一、基本問題
問：什么是人工智能？
答：人工智能是研制智能機器尤其是智能計算機程序的科學(xué)與工程。它與使用計算機理解人類智能類似，但人工智能并不將它自己局限于生物意義上的方法。
問：是的，那么什么是智能呢？
答：智能是指現(xiàn)實世界中達到目標(biāo)所需能力中的計算能力。不同種類、不同程度的智能表現(xiàn)在人、許多動物和一些機器身上。
問：智能難道還沒有公認的、不依賴于人類智能的獨立定義嗎？
答：還沒有。問題是，我們還不能一般性地刻畫哪一類計算過程我們想稱之為智能。我們懂得某些智能機制，但對其他的并不了解。
問：人工智能是讓人們可以對“這臺機器有還是沒有智能？”這類問題作出肯定或者否定回答的那種單一行為或心理特征嗎？
答：不是。智能涉及機制。人工智能研究已經(jīng)指出如何讓計算機施用其中的某些（但非所有）機制。如果完成一項任務(wù)只需要已被充分理解的機制，那么計算機程序能有令人印象深刻的表現(xiàn)。這樣的程序應(yīng)該被視為“有點兒智能”。
問：人工智能不就是模擬人類智能嗎？
答：有時是，但不總是，也并非通常是。一方面，我們可以通過觀察別人或者直接觀察我們自己的行為方式來學(xué)習(xí)如何讓機器解決問題。另一方面，人工智能領(lǐng)域的大部分工作都涉及研究現(xiàn)實世界給智能帶來的問題和挑戰(zhàn)，而并非研究人或動物本身。人工智能研究者可以自由使用尚未被人使用過的方法，或者所涉及的計算是人力無法完成的方法。
問：計算機程序有智商（IQ）嗎？
答：沒有。智商是基于兒童智力的發(fā)展速度，它是指兒童在正常情況下獲得一定分數(shù)時的年齡與其實際年齡的比值。這種測試也可以通過適當(dāng)方式擴展到成人。智商與生活中各種衡量標(biāo)準下成功或失敗的程度密切相關(guān)，而讓計算機在智商測試中能獲得高分與計算機的有用性卻關(guān)聯(lián)微弱。譬如，孩童復(fù)述長串?dāng)?shù)字的能力與其其他方面的智力有著良好的相關(guān)性，這或許是因為前者能夠衡量孩童單次可處理信息的多少。然而，這種“數(shù)字廣度”測試對計算機（即使是性能很低的計算機）而言也是微不足道的。
盡管如此，關(guān)于智商測試的一些問題是對人工智能的有益挑戰(zhàn)。
問：有關(guān)人類與計算機智能之間的其他對比呢？
答：人類智能研究領(lǐng)域的領(lǐng)軍人物亞瑟·羅伯特·詹森（Arthur R.Jensen）[Jen98]提出“作為啟發(fā)式假設(shè)”的猜想：正常的人類具有相同的智能機制，而智能的差異與“定量的生物化學(xué)和生理學(xué)條件”有關(guān)。我將它們視為速度、短期記憶以及構(gòu)成精確且可提取的長期記憶的能力。無論詹森有關(guān)人類智能的看法正確與否，目前人工智能的狀況卻與其相反。
計算機有很快的計算速度和充足的存儲空間。計算機程序的能力與智能機制相對應(yīng)，而智能機制則由設(shè)計者在對其充分理解的基礎(chǔ)上編入程序。計算機具備的某些能力，孩童可能要到少年時才能發(fā)展起來，而兩歲幼兒具備的某些能力，計算機目前都還不具備。目前認知科學(xué)尚不能準確定義什么是能力，這一事實讓問題變得更為復(fù)雜。就人工智能而言，智能機制的組織在使用時很有可能與其在人身上不一樣。
無論什么時候，只要某些工作人比計算機做得更好，或者計算機要花費大量的計算才能和人做得一樣好，那就說明程序設(shè)計者缺少對有效完成任務(wù)所需智能機制的理解。
問：人工智能研究是從什么時候開始的？
