人工智能：复杂问题求解的结构和策略（原书第4版）
点击看大图基本信息
内容简介回到顶部↑
本书是一本畅销的人工智能教材，它彻底和全面地阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法，把人工智能的应用程序应用于实际环境中，并从社会和哲学角度出发对人工智能进行了独特的讨论。新版中增加了“智能主体”的问题解决方法、强化学习、贝叶斯推理技术等最新的内容。
本书是高等院校计算机教学中最理想的人工智能教材；同时，它也是人工智能领域的研究者或者那些想了解和应用当前人工智能技术的从业者的一本宝贵的专业参考著作。
人工智能(ai)最开始的动机是想创造不仅能够独立思考，而且可能超越人类的机器：计算的最高级目标。在过去的很多年里，人工智能在探索智能机制的同时，在更广泛的实际领域取得了应用，人工智能使用不同的策略解决了很多在应用计算机技术时出现的复杂的实际问题、众所周知，智能本身是非常复杂的，难以用单一的理论来描述，因此，产生了一系列的理论从不同的抽象层次刻画这个主题。在最低层次，神经网络、遗传算法以及其他形式的理论可辅助理解适应性原理、感知机制以及与物理世界的交互机制。在更加抽象的层次，专家系统的设计、智能主体、随机模型以及自然语言理解程序反映了知识在智能中的角色和创建、传递、保持知识的社会过程、更深一层，逻辑学家提出了演绎、反绎、归纳、真值维护以及其他的推理模型和方式。
在最新的第4版中，george f．luger阐述复杂问题求解结构和策略的所有这些层次的理论，同时，他还指出智能研究本身的令人兴奋之处，并演示怎样使用不同的软件工具和技术去解决计算机科学家面临的复杂问题。
本书特点
●彻底和全面阐述人工智能理论的方方面面
●将求解智能问题所需的理论基础与实际实现所需的数据结构和算法相结合
●兼顾了lisp和prolog语言
●把人工智能的应用程序应用于实际环境中
●对人工智能中社会和哲学问题的独特讨论第4版的更新内容
●加入了更加“基于智能主体”的问题解决方法
●增加了强化学习的新资料
●改善了基于贝叶斯推理技术这一章，加入了信念网络
●来自nasa空间项目的基于模型的推理和规划实例
●自然语言理解的新内容
●从哲学、心理学以及神经生理学角度对人工智能努力所做的评价
本书是经典的人工智能教材，适合一到两个学期使用，被宾夕法尼亚大学、密歇根大学、加州理工大学等众多高校选用。同时．本书也是人工智能领域的研究者或者想了解和应用当前人工智能技术的专业人员的优秀参考书。
人工智能(ai)最开始的动机是想创造不仅能够独立思考，而且可能超越人类的机器：计算的最高级目标。在过去的很多年里，人工智能在探索智能机制的同时，在更广泛的实际领域取得了应用，人工智能使用不同的策略解决了很多在应用计算机技术时出现的复杂的实际问题、众所周知，智能本身是非常复杂的，难以用单一的理论来描述，因此，产生了一系列的理论从不同的抽象层次刻画这个主题。在最低层次，神经网络、遗传算法以及其他形式的理论可辅助理解适应性原理、感知机制以及与物理世界的交互机制。在更加抽象的层次，专家系统的设计、智能主体、随机模型以及自然语言理解程序反映了知识在智能中的角色和创建、传递、保持知识的社会过程、更深一层，逻辑学家提出了演绎、反绎、归纳、真值维护以及其他的推理模型和方式。
在最新的第4版中，george f．luger阐述复杂问题求解结构和策略的所有这些层次的理论，同时，他还指出智能研究本身的令人兴奋之处，并演示怎样使用不同的软件工具和技术去解决计算机科学家面临的复杂问题。
本书特点
●彻底和全面阐述人工智能理论的方方面面
●将求解智能问题所需的理论基础与实际实现所需的数据结构和算法相结合
●兼顾了lisp和prolog语言
●把人工智能的应用程序应用于实际环境中
●对人工智能中社会和哲学问题的独特讨论第4版的更新内容
●加入了更加“基于智能主体”的问题解决方法
