三條思想路線
邏輯主義、連接主義、自然主義是作者的導覽框架，不是互斥的產品分類。
「人工智能的核心問題正在被歸約到幾個理論（計算理論和學習理論）問題。」尼克 · 第16章 · EPUB chapter022 · 抽取段 12
01 / PREFACE
先讀作者為何重寫
「我寫這一版的主要動機是大語言模型。」尼克（本書作者） · 第3版前言 · EPUB chapter004 · 抽取段 4
本站沒有虛構推薦人或讀者評分；這裡以原書前言取代外部書評。
第3版將大語言模型帶來的新問題放回舊理論：語言與思維的關係、計算的邊界、學習與壓縮。新增第9、11、14章，分別切入語言、學習理論與教材變遷。
本書不是中性的年份清單。作者對人物與學派有鮮明評價；閱讀時，請分開歷史事件、理論命題與作者判斷。本網站的摘要、圖解及練習為原創導讀，不替代原書。
02 / LENSES01 02 03 04
四副閱讀的鏡片
把一本跨越技術與哲學的書，讀成可以往返查證的結構。下列短引文保留原意，簡體原文轉為繁體；位置依EPUB抽取段落，不冒充紙本頁碼。
兩種計算邊界
可計算性問能否求解；複雜性問資源與效率。不要用更快取代模型上的論證。
「從圖靈機看人工智能，要考慮兩個層面：一個是可計算性，另一個是計算複雜性。」尼克 · 第10章 · EPUB chapter016 · 抽取段 40
學習與壓縮
從序列推斷到算法信息論，是本書理解大模型的理論視角；不是訓練配方。
「歸納推理就是力圖找到一個編碼長度最短的圖靈機程序，可以爲（x1，x2，…，xn）建模，從而準確地預測後續序列。」尼克 · 第11章 · EPUB chapter017 · 抽取段 23
教材與共同體
讀目錄也能讀出研究方向的取捨；歷史不是隻有現在最流行的技術。
「教科書不僅是學術進步的跟隨者，也應是知識的梳理者。」尼克 · 第14章 · EPUB chapter020 · 抽取段 28
03 / CONNECT THE IDEAS
不是一條直線的思想地圖
點選圖中節點，查看路線、關鍵問題與精讀章節。連線表示導讀上的概念關聯，不宣稱全部具有直接歷史因果關係。
鍵盤：Tab選節點，Enter／空白鍵開啟。手機也可使用下方等效按鈕。
04 / MILESTONES
八個回到原書的歷史座標
日期均取自本書。等距排列方便閱讀，並非按時間長度縮放；點選里程碑前往對應章節，前言節點返回版本說明。
05 / THINK LIKE A READER
方法辨識工作臺
先看系統從哪裡取得訊息，再判斷它如何改進。這是本站原創練習，不是作者提供的診斷量表，也不是產品選型建議。
路線可以融合。這裡分類的是主導機制，而不是給整個系統貼永久標籤。
從可觀察的機制開始
01 訊息｜公理、專家規則、資料或回饋？
02 更新｜推理、調參、選擇或策略改進？
03 邊界｜換資料、換目標、換環境後還成立嗎？
06 / CHECK YOUR UNDERSTANDING
12題，找出下一段精讀路線
這是知識理解自查，不是性格測驗。每題選一個較準確的判斷；完成後查看逐題解析與按錯題推薦的章節。答案不會上傳，也不寫入瀏覽器儲存。
07 / KEEP THE DISTINCTIONS
容易混淆的三組問題
快 ≠ 能
超級計算討論速度與資源；超計算討論是否越出既定計算模型的能力。
精讀第10章流暢 ≠ 結論
語言表現、理解與意識是不同問題。思想實驗也不等同於實驗證據。
精讀第8、9、12章分類 ≠ 互斥
三大路線是作者的歷史框架；深度強化學習等系統恰好橫跨路線。