答：二戰(zhàn)后，許多人開始獨立地從事智能機器的研究工作。英國數(shù)學(xué)家艾倫·圖靈（Alan Turing）可能是其中的第一位。他在1947年作了一個有關(guān)智能機器的演講。他或許就是認定人工智能的研究最好是通過編制計算機程序而非制造機器的第一人。到了20世紀50年代后期，已有很多人在研究人工智能，他們的工作大都基于計算機程序設(shè)計。
問：人工智能的目的是要將人腦植入計算機嗎？
答：一些研究者宣稱他們以此為目標(biāo)，不過他們借用這一說法或許只是作個比喻。人腦非常奇特，我不確定是否真有人想完完全全地模擬它們。
問：什么是圖靈測試？
答：艾倫·圖靈在1950年發(fā)表的題為Computing Machinery and Intelligence的文章[TUR50]中討論了機器可以視為具有智能的條件。他認為，如果機器在擁有知識的觀察者面前能夠成功地偽裝成人類，那么你就應(yīng)該認為它具有智能。這個測試會令大多數(shù)人（但非所有哲學(xué)家）感到滿意。觀察者可以通過電傳打字機（以避免要機器模仿人的外表或聲音）與機器和人互動：人試圖說服觀察者他自己是人，而機器則嘗試愚弄觀察者。
圖靈測試是一種單邊測試。一臺通過了測試的機器當(dāng)然應(yīng)該被視為具有智能，而沒有充分了解人類就能模仿人的機器自然也可以被視為具有智能。
丹尼爾·丹尼特（Daniel Dennett）的著作《BrainChildren》[Den98]中對圖靈測試和已經(jīng)實現(xiàn)的各種部分（即觀察者的人工智能知識和提問的題材有局限性的）圖靈測試有精彩的討論。結(jié)果是，有些人很容易被誤導(dǎo)以至相信相當(dāng)愚笨的程序具有智能。
問：人工智能是以達到人類的智力水平為目標(biāo)嗎？
答：是的。努力至極是為了讓計算機程序和人類一樣，能夠解決實際問題、達到預(yù)定目標(biāo)。然而，許多在特定領(lǐng)域從事研究的人遠遠沒有那么雄心勃勃。
問：人工智能離達到人類智能的水平還有多遠？到什么時候才會達到？
答：有些人認為，通過編寫大量人們現(xiàn)在在編寫的那種程序、構(gòu)建由目前用來表示知識的語言所表達的各種事實組成的海量知識庫，人類智能的水平終究是可以達到的。
然而，大多數(shù)人工智能研究人員相信，人工智能要達到人類智能的水平，根本性的原創(chuàng)思想是必不可少的，因而現(xiàn)在還很難預(yù)測何時人工智能才會達到人類智能的水平。
問：計算機是適合智能化的那種機器嗎？
答：可以通過編程讓計算機模擬任何類型的機器。
許多研究人員發(fā)明了其他非計算機類型的機器，他們希望這種機器與計算機程序具有不同形式的智能。這些研究人員通常在計算機上模擬他們所發(fā)現(xiàn)的機器，因而他們最終變得懷疑新機器是否值得制造。由于數(shù)十億美元已被用于提升計算機的運算速度，因此要改用另一種機器，該機器就必須很快，快到能讓其表現(xiàn)比計算上模擬它的程序更加出色。
問：計算機已快到足以被智能化了嗎？
答：有些人認為，更快的計算機和全新的想法都是必需的。我個人的觀點是，30年前的計算機就已經(jīng)足夠快了，要是我們知道如何為其裝配好軟件程序。當(dāng)然，拋開人工智能研究者的雄心，計算機也會越來越快。
問：并行機如何？
答：帶有多個處理器的機器要比只帶單個處理器的機器快很多。并行本身并沒有展現(xiàn)出優(yōu)勢，而且并行機器對于程序設(shè)計來說又有點讓人尷尬。然而，需要極速時，我們則必須面對這種尷尬。
問：可否研制一臺能夠通過閱讀和經(jīng)驗學(xué)習(xí)而不斷獲得改進的“童子機”？