●增加了强化学习的新资料
●改善了基于贝叶斯推理技术这一章，加入了信念网络
●来自nasa空间项目的基于模型的推理和规划实例
●自然语言理解的新内容
●从哲学、心理学以及神经生理学角度对人工智能努力所做的评价
本书是经典的人工智能教材，适合一到两个学期使用，被宾夕法尼亚大学、密歇根大学、加州理工大学等众多高校选用。同时．本书也是人工智能领域的研究者或者想了解和应用当前人工智能技术的专业人员的优秀参考书。
作译者回到顶部↑
本书提供作译者介绍
George F.Luger 1973年在宾夕法尼亚大学获得博士学位 在其后的五年，他在爱丁堡大学人工智能系从事博士后研究工作，他现在是新墨西哥大学的计算机科学、语言学以及心理学教授、他的研究兴趣、课程
信息以及发表的论文可从以下网址找到：http：//www．cs．unm．edu/luger/
.. << 查看详细
信息以及发表的论文可从以下网址找到：http：//www．cs．unm．edu/luger/
.. << 查看详细
目录回到顶部↑
第一部分 人工智能的渊源及范围
第1章 人工智能的历史及应用
1．1 从伊甸园到第一台电子计算机：对智慧、知识和人类技能的态度
1．1．1 历史基础
1．1．2 逻辑的发展
1．1．3 图灵测试
1．1．4 智能的生物和社会模型：主体
1．2 人工智能的应用领域
1．2．1 博弈
1．2．2 自动推理和定理证明
1．2．3 专家系统
1．2．4 自然语言理解和语义建模
1．2．5 对人类表现建模
1．2．6 规划和机器人
1．2．7 人工智能的语言和环境
1．2．8 机器学习
1．2．9 另类表示：神经网络和遗传算法
1．2．10 ai和哲学
1．3 人工智能的概括
1．4 结语和参考文献
第1章 人工智能的历史及应用
1．1 从伊甸园到第一台电子计算机：对智慧、知识和人类技能的态度
1．1．1 历史基础
1．1．2 逻辑的发展
1．1．3 图灵测试
1．1．4 智能的生物和社会模型：主体
1．2 人工智能的应用领域
1．2．1 博弈
1．2．2 自动推理和定理证明
1．2．3 专家系统
1．2．4 自然语言理解和语义建模
1．2．5 对人类表现建模
1．2．6 规划和机器人
1．2．7 人工智能的语言和环境
1．2．8 机器学习
1．2．9 另类表示：神经网络和遗传算法
1．2．10 ai和哲学
1．3 人工智能的概括
1．4 结语和参考文献
译者序回到顶部↑
人工智能(AI)最开始的动机是想创造一种机器，它不仅能够思考，而且还有可能和人类交流：计算的最高级目标。在过去的很多年里，人工智能在探索智能机制的同时，在更广泛的实际领域取得了应用。人工智能使用不同的策略解决了很多在应用计算机技术时出现的复杂的实际问题。众所周知，智能本身是非常复杂的，难以用单一的理论来描述，因此，产生了一系列的理论从不同的抽象层次刻画这个主题。在最低层次，神经网络、遗传算法以及其他形式的理论可辅助理解适应性原理、感知机制以及与物理世界的交互机制。在更加抽象的层次，专家系统的设计、智能主体、随机模型以及自然语言理解程序反映了知识在智能中的角色和创建、传递、保持知识的社会过程。更深一层，逻辑学家提出了演绎、反绎、归纳、真值维护以及其他的推理模型和方式。
在第4版中，George F．Luger阐述了复杂问题求解结构和策略的所有这些层次的理论，同时，他还指出了智能研究本身的令人兴奋之处。他也演示了怎样使用不同的软件工具和技术去解决计算机科学家面临的复杂问题。
这本畅销教材的主要特点是：
．彻底和全面阐述人工智能的基础理论
．有效结合了求解智能问题的数据结构以及实现的算法
．用LISP和PROLOG语言编写的实例程序
．把人工智能的应用程序应用于实际环境中
．从社会和哲学角度出发的对人工智能的独特讨论
另外，第4版的更新内容还包括：
．结合更加“基于智能主体”的问题解决方法
