人工智能：現代方法（第4版）（上下冊）






	購買中國簡體書籍請注意： 1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。


	目錄第一部分人工智慧基礎第 1 章緒論 2 1.1 什麼是人工智慧 2 1.1.1 類人行為：圖靈測試方法 3 1.1.2 類人思考：認知建模方法 3 1.1.3 理性思考：“思維法則”方法 4 1.1.4 理性行為：理性智慧體方法 4 1.1.5 益機 5 1.2 人工智慧的基礎 6 1.2.1 哲學 6 1.2.2 數學 8 1.2.3 經濟學 9 1.2.4 神經科學 10 1.2.5 心理學 12 1.2.6 計算機工程 13 1.2.7 控制理論與控制論 14 1.2.8 語言學 15 1.3 人工智慧的歷史 16 1.3.1 人工智慧的誕生（1943—1956） 16 1.3.2 早期熱情高漲，期望無限（1952—1969） 17 1.3.3 一些現實（1966—1973） 19 1.3.4 專家系統（1969—1986） 20 1.3.5 神經網路的回歸（1986—現在） 22 1.3.6 概率推理和機器學習（1987—現在） 22 1.3.7 大資料（2001—現在） 23 1.3.8 深度學習（2011—現在） 24 1.4 目前的先進技術 24 1.5 人工智慧的風險和收益 27 小結 30 參考文獻與歷史注釋 31 第 2 章智能體 32 2.1 智慧體和環境 32 2.2 良好行為：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、學習和自主 36 2.3 環境的本質 37 2.3.1 指定任務環境 37 2.3.2 任務環境的屬性 38 2.4 智慧體的結構 41 2.4.1 智慧體程式 41 2.4.2 簡單反射型智慧體 42 2.4.3 基於模型的反射型智慧體 44 2.4.4 基於目標的智慧體 45 2.4.5 基於效用的智慧體 46 2.4.6 學習型智能體 47 2.4.7 智慧體程式的元件如何工作 49 小結 50 參考文獻與歷史注釋 51 第二部分問題求解第 3 章通過搜索進行問題求解 54 3.1 問題求解智慧體 54 3.1.1 搜索問題和解 55 3.1.2 問題形式化 56 3.2 問題示例 57 3.2.1 標準化問題 57 3.2.2 真實世界問題 59 3.3 搜索算法 61 3.3.1 最佳優先搜索 62 3.3.2 搜索資料結構 63 3.3.3 冗餘路徑 64 3.3.4 問題求解性能評估 65 3.4 無資訊搜索策略 65 3.4.1 廣度優先搜索 66 3.4.2 Dijkstra 算法或一致代價搜索 67 3.4.3 深度優先搜索與記憶體問題 68 3.4.4 深度受限和反覆運算加深搜索 69 3.4.5 雙向搜索 712 3.4.6 無資訊搜索算法對比 72 3.5 有資訊（啟發式）搜索策略 73 3.5.1 貪心最佳優先搜索 73 3.5.2 A* 搜索 75 3.5.3 搜索等值線 77 3.5.4 滿意搜索：不可容許的啟發式函數與加權 A* 搜索 79 3.5.5 記憶體受限搜索 80 3.5.6 雙向啟發式搜索 83 3.6 啟發式函數 85 3.6.1 啟發式函數的準確性對性能的影響 85 3.6.2 從鬆弛問題出發生成啟發式函數 86 3.6.3 從子問題出發生成啟發式函數：模式資料庫 87 3.6.4 使用地標生成啟發式函數 88 3.6.5 學習以更好地搜索 90 3.6.6 從經驗中學習啟發式函數 90 小結 90 參考文獻與歷史注釋 92 第 4 章複雜環境中的搜索 95 4.1 局部搜索和最優化問題 95 4.1.1 爬山搜索 96 4.1.2 模擬退火 98 4.1.3 局部束搜索 99 4.1.4 進化算法 99 4.2 連續空間中的局部搜索 102 4.3 使用非確定性動作的搜索 104 4.3.1 不穩定的真空吸塵器世界 105 4.3.2 與或搜尋樹 106 4.3.3 反復嘗試 107 4.4 部分可觀測環境中的搜索 108 4.4.1 無觀測資訊的搜索 108 4.4.2 部分可觀測環境中的搜索 111 4.4.3 求解部分可觀測問題 112 4.4.4 部分可觀測環境中的智慧體 113 4.5 線上搜索智慧體和未知環境 115 4.5.1 線上搜索問題 115 4.5.2 線上搜索智慧體 117 4.5.3 線上局部搜索 118 4.5.4 線上搜索中的學習 119 