答：這個想法從20世紀40年代開始就被多次提出，它最終也會變成現(xiàn)實。然而人工智能程序尚未達到能學(xué)習(xí)很多孩童從物理經(jīng)驗中所學(xué)的這一水平。當(dāng)前程序?qū)φZ言的理解能力也未高到能通過閱讀學(xué)習(xí)的水平。
問：通過思考人工智能，人工智能系統(tǒng)能否將自身引導(dǎo)至越來越高的智能水平？
答：我想是，但我們還不在開啟這個過程的人工智能層面上。
問：國際象棋如何？
答：俄羅斯人工智能研究者亞歷山大·克朗羅德（Alexander Kronrod）說，“國際象棋是人工智能的果蠅”。他曾以遺傳學(xué)家使用果蠅研究遺傳作類比，使用國際象棋研究人工智能。下棋需要某些但并非所有智能機制?，F(xiàn)在的國際象棋程序是大師級的，但與人類棋手相比，這些程序僅使用了有限的智能機制，并且用大量的計算來替代理解。等我們更好地理解了下棋的智能機制，我們就能編制計算量比現(xiàn)有程序少得多的、人類水平的象棋程序。
不幸的是，讓計算機下棋的競爭和商業(yè)趨向已經(jīng)比將象棋智能作為一個科研方向更為優(yōu)先。這就好比1910年之后，基因?qū)W家組織果蠅競賽，而將精力集中在培育能夠贏得競賽的果蠅上。
問：圍棋呢？
答：中國和日本的圍棋是棋手輪流下子的棋盤類游戲，它揭示了我們目前對人類游戲中智能機制理解的不足。盡管做了相當(dāng)多的努力（但不像國際象棋那么多），圍棋程序仍然非常糟糕。其中的問題似乎是，人們在下棋時會將當(dāng)前棋盤狀態(tài)在頭腦中劃分為一系列子狀態(tài)，先分析每個子狀態(tài)，然后再分析子狀態(tài)的交互作用。人類在下象棋時也會使用這種方法，但象棋程序?qū)⒚恳粻顟B(tài)作為一個整體。象棋程序通過上千次——在使用超級計算機深藍的情形，上百萬次——的計算來彌補這種智能機制的缺失。
不過，人工智能研究遲早會補足這類難堪的缺陷。
問：不是有人說人工智能是壞主意嗎？
答：哲學(xué)家約翰·塞爾（John Searle）說，非生物智能機器的想法言之不清、述之無理。他提出了“中文房間”這一思維實驗www-formal.stanford.edu/jmc/chinese.html。哲學(xué)家休伯特·德萊弗斯（Hubert Dreyfus）說，人工智能是不可能的。計算機科學(xué)家約瑟夫·維森鮑姆（Joseph Weizenbaum）說，人工智能的想法令人生厭，是反人類的、不道德的。各種各樣的人都說過，由于人工智能到目前為止還達不到人類水平的智能，它一定是不可能的。還有一些人，他們對其投資的（人工智能）公司的破產(chǎn)感到失望。
問：可計算性理論和計算復(fù)雜性不是人工智能的重點和關(guān)鍵所在嗎？[非計算機科學(xué)領(lǐng)域的讀者和初學(xué)者需要注意：可計算性理論和計算復(fù)雜性是數(shù)理邏輯和計算機科學(xué)的兩個非常技術(shù)性的分支，因此該問題的回答不得不涉及一些技術(shù)性的細節(jié)。]
答：不是。這些理論與人工智能相關(guān)，但它們并未論及也未破解人工智能的基本問題。
20世紀30年代，數(shù)理邏輯學(xué)家，特別是庫爾特·哥德爾（Kurt Gödel）和艾倫·圖靈（Alan Turing），建立的可計算性理論表明，在某些重要的數(shù)學(xué)領(lǐng)域，不存在能夠解決所有問題的算法。判定一階邏輯語句是否為定理、多元多項式方程是否有整數(shù)解都是這類不可解問題的例子。人類一直在解決這些領(lǐng)域中的問題，這已經(jīng)被當(dāng)作“計算機本質(zhì)上做不了人所做的事情”這一（通常帶有修飾的）論據(jù)。這是羅杰·彭羅斯（Roger Penrose）作出的論斷。其實，人也無法保證自己能解決這些領(lǐng)域中的任意問題。參見我的書評Review of The Emperor’s New Mind（羅杰·彭羅斯著）。更多捍衛(wèi)人工智能研究的論文和評述見諸于[McC96a]。
