《人工智能：复杂问题求解的结构和策略》（原书第 4 版）由 George F. Luger 著，史忠植等译，是人工智能领域的经典教材，被宾夕法尼亚大学、密歇根大学等多所高校选用，同时也是该领域研究者与从业者的优秀参考书。全书围绕人工智能复杂问题求解的核心，从理论基础、问题求解方法、知识表示、机器学习、应用领域及语言工具等多维度展开，构建了全面且深入的知识体系。
一、人工智能的基础与渊源
（一）人工智能的定义与核心动机
人工智能的核心动机是创造能独立思考甚至超越人类的机器，其目标是实现智能行为自动化。由于 “智能” 本身难以精准定义，书中将人工智能暂时定义为 “人工智能研究者所研究的问题和方法集合”，强调其作为人类努力成果的属性。同时，人工智能在探索智能机制的过程中，也在实际领域广泛应用，用不同策略解决计算机技术应用中的复杂实际问题。
（二）历史与哲学基础
- 哲学渊源
：从亚里士多德的 “物质与形式” 区分，到笛卡儿 “我思故我在” 对意识与物理世界分离的思考，再到维特根斯坦后期哲学对语言语义基础的质疑、胡塞尔现象学强调 “智能是在世界中的生存能力”，这些哲学思想为人工智能研究提供了思想源泉，也引发了对智能本质、知识表示等核心问题的探讨。 - 数学与逻辑基础
：布尔代数为逻辑计算奠定基础，弗雷格的一阶谓词演算提供了描述数学及哲学基础的语言，罗素和怀海德《数学原理》对数学推理进行形式化，图灵 1950 年提出的图灵测试，为判断机器智能提供了客观标准，即通过人类与机器的文本交互，若人类无法区分二者则认为机器具有智能。
（三）智能的模型探索
除传统逻辑模型外，书中还介绍了智能的生物和社会模型 —— 主体。主体是能感知环境并通过与其他主体合作影响环境的社会元素，具有自动性、情景性、交互性、社会性和智能涌现性等特征。基于主体的问题求解方法，强调智能从大量简单主体的相互作用中涌现，为人工智能问题求解提供了新视角。
二、问题求解的核心：表示与搜索
（一）知识表示
- 谓词演算
：作为人工智能重要的表示语言，谓词演算具有明确定义的形式语义和严格完整的推理规则。书中详细介绍了命题演算与谓词演算的符号、语句、语义，以及合一算法，通过实例（如财务顾问系统）演示如何用谓词演算表示知识并进行推理，例如用谓词描述投资个体的存款、收入、供养人数等信息，结合推理规则给出投资建议。 - 其他表示方法
：随着问题复杂度提升，书中还探讨了语义网络、框架、脚本、概念图等表示方法。语义网络通过结点和弧表示概念及关系，支持继承等推理；框架以结构化数据结构捕捉典型情况，包含槽值、默认信息、过程性附件等；脚本用于描述特定上下文中固定的事件序列，如饭店就餐流程；概念图作为二部图，平衡了表达能力与易用性，可表示命题、模态概念等，且等价于谓词演算，能实现自然语言语义建模。
（二）状态空间搜索
- 图论基础与状态空间模型
：状态空间搜索以图论为工具，将问题表示为状态空间图，结点表示问题状态，弧表示状态转换。书中通过九宫游戏、8 格拼图游戏、巡回推销员问题等实例，展示了状态空间的构建与搜索目标，如九宫游戏目标是找到 X 方胜利的棋盘状态，巡回推销员问题目标是找到最短旅行路径。 - 搜索策略
- 无信息搜索
：包括深度优先搜索、宽度优先搜索、迭代加深的深度优先搜索。深度优先搜索优先探索深层状态，空间复杂度低但可能陷入死端；宽度优先搜索逐层探索，保证找到最短路径但空间复杂度高；迭代加深的深度优先搜索结合二者优势，层层搜索，保证最短路径且空间复杂度低。 - 启发式搜索
：为应对组合爆炸，引入启发式搜索。最佳优先搜索根据启发评估函数对状态排序，选择最有希望的状态扩展；A算法通过评估函数 f (n)=g (n)+h (n)（g (n) 为起始到 n 的实际代价，h (n) 为 n 到目标的启发估计），且满足 h (n)≤h(n)（h*(n) 为实际最短代价）时，保证找到最短路径。书中还探讨了启发的可采纳性、单调性、信息度等属性，以及在博弈中的应用（如极小极大过程、α-β 剪枝），例如在国际象棋中，通过预判固定层数，结合启发评估棋局状态，用极小极大过程向上传播评估值，α-β 剪枝减少搜索空间。
（三）搜索的控制与实现
- 递归搜索
：利用递归的特性，以简洁自然的方式实现深度优先搜索，通过递归调用自身探索状态空间，避免显式维护 open 列表，将状态路径隐含在递归激活记录中。 - 模式导向搜索