精讀第6、16章08 / READ DEEPLY
16章完整精讀導覽
每章提供原創重點、書中材料、必要短引文與學習行動。正文16章全部覆蓋；三版前言見前言導讀，參考文獻與人名對照屬查考附錄，不假裝是另兩章。
顯示16章
01達特茅斯會議：人工智能的緣起
從命名看見學科的出生
說透什麼｜本章不是把一次會議寫成一切技術的起點，而是把人物、資助與研究路線放回脈絡。麥卡錫、明斯基、香農、紐厄爾與司馬賀帶著不同背景相遇；『人工智能』的名稱凝聚了共同體，卻沒有消除邏輯與神經網絡的分歧。作者也提醒讀者，晚年口述、回憶與當時的書面記錄可能互相衝突。
精華材料｜書中從麥卡錫的建議書、與香農合作的《自動機研究》以及會後研究機構的形成，說明學科不只是發明的集合，也受組織與資助塑造。
閱讀位置：1.背景／2.達特茅斯會議／3.AI歷史的方法論
「簡單地說就是：智能是對符號的操作，最原始的符號對應於物理客體。」尼克 · 第1章 · EPUB chapter007 · 抽取段 20
行動建議｜把『首次提出、首次實作、首次流行』分成三欄；比較它們是否真的發生在同一年。
02自動定理證明興衰紀
形式化不等於輕鬆求解
說透什麼｜從早期證明程序到羅賓遜的歸結原理，再到項重寫、阿貢小組和幾何機械化，本章展示符號派內部也有多種方法。把問題寫成邏輯式是起點；搜尋的效率、領域知識與可讀的證明仍是難題。作者對『沒落』的討論屬歷史評價，不代表所有形式化驗證都已失去用途。
精華材料｜王浩的程序與『邏輯理論家』的不同取向、馬庫恩的Otter、吳文俊的幾何方法，是本章比較邏輯、啟發式與代數路線的具體材料。
閱讀位置：1.起源／2.歸結原理／4.阿貢小組／6.幾何定理證明
「人工智能中符號派的思想源頭和理論基礎就是定理證明，不懂定理證明就沒法深入瞭解符號派。」尼克 · 第2章 · EPUB chapter008 · 抽取段 15
行動建議｜拿一個三段論，先寫出前提，再問：若前提缺了一項，形式推理能否自行補出真實世界知識？
03從專家系統到知識圖譜
知識如何進入機器
說透什麼｜專家系統把領域專家的經驗轉成可運行的規則，知識表示則追問如何儲存、共享與推斷。本章從DENDRAL、MYCIN、XCON走向框架、WordNet、Cyc、語義網與知識圖譜，呈現『領域有效』與『普遍常識』之間的距離。資料增加不會自動消除不一致或表示成本。
精華材料｜DENDRAL的化學知識由跨領域團隊提供；MYCIN引入不精確推理；Cyc長期以工程師編碼常識。這些案例適合比較知識獲取、規則維護及使用邊界。
閱讀位置：1.DENDRAL／2.MYCIN／4.知識表示／5.大知識系統
「知識表示在人工智能領域一直不溫不火，其催生者是專家系統和自然語言理解。」尼克 · 第3章 · EPUB chapter009 · 抽取段 29
行動建議｜畫出三個概念及兩條有方向的關係，再寫明每條關係可以推導什麼、不能推導什麼。
04第五代計算機的教訓
宏大計畫需要技術邊界
說透什麼｜日本第五代計算機計畫起初容納多種架構，後來聚焦邏輯程序、Prolog與並行實作。章中把語言表達能力、執行控制與硬件效率分開分析，也追蹤美國MCC、英國阿爾維計畫及歐洲的回應。不要把結局只歸因於國家性格：技術選擇、任務需求和商業環境都需要檢視。
精華材料｜從Horn子句的效率取捨到並發Prolog、KL1，書中展示為了並行化和可實作性而作的妥協。部分思想後來流入知識圖譜，但這不等於原計畫達標。
閱讀位置：2.邏輯程序／4.並發Prolog／6.結局和教訓
