人工智能相關教科書的演變，展現了該學科數十年的發展脈絡。從尼爾森的機器學習先驅著作，到羅素與諾維格那本“不可承受之重”的百科全書式教材，AI教科書記錄了不同思想派別的幾起幾落。然而，面對近年來大模型帶來的變革，AI教科書目前仍缺乏第一性原理，這也導致學科內容在飛速發展中顯得“飄忽不定”。

《人工智能簡史》（第3版；人民郵電出版社，2026年4月）

撰文 | 尼克

Why most textbooks are so awful？

為什么大部分教科書讓人不快？

——Richard Feynman（費曼）

最早的人工智能系統性教科書的作者可能是尼爾森（Nils J. Nilsson）。他在 20 世紀 60 年代初已經意識到不太可能把人工智能的兩條路線整合在一起，于是寫了《學習機：可訓練模式分類系統的基礎》（Learning Machines: Foundations of Trainable Pattern-Classifying Systems），于 1965 年出版。這本書也是神經網絡領域最早的教科書之一。1971 年，他又寫了符號派的《人工智能中的問題求解方法》（Problem Solving Methods in Artificial Intelligence）。有意思的是，這兩本書出版的間隔期恰是人工智能拋棄神經網絡，走向啟發式程序的轉折期。他后來陸續寫的幾本書都是符號派的，其中 1980 年的《人工智能原理》（Principles of Artificial Intelligence）影響最大，是標準教科書，書中只字未提機器學習。此書 1983 年由清華大學的石純一教授等譯為中文，大概是國內最早引進的人工智能教材之一。1998 年的《人工智能：新綜合》（Artificial Intelligence: A New Synthesis）可視為上一本書的修訂版，其中 4 章講定理證明（其實就是歸結方法及其變種），4 章講智能體（agent），1 章講神經網絡，1 章講機器人，2 章講規劃，另 4 章講搜索算法，幾乎都照顧到了，算是中庸。

尼爾森 1985 年離開他服務了二十多年的斯坦福研究所，成為斯坦福大學任計算機科學系主任。1987 年，他和斯坦福大學的吉內塞雷斯（Michael R. Genesereth）合寫了一本更加窄門的教科書《人工智能的邏輯基礎》（Logical Foundations of Artificial Intelligence），聚焦與邏輯相關的話題。吉內塞雷斯一直在人工智能領域努力推動邏輯，但他畢竟是一位資深的工程師，而不是專業的邏輯學家，他的興趣是把 KIF（knowledge interchange format，知識交換格式）推成標準。書中專有一章“Metaknowledge and Metareasoning”，這是 KIF 的理論基礎，也為后來知識圖譜的標準化工作積累了一些經驗。這是一本不嚴格和不完全的一階邏輯和定理證明的教科書，質量和影響都不如張欽良（Chin-Liang Chang）和李家同（Richad Char-Tung Lee）的《符號邏輯與機器定理證明》（Symbolic Logic and Mechanical Theorem Proving），可惜后者第 7 章有些錯誤，而兩位作者之后也遠離機器定理證明領域，一直沒有出它值得的修訂版。

隨后，人工智能的風向變了。尼爾森逝世前一直在寫關于“Introduction to Machine Learning”的書稿，很遺憾沒有寫完。他邊寫邊把書稿在他的斯坦福大學個人主頁上更新，最后一次修訂是在 2005 年，其中有兩章講強化學習。幾本書既映射了尼爾森的職業生涯，也見證了人工智能學科的變遷：從機器學習起，到機器學習終。2009 年出版的人工智能歷史專著《探尋人工智能：思想與成就的歷史》（The Quest for Artificial Intelligence: A History of Ideas and Achievements）是尼爾森對整個人工智能學科幾十年發展的反思。幾起幾落，他都是參與者。

明斯基是人工智能的先驅之一，他不喜事務管理，很早就從麻省理工學院人工智能實驗室主任的職位上退下，交班給他的學生溫斯頓（Patrick Winston）。溫斯頓年紀輕輕便憑著出色的行政能力執掌有大量經費的人工智能實驗室。溫斯頓所著的《人工智能》曾經是該領域的標準教科書，此書 1977 年出第 1 版，1992 年出第 3 版，相隔 15 年，這正是神經網絡派不得意的時期。此書自然是符號派的，雖然內容不斷充實，但思想路線無本質變化。