20世紀60年代，計算機科學(xué)家，特別是史蒂夫·庫克（Steve Cook）和理查德·卡普（Richard Karp），建立了NP完全問題類理論。NP完全問題類中的問題都是可解的，但求解問題所需的時間可能會隨問題規(guī)模變大而呈指數(shù)級增長。命題演算中哪些語句是可滿足的就是一個NP完全問題類中的一個基本實例。人類解決NP完全問題類中的問題所花的時間常常會比通用算法所需要的時間短很多，但一般來說人類卻不能很快解決這類問題。
對人工智能來說，重要的是有算法，它們能像人一樣解決問題。確定存在良好算法求解其中問題的問題子類非常重要，但許多人工智能問題求解器都沒有與容易確定的問題子類相關(guān)聯(lián)。
計算復(fù)雜性是用于描述通類問題求解困難程度的理論。到目前為止，這一理論與人工智能的互動還沒有人們所希望的那么多。人類和人工智能程序能否成功解決問題似乎取決于問題的特性和問題求解的方法，這兩者計算復(fù)雜性研究者和人工智能界都還不能確定。
所羅門諾夫（Solomonoff）、柯爾莫果洛夫（Kolmogorov）和蔡廷（Chaitin）（彼此獨立）建立的算法復(fù)雜性理論也與人工智能相關(guān)。該理論將符號對象的復(fù)雜性定義為生成它的最短程序的長度。證明候選程序最短或者接近最短是一個不可解問題，但用最短生成程序表示對象的想法應(yīng)該常給我們啟發(fā)，即便我們無法證明候選程序最短。
二、人工智能的分支
問：人工智能有哪些分支？
答：這里有份清單，但肯定不完整，因為還沒有人確定到底有哪些分支。清單中有些條目可以看作是概念和主題，而不是完整的分支。
邏輯人工智能（logical AI）：程序所認知的世界，一般來說是其作用于特定狀態(tài)的事實，和程序的目標(biāo)都是用某種數(shù)理邏輯語言的語句來表示。程序先推斷確定適合達到目標(biāo)的操作再決定去做什么。該想法在文章[McC59]中首次提出。文獻[McC89]是一個近期的總結(jié)，[McC96b]列出了一些邏輯人工智能所涉及的概念，而[Sha97]是一本重要的教材。
搜索（search）：人工智能程序經(jīng)常需要檢驗大量的可能性，譬如，國際象棋棋子可能的移動或定理證明程序中可能的推理。在不同領(lǐng)域，人們都不斷有如何進行更有效檢驗的發(fā)現(xiàn)。
模式識別（pattern recognition）：當(dāng)進行某種觀測時，程序經(jīng)常被設(shè)計得將其所觀測到的與某個模式相比較。比如，視覺程序可以嘗試匹配場景中眼睛和鼻子的模式來找到面部。已被研究的更復(fù)雜的模式還包括出現(xiàn)在自然語言文本、國際象棋的棋盤狀態(tài)或某些歷史事件中的種種模式。與已經(jīng)廣泛研究的簡單模式相比，這些復(fù)雜模式的研究更需要頗為不同的方法。
表示（representation）：有關(guān)現(xiàn)實世界的事實必須以某種方式表示。數(shù)理邏輯語言通常被用于此類表示。