「計算機科學的進步主要是由兩件事驅動的：機器太慢；寫程序太慢。」尼克 · 第4章 · EPUB chapter010_split_002 · 抽取段 3
行動建議｜評估新AI計畫時列出『新增能力、已有替代方案、硬件依賴、退出條件』，而不是隻比較口號。
05神經網絡簡史
網絡的復興不是單一奇蹟
說透什麼｜由麥卡洛克與皮茨、感知機、霍普菲爾德到辛頓及深度學習，本章同時討論數學、工程與學術認可。它並未把神經網絡只當仿生比喻，也追溯KA疊加定理、語音識別、GPU與架構演進。作者對歷史功勞的分配有鮮明判斷，閱讀時宜把可覈查成果與人物評價分開。
精華材料｜福島邦彥的工作連到CNN，詞嵌入與Seq2Seq連到語言處理，最後引向Transformer。這條路線包含不同任務、表示方式與運算資源的配合。
閱讀位置：1.初創文章／3.復興／5.數學理論／7.CNN到Transformer
「各種機器學習算法解決了大規模現實世界的問題，尤其是在過去被認爲很難的語音和圖像問題。」尼克 · 第5章 · EPUB chapter011 · 抽取段 94
行動建議｜對一項突破，分別找出『表示、訓練方法、資料、算力、任務』的變化；不要只把功勞給一個名字。
06向自然學習：從遺傳算法到強化學習
從種羣搜尋到互動學習
說透什麼｜遺傳算法以選擇、配對、交叉與變異探索解；遺傳編程把演化對象推向程序。強化學習則讓智能體在環境回饋中更新策略。本章不把三者視為同義詞，而是透過霍蘭德、寇扎、巴託、薩頓與瓦連特的研究，追問自然與計算如何互相解釋。
精華材料｜遺傳算法的循環流程、AlphaGo之後的強化學習應用，以及PAC學習與進化的關係，構成由工程方法走向理論問題的橋梁。
閱讀位置：1.遺傳算法／2.遺傳編程／3.強化學習／5.計算向自然學習
「如果說遺傳算法是微觀地向生物內部機制學習的話，強化學習則是更爲宏觀地向自然學習。」尼克 · 第6章 · EPUB chapter012 · 抽取段 87
行動建議｜為一個學習任務寫出智能體、狀態、動作與回饋；檢查你寫的是逐步回饋，還是事先給好的標準答案。
07計算機下棋簡史：機定勝人，人定勝天
勝過棋手不等於解答心智
說透什麼｜本章先拆穿『土耳其人』的機械幻象，再追蹤跳棋、國際象棋、深藍和AlphaGo。棋盤提供固定規則、清晰目標與可比較的結果，但不同棋類、不同算法並不能一概而論。機器獲勝改變訓練與分析的方式，也沒有令『什麼算智能』的爭論消失。
精華材料｜Chinook與廷斯利、許峯雄和深藍，以及自我對弈獲取資料，展示規則搜尋、專用硬件和學習的不同組合。
閱讀位置：1.史前史／2.跳棋／4.深藍／5.AlphaGo
「強化學習的一個優勢是可以不依賴人類棋譜，通過下棋程序互相博弈獲得數據。」尼克 · 第7章 · EPUB chapter013 · 抽取段 48
行動建議｜看到AI比賽結果時，問清規則、訓練資料、計算預算與比較對象；再問這些能力能否移到新環境。
08自然語言處理
語言技術更換了自己的工具箱
說透什麼｜從早期機器翻譯到句法分析、ELIZA、PARRY、SHRDLU、統計翻譯、沃森及大模型，本章展示任務定義與方法的反覆變化。規則處理小範圍句子，並不等於在開放世界理解語言；端到端方法的成功，也使部分傳統中間步驟不再必要。
精華材料｜喬治敦-IBM實驗依賴有限詞彙與規則；ELIZA的對話與積木世界的語境，適合比較『看似交談』與『受限環境操作』。ALPAC報告則展示評估如何影響資助。