小結 120 參考文獻與歷史注釋 121 第 5 章對抗搜索和博弈 124 5.1 博弈論 124 5.2 博弈中的優化決策 126 5.2.1 極小化極大搜索算法 127 5.2.2 多人博弈中的最優決策 128 5.2.3 α-β 剪枝 129 5.2.4 移動順序 131 5.3 啟發式 α-β 樹搜索 132 5.3.1 評價函數 132 5.3.2 截斷搜索 134 5.3.3 前向剪枝 135 5.3.4 搜索和查表 136 5.4 蒙特卡羅樹搜索 136 5.5 隨機博弈 139 5.6 部分可觀測博弈 142 5.6.1 四國軍棋：部分可觀測的國際象棋 142 5.6.2 紙牌遊戲 144 5.7 博弈搜索算法的局限性 146 小結 147 參考文獻與歷史注釋 148 第 6 章約束滿足問題 152 6.1 定義約束滿足問題 152 6.1.1 問題示例：地圖著色 153 6.1.2 問題示例：車間作業調度 154 6.1.3 CSP 形式體系的變體 155 6.2 約束傳播：CSP 中的推斷 156 6.2.1 節點一致性 157 6.2.2 弧一致性 157 6.2.3 路徑一致性 158 6.2.4 k 一致性 158 6.2.5 全域約束 159 6.2.6 數獨 160 6.3 CSP 的回溯搜索 161 6.3.1 變數排序和值排序 163 6.3.2 交替進行搜索和推理 164 6.3.3 智能回溯：向後看 164 6.3.4 約束學習 166 6.4 CSP 的局部搜索 166 6.5 問題的結構 168 6.5.1 割集調整 169 6.5.2 樹分解 170 6.5.3 值對稱 171 小結 171 參考文獻與歷史注釋 172 第三部分知識、推理和規劃第 7 章邏輯智慧體 176 7.1 基於知識的智慧體 176 7.2 wumpus 世界 178 7.3 邏輯 180 7.4 命題邏輯：一種非常簡單的邏輯 183 7.4.1 語法 183 7.4.2 語義 184 7.4.3 一個簡單的知識庫 185 7.4.4 一個簡單的推斷過程 186 7.5 命題定理證明 187 7.5.1 推斷與證明 188 7.5.2 通過歸結證明 190 7.5.3 霍恩子句與確定子句 194 7.5.4 前向連結與反向連結 194 7.6 高效命題模型檢驗 196 7.6.1 完備的回溯算法 196 7.6.2 局部搜索算法 198 7.6.3 隨機 SAT 問題概覽 199 7.7 基於命題邏輯的智慧體 200 7.7.1 世界的當前狀態 200 7.7.2 混合智能體 203 7.7.3 邏輯狀態估計 204 7.7.4 用命題推斷進行規劃 205 小結 207 參考文獻與歷史注釋 208 第 8 章一階邏輯 211 8.1 回顧表示 211 8.1.1 思想的語言 212 8.1.2 結合形式語言和自然語言的優點 213 8.2 一階邏輯的語法和語義 215 8.2.1 一階邏輯模型 215 8.2.2 符號與解釋 216 8.2.3 項 218 8.2.4 原子語句 218 8.2.5 複合陳述式 218 8.2.6 量詞 219 8.2.7 等詞 222 8.2.8 資料庫語義 222 8.3 使用一階邏輯 223 8.3.1 一階邏輯的斷言與查詢 223 8.3.2 親屬關係論域 224 8.3.3 數、集合與清單 225 8.3.4 wumpus 世界 227 8.4 一階邏輯中的知識工程 228 8.4.1 知識工程的過程 229 8.4.2 電子電路論域 230 小結 233 參考文獻與歷史注釋 234 第 9 章一階邏輯中的推斷 236 9.1 命題推斷與一階推斷 236 9.2 合一與一階推斷 238 9.2.1 合一 239 9.2.2 存儲與檢索 240 9.3 前向連結 241 9.3.1 一階確定子句 242 9.3.2 簡單的前向連結算法 242 9.3.3 高效前向連結 244 9.4 反向連結 247 9.4.1 反向連結算法 247 9.4.2 邏輯編程 248 9.4.3 冗餘推斷和無限迴圈 249 9.4.4 Prolog 的資料庫語義 251 9.4.5 約束邏輯編程 251 9.5 歸結 252 9.5.1 一階邏輯的合取範式 252 9.5.2 歸結推斷規則 253 9.5.3 證明範例 254 9.5.4 歸結的完備性 256 9.5.5 等詞 258 9.5.6 歸結策略 260 小結 261 參考文獻與歷史注釋 262 第 10 章知識表示 265 10.1 