瑞奇（Elaine Rich）的《人工智能》自 1983 年出版后一直是美國最流行的教科書之一。該書 1991 年的第 2 版和 2010 年的第 3 版分別增加了新作者。瑞奇在卡內基-梅隆大學畢業后就加入得克薩斯大學奧斯汀分校任教。20 世紀 80 年代初，美國在奧斯汀成立 MCC （編者注：Microelectronics and Computer Technology Corporation，當時規模最大的計算機工業研發聯合體）以應對日本在半導體和人工智能領域的崛起，瑞奇加入 MCC 并作為人工智能項目的負責人。1998 年，瑞奇重返奧斯汀分校任教，并在 2000 年晉升為高級講師。《人工智能（第 3 版）》的倒數第 2 章居然是 Prolog，并且副標題是“人工智能的自然語言”。MCC 的使命之一就是對抗日本的第五代計算機，而 Prolog 就是第五代計算機的基礎，可以看出時代留下的印跡。此書的前兩版基本是傳統符號派的，但第 3 版有兩章專講神經網絡、一章講遺傳算法，尚算平衡。

布朗大學的查尼亞克（Eugene Charniak）和耶魯大學的麥克德莫（Drew McDermott）是麻省理工學院的博士生同學，他們合作的《人工智能引論》（Introduction to Artificial Intelligence）出版于 1985 年，也是符號派的標準教科書。查尼亞克的研究興趣是自然語言處理，曾經深耕統計句法分析器（parser）。麥克德莫的興趣則是基于邏輯的自動規劃（automated planning）。查尼亞克與時俱進，2019 年自己出版了《深度學習導論》（Introduction to Deep Learning）。此書是項目驅動型教材，除了第 1 章，每章都要求用 Python 做一個項目，其中一章專講如何使用 Tensorflow。這本書雖然偏應用，但也不失嚴謹，用到的數學知識都交代得清清楚楚，有一定編程基礎的讀者可將其作為入門書，理論和實踐兼顧。

金斯伯格（Matt Ginsberg）1993 年出版的《人工智能指要》（Essentials of Artificial Intelligence）也頗有影響力。第 7 章章名“謂詞邏輯”和第 8 章章名“一階邏輯”有點奇怪。在邏輯學家的詞典里，謂詞邏輯就是一階邏輯。但金斯伯格用“謂詞邏輯”特指 Prolog 類型的句法，即已經消掉量詞的一階邏輯，或者用 Prolog 自己的說法叫“子句邏輯”。另外，該書專有一章講“非單調推理”，這是一個現在不太有人關注的領域。

認知科學和人工智能的交集很大，盡管術語有所不同。平克（Steven Pinker）不僅是認知心理學家，還是一位公共知識分子。他有本暢銷書《心智探奇：人類心智的起源與進化》（How the Mind Works），內容其實就是把人工智能教材里的公式和算法翻譯成心理學的文字描述和比喻。此書中文譯本的章節標題都被翻譯為人工智能的術語，如果只看中文標題，會認為它和標準的人工智能教科書沒有太大區別。

羅素和諾維格（Stuart Russell 和 Peter Norvig）的《人工智能：現代方法》（Artificial Intelligence: A Modern Approach）是最全面、最“現代”的標準教材，被全球 1500 多所學校采用。第二作者諾維格后來長期負責谷歌的搜索項目，但從沒有離開教學，他自稱用這本書至少教了 16 萬名學生。這本書也是同類里最厚的，共 1100 多頁，比瑞奇的《人工智能》最新版足足厚了一倍多。如果按照正文的頁數分，傳統內容大約有 600 頁，概率推理內容不到 200 頁，而與深度學習和強化學習相關的內容大約有 220 頁，另有關于哲學和未來展望的兩章共 40 頁。

該書第 1 版出版于 1995 年，里面幾乎沒有神經網絡的內容。2003 年出第 2 版時，雖仍沒有神經網絡的內容，卻有一章講強化學習，并對強化學習有獨到的評價，這反映了作者的品味。他們書中有言：“可以認為強化學習包含了全部人工智能。”（Reinforcement learning might be considered to encompass all of AI.）2020 年，該書第 4 版出版，距第 1版問世已經 25 年了。與 2010 年出的第 3 版相比，第 4 版增加了“深度學習”一章，在“自然語言處理”一章之后增加了“自然語言處理中的深度學習”一章，專講與大模型相關的基礎內容。在“機器人學”一章中也加了“強化學習”一節。在“對抗搜索和博弈”一章中加了“蒙特卡洛樹搜索”一節，很明顯這受到了 AlphaGo 的影響。原來有兩章關于規劃（planning）的內容，現在合并為一章，而概率推理的內容原來有兩章，現在有 3 章。總體來看，第 4 版與第 3 版相隔 10 年，結構并沒有太大改動，畢竟第 3 版出版時深度學習已經遍地開花了。另外，第 20 章“學習中的知識”雖然說的是機器學習，但聚焦“基于解釋的學習”（explanation-based learning），早年間這也稱為歸納（induction），更多是邏輯的內容，與當下的深度學習和強化學習關系不大。