．强化学习的新资料
．改善了基于贝叶斯推理技术这一章，加入了信念网络
．从NASA空间程序得到的基于模型的推理和规划实例
．自然语言理解的最新内容
．从哲学、心理学以及神经生理学角度对人工智能努力所做的评价
本书包括16章。第1章简单介绍人工智能，从哲学、心理学和其他研究领域中试图了解头脑和智能的简要历史开始，为后面的理论和应用提供背景知识和动机。第2、3、4、5章(第二部分)介绍AI问题求解的研究工具。包括用谓词演算语言描述问题领域的本质特征(第2章)，用搜索对这些描述进行推理(第3章)以及实现搜索用到的算法和数据结构。在第4、5章，讨论启发式在聚焦和约束基于搜索的问题求解中所起的基本作用。还介绍了构建这些搜索算法所需的许多结构，包括黑板和产生式系统。第6、7、8章构成本书的第三部分：AI和知识密集型问题求解的表示法。在第6章，介绍AI表示法框架的发展历程。从对语义网及其包含概念依赖理论、框架和脚本的扩展的讨论开始，然后介绍一种特别的形式化工具——概念图的深入检验，强调了知识表示中包含的认识论问题，并且说明了这些问题是如何在现代表示语言中研究的。第7章介绍基于规则的专家系统以及基于范例和基于模型的推理系统，包括NASA空间项目中的例子。第8章介绍用不确定信息和不可靠信息推理的模型，包括贝叶斯模型、信念网络、Dempster-Shafer、因果模型以及Stanford确信度代数。第四部分，从第9章到第11章，提供机器学习中问题的扩充说明。在第9章，对基于符号的学习算法进行了详细的介绍，这是一个硕果累累的研究领域，产生了大量的问题和解决方法。这些学习算法在目标、训练数据、学习策略和使用的知识表示法上各不相同。基于符号的学习包括归纳、概念学习、变型空间搜索和ID3。归纳偏置的作用也要考虑，即从数据模式中泛化，同时还要考虑基于解释的学习中有效利用知识从单个事例中学习。分类学习(或者说概念聚类)与无监督学习一起介绍。强化学习，即把来自环境的反馈结合到决策策略中的能力，结束本章。在第10章，介绍神经网络，经常被称为学习的子符号或连接主义模型。在神经网络中，信息隐含在一个连接的处理机集合的组织和权重中，学习包括结点权重和系统结构的重新排列和修改。作者介绍了许多连接结构，包括感知器学习、反传和逆传。作者展示了Kohonen、Grossberg和Hebbian网络模型。作者介绍了联想学习和吸引子模型，包括Hopfidd网络。学习的遗传算法和进化方法在第11章介绍。从这个观点来看，学习被看成是一个涌现和适应过程。第五部分(第12和13章)继续介绍重要的AI应用领域。定理证明(常常被称为自动推理)是AI研究最早的领域
之一。在第12章，讨论这一领域中最早的程序，包括逻辑理论家和通用问题求解器。第13章介绍自然语言理解。第六部分介绍LISP和PROLOG。第14章是PROLOG，第15章是LISP。最后，第16章作为本书的结束语。
本书翻译由史忠植负责。张银奎翻译本书第1章至第7章。周谦翻译第8章和第9章。李清勇翻译第10章和第11章。赵志昆翻译第13章和索引。蒋运承翻译第14章。张海俊翻译第15章。董明楷翻译第16章。史忠植审校了全部译稿。
本书是适用于高等院校计算机、自动化、电子等专业作为一个或者两个学期用的最理想的人工智能教材。也可供相关学科的一年级的研究生参考。同时，本书也是人工智能领域的研究者或者那些想了解和应用当前人工智能技术的工作人员的一本宝贵的参考资料。
史忠植
在第4版中，George F．Luger阐述了复杂问题求解结构和策略的所有这些层次的理论，同时，他还指出了智能研究本身的令人兴奋之处。他也演示了怎样使用不同的软件工具和技术去解决计算机科学家面临的复杂问题。
这本畅销教材的主要特点是：
．彻底和全面阐述人工智能的基础理论
．有效结合了求解智能问题的数据结构以及实现的算法
．用LISP和PROLOG语言编写的实例程序