推斷（inference）：從某些事實可以推斷出另外一些事實。數(shù)理邏輯的演繹推理在某些情形是合適的，但自1970年以來，非單調(diào)推理的新方法也逐步發(fā)展起來。最簡單的一類非單調(diào)推理是默認推理，其中結(jié)論是要通過默認推出，而結(jié)論可以撤回如果存在相反證據(jù)。譬如，當(dāng)我們聽到鳥叫時，我們可以推斷它會飛。這一結(jié)論在我們聽出它是一只企鵝后可以被推翻。有可能，推理的結(jié)論也必須撤回，這就形成了推理的非單調(diào)特征。通常的邏輯推理，在能從一組假設(shè)得出的結(jié)論組是這些假設(shè)的單調(diào)遞增函數(shù)這個意義下，都是單調(diào)的。限定推理是非單調(diào)推理的另一種形式。
常識知識與推理（common sense knowledge and reasoning）：盡管常識知識與推理自20世紀50年代以來一直是一個活躍的研究領(lǐng)域，但它仍是人工智能與人類智能水平相差最遠的領(lǐng)域。盡管在非單調(diào)推理系統(tǒng)研發(fā)和行為理論研究等方面已有相當(dāng)多的進展，但更多新思想仍然是迫切需要的。Cyc系統(tǒng)收集了為數(shù)眾多但良莠不齊的常識事實。
經(jīng)驗學(xué)習(xí)（learning from experience）：程序自己學(xué)習(xí)?；谶B接主義和神經(jīng)網(wǎng)絡(luò)的人工智能方法擅長于此。也有由邏輯表達的規(guī)律學(xué)習(xí)。[Mit97]是一本關(guān)于機器學(xué)習(xí)的綜合性本科教材。程序只能學(xué)習(xí)其形式體系能表示的事實或行為，但不幸的是，學(xué)習(xí)系統(tǒng)幾乎都是基于表示信息能力非常有限的形式體系。
規(guī)劃（planing）：從有關(guān)現(xiàn)實世界的一般事實（特別是有關(guān)行為效果的事實）、有關(guān)特定場景的事實以及目標(biāo)陳述開始，規(guī)劃程序生成一個達到目標(biāo)的策略。在最常見的情形，策略就是一系列的動作。
認識論（epistemology）：認識論研究解決現(xiàn)實問題所需的那種知識。
本體論（ontology）：本體論研究存在的那種事物。在人工智能中，程序和語句處理各種對象，而我們研究的是，這種對象是什么，它們的基本特性是什么。本體論在20世紀90年代開始受到重視。
啟發(fā)式策略（heuristics）：啟發(fā)式策略是一種嘗試發(fā)現(xiàn)事物的方式或者嵌入到程序中的想法。該術(shù)語在人工智能領(lǐng)域被廣泛使用。在某些搜索方法中，啟發(fā)式函數(shù)被用于度量搜索樹中的節(jié)點與搜索目標(biāo)大致相差有多遠。用于比較搜索樹兩個節(jié)點以確定一個是否比另外一個更好（也即確定前者是否朝著目標(biāo)更進一步）的啟發(fā)式謂詞或許更有用。[我的觀點]
遺傳程序設(shè)計（genetic programming）：遺傳程序設(shè)計是一種讓程序通過配對隨機Lisp程序和選取數(shù)百萬后代中的最優(yōu)者來完成任務(wù)的技術(shù)。該技術(shù)由約翰·科扎（John Koza）的研究小組開發(fā)，這里有一個教程。
三、人工智能的應(yīng)用
問：人工智能的應(yīng)用有哪些？
答：部分應(yīng)用羅列如下。
博弈（game playing）：你花幾百美元就能買到具有大師級水平的下棋機器。它們有一些人工智能，但主要還是通過蠻力計算（每秒查看成千上萬種可能狀態(tài)）與人對弈。要用已有可靠的啟發(fā)式方法和蠻力計算戰(zhàn)勝世界冠軍，程序每秒至少需要查看兩億個狀態(tài)。