下表總結了人工智能子學科及其活躍年代，以及代表性教科書。

教科書內容的變化之大，恐怕不亞于 ChatGPT 帶來的 NLP（自然語言處理）革命。幾年前還流行的 NLP 教科書的作者都感到困惑，他們原來書中大篇幅覆蓋的分詞、句法分析等，在擅長端到端一步到位的大語言模型面前，突然變成了無用的學問。但目前尚沒有理論基礎支持 Transformer 這種大語言模型的基本架構就是相對穩定的，大概率它還會演進。那教科書該怎么寫呢？

教科書是不是越厚、越全面就越好？《費曼物理學講義》有多個版本，以千禧年版為例，一共 1500 多頁，被分印成 3 冊，每冊內容側重不同，分別講力學、電磁學和量子力學。物理學最流行的教科書是哈里德和瑞思尼克（David Halliday 和 Robert Resnick）的《物理學基礎》（Fundamentals of Physics），第 1 版出版于 1960 年，到 2021 年已經出到第 12 版，兩位作者都長壽，分別在 2010 年（94 歲）和 2014 年（91 歲）過世。最近的幾版由比他們年輕的沃爾克（Jearl Walker）完成，而沃爾克也已 80 多歲了。第 11 版接近 1500 頁，可謂“不可承受之重”。第 12 版分為上下兩卷，上卷覆蓋力學和熱力學，下卷則包含電磁學、相對論和量子物理。

要論出版的版數，物理學的書比不過經濟學的，薩繆爾森（Paul Samuelson）的《經濟學：入門分析》（Economics: An Introductory Analysis）1948 年出第 1 版，2021 年出到第 20 版，薩繆爾森 2009 年去世時，該書出到第 19 版。1985 年出第12 版時，諾貝爾經濟學獎獲得者諾德豪斯（William D. Nordhaus）加入，作為共同作者。計算機科學的另一本暢銷教科書《計算機體系結構：量化研究方法》（Computer Architecture: A Quantitative Approach）在 2017 年出第 6 版時，也近 1000 頁了。

羅素和諾維格兩位作者正值壯年，他們的書也許可以出到第 10版，但那時恐怕要超過 2000 頁了。以物理學教科書的經驗看，要想成為經典，首先學科已成穩態；其次，書被廣泛采用。人工智能教科書中最有望成為經典的就是羅素和諾維格的這本了，不過人工智能學科還在發展，我們甚至不敢肯定現在書中的內容將來還會歸屬同一學科。另外，對于一門成熟的學科，要將一線研究的內容寫到教科書里，往往需要更長的時間。相比于當下的物理學，人工智能是快速發展的學科，其教科書也更及時地反映了前沿研究，即便如此，一個重要的進展最快也需要 3 到 5 年才能出現在教科書里。每個作者都有自己的品味，全面如羅素和諾維格的書，也對選材有所取舍。作者只字不提語義網（semantic web）——在 2006 年的 AAAI 會上，諾維格曾經不滿語義網的進展，和語義網的倡導者 Tim Berners-Lee 不睦。邏輯派內部的觀點也不完全統一。

人工智能的板塊之間并沒有邏輯的關系，把所有內容丟到一個大桶里是不是一個好的教科書組織方式值得探討。人工智能是否也會像物理學一樣，在其教科書變得太厚之前，會被一分為二或三？圖靈獎獲得者本吉奧（Yoshua Bengio）作為作者之一的《深度學習》算是深度學習的標準教科書了。巴托和薩頓（Andrew G. Barto和RichardS. Sutton）師徒倆的經典著作《強化學習》首版于 1998 年出版，20 年后推出了第 2 版。值得指出的是，強化學習作為獨立的領域，是在 2016 年 AlphaGo 出名后才逐漸火起來的，他們兩位不屈不撓的堅持使得強化學習免成絕學。