．把人工智能的应用程序应用于实际环境中
．从社会和哲学角度出发的对人工智能的独特讨论
另外，第4版的更新内容还包括：
．结合更加“基于智能主体”的问题解决方法
．强化学习的新资料
．改善了基于贝叶斯推理技术这一章，加入了信念网络
．从NASA空间程序得到的基于模型的推理和规划实例
．自然语言理解的最新内容
．从哲学、心理学以及神经生理学角度对人工智能努力所做的评价
本书包括16章。第1章简单介绍人工智能，从哲学、心理学和其他研究领域中试图了解头脑和智能的简要历史开始，为后面的理论和应用提供背景知识和动机。第2、3、4、5章(第二部分)介绍AI问题求解的研究工具。包括用谓词演算语言描述问题领域的本质特征(第2章)，用搜索对这些描述进行推理(第3章)以及实现搜索用到的算法和数据结构。在第4、5章，讨论启发式在聚焦和约束基于搜索的问题求解中所起的基本作用。还介绍了构建这些搜索算法所需的许多结构，包括黑板和产生式系统。第6、7、8章构成本书的第三部分：AI和知识密集型问题求解的表示法。在第6章，介绍AI表示法框架的发展历程。从对语义网及其包含概念依赖理论、框架和脚本的扩展的讨论开始，然后介绍一种特别的形式化工具——概念图的深入检验，强调了知识表示中包含的认识论问题，并且说明了这些问题是如何在现代表示语言中研究的。第7章介绍基于规则的专家系统以及基于范例和基于模型的推理系统，包括NASA空间项目中的例子。第8章介绍用不确定信息和不可靠信息推理的模型，包括贝叶斯模型、信念网络、Dempster-Shafer、因果模型以及Stanford确信度代数。第四部分，从第9章到第11章，提供机器学习中问题的扩充说明。在第9章，对基于符号的学习算法进行了详细的介绍，这是一个硕果累累的研究领域，产生了大量的问题和解决方法。这些学习算法在目标、训练数据、学习策略和使用的知识表示法上各不相同。基于符号的学习包括归纳、概念学习、变型空间搜索和ID3。归纳偏置的作用也要考虑，即从数据模式中泛化，同时还要考虑基于解释的学习中有效利用知识从单个事例中学习。分类学习(或者说概念聚类)与无监督学习一起介绍。强化学习，即把来自环境的反馈结合到决策策略中的能力，结束本章。在第10章，介绍神经网络，经常被称为学习的子符号或连接主义模型。在神经网络中，信息隐含在一个连接的处理机集合的组织和权重中，学习包括结点权重和系统结构的重新排列和修改。作者介绍了许多连接结构，包括感知器学习、反传和逆传。作者展示了Kohonen、Grossberg和Hebbian网络模型。作者介绍了联想学习和吸引子模型，包括Hopfidd网络。学习的遗传算法和进化方法在第11章介绍。从这个观点来看，学习被看成是一个涌现和适应过程。第五部分(第12和13章)继续介绍重要的AI应用领域。定理证明(常常被称为自动推理)是AI研究最早的领域
之一。在第12章，讨论这一领域中最早的程序，包括逻辑理论家和通用问题求解器。第13章介绍自然语言理解。第六部分介绍LISP和PROLOG。第14章是PROLOG，第15章是LISP。最后，第16章作为本书的结束语。
本书翻译由史忠植负责。张银奎翻译本书第1章至第7章。周谦翻译第8章和第9章。李清勇翻译第10章和第11章。赵志昆翻译第13章和索引。蒋运承翻译第14章。张海俊翻译第15章。董明楷翻译第16章。史忠植审校了全部译稿。
本书是适用于高等院校计算机、自动化、电子等专业作为一个或者两个学期用的最理想的人工智能教材。也可供相关学科的一年级的研究生参考。同时，本书也是人工智能领域的研究者或者那些想了解和应用当前人工智能技术的工作人员的一本宝贵的参考资料。
史忠植
前言回到顶部↑
我很高兴被邀请写作我们这本“人工智能”课本的第4版。这是对之前十多年来几个版本的褒奖，说明我们获取AI的方法被广泛接受。同样令人兴奋的是，随着人工智能领域出现新的发展，我们能够在每个新版本中呈现这些新发展和新技术。我们感谢读者、同事和学生使我们能够使相关的主题和说明保持最新。