閱讀位置：1.早期翻譯／3.ELIZA和PARRY／4.積木世界／7.深度學習
「谷歌強調LaMDA是工具而非生命體，其表現源於海量數據訓練出的語言預測能力，並非真正理解或擁有意識。」尼克 · 第8章 · EPUB chapter014 · 抽取段 192
行動建議｜對同一句話改換上下文，觀察系統是否仍能解釋代詞與目的；記錄輸出差異，而不是憑流暢程度判斷。
09語言等於思維嗎？
語言與思維的命題必須拆開
說透什麼｜第3版新增本章，把洪堡、達爾文、喬姆斯基與大模型的爭論並置。『語言形成思維』『語言是交流工具』『所有思維都等於語言』不是同一命題。作者對語言、圖靈機與通用智能的推論有自己的立場；本站保留問題結構，不把爭議當作實驗定論。
精華材料｜章中討論先天結構、經驗學習、語言的感覺運動外化，以及辛頓與喬姆斯基在不同層面的異同。
閱讀位置：1.思維即語言？／2.思維不等於語言？
「圖靈測試是語言能力的測試，無關其他模態。」尼克 · 第9章 · EPUB chapter015 · 抽取段 20
行動建議｜選一項非語言任務，例如辨認旋律或規劃路線；說明它是否需要語言，並界定你的『需要』是指表達還是完成。
10人是機器嗎？——人工智能的計算理論基礎
能不能算，與算得快不快
說透什麼｜作者從數字／模擬的區別進入丘奇—圖靈論題、相似性原則、超計算、BSS實數模型及量子計算。此章最重要的閱讀支點是分清可計算性與計算複雜性：資源增加可以改善速度，但不會直接把不可計算問題變成可計算問題。哲學推論需要先交代所用模型與假設。
精華材料｜圖靈機、λ演算與不同模型的互相模擬，以及量子計算、彭羅斯的立場，提供檢視『人是機器嗎』的理論語彙。
閱讀位置：1.丘奇—圖靈論題／3.超計算／4.BSS模型／5.量子計算
「從圖靈機看人工智能，要考慮兩個層面：一個是可計算性，另一個是計算複雜性。」尼克 · 第10章 · EPUB chapter016 · 抽取段 40
行動建議｜將『更快的機器』『不同的計算模型』『智能的定義』分成三個問題，寫下各自需要什麼證據。
11什麼是學習？——大語言模型的理論與實踐
用壓縮與歸納回看大模型
說透什麼｜第3版新增章由下一詞元預測追溯所羅門諾夫歸納、柯爾莫哥洛夫複雜性、蔡汀的隨機性、列文搜尋及本內特的邏輯深度。作者把大模型成功放入算法信息論的長歷史中，這是書中的理論解讀；抽象理論與具體訓練程序並不是可以直接畫等號的實作。
精華材料｜從序列預測和文法發現，到帶時間限制的複雜性與科學假設的更新循環，本章不只問『模型多大』，也問『表示有多短、產生要多久』。
閱讀位置：2.所羅門諾夫歸納／3.複雜性／5.通用搜尋／6.邏輯深度
「歸納推理就是力圖找到一個編碼長度最短的圖靈機程序，可以爲（x1，x2，…，xn）建模，從而準確地預測後續序列。」尼克 · 第11章 · EPUB chapter017 · 抽取段 23
行動建議｜比較規律序列與隨機序列的描述長度；再問短描述是否也保證容易找到、快速計算及正確預測新資料。
12哲學家和人工智能
批評AI前，先辨清批評對象
說透什麼｜本章以德雷弗斯、塞爾與普特南為主線，分辨對符號表示的批評、中文屋的語法／語義問題與缸中腦的認識論問題。作者語氣鮮明，本站以導讀方式呈現，不借作者的批評替代讀者的論證。要問的是批評依賴何種假設、指向哪一種系統。
精華材料｜中文屋尤其引出『屋內的人』與『整個系統』是否為同一評估對象；缸中腦則把討論移到指稱及經驗。
閱讀位置：1.德雷弗斯／2.中文屋／3.缸中腦／4.忠告