本體論工程 265 10.2 類別與物件 267 10.2.1 物理組成 268 10.2.2 量度 269 10.2.3 對象：事物和物質 271 10.3 事件 272 10.3.1 時間 273 10.3.2 流和對象 275 10.4 精神物件和模態邏輯 275 10.5 類別的推理系統 278 10.5.1 語義網路 278 10.5.2 描述邏輯 280 10.6 用缺省資訊推理 281 10.6.1 限定與缺省邏輯 281 10.6.2 真值維護系統 283 小結 284 參考文獻與歷史注釋 285 第 11 章自動規劃 290 11.1 經典規劃的定義 290 11.1.1 範例領域：航空貨物運輸 291 11.1.2 範例領域：備用輪胎問題 292 11.1.3 範例領域：積木世界 292 11.2 經典規劃的算法 294 11.2.1 規劃的前向狀態空間搜索 294 11.2.2 規劃的反向狀態空間搜索 295 11.2.3 使用布林可滿足性規劃 296 11.2.4 其他經典規劃方法 296 11.3 規劃的啟發式方法 297 11.3.1 領域無關剪枝 299 11.3.2 規劃中的狀態抽象 300 11.4 分層規劃 300 11.4.1 高層動作 301 11.4.2 搜索基元解 302 11.4.3 搜索抽象解 303 11.5 非確定性域的規劃和行動 307 11.5.1 無感測器規劃 309 11.5.2 應變規劃 312 11.5.3 線上規劃 313 11.6 時間、調度和資源 315 11.6.1 時間約束和資源約束的表示 315 11.6.2 解決調度問題 316 11.7 規劃方法分析 318 小結 319 參考文獻與歷史注釋 320 第四部分不確定知識和不確定推理第 12 章不確定性的量化 326 12.1 不確定性下的動作 326 12.1.1 不確定性概述 327 12.1.2 不確定性與理性決策 328 12.2 基本概率記號 329 12.2.1 概率是關於什麼的 329 12.2.2 概率斷言中的命題語言 330 12.2.3 概率公理及其合理性 333 12.3 使用完全聯合分佈進行推斷 334 12.4 獨立性 336 12.5 貝葉斯法則及其應用 337 12.5.1 應用貝葉斯法則：簡單實例 338 12.5.2 應用貝葉斯法則：合併證據 339 12.6 樸素貝葉斯模型 340 12.7 重遊 wumpus 世界 342 小結 344 參考文獻與歷史注釋 345 第 13 章概率推理 348 13.1 不確定域的知識表示 348 13.2 貝葉斯網路的語義 350 13.2.1 貝葉斯網路中的條件獨立性關係 353 13.2.2 條件分佈的高效表示 354 13.2.3 連續變數的貝葉斯網路 356 13.2.4 案例研究：汽車保險 358 13.3 貝葉斯網路中的精確推斷 360 13.3.1 通過枚舉進行推斷 361 13.3.2 變數消元算法 363 13.3.3 精確推斷的複雜性 365 13.3.4 聚類算法 366 13.4 貝葉斯網路中的近似推理 367 13.4.1 直接採樣方法 368 13.4.2 通過瑪律可夫鏈模擬進行推斷 372 13.4.3 編譯近似推斷 378 13.5 因果網路 379 13.5.1 表示動作：do 操作 380 13.5.2 後門準則 382 小結 382 參考文獻與歷史注釋 383 第 14 章時間上的概率推理 388 14.1 時間與不確定性 388 14.1.1 狀態與觀測 389 14.1.2 轉移模型與感測器模型 389 14.2 時序模型中的推斷 391 14.2.1 濾波與預測 392 14.2.2 平滑 394 14.2.3 尋找最可能序列 396 14.3 隱瑪律可夫模型 398 14.3.1 簡化矩陣算法 398 14.3.2 隱瑪律可夫模型示例：定位 400 14.4 卡爾曼濾波器 403 14.4.1 更新高斯分佈 403 14.4.2 簡單的一維示例 404 14.4.3 一般情況 406 14.4.4 卡爾曼濾波的適用範圍 407 14.5 動態貝葉斯網路 408 14.5.1 構建動態貝葉斯網路 409 14.5.2 動態貝葉斯網路中的精確推斷 412 14.5.3 動態貝葉斯網路中的近似推斷 413 小結 417 參考文獻與歷史注釋 418 第 15 章概率編程 421 15.1 關係概率模型 421 15.1.1 語法與語義 423 15.1.2 實例：評定玩家的技能等級 