6.2 梯度下降 574 19.6.3 多变量线性回归 575 19.6.4 带有硬阈值的线性分类器 577 19.6.5 基于逻辑斯谛回归的线性分类器 579 19.7 非参数模型 581 19.7.1 最近邻模型 581 19.7.2 使用 k-d 树寻找最近邻 583 19.7.3 局部敏感哈希 584 19.7.4 非参数回归 585 19.7.5 支持向量机 586 19.7.6 核技巧 589 19.8 集成学习 589 19.8.1 自助聚合法 590 19.8.2 随机森林法 590 19.8.3 堆叠法 591 19.8.4 自适应提升法 592 19.8.5 梯度提升法 594 19.8.6 在线学习 595 19.9 开发机器学习系统 596 19.9.1 问题形式化 596 19.9.2 数据收集、评估和管理 597 19.9.3 模型选择与训练 601 19.9.4 信任、可解释性、可说明性 601 19.9.5 操作、监控和维护 603 小结 604 参考文献与历史注释 605 第 20 章 概率模型学习 610 20.1 统计学习 610 20.2 完全数据学习 613 20.2.1 最大似然参数学习：离散模型 613 20.2.2 朴素贝叶斯模型 615 20.2.3 生成模型和判别模型 616 20.2.4 最大似然参数学习：连续模型 616 20.2.5 贝叶斯参数学习 618 20.2.6 贝叶斯线性回归 620 20.2.7 贝叶斯网络结构学习 622 20.2.8 非参数模型密度估计 623 20.3 隐变量学习：EM 算法 624 20.3.1 无监督聚类：学习混合高斯 625 20.3.2 学习带隐变量的贝叶斯网络参数值 627 20.3.3 学习隐马尔可夫模型 630 20.3.4 EM 算法的一般形式 630 20.3.5 学习带隐变量的贝叶斯网络结构 631 小结 632 参考文献与历史注释 632 第 21 章 深度学习 635 21.1 简单前馈网络 636 21.1.1 网络作为复杂函数 636 21.1.2 梯度与学习 639 21.2 深度学习的计算图 640 21.2.1 输入编码 641 21.2.2 输出层与损失函数 641 21.2.3 隐藏层 642 21.3 卷积网络 643 21.3.1 池化与下采样 646 21.3.2 卷积神经网络的张量运算 646 21.3.3 残差网络 647 21.4 学习算法 648 21.4.1 计算图中的梯度计算 649 21.4.2 批量归一化 650 21.5 泛化 650 21.5.1 选择正确的网络架构 651 21.5.2 神经架构搜索 652 21.5.3 权重衰减 653 21.5.4 暂退法 653 21.6 循环神经网络 654 21.6.1 训练基本的循环神经网络 655 21.6.2 长短期记忆 RNN 656 21.7 无监督学习与迁移学习 657 21.7.1 无监督学习 657 21.7.2 迁移学习和多任务学习 661 21.8 应用 662 21.8.1 视觉 662 21.8.2 自然语言处理 663 21.8.3 强化学习 663 小结 664 参考文献与历史注释 664 第 22 章 强化学习 668 22.1 从奖励中学习 668 22.2 被动强化学习 670 22.2.1 直接效用估计 671 22.2.2 自适应动态规划 671 22.2.3 时序差分学习 672 22.3 主动强化学习 674 22.3.1 探索 675 22.3.2 安全探索 677 22.3.3 时序差分 Q 学习 678 22.4 强化学习中的泛化 680 22.4.1 近似直接效用估计 680 22.4.2 近似时序差分学习 681 22.4.3 深度强化学习 682 22.4.4 奖励函数设计 683 22.4.5 分层强化学习 683 22.5 策略搜索 686 22.6 学徒学习与逆强化学习 688 22.7 强化学习的应用 690 22.7.1 在电子游戏中的应用 690 22.7.2 在机器人控制中的应用 691 小结 692 参考文献与历史注释 693 第六部分 沟通、感知和行动 第 23 章 自然语言处理 698 23.1 语言模型 698 23.1.1 词袋模型 699 23.1.2 n 元单词模型 700 23.1.3 其他 n 元模型 701 23.1.4 n 元模型的平滑 701 23.1.5 单词表示 702 23.1.6 词性标注 703 23.1.7 语言模型的比较 706 23.2 文法 707 23.3 句法分析 709 23.3.1 依存分析 711 23.3.2 从样例中学习句法分析器 712 23.4 扩展文法 713 23.4.1 语义解释 715 23.4.2 学习语义文法 717 23.5 真实自然语言的复杂性 717 23.6 自然语言任务 720 小结 722 参考文献与历史注释 722 第 24 章 自然语言处理中的深度学习 727 24.1 词嵌入 727 24.2 自然语言处理中的循环神经网络 730 24.2.1 使用循环神经网络的语言模型 730 24.2.2 用循环神经网络进行分类 732 24.2.3 自然语言处理任务中的 LSTM模型 733 24.3 序列到序列模型 733 24.3.1 注意力 735 24.3.2 解码 736 24.4 Transformer 架构 737 24.4.1 自注意力 737 24.4.2 从自注意力到 Transformer 738 24.5 预训练和迁移学习 739 24.5.1 预训练词嵌入 740 24.5.2 预训练上下文表示 741 24.5.3 掩码语言模型 742 24.6 最高水平（SOTA） 742 小结 745 参考文献与历史注释 745 第 25 章 计算机视觉 748 25.1 引言 748 25.2 图像形成 749 25.2.1 无透镜成像：针孔照相机 749 25.2.2 透镜系统 751 25.2.3 缩放正交投影 752 25.2.4 光线与明暗 752 25.2.5 颜色 753 25.3 简单图像特征 754 25.3.1 边缘 755 25.3.2 纹理 757 25.3.3 光流 758 25.3.4 自然图像分割 759 25.4 图像分类 760 25.4.1 基于卷积神经网络的图像分类 761 25.4.2 卷积神经网络对图像分类问题 有效的原因 762 25.5 物体检测 763 25.6 三维世界 766 25.6.1 多个视图下的三维线索 766 25.6.2 双目立体视觉 766 25.6.3 移动摄像机给出的三维线索 768 25.6.4 单个视图的三维线索 769 25.7 计算机视觉的应用 769 25.7.1 理解人类行为 770 25.7.2 匹配图片与文字 772 25.7.3 多视图重建 773 25.7.4 单视图中的几何 774 25.7.5 生成图片 775 25.7.6 利用视觉控制运动 778 小结 780 参考文献与历史注释 781 第 26 章 机器人学 785 26.1 机器人 785 26.2 机器人硬件 786 26.2.1 机器人的硬件层面分类 786 26.2.2 感知世界 787 26.2.3 产生运动 789 26.3 机器人学解决哪些问题 789 26.4 机器人感知 790 26.4.1 定位与地图构建 791 26.4.2 其他感知类型 795 26.4.3 机器人感知中的监督学习与无监督学习 795 26.5 规划与控制 796 26.5.1 构形空间 796 26.5.2 运动规划 799 26.5.3 轨迹跟踪控制 806 26.5.4 最优控制 809 26.6 规划不确定的运动 810 26.7 机器人学中的强化学习 812 26.7.1 利用模型 812 26.7.2 利用其他信息 813 26.8 人类与机器人 814 26.8.1 协调 814 26.8.2 学习做人类期望的事情 817 26.9 其他机器人框架 820 26.9.1 反应式控制器 820 26.9.2 包容架构 821 26.10 应用领域 822 小结 825 参考文献与历史注释 826 第七部分 总结 第 27 章 人工智能的哲学、伦理和安全性 832 27.1 人工智能的极限 832 27.1.1 由非形式化得出的论据 832 27.1.2 由能力缺陷得出的论据 833 27.1.3 数学异议 833 27.1.4 衡量人工智能 834 27.2 机器能真正地思考吗 835 27.2.1 中文房间 835 27.2.2 意识与感质 836 27.3 人工智能的伦理 836 27.3.1 致命性自主武器 837 27.3.2 监控、安全与隐私 839 27.3.3 公平与偏见 841 27.3.4 信任与透明度 844 27.3.5 工作前景 845 27.3.6 机器人权利 847 27.3.7 人工智能安全性 848 小结 851 参考文献与历史注释 852 第 28 章 人工智能的未来 857 28.1 人工智能组件 857 28.2 人工智能架构 862 附录 A 数学背景知识 865 附录 B 关于语言与算法的说明 871 参考文献 873

