[人工智慧導論](https://app.notion.com/p/3e6fc631b0308131b213f0a3d93fe91d) › [W1（9/10）](https://app.notion.com/p/3e7fc631b03081309a2adad7f8ae1e27) › 02｜影片 [1:35:03–1:49:36](https://www.youtube.com/watch?v=KWGgi100YLY&t=5703s)｜投影片 Ch1 p.2–9｜上一章 [01 課程定位、專題與問答（0:08–1:19）](https://app.notion.com/p/3e7fc631b0308121979ae73e99cd24d0)｜下一章 [03 AI 歷史：誕生與兩次寒冬（1:49–2:07）](https://app.notion.com/p/3e7fc631b03081879ed7e12de51a94f8)
## 重點
- 「什麼是 AI」可以用兩個問題切成四種定義：看「思考過程」還是「外在行為」？以「像人」還是「理性」為標準？切出來就是像人行動（Turing test）、像人思考（認知模型）、理性思考（邏輯學派）、理性行動（rational agent）。
- 像人的兩派難在「人自己都說不清楚自己怎麼想」；邏輯學派難在直覺寫不成邏輯，而且理論上能解不等於實際算得完。
- 老師強調：rational agent（在有限資訊下，選出期望上最好結果的系統）是幾十年來最能落地應用的一派。另外，AI 牽涉哲學、數學、經濟學等八個學科，所以很多科系都在做 AI。
## Exam-ready
- **Origin of AI**: "AI started in earnest soon after World War II, and the name itself was coined in 1955."（Ch1 p.2）
- 中文：AI 在二次大戰後不久就正式起步，「AI」這個名字在 1955 年被創造出來。白話：電腦發明沒幾年，就有人想讓電腦變聰明。難字：in earnest（正式地、認真地）、coined（創造新詞）。
- **Turing test**: "A computer passes the Turing test if a human interrogator (訊問者), after posing some written questions, cannot tell whether the written responses come from a person or from a computer."（Ch1 p.3）
- 中文：一個人用文字問了一些問題之後，如果分不出文字回答是來自人還是電腦，這台電腦就通過 Turing test。白話：騙得過提問的人，就算通過。難字：interrogator（訊問者）、posing（提出）、tell（分辨）。
- **Cognitive science**: "Cognitive science brings together computer models from AI and experimental techniques from psychology to construct precise and testable theories of the human mind."（Ch1 p.4）
- 中文：認知科學把 AI 的電腦模型和心理學的實驗方法結合起來，建立精確、可以驗證的人類心智理論。白話：用電腦模擬人腦怎麼想，再用實驗檢查模擬得對不對。難字：testable（可驗證的）、mind（心智）。
- **Logicist tradition**: "The so-called logicist tradition within artificial intelligence hopes to build on such programs to create intelligent systems."（Ch1 p.5）
- 中文：AI 裡所謂的邏輯學派，希望在「這類程式」上面蓋出有智慧的系統；「這類程式」指 1965 年就已經有、理論上能解任何用邏輯寫得出來的問題的程式。白話：把世界寫成邏輯式，讓電腦推出答案。難字：logicist（邏輯主義的）、tradition（學派）。
- **Obstacle 1 of logicism**: "It’s not easy to take informal knowledge and state it in the formal terms required by logical notation."（Ch1 p.5）
- 中文：要把非正式的知識，改寫成邏輯記號要求的正式形式，並不容易。白話：直覺、默契這種「說不出理由的知道」，寫不成邏輯式。難字：informal（非正式的）、notation（記號）。
- **Obstacle 2 of logicism**: "There is a big difference between solving a problem “in principle” and solving it in practice."（Ch1 p.5）
- 中文：「理論上」能解一個問題，跟「實際上」解得出來，差別很大。白話：投影片接著說，只有幾百條事實的問題就可能把運算資源用光。難字：in principle（理論上）、in practice（實際上）。
- **Rational agent**: "A rational agent is one that acts so as to achieve the best outcome or, when there is uncertainty, the best expected outcome."（Ch1 p.6）【老師強調】(1:44:52)
- 中文：理性代理人會採取行動來達到最好的結果；有不確定性時，則追求「期望上」最好的結果。白話：用手上知道的資訊，選最有勝算的那一步。難字：outcome（結果）、uncertainty（不確定性）、expected（期望的）。
- **Advantage 1: more general**: "It is more general than the “laws of thought” approach because correct inference is just one of several possible mechanisms for achieving rationality."（Ch1 p.6）
- 中文：它比「思考法則」（邏輯學派）更通用，因為正確推論只是達成理性的幾種方法之一。白話：想得對是一種辦法，但不是唯一的辦法。難字：general（通用的）、inference（推論）、mechanisms（機制、方法）。