425 15.1.3 關係概率模型中的推斷 426 15.2 開宇宙概率模型 427 15.2.1 語義與語法 428 15.2.2 開宇宙概率模型的推斷 429 15.2.3 示例 430 15.3 追蹤複雜世界 433 15.3.1 示例：多目標跟蹤 433 15.3.2 示例：交通監控 436 15.4 作為概率模型的程式 436 15.4.1 示例：文本閱讀 437 15.4.2 語法與語義 438 15.4.3 推斷結果 438 15.4.4 結合瑪律可夫模型改進生成程式 439 15.4.5 生成程式的推斷 439 小結 440 參考文獻與歷史注釋 440 第 16 章做簡單決策 444 16.1 在不確定性下結合信念與願望 444 16.2 效用理論基礎 445 16.2.1 理性偏好的約束 445 16.2.2 理性偏好導致效用 447 16.3 效用函數 448 16.3.1 效用評估和效用尺度 448 16.3.2 金錢的效用 449 16.3.3 期望效用與決策後失望 451 16.3.4 人類判斷與非理性 452 16.4 多屬性效用函數 454 16.4.1 占優 455 16.4.2 偏好結構與多屬性效用 456 16.5 決策網路 458 16.5.1 使用決策網路表示決策問題 458 16.5.2 評估決策網路 460 16.6 資訊價值 460 16.6.1 簡單示例 460 16.6.2 完美資訊的一般公式 461 16.6.3 價值資訊的性質 462 16.6.4 資訊收集智慧體的實現 463 16.6.5 非短視資訊收集 463 16.6.6 敏感性分析與健壯決策 464 16.7 未知偏好 465 16.7.1 個人偏好的不確定性 466 16.7.2 順從人類 467 小結 468 參考文獻與歷史注釋 469 第 17 章做複雜決策 473 17.1 序貫決策問題 473 17.1.1 時間上的效用 475 17.1.2 最優策略與狀態效用 477 17.1.3 獎勵規模 479 17.1.4 表示 MDP 480 17.2 MDP 的算法 482 17.2.1 價值反覆運算 482 17.2.2 策略反覆運算 485 17.2.3 線性規劃 487 17.2.4 MDP 的線上算法 487 17.3 老虎機問題 489 17.3.1 計算基廷斯指數 491 17.3.2 伯努利老虎機 492 17.3.3 近似最優老虎機策略 493 17.3.4 不可索引變體 493 17.4 部分可觀測MDP 495 17.5 求解POMDP 的算法 497 17.5.1 POMDP的價值反覆運算 497 17.5.2 POMDP的線上算法 500 小結 501 參考文獻與歷史注釋 502 第 18 章多智慧體決策 505 18.1 多智慧體環境的特性 505 18.1.1 單個決策者 505 18.1.2 多決策者 506 18.1.3 多智慧體規劃 507 18.1.4 多智慧體規劃：合作與協調 509 18.2 非合作博弈論 510 18.2.1 單步博弈：正則形式博弈 510 18.2.2 社會福利 513 18.2.3 重複博弈 517 18.2.4 序貫博弈：擴展形式 520 18.2.5 不確定收益與輔助博弈 525 18.3 合作博弈論 527 18.3.1 聯盟結構與結果 528 18.3.2 合作博弈中的策略 529 18.3.3 合作博弈中的計算 531 18.4 制定集體決策 533 18.4.1 在合同網中分配任務 533 18.4.2 通過拍賣分配稀缺資源 535 18.4.3 投票 539 18.4.4 議價 541 小結 544 參考文獻與歷史注釋 545 第五部分機器學習第 19 章樣例學習 550 19.1 學習的形式 550 19.2 監督學習 552 19.3 決策樹學習 555 19.3.1 決策樹的表達能力 556 19.3.2 從樣例中學習決策樹 557 19.3.3 選擇測試屬性 559 19.3.4 泛化與過擬合 560 19.3.5 拓展決策樹的適用範圍 562 19.4 模型選擇與模型優化 563 19.4.1 模型選擇 564 19.4.2 從錯誤率到損失函數 566 19.4.3 正則化 567 19.4.4 超參數調整 568 19.5 學習理論 569 19.6 線性回歸與分類 572 19.6.1 單變數線性回歸 572 19.6.2 梯度下降 574 19.6.3 多變數線性回歸 575 19.6.4 帶有硬閾值的線性分類器 577 