人工智能教科書的編寫體例需要新的思維，可能需要加些理論基礎作為黏合劑。圖靈 1950 年的人工智能開創性文章《計算機與智能》提出的問題是基于圖靈 1936 年的計算理論開創性工作的。無論是外行還是內行，最常問的就是“智能等價于計算嗎？”。對此，符號派和深度學習派都沒有給出答案，甚至沒有回答的框架。深度學習和強化學習的從業者中，電子工程（包括控制工程、系統工程等）背景的人不少于計算機科學的，而前者幾乎不熟悉計算理論，甚至不知道丘奇-圖靈論題，這肯定無助于提供一個系統性的理論基礎。羅素和諾維格的書在最后一章借用了經濟學詞匯：新古典經濟學假設“完美理性”（perfect rationality），該書中有對應物“計算理性”（calculative rationality）；經濟學中有司馬賀的“邊界理性”（bounded rationality），該書中有對應物“有界優化”（bounded optimality）。從計算理論的角度看，所謂“計算理性”，可以參照計算理論里的可計算性；而“有界優化”，可參照計算復雜性。經濟學以“理性人”作為公理框架，而人工智能里的智能體（agent）可以有根據地參照圖靈機。相較于那幾本經典的物理學教科書，人工智能教科書缺乏第一性原理，即計算理論，這也使得人工智能的內容給人以飄忽不定的感覺。

美國學界有編手冊的傳統。中國的手冊多是工具書，例如《數學手冊》，而美國的手冊多是長篇綜述文章的文集，例如《數理邏輯手冊》（Handbook of Mathematical Logic，1977）、《自動推理手冊》（Handbook of Automated Reasoning，2001）等。20 世紀 80 年代初，人工智能的領袖人物之一費根鮑姆和他的跟隨者科恩等牽頭編輯 3 卷本《人工智能手冊》（The Handbook of Artificial Intelligence），1989 年又補充了第 4 卷，全書共 2000 多頁。書中沒有系統講解神經網絡，只是在第 3 卷第 9 章“學習與歸納推理”的 D2 一節中用 4 頁作為歷史回顧，提了下羅森布拉特和他的感知機，以及明斯基和佩珀特 1969 年的《感知機》一書，并說這書給出了神經網絡的“理論局限”（theoretical limitation）。今天看，這套手冊一半以上的內容已經過時。

20 世紀 80 年代末的某一學期，馬薩諸塞大學的人工智能課程獨樹一幟，由計算機系的所有人工智能教授聯合授課，每人負責一個主題（如下頁表），主要參考書目是費根鮑姆和科恩等主編的《人工智能手冊》。此外，瑞奇 1983 年出版的《人工智能》也是參考讀物，但每個老師以自己的教輔材料為主。老師們也分屬人工智能的不同派別，很難統一口徑。計算機系如此開課只此一回，但讓我趕上了。

馬薩諸塞大學計算機和人工智能的多元化教師團隊同時開課的方式，除了說明教師隊伍確屬頂流，也讓有慧根的學生領略到各門派的精華。相比之下，差不多同一時期，溫斯頓用自己的那本流行的教科書開的課，在當時堪稱人工智能教學的基準，都已被錄像。但今天看來，內容基本已過時，也沒有留下很多可供借鑒的思路。

以更成熟的學科視角看，人工智能教科書的轉折是不可思議的——不能想象一本物理學教科書會對相對論或者量子力學時而聚焦，時而回避。最近，人工智能的兩條路線也開始出現交集。例如用強化學習的方法解決邏輯的問題，為近乎停滯的定理證明帶來些許光明。同時，理論家們開始探索各種學習問題的邊界。

教科書不僅是學術進步的跟隨者，也應是知識的梳理者。但教科書也會使我們遺忘很多為這門學科做出貢獻的人。歐幾里得在《幾何原本》中總結了他知道的所有幾何知識，但我們幾乎不知道書中那些定理的原創者。NP 完全性是計算理論的核心內容之一，但 20 世紀七八十年代的學者和學生大多不是直接從庫克 1971 年那篇著名論文學習的，而是通過加雷（Michael R. Garey）和約翰遜（David S. Johnson）那本人手一冊的教科書（Computers and Intractability: A Guide to the Theory of NP-completeness）學習的。教科書應該為學生提供系統且經濟的學習路徑。教科書的作者最好是資深的一線研究者，或者是丘成桐所謂“退休的一線研究者”，他們的品味，宏觀上可以幫助后學者看到學科的無死角的風景。

注：本文封面圖片來自版權圖庫，轉載使用可能引發版權糾紛。

特 別 提 示

1. 進入『返樸』微信公眾號底部菜單“精品專欄“，可查閱不同主題系列科普文章。

2.『返樸』提供按月檢索文章功能。關注公眾號，回復四位數組成的年份+月份，如“1903”，可獲取2019年3月的文章索引，以此類推。