人 工 智 能

人工智能最妙的一招，是給這攤看起來很散的東西找了個能裝下一切的鏡頭——智能體（agent）。我順著三本把它讀進去：Russell & Norvig 的《人工智能：現代方法》是地基，把"感知→決策→行動"的框架講透，也把"價值對齊"那點不安埋在第 4 版裏；蘇萊曼的《浪潮將至》是踩剎車之書，順著浪潮、遏制、困境三條線，逼問技術擴散不可逆時我們該怎麼踩；李飛飛的《我看見的世界》則把人放回中心——ImageNet 於她是一個假設、一個賭注，規模只是副產品、多樣性才是。讀下來，AI 是唯一一個會反過來逼問"我到底想要什麼"的學科。

"人工智能"這名字是 1956 年達特茅斯會議上定下來的。但 Russell & Norvig 那本《人工智能：現代方法》的野心，不是把它寫成一場炫技集錦，而是一門工程科學：能設計、能度量、能改進。書裏先用四個角度去框定 AI——像人一樣思考（思考的理性）、像人一樣行動（行動的理性）、理性地思考、理性地行動——最後收斂到一個最乾淨的説法：理性智能體（rational agent），即在給定的感知歷史下，選擇能最大化期望效用的那一步行動。

這個收斂很關鍵。它意味著，無論你聊的是下圍棋的 AlphaGo、聊天的助手、還是工廠裏的機械臂，都能塞進同一個骨架裏去想：它在什麼環境裏、感知到什麼、能採取哪些行動、又為了優化什麼。先別盯模型架構，先盯這四個問題，反而更容易看清一個 AI 到底在幹嘛、會栽在哪裏。説白了，智能體就是任何能通過傳感器感知環境、並通過執行器作用於環境的實體；理性智能體，就是在每一步都選那個讓"性能度量"期望值最大化的行動。

所有 AI 系統，抽象到最底層，都是同一個迴路：環境給出感知（percepts），智能體據此做決策、輸出行動（actions），行動又改變環境，下一輪感知再來。而評判它"做得好不好"的尺子，是藏在旁邊的性能度量。

順著"智能體"這個鏡頭，有幾件事我反覆提醒自己。第一是統一鏡頭本身：聊天機器人、AlphaGo、自動駕駛、推薦系統，表面風馬牛不相及，用"智能體"一框就通了——都在某個環境裏感知、決策、行動。理解一個 AI，先別急著看它是不是大模型，先問清它在什麼環境裏、能感知什麼、能做什麼、為了優化什麼，這四個問題比架構名詞更能暴露本質。

第二是理性標準：效用最大化。AI 不做"對的事"，它做"給定目標下期望值最高的那一步"。這聽著冷，卻是關鍵：它的好壞完全由你給的"性能度量"定義。所以目標怎麼寫，比模型怎麼搭更致命——一個寫歪的度量，會讓一個極其聰明的系統，高效地走向你並不想要的結果。

第三是範式轉移：從知識到學習。前三十年，主流是知識工程：人把專家的規則一條條寫進系統（專家系統）。但《現代方法》第4版坦承，實戰裏這條路被數據驅動的學習碾壓了——從"教機器規則"到"讓機器從數據裏自己找規律"，是這門學科近年的地震。今天你聽到的大模型，正是這條路的極端延伸。

第四，也是最讓我坐不住的，是價值對齊這個未解難題。第4版比前幾版多了一分清醒的不安：當智能體越來越強，它該優化的"效用函數"到底從哪來？如果是人給的，人給得清嗎？它會不會為了高分走捷徑、鑽空子（reward hacking）？這既是技術題，也是哲學題——機器越強，越逼我們回答"我到底想要什麼"。李飛飛那句"人工智能必須明確以人為本"，以及"規模只是副產品、多樣性才是"——直接撞上我們老拿規模當智能的幻覺。

順著智能體這條線，《現代方法》還把 AI 系統按能力從弱到強排成了一列，越往後越不需要人把世界寫死在規則裏。簡單反射智能體只看當前感知、按固定規則反應，無記憶，像恆温器，環境一複雜就失靈。基於模型的反射智能體內部維護一個"世界模型"，能處理部分可觀測的環境，但還是靠人寫的模型。基於目標的智能體不只看當下，還考慮"我想達成什麼"，向前規劃路徑，開始像在解決問題。基於效用的智能體在目標不止一個、還要權衡時引入效用函數打分，選期望值最高者，這是對"理性"最完整的落地。而今天你聽到的機器學習、大模型，落在學習型智能體這一類——前面四類都能加一個"學習元件"，讓它從經驗裏改自己的知識、模型甚至效用，不再全靠人喂規則。