「本章只講哲學家和人工智能的故事，而人工智能中真正的哲學問題散佈在其他章中。」尼克 · 第12章 · EPUB chapter018 · 抽取段 15
行動建議｜將一個思想實驗拆成設定、論點與結論；改變一項設定，看看結論是否仍然成立。
13當我們談論生死時，我們在談論什麼？
思想對話不是醫學報告
說透什麼｜本章以作者與蘇格拉底的虛構對話，逐步替換肢體、心臟與記憶，追問身份、心身與永生。這是書中的思想實驗，不是實際訪談，也不是可行的醫療技術清單。它最後把生命延續與超計算放在不同層面，提醒讀者『無限時間』也有理論邊界。
精華材料｜換腦與記憶體的假設用來檢視『仍然是我』的標準；書中還明說靈魂重量的提法是玩笑，不應當作科學結論。
閱讀位置：全章：蘇格拉底與『尼』的思想對話
「永生只能解決那些給人無限時間就可以解決的問題」尼克 · 第13章 · EPUB chapter019 · 抽取段 63
行動建議｜先列出你用來認定身份延續的標準，再測試身體替換、記憶改變與複製三個假設。
14從教科書看人工智能學科變遷
教材目錄也有歷史偏向
說透什麼｜第3版新增章把尼爾森、溫斯頓、瑞奇、查尼亞克、羅素與諾維格的教材放在一起。教材不是中性的全景圖：它的篇幅、缺項與分類反映研究風向與作者取捨。學習者應把教材當作系統路徑，也要知道它可能令哪些人物與方法淡出。
精華材料｜尼爾森1965年的學習機教材與1980年的符號派教材形成對照；《人工智能：現代方法》各版的內容變化則讓讀者看見概率、深度學習與強化學習如何進入標準課程。
閱讀位置：全章：教科書比較與課程回憶
「教科書不僅是學術進步的跟隨者，也應是知識的梳理者。」尼克 · 第14章 · EPUB chapter020 · 抽取段 28
行動建議｜比較兩版教材目錄，標記新增、刪去與合併內容；再選一項回原始論文核對脈絡。
15智能的進化
增長曲線不是命運預言
說透什麼｜從大腦進化、能源、全社會算力到摩爾定律與庫米定律，本章把智能置於長時段背景。作者用宏觀資料和範式討論檢視AI高潮，也提出奇點與『遺忘點／O點』的區別。相關比較與未來推測不應冒充已驗證的因果律，本站不重製原書圖表數據。
精華材料｜AI與IA、弱與強人工智能、超級計算與超計算，以及算法整合的難題，是閱讀未來展望時需要分清的幾組概念。
閱讀位置：1.大腦進化／3.全社會算力／4.能耗／6.超級智能
「不懂計算理論的歷史學家（如赫拉利）與未來學家（如博斯特羅姆）分不清“超計算”和“超級計算”，自然也分不清“超智能”和“超級智能”。」尼克 · 第15章 · EPUB chapter021 · 抽取段 54
行動建議｜遇到指數曲線，先問測量指標、時間區間與限制條件；用一句話說明相關性為何不直接等於因果。
16總結
把流派當路線，而非陣營
說透什麼｜總結使用作者自己的三分法：邏輯主義、連接主義和自然主義；它不完全等同於常見的規則派、神經網絡派、行為主義派分類。三條路線有不同出發點與歷史，但深度強化學習、強化學習做定理證明等交集，顯示界線並非固定。
精華材料｜書末三張演進圖主要依因果關係排列，作者明說不一定嚴格按時間。本網站的思維圖是原創概念導讀圖，不是原書三圖的翻刻。
閱讀位置：全章：三大流派與演進圖說明
「人工智能的核心問題正在被歸約到幾個理論（計算理論和學習理論）問題。」尼克 · 第16章 · EPUB chapter022 · 抽取段 12
行動建議｜將你熟悉的AI系統拆成表示、搜尋、學習與回饋，再判斷它是否同時跨越多條路線。
沒有符合的章節；請嘗試較短的關鍵詞。