上一版中的许多章节在现今仍然具有很好的适用性，包括对逻辑、搜索算法、知识表示、产生式系统、机器学习以及用LISP和PROLOG开发的编程技术的介绍。这些部分仍然是人工智能实践的重点；只需要相对较少的精力来更新。然而，有几个章节需要大量改写，包括自然语言理解、强化学习和不确定推理。其他一些主题(如涌现计算、基于案例的推理和基于模型的问题求解)在前几版中写得有些仓促，现在也发展成为比较重要的主题，值得更加全面地讨论。
随着写作计划范围的扩大，我们得到了很多人的支持，包括出版商、编辑、朋友、同事，尤其是广大读者，他们赋予了我们的工作这样长久而又有意义的生命力。能得到这样的机会，我们很兴奋：科学家们很少会被鼓励从他们自己狭窄的研究兴趣出发来检视和绘制所选领域的巨大轮廓。
我们的出版商和读者却让我们这样做。我们对他们为我们提供了这样的机会表示感谢。
虽然人工智能和大多数工程定律一样，必须通过为实际问题提供解决方案来证明自己对商业世界的价值，但是我们和许多同事和同学却以相同的原因进入AI领域：我们想要理解和探索能够进行智能思考和动作的头脑的工作机制。我们避免使用“智能是人类的特有能力”这样粗浅的说法，而是相信我们能够通过设计和评估人工智能产物来有效地研究潜在智能的空间。虽然我们事业的进程不能引起这些约定的改变，但是我们在这项事业的广度、深度和创新性方面都达到了更高的程度。在前面版本的前言中，我们概括了三点主张，我们相信坚持这三点主张可以使我们的方法在人工智能教学过程中取得卓越的成效。在这本第4版的前言中，自然要回到这些主题看看它们是如何随着领域发展而延续的。
第一点主张是“通过详细讨论人工智能的理论基础统一不同的分支”。在我们采纳这点主张时，主要问题似乎是协调两种研究者，一种着重于对人工智能进行仔细陈述和形式化理论分析(整洁派)，另一种相信智能本身是某种豪华的工具并且能够用应用驱动的特定方法获得(杂乱派)。事实证明，这种简单的二分法过于简单。在当代的AI中，整洁派和杂乱派之间的争论已经让位于物理符号系统支持者和神经网络研究者、逻辑学家和非逻辑方式进化人工生命形式的设计者、专家系统建造者和基于案例的推理者以及相信人工智能已经获得的人和认为人工智能永远无法获得的人之间的许多争论。AI是一门前沿科学，在这里，离经叛道者、探索者、极端预言家和其他梦想家被形式主义和经验主义慢慢驯服。我们最初的这种印象现在让位于一个不同的比喻：在一个巨大、无秩序但通常和平的城市里，有秩序的中产阶级邻居从不同的、混乱的、狂放不羁的地区来此谋生。在我们致力于写作本书不同版本的几年中，一幅关于智能结构的引人注目的图画开始从城市的结构、艺术和工业中显现出来。
智能太复杂了，不可能用任何单一的理论来描述；研究者正在构建一个从多个抽象层次上；刻画智能的理论层次结构。在最下层，神经网络、遗传算法和其他形式的涌现计算使我们能理：解所有形式的智能行为之下必然隐含的适应、感知、表现和与物质世界交互的过程。通过某些仍然只是部分理解的归结，这个由盲目原始的参与者构成的混乱群体引出了逻辑推理的更冷静模式。在这个更高的层次上，逻辑学家在亚里士多德贡献的基础上，描绘演绎、反绎、归纳、真值维护和推理的无数其他方式和方法。在更高层抽象上，专家系统、智能主体和自然语言理解程序的设计者渐渐认识到社会过程在产生、传播和维持知识方面所起的作用。在这本第4
版中，我们提到了这个层次结构中的所有层次。
我们在前面版本中提出的第二点主张是在AI方法学中，“高级表示形式和搜索技术”占有中心位置。这可能是我们前面版本以及AI许多早期工作中最有争议的方面，许多涌现计算的研究者质疑符号推理和指称语义在思考中是否有作用。虽然为事物给定名字的表示法思想受到了神经网络或人工生命的涌现模式提供的隐含表示法的挑战，但我们相信对表示法和搜索的理解对任何严肃的人工智能研究者仍然是基本的。更重要的是，我们觉得通过对表示法和搜索的研究所获得的技能是分析非符号人工智能的无价工具，如分析神经网络的表达能