語音識別（speech recognition）：20世紀90年代，局限在某些情形，計算機語音識別達到了實用水平。美國聯(lián)合航空公司用一個通過語音識別航班號和城市名的系統(tǒng)替換了它關(guān)于航班信息的鍵盤樹。它用起來相當(dāng)方便。另一方面，用語音控制計算機是可能的，然而大多數(shù)用戶還是回到了鍵盤和鼠標(biāo)，因為它們還是更為方便。
自然語言理解（understanding natural language）：僅將單詞序列輸入到計算機是不夠的，只解析語句也是不夠的。要實現(xiàn)自然語言理解，還必須讓計算機能夠理解文本的領(lǐng)域。目前，這只對很有限的領(lǐng)域才可能做到。
計算機視覺（computer vision）：現(xiàn)實世界是由三維物體組成的，而人眼、計算機的電視攝像機接收的輸入?yún)s是二維的。一些有用的程序只能處理二維信息，但完整的計算機視覺則需要部分不就是一組二維視圖的三維信息。目前，直接表示三維信息的方式非常有限，這些方式也不如人類平常所用的方式那樣好。
專家系統(tǒng)（expert systems）：一個“知識工程師”訪談某個領(lǐng)域的專家們，試圖將他們的知識嵌入到計算機程序中以自動完成某種任務(wù)。這項工作的效果取決于完成任務(wù)所需的智能機制是否超出了人工智能的現(xiàn)狀。如果確實如此，結(jié)果大都令人失望。最早的一個專家系統(tǒng)是1974年完成的MYCIN，它被用于診斷血液細菌感染、提供治療建議。它比醫(yī)科學(xué)生和實習(xí)醫(yī)生做得都好，其前提是它的局限性已觀察清楚。也就是說，它的本體知識包括細菌、癥狀和治療方案，但不包括病人、醫(yī)生、醫(yī)院、死亡、康復(fù)以及突發(fā)事件等信息。其互動依賴于單個被診治的病人。由于被咨詢的專家們了解病人、醫(yī)生、死亡、康復(fù)等信息，知識工程師只需將專家告知的信息塞入預(yù)先設(shè)定的框架即可。這就是當(dāng)前人工智能發(fā)展的現(xiàn)狀。目前專家系統(tǒng)有用與否取決于其用戶是否具備常識。
啟發(fā)式分類（heuristic classification）：鑒于人工智能的現(xiàn)有知識，最可行的一種專家系統(tǒng)是使用多信息源將信息進行分組歸類。一個具體的例子是建議是否接受提議的信用卡購物。已知的信息包括信用卡持有人，他的付款記錄，他正在購買的商品以及他購買商品的商家（如該商家以前是否有過信用卡欺詐行為）等。
四、其他問題
問：人工智能研究做得如何？
答：人工智能研究有理論和實驗兩個方面。實驗又有基礎(chǔ)和應(yīng)用兩個方面。人工智能研究有兩條主線。一條是生物學(xué)的，它基于“由于人類具有智能，所以人工智能應(yīng)該研究人類并且模仿人類的心理和生理”這一想法。另一條是現(xiàn)象性的，基于研究、形式化有關(guān)現(xiàn)實世界的和為達到目標(biāo)現(xiàn)實世界呈現(xiàn)的問題的常識事實。這兩種途徑在一定程度上會相互作用，二者最終都應(yīng)該成功。這是一場賽跑，但兩名跑步選手似乎都還在行走。
問：人工智能與哲學(xué)有什么關(guān)系？
答：人工智能與哲學(xué)尤其是現(xiàn)代分析哲學(xué)之間有很多關(guān)系。兩者都研究人腦和思想，也研究常識。這方面最好的參考文獻是[Tho03]。
問：人工智能和邏輯程序設(shè)計是如何關(guān)聯(lián)的？
答：最最起碼，邏輯程序設(shè)計提供了有用的程序設(shè)計語言（主要是Prolog）。