：结合合一与推理，搜索谓词演算断言产生的状态空间，从目标或数据出发，通过模式匹配选择规则，递归求解子目标，是 PROLOG 和专家系统的基础。 - 产生式系统
：由产生式规则集合、工作内存、识别 - 动作循环组成，规则以 “条件 - 动作” 形式表示知识，工作内存维护当前状态，识别 - 动作循环匹配规则、选择冲突规则并执行，支持数据驱动或目标驱动搜索，可用于人类问题求解建模、专家系统设计等，如 8 格拼图游戏、骑士周游问题的求解。 - 黑板结构
：用于协调复杂任务的多个知识源，黑板存储问题求解过程中的信息，知识源异步工作，根据黑板信息贡献结果，如语音理解系统 HEARSAY-II，通过多个知识源处理语音信号的不同层次分析。
三、机器学习
（一）基于符号的机器学习
- 变型空间搜索
：通过泛化和特化操作，维护一致假设集合，候选解排除算法逐步缩小假设空间，结合实例（如概念学习）演示如何从训练数据中归纳出概念。 - ID3 决策树归纳算法
：自顶向下构建决策树，基于信息论选择最优测试属性，最小化信息增益，处理分类问题，书中分析了算法的评价、数据问题（如打包、推进）及归纳偏置对学习能力的影响。 - 其他方法
：还包括基于解释的学习，利用先验知识从单个实例中学习；类比推理，通过相似问题的解推导新问题的解；无监督学习中的概念聚类，如 COBWEB 算法构建分类知识结构；强化学习，通过环境反馈调整决策策略，如九宫游戏中结合强化学习优化走法。
（二）连接主义机器学习
神经网络作为连接主义模型，信息隐含在神经元连接权重中，书中介绍了感知机学习、反传学习、竞争学习、Hebbian 学习、吸引子网络等。感知机学习通过调整权重实现线性分类；反传学习用于多层网络，通过反向传播误差调整权重；竞争学习如 Kohonen 网络实现聚类；Hebbian 学习基于神经元同步激活调整连接；吸引子网络如 Hopfield 网络用于联想记忆。
（三）社会性和涌现性机器学习
遗传算法模拟生物进化，通过选择、交叉、变异操作优化候选解；分类器系统结合遗传算法与产生式系统；人工生命研究生命系统的涌现特性，如 “生命游戏” 展示简单规则产生复杂行为，这些方法将学习视为涌现和适应过程，适用于复杂优化问题。
四、应用领域与语言工具
（一）应用领域
- 博弈
：从简单的九宫游戏到复杂的国际象棋，博弈是搜索与启发应用的重要领域，书中探讨了博弈中的状态空间、启发评估、极小极大过程、α-β 剪枝等，如 Samuel 的西洋跳棋程序结合启发式搜索与学习。 - 自动推理与定理证明
：自动推理是 AI 古老分支，书中介绍了通用问题求解程序、归结定理证明等，归结反驳通过将问题转化为子句形式，应用归结规则证明定理，PROLOG 解释器基于 Horn 子句和归结实现推理。 - 专家系统
：依赖人类专家知识，通过知识工程师获取知识并编码，结合推理机制求解问题。书中以 MYCIN（诊断传染病）、DENDRAL（推断有机分子结构）等为例，分析专家系统的结构、知识获取、推理、解释等，同时指出专家系统存在知识狭窄、鲁棒性差等局限。 - 自然语言理解
：涉及语法分析、语义建模等，书中介绍了上下文无关文法、转移网络解析器等传统方法，以及马尔科夫模型、决策树等随机工具，通过实例（如数据库查询、Web 信息抽取）展示自然语言理解的应用，同时指出语义理解仍面临挑战。 - 规划与机器人
：规划旨在找到动作序列实现目标，书中介绍了 STRIPS 规划、teleo reactive 规划等，结合 NASA 空间项目实例展示规划应用；机器人领域探讨了基于主体的问题求解，如 Brooks 的包容结构，通过分层有限状态机实现机器人行为，无需中央符号推理。
（二）语言工具
书中介绍了 LISP 和 PROLOG 两种 AI 常用语言。LISP 作为函数式语言，支持符号计算、递归等，适合构建搜索算法、专家系统等；PROLOG 基于逻辑编程，结合谓词演算与归结，简洁高效，可实现搜索、推理、自然语言处理等功能，书中通过实例演示如何用两种语言实现 AI 算法，如宽度优先搜索、专家系统外壳等。
五、争议与未来展望
书中还探讨了人工智能领域的争议，如物理符号系统假设的合理性、智能的本质、意识与机器智能的关系等，同时分析了当前 AI 面临的挑战，如常识推理、机器学习的泛化能力、复杂系统的可解释性等，并对 AI 未来发展方向进行展望，强调 AI 作为经验科学，需通过实验不断完善理论与方法。
本书免费下载地址
关注微信公众号“人工智能产业链union”回复关键字“AI加油站65”获取下载地址。