力或者通过遗传算法的适应度范围计算候选人问题解决方案的级数。第16章中对现代AI的不同方法进行了比较、对照和评论。
我们在本书前面版本中提出的第三点主张也没有改变，那就是“将人工智能放到经验科学的上下文中”。引用第3版的前言，我们将继续相信AI不是
……对科学传统的某种奇怪的偏离，而……是对关于智能知识的寻求和对智能本身的理解的一部分。另
外，我们的AI编程工具，连同研究的程序设计方法学一起……对探究外界环境都是完美的。我们的工具提
供了一种理解和质疑的方法。我们用逐次近似来建设性地察觉和了解自然现象。
这样我们将每个设计和程序都看成是对自然的一个试验：我们提出一个表示，想出一个搜索算法，然后质
疑我们的描述是否能够适当地说明部分智能现象。自然世界给我们的疑问一个回答。我们的试验可能会被
拆解、修订、扩充，然后再次运行。我们的模型可能被精炼，而我们的理解范围也进一步扩大了。
本版的新内容
我，George Luger，是第4版惟一的署名作者。尽管Bill Stubblefield转到了新的计算领域去面对新的挑战，但是他的印记将继续保留在本版以及本书的所有后续版本中。实际上，这本书是我在新墨西哥大学任计算机科学教授时完成的，这里面也有同事、研究生和新墨西哥大学人工智能学会的朋友们的努力，还有许多读者用电子邮件寄来评论、修正和建议。本书还将沿续这种方式进行修订，并且为了反映学会所做的工作，我将继续使用“我们”这个代词。
我们修订了本书的许多部分以便反映基于主体的问题求解作为AI技术的一种方法变得越来越重要。在AI基础的讨论中，我们认识到智能是实体的表现，并且处于自然世界和社会世界的上下文中。为体现这一点，我们在第6章介绍AI表示法的演变过程，从关联的和早期基于逻辑的方法，经过弱和强方法(包括连接法和进化／涌现模型)，到情景的和社会的方法。
上一版中的许多章节在现今仍然具有很好的适用性，包括对逻辑、搜索算法、知识表示、产生式系统、机器学习以及用LISP和PROLOG开发的编程技术的介绍。这些部分仍然是人工智能实践的重点；只需要相对较少的精力来更新。然而，有几个章节需要大量改写，包括自然语言理解、强化学习和不确定推理。其他一些主题(如涌现计算、基于案例的推理和基于模型的问题求解)在前几版中写得有些仓促，现在也发展成为比较重要的主题，值得更加全面地讨论。
随着写作计划范围的扩大，我们得到了很多人的支持，包括出版商、编辑、朋友、同事，尤其是广大读者，他们赋予了我们的工作这样长久而又有意义的生命力。能得到这样的机会，我们很兴奋：科学家们很少会被鼓励从他们自己狭窄的研究兴趣出发来检视和绘制所选领域的巨大轮廓。
我们的出版商和读者却让我们这样做。我们对他们为我们提供了这样的机会表示感谢。
虽然人工智能和大多数工程定律一样，必须通过为实际问题提供解决方案来证明自己对商业世界的价值，但是我们和许多同事和同学却以相同的原因进入AI领域：我们想要理解和探索能够进行智能思考和动作的头脑的工作机制。我们避免使用“智能是人类的特有能力”这样粗浅的说法，而是相信我们能够通过设计和评估人工智能产物来有效地研究潜在智能的空间。虽然我们事业的进程不能引起这些约定的改变，但是我们在这项事业的广度、深度和创新性方面都达到了更高的程度。在前面版本的前言中，我们概括了三点主张，我们相信坚持这三点主张可以使我们的方法在人工智能教学过程中取得卓越的成效。在这本第4版的前言中，自然要回到这些主题看看它们是如何随着领域发展而延续的。