Stuart Russell，1986年进入加利福尼亚大学伯克利分校，任计算机科学系教授，曾担任系主任、人类兼容人工智能中心主任，也是史密斯–扎德（Smith-Zadeh）工程系讲席教授。1990年，获得了美国国家科学基金会（NSF）杰出青年科学家总统奖；1995年，成为计算机与思想奖的获奖人之一。美国人工智能协会（AAAI）、美国计算机协会（ACM）和美国科学促进协会的会士，牛津大学瓦德汉学院的荣誉院士和安德鲁·卡内基（Andrew Carnegie）院士。2012年到2014年，在巴黎担任布莱斯·帕斯卡（Blaise Pascal）主席。在人工智能领域发表了300多篇论文，涉及范围广泛。 Peter Norvig，曾任谷歌公司的研究总监、核心网络搜索算法的负责人。曾与他人合作共同教授了一门有16万名学生注册的在线人工智能课程，帮助开启了当下的大规模在线公开课程的大幕。曾担任美国宇航局艾姆斯研究中心计算科学部的负责人，负责人工智能和机器人学的研究和开发。曾任南加利福尼亚大学的教授和加利福尼亚大学伯克利分校、斯坦福大学的教师。美国人工智能协会和美国计算机协会的会士，以及美国艺术与科学院和加利福尼亚科学院的院士。 两位作者共同获得了2016年首届AAAI/EAAI杰出教育家奖。

暂无其它内容！

• 人工智能领域的圣经

  来源：豆瓣 发布时间：2025-05-04 17:14:03

• 原版的20章KNOWLEDGE IN LEARNING为什么直接删掉了？

  来源：豆瓣 发布时间：2025-05-04 17:14:03

• 关于大热的生成式AI的一些想法（会续更）

  来源：豆瓣 发布时间：2025-05-04 17:14:03

• 伊甸园的禁果

  来源：豆瓣 发布时间：2025-05-04 17:14:03

• 最好的7个AI模特换装软件

  来源：豆瓣 发布时间：2025-05-04 17:14:03