19.6.5 基於邏輯斯諦回歸的線性分類器 579 19.7 非參數模型 581 19.7.1 最近鄰模型 581 19.7.2 使用 k-d 樹尋找最近鄰 583 19.7.3 局部敏感雜湊 584 19.7.4 非參數回歸 585 19.7.5 支持向量機 586 19.7.6 核技巧 589 19.8 集成學習 589 19.8.1 自助聚合法 590 19.8.2 隨機森林法 590 19.8.3 堆疊法 591 19.8.4 自我調整提升法 592 19.8.5 梯度提升法 594 19.8.6 線上學習 595 19.9 開發機器學習系統 596 19.9.1 問題形式化 596 19.9.2 資料收集、評估和管理 597 19.9.3 模型選擇與訓練 601 19.9.4 信任、可解釋性、可說明性 601 19.9.5 操作、監控和維護 603 小結 604 參考文獻與歷史注釋 605 第 20 章概率模型學習 610 20.1 統計學習 610 20.2 完全資料學習 613 20.2.1 最大似然參數學習：離散模型 613 20.2.2 樸素貝葉斯模型 615 20.2.3 生成模型和判別模型 616 20.2.4 最大似然參數學習：連續模型 616 20.2.5 貝葉斯參數學習 618 20.2.6 貝葉斯線性回歸 620 20.2.7 貝葉斯網路結構學習 622 20.2.8 非參數模型密度估計 623 20.3 隱變數學習：EM 算法 624 20.3.1 無監督聚類：學習混合高斯 625 20.3.2 學習帶隱變數的貝葉斯網路參數值 627 20.3.3 學習隱瑪律可夫模型 630 20.3.4 EM 算法的一般形式 630 20.3.5 學習帶隱變數的貝葉斯網路結構 631 小結 632 參考文獻與歷史注釋 632 第 21 章深度學習 635 21.1 簡單前饋網路 636 21.1.1 網路作為複雜函數 636 21.1.2 梯度與學習 639 21.2 深度學習的計算圖 640 21.2.1 輸入編碼 641 21.2.2 輸出層與損失函數 641 21.2.3 隱藏層 642 21.3 卷積網路 643 21.3.1 池化與下採樣 646 21.3.2 卷積神經網路的張量運算 646 21.3.3 殘差網路 647 21.4 學習算法 648 21.4.1 計算圖中的梯度計算 649 21.4.2 批量歸一化 650 21.5 泛化 650 21.5.1 選擇正確的網路架構 651 21.5.2 神經架構搜索 652 21.5.3 權重衰減 653 21.5.4 暫退法 653 21.6 迴圈神經網路 654 21.6.1 訓練基本的迴圈神經網路 655 21.6.2 長短期記憶 RNN 656 21.7 無監督學習與遷移學習 657 21.7.1 無監督學習 657 21.7.2 遷移學習和多工學習 661 21.8 應用 662 21.8.1 視覺 662 21.8.2 自然語言處理 663 21.8.3 強化學習 663 小結 664 參考文獻與歷史注釋 664 第 22 章強化學習 668 22.1 從獎勵中學習 668 22.2 被動強化學習 670 22.2.1 直接效用估計 671 22.2.2 自我調整動態規劃 671 22.2.3 時序差分學習 672 22.3 主動強化學習 674 22.3.1 探索 675 22.3.2 安全探索 677 22.3.3 時序差分 Q 學習 678 22.4 強化學習中的泛化 680 22.4.1 近似直接效用估計 680 22.4.2 近似時序差分學習 681 22.4.3 深度強化學習 682 22.4.4 獎勵函數設計 683 22.4.5 分層強化學習 683 22.5 策略搜索 686 22.6 學徒學習與逆強化學習 688 22.7 強化學習的應用 690 22.7.1 在電子遊戲中的應用 690 22.7.2 在機器人控制中的應用 691 小結 692 參考文獻與歷史注釋 693 第六部分溝通、感知和行動第 23 章自然語言處理 698 23.1 語言模型 698 23.1.1 詞袋模型 699 23.1.2 n 元單詞模型 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 單詞表示 702 23.1.6 詞性標注 703 23.1.7 語言模型的比較 706 23.2 文法 707 23.3 句法分析 709 23.3.1 依存分析 711 23.3.2 