第一点主张是“通过详细讨论人工智能的理论基础统一不同的分支”。在我们采纳这点主张时，主要问题似乎是协调两种研究者，一种着重于对人工智能进行仔细陈述和形式化理论分析(整洁派)，另一种相信智能本身是某种豪华的工具并且能够用应用驱动的特定方法获得(杂乱派)。事实证明，这种简单的二分法过于简单。在当代的AI中，整洁派和杂乱派之间的争论已经让位于物理符号系统支持者和神经网络研究者、逻辑学家和非逻辑方式进化人工生命形式的设计者、专家系统建造者和基于案例的推理者以及相信人工智能已经获得的人和认为人工智能永远无法获得的人之间的许多争论。AI是一门前沿科学，在这里，离经叛道者、探索者、极端预言家和其他梦想家被形式主义和经验主义慢慢驯服。我们最初的这种印象现在让位于一个不同的比喻：在一个巨大、无秩序但通常和平的城市里，有秩序的中产阶级邻居从不同的、混乱的、狂放不羁的地区来此谋生。在我们致力于写作本书不同版本的几年中，一幅关于智能结构的引人注目的图画开始从城市的结构、艺术和工业中显现出来。
智能太复杂了，不可能用任何单一的理论来描述；研究者正在构建一个从多个抽象层次上；刻画智能的理论层次结构。在最下层，神经网络、遗传算法和其他形式的涌现计算使我们能理：解所有形式的智能行为之下必然隐含的适应、感知、表现和与物质世界交互的过程。通过某些仍然只是部分理解的归结，这个由盲目原始的参与者构成的混乱群体引出了逻辑推理的更冷静模式。在这个更高的层次上，逻辑学家在亚里士多德贡献的基础上，描绘演绎、反绎、归纳、真值维护和推理的无数其他方式和方法。在更高层抽象上，专家系统、智能主体和自然语言理解程序的设计者渐渐认识到社会过程在产生、传播和维持知识方面所起的作用。在这本第4
版中，我们提到了这个层次结构中的所有层次。
我们在前面版本中提出的第二点主张是在AI方法学中，“高级表示形式和搜索技术”占有中心位置。这可能是我们前面版本以及AI许多早期工作中最有争议的方面，许多涌现计算的研究者质疑符号推理和指称语义在思考中是否有作用。虽然为事物给定名字的表示法思想受到了神经网络或人工生命的涌现模式提供的隐含表示法的挑战，但我们相信对表示法和搜索的理解对任何严肃的人工智能研究者仍然是基本的。更重要的是，我们觉得通过对表示法和搜索的研究所获得的技能是分析非符号人工智能的无价工具，如分析神经网络的表达能
力或者通过遗传算法的适应度范围计算候选人问题解决方案的级数。第16章中对现代AI的不同方法进行了比较、对照和评论。
我们在本书前面版本中提出的第三点主张也没有改变，那就是“将人工智能放到经验科学的上下文中”。引用第3版的前言，我们将继续相信AI不是
……对科学传统的某种奇怪的偏离，而……是对关于智能知识的寻求和对智能本身的理解的一部分。另
外，我们的AI编程工具，连同研究的程序设计方法学一起……对探究外界环境都是完美的。我们的工具提
供了一种理解和质疑的方法。我们用逐次近似来建设性地察觉和了解自然现象。
这样我们将每个设计和程序都看成是对自然的一个试验：我们提出一个表示，想出一个搜索算法，然后质
疑我们的描述是否能够适当地说明部分智能现象。自然世界给我们的疑问一个回答。我们的试验可能会被
拆解、修订、扩充，然后再次运行。我们的模型可能被精炼，而我们的理解范围也进一步扩大了。
本版的新内容
我，George Luger，是第4版惟一的署名作者。尽管Bill Stubblefield转到了新的计算领域去面对新的挑战，但是他的印记将继续保留在本版以及本书的所有后续版本中。实际上，这本书是我在新墨西哥大学任计算机科学教授时完成的，这里面也有同事、研究生和新墨西哥大学人工智能学会的朋友们的努力，还有许多读者用电子邮件寄来评论、修正和建议。本书还将沿续这种方式进行修订，并且为了反映学会所做的工作，我将继续使用“我们”这个代词。
我们修订了本书的许多部分以便反映基于主体的问题求解作为AI技术的一种方法变得越来越重要。在AI基础的讨论中，我们认识到智能是实体的表现，并且处于自然世界和社会世界的上下文中。为体现这一点，我们在第6章介绍AI表示法的演变过程，从关联的和早期基于逻辑的方法，经过弱和强方法(包括连接法和进化／涌现模型)，到情景的和社会的方法。
加载中...
