Stuart Russell & Peter Norvig：artificial Intelligence——a Modern Approach@2009 (第3版)

根據提供的文本，本書的主要論點及其詳細解釋如下：

1. AI 的定義與核心目標：理性代理人方法

本書的核心思想之一是將人工智慧（AI）定義為研究和構建能夠感知環境並採取行動的代理人。作者明確採用了「行動理性」的定義方法，即AI旨在構建能夠採取最佳行動以達到預期結果的系統。這與其他可能的定義（如「像人一樣思考」、「像人一樣行動」或「理性思考」）有所區別。

• 詳細解釋： 作者認為，衡量一個AI系統成功的標準應該是其行為的「理性」程度，而非其行為與人類行為的相似程度。一個理性代理人是指在給定的感知序列和內建知識下，能夠選擇能最大化其效能度量的行動的代理人。效能度量是評估環境狀態序列好壞的標準。效能度量應根據期望的環境結果來設計，而不是根據代理人應如何行為來設計。這種理性代理人方法具有優勢，因為「理性」的標準是數學上明確且普遍的，有利於科學發展和設計出可證明能達到目標的代理人。雖然在複雜環境中實現「完美理性」計算上不可行，但將其作為分析的起點可以簡化問題並提供基礎框架。學習對於理性代理人至關重要，因為它使代理人能夠應對未知環境，並從經驗中學習以優化其行為，從而達到一定程度的自主性。

2. AI 的跨學科基礎與演進歷程

AI 不是一個孤立的學科，而是融合了哲學、數學、經濟學、神經科學、心理學、電腦工程、控制理論和語言學等多個領域的思想、觀點和技術。這種跨學科的根基塑造了AI的不同研究方法和歷程。

• 詳細解釋：

  • 哲學： 提出了心靈是否能像機器一樣運作、知識從何而來以及如何引導行動等基本問題，為AI奠定了概念基礎。
  • 數學： 提供了處理邏輯、計算（可計算性與可處理性）和不確定性（機率論）所需的 formal tools，是AI嚴謹性的來源。
  • 經濟學： 形式化了在不確定下做決策以最大化收益的問題（決策理論）以及多代理人互動下的決策問題（賽局理論），為理性代理人的行為提供了數學框架。
  • 神經科學： 研究大腦如何處理信息，儘管離完全理解尚遠，但關於神經元工作原理和腦區功能的發現啟發了類神經網路等計算模型。
  • 心理學： 將人類和動物視為信息處理機器，認知心理學的興起尤其促進了AI對心靈計算模型的探索。
  • 電腦工程： 提供了實現AI算法所需的硬體基礎，計算能力的指數級增長是AI應用得以實現的關鍵。
  • 控制理論與控制論： 關注設計能夠根據環境反饋自主運作的系統，這與AI的目標高度契合，儘管兩者在早期使用了不同的數學工具。
  • 語言學： 研究語言的結構和意義，特別是喬姆斯基的工作，促進了自然語言處理和知識表示的發展。

  AI 的歷史大致可分為幾個階段：孕育期（1943-1955）、誕生期（1956，達特茅斯會議）、早期熱情與高預期（1952-1969）、現實考驗與低谷（1966-1973）、知識型系統崛起（1969-1979）、AI 成為產業（1980-1988）、類神經網路回歸（1986-至今）、AI 採用科學方法（1987-至今）、智能代理人出現（1995-至今）以及大數據時代的來臨（2001-至今）。每個階段都有其標誌性的成果和挑戰，例如早期簡單規則系統在複雜問題上的失敗、知識型系統的成功、通用方法的侷限性、機率和學習方法的復興以及大數據對學習算法的影響。

3. 智能代理人的結構與核心組件

理性的代理人通過感知環境並執行行動來實現其行為。代理人功能將感知序列映射到行動，而代理人程序實現這一功能。本書探討了幾種基本的代理人程序設計，反映了它們用於決策的信息類型和方式：

• 詳細解釋：

  • 簡單反射代理人（Simple reflex agents）： 根據當前感知直接選擇行動，忽略感知歷史。它們簡單高效，但在部分可觀察環境中容易失敗。
  • 基於模型的反射代理人（Model-based reflex agents）： 通過維護內部狀態來追蹤世界中不可觀察的部分。它們使用世界如何演變和行動如何影響世界的模型來更新內部狀態。
  • 基於目標的代理人（Goal-based agents）： 考慮行動序列的未來結果，選擇能達到目標的行動。需要關於世界狀態、行動效果以及目標狀態的信息。
  • 基於效用的代理人（Utility-based agents）： 當目標不足以確定最佳行動時，使用效用函數來衡量狀態的好壞，選擇能最大化期望效用的行動。適用於存在不確定性或多個衝突目標的場景。
  • 學習代理人（Learning agents）： 包含一個「學習元素」來改進代理人的其他組件，一個「效能元素」負責行動選擇，一個「評論員」提供反饋，以及一個「問題生成器」探索新的行動來發現改進策略。學習使代理人能自主應對未知環境，提高效能。

  這些代理人程序使用不同的表示法來描述世界狀態：原子表示法（狀態是不可分割的）、分解表示法（狀態是屬性/值對的集合）和結構化表示法（狀態包含對象及它們之間的關係）。表示法的選擇影響了可用的算法和問題的可處理性。

4. AI 的現狀與未來方向

AI 已經在許多領域取得了顯著的實際成功，例如無人駕駛車輛、語音識別、自動規劃與排程、垃圾郵件過濾、機器翻譯等。這些應用表明AI技術已經深入現實世界的基礎設施。

• 詳細解釋： 作者提到，儘管取得了這些成功，一些AI的創始人對目前的進展並不完全滿意，他們呼籲回歸追求「類人水平」的AI，即能夠真正思考、學習和創造的通用智能，而不是專注於特定任務的提高。這一點促使了「通用人工智能」（AGI）等子領域的出現。未來的方向可能包括繼續探索通用的學習和行動算法，特別是在大數據的幫助下，學習方法可能成為解決「知識瓶頸」的關鍵。同時，也需要認真考慮人工智能發展的潛在風險和倫理問題，確保創造出「友好」的AI。

總之，本書圍繞「理性代理人」這一核心概念，系統地介紹了AI各個子領域的理論、算法和應用，強調了跨學科基礎、表示法和學習的重要性，並展望了AI的未來發展方向及其潛在的影響。