除此之外，有時候，人工智能中有用的理論T可以表示為霍恩（Horn）子句集H，而要達到的目標(biāo)G則可以表示為尋找變量x1,x2,...,xn的值使其滿足表達式g(x1,x2,...,xn)。該問題有時可以通過運行由G和H組成的Prolog程序來解決。
將AI當(dāng)作邏輯程序設(shè)計會有兩種可能的障礙。首先，霍恩理論對一階邏輯的研究并不徹底。其次，用于表達理論的Prolog程序可能效率極低。比執(zhí)行表達理論的程序更多、更精細的控制是經(jīng)常需要的。地圖著色提供了這類問題的示例。
問：準備或者正在學(xué)習(xí)人工智能時，我還應(yīng)該學(xué)習(xí)什么？
學(xué)習(xí)數(shù)學(xué)，尤其是數(shù)理邏輯?？茖W(xué)如物理學(xué)或者生物學(xué)，你學(xué)得越多越好。對于人工智能生物學(xué)方法，去學(xué)習(xí)心理學(xué)和神經(jīng)系統(tǒng)的生理學(xué)。還應(yīng)該學(xué)習(xí)一些程序設(shè)計語言——至少應(yīng)該學(xué)習(xí)C語言、LISP語言和Prolog語言。再學(xué)一種基礎(chǔ)的機器語言也是一個好主意。就業(yè)可能會取決于你是否熟悉或者通曉當(dāng)前流行的程序設(shè)計語言。在20世紀90年代后期，這類語言包括C++和Java。
問：人工智能的好教材是哪一本？
答：由普倫蒂斯·霍爾出版社出版的、斯圖爾特·拉塞爾（Stuart Russell）和彼得·諾維格（Peter Norvig）編著的《人工智能》是1997年最通用的教科書。該書中表示的一般觀點與本文中的觀點并不完全一致。尼爾斯·尼爾森（Nils Nilsson）和摩根·考夫曼（Morgan Kaufman）編著的《Artificial Intelligence:A New Synthesis》可能更容易閱讀。還有一些人更喜歡1998年牛津大學(xué)出版社出版的，大衛(wèi)·普爾（David Poole）、艾倫·麥克沃思（Alan Mackworth）和蘭迪·戈貝爾（Randy Goebel）編著的《Computational Intelligence》一書。
問：哪些組織和出版物關(guān)注人工智能？
答：美國人工智能協(xié)會（AAAI）、歐洲人工智能會議（ECCAI）和人工智能與行為模擬協(xié)會（AISB）都是有關(guān)人工智能研究的學(xué)會。計算機協(xié)會（ACM）有一個人工智能的專業(yè)分會（SIGART）。
國際人工智能聯(lián)合會議（IJCAI）是主要國際會議。美國人工智能協(xié)會組織一個關(guān)于人工智能的國內(nèi)會議?！禘lectronic Transactions on Artificial Intelligence》、《Artificial Intelligence》、《Journal of Artificial Intelligence Research》、《IEEE Transactions on Pattern Analysis and Machine Intelligence》是發(fā)表人工智能研究論文的四個主要期刊。我還沒有找到所有應(yīng)該出現(xiàn)在這一段的內(nèi)容。
Page of Positive Reviews列出了專家們認為重要的論文。
美國國家研究委員會所編的《Funding a Revolution:Government Support for Computing》一書中的第九章表述了對人工智能研究的支持。