從樣例中學習句法分析器 712 23.4 擴展文法 713 23.4.1 語義解釋 715 23.4.2 學習語義文法 717 23.5 真實自然語言的複雜性 717 23.6 自然語言任務 720 小結 722 參考文獻與歷史注釋 722 第 24 章自然語言處理中的深度學習 727 24.1 詞嵌入 727 24.2 自然語言處理中的迴圈神經網路 730 24.2.1 使用迴圈神經網路的語言模型 730 24.2.2 用迴圈神經網路進行分類 732 24.2.3 自然語言處理任務中的 LSTM模型 733 24.3 序列到序列模型 733 24.3.1 注意力 735 24.3.2 解碼 736 24.4 Transformer 架構 737 24.4.1 自注意力 737 24.4.2 從自注意力到 Transformer 738 24.5 預訓練和遷移學習 739 24.5.1 預訓練詞嵌入 740 24.5.2 預訓練上下文表示 741 24.5.3 遮罩語言模型 742 24.6 最高水準（SOTA） 742 小結 745 參考文獻與歷史注釋 745 第 25 章計算機視覺 748 25.1 引言 748 25.2 圖像形成 749 25.2.1 無透鏡成像：針孔照相機 749 25.2.2 透鏡系統 751 25.2.3 縮放正交投影 752 25.2.4 光線與明暗 752 25.2.5 顏色 753 25.3 簡單圖像特徵 754 25.3.1 邊緣 755 25.3.2 紋理 757 25.3.3 光流 758 25.3.4 自然圖像分割 759 25.4 圖像分類 760 25.4.1 基於卷積神經網路的圖像分類 761 25.4.2 卷積神經網路對圖像分類問題有效的原因 762 25.5 物體檢測 763 25.6 三維世界 766 25.6.1 多個視圖下的三維線索 766 25.6.2 雙目立體視覺 766 25.6.3 移動攝像機給出的三維線索 768 25.6.4 單個視圖的三維線索 769 25.7 計算機視覺的應用 769 25.7.1 理解人類行為 770 25.7.2 匹配圖片與文字 772 25.7.3 多視圖重建 773 25.7.4 單視圖中的幾何 774 25.7.5 生成圖片 775 25.7.6 利用視覺控制運動 778 小結 780 參考文獻與歷史注釋 781 第 26 章機器人學 785 26.1 機器人 785 26.2 機器人硬體 786 26.2.1 機器人的硬體層面分類 786 26.2.2 感知世界 787 26.2.3 產生運動 789 26.3 機器人學解決哪些問題 789 26.4 機器人感知 790 26.4.1 定位與地圖構建 791 26.4.2 其他感知類型 795 26.4.3 機器人感知中的監督學習與無監督學習 795 26.5 規劃與控制 796 26.5.1 構形空間 796 26.5.2 運動規劃 799 26.5.3 軌跡跟蹤控制 806 26.5.4 最優控制 809 26.6 規劃不確定的運動 810 26.7 機器人學中的強化學習 812 26.7.1 利用模型 812 26.7.2 利用其他資訊 813 26.8 人類與機器人 814 26.8.1 協調 814 26.8.2 學習做人類期望的事情 817 26.9 其他機器人框架 820 26.9.1 反應式控制器 820 26.9.2 包容架構 821 26.10 應用領域 822 小結 825 參考文獻與歷史注釋 826 第七部分總結第 27 章人工智慧的哲學、倫理和安全性 832 27.1 人工智慧的極限 832 27.1.1 由非形式化得出的論據 832 27.1.2 由能力缺陷得出的論據 833 27.1.3 數學異議 833 27.1.4 衡量人工智慧 834 27.2 機器能真正地思考嗎 835 27.2.1 中文房間 835 27.2.2 意識與感質 836 27.3 人工智慧的倫理 836 27.3.1 致命性自主武器 837 27.3.2 監控、安全與隱私 839 27.3.3 公平與偏見 841 27.3.4 信任與透明度 844 27.3.5 工作前景 845 27.3.6 機器人權利 847 27.3.7 人工智慧安全性 848 小結 851 參考文獻與歷史注釋 852 第 28 章人工智慧的未來 857 28.1 人工智慧組件 857 28.2 人工智慧架構 862 附錄 A 數學背景知識 865 附錄 B 關於語言與算法的說明 871 參考文獻 873