- **Advantage 2: scientific**: "It is more amenable (經得起檢驗) to scientific development than other approaches based on human behavior or human thought."（Ch1 p.6）
- 中文：比起以人類行為或人類思考為標準的方法，它更經得起科學的發展與檢驗。白話：「理性」可以清楚定義、拿來測量；「像不像人」很難說清楚。難字：amenable（經得起、適合於）、approaches（方法）。
- **Foundations of AI (Economics)**: "How should we make decisions so as to maximize payoff?"（Ch1 p.8）
- 中文：要怎麼做決定，才能讓收益最大？這是經濟學提供給 AI 的核心問題。白話：資源有限時怎麼拿到最好的結果，這跟 rational agent 是同一個問題。難字：maximize（最大化）、payoff（收益、報酬）。
## [1:35:03](https://www.youtube.com/watch?v=KWGgi100YLY&t=5703s) AI 的起點與定義難題
AI 這個名字在 1955 年出現，那時二次大戰結束沒多久，電腦剛發明幾年。幾十年下來，「什麼叫 AI」一直沒有共識；老師舉例，最近有人宣稱「AGI（Artificial General Intelligence，通用人工智慧）時代已經來臨」，但 AGI 到底是什麼，每個人講的都不一樣。課本的整理辦法是問兩個問題：看系統「怎麼思考」還是「怎麼行動」？標準是「像人」還是「理性」？為什麼要把「像人」和「理性」分開？因為人會犯錯、有偏見，「做得像人」和「做得對」是兩回事（我補充）。
比喻：定義 AI 就像定義「好學生」——有人看成績（行為），有人看讀書方法（思考）；有人拿「像班上第一名」當標準（像人），有人拿「方法最合理」當標準（理性）。
下面這張投影片是課本的 Figure 1.1：八句 AI 定義分成四格。上排看思考過程，下排看行為；左欄以像人為準，右欄以理性為準。
圖上重點：這張圖在講「不同學者對 AI 的定義，其實可以歸成四類」，每格放兩句學者的定義。
- 左上 Thinking Humanly（像人思考）：「讓電腦真的擁有心智」、「把做決定、解問題、學習這些人類思考活動自動化」。
- 右上 Thinking Rationally（理性思考）：「用計算模型研究心智能力」、「研究讓感知、推理、行動成為可能的計算」。
- 左下 Acting Humanly（像人行動）：「做出能完成『人做時需要智慧』的事的機器」、「讓電腦做目前人比較擅長的事」。
- 右下 Acting Rationally（理性行動）：「研究怎麼設計有智慧的 agent（代理人）」、「AI 關心的是人造物的智慧行為」。
- 右邊兩個箭頭：thought process（思考過程）標上排，behavior（行為）標下排；最下面一行 Figure 1.1 是說「一些 AI 定義，分成四類」。
接下來四段，老師就是從左下「像人行動」開始，把四格一格一格講完。注意：老師開場說前兩章「比較像是在聊聊天」(1:35:08)，這章重點是分清四種定義的差別。
考試可能怎麼問：Explain the four approaches to defining AI.（說明定義 AI 的四種取向）
老師原話是什麼？
- 「其實一直到了今天，都依舊有很多不同的定義」(1:36:12)
- 「到底什麼叫做 AGI，Artificial General Intelligence，其實不同的人的定義都不一樣」(1:36:26)
- 「我們大概可以從今天你是怎麼思考的，以及你所開發出來的系統是怎麼去動作的，從這幾個不同的角度來定義什麼叫做 AI」(1:36:36)
## [1:36:48](https://www.youtube.com/watch?v=KWGgi100YLY&t=5808s) 像人一樣行動：Turing test
「像人一樣行動」這派的代表是 Turing test（圖靈測試），由電腦科學的祖師爺 Alan Turing 提出。一個人隔著不透光的布幕，用文字問問題；如果他分不出回答的是人還是電腦，這台電腦就通過。要做到這件事，電腦得同時會六件事：自然語言處理、知識表示、自動推論、機器學習、電腦視覺、機器人，幾乎就是資訊工程的主要研究主題。為什麼只用文字問，還需要視覺和機器人？課本原本說純文字版只要前四種；如果測試還要看得到、摸得到（課本叫 total Turing test，完整圖靈測試），才需要後兩種，投影片把六個列在一起（我補充）。
六種能力的白話（我補充）：自然語言處理＝聽懂和說出人話；知識表示＝把知道的事存成電腦能用的格式；自動推論＝用存好的知識回答問題、推出新結論；機器學習＝從資料裡找規律、適應新情況；電腦視覺＝看懂照片和影像；機器人＝在真實世界裡動手做事。
比喻：像在網路上跟客服聊天，聊完你分不出對面是真人還是機器人，那個機器人就算通過了。
下面這張圖是測試的流程：重點不在電腦答得對不對，而在提問的人「分不分得出來」。
```mermaid
flowchart LR
A["訊問者用文字發問"] --> B["布幕另一邊回答（人或電腦）"]
B --> C{"分得出是人還是電腦？"}
C -->|"分不出來"| D["電腦通過 Turing test"]
C -->|"分得出來"| E["沒通過"]
```
老師認為現在的 GPT 還沒通過，因為他還分得出來：英文報告一個文法錯誤都沒有、圖畫得毫無瑕疵，就是 AI 做的。他也說每個人的標準不一樣。
考試可能怎麼問：Describe the Turing test and the capabilities a computer needs to pass it.（描述 Turing test，以及電腦要通過需要哪些能力）
老師原話是什麼？
- 「如果今天這個機器，這個工具真的厲害到我都分辨不出來的話，我才可以覺得說它是 AI 嘛」(1:39:08)
- 「但是我現在可以很輕易的分辨，這是不是 AI 做出來的」(1:39:16)
- 「你用英文寫報告，只要沒有任何一個英文文法錯誤，那一定是 AI 寫的嘛」(1:39:25)
- 「這是我的觀點，不同人的觀點不一樣」(1:39:45)
## [1:40:00](https://www.youtube.com/watch?v=KWGgi100YLY&t=6000s) 像人一樣思考：認知模型
這派不只看結果，還要求系統「想的方式」像人。前提是先知道人怎麼想，投影片列了三種方法：introspection（反思，自己觀察自己的念頭）、心理學實驗、腦造影。認知科學（cognitive science）把 AI 的電腦模型和心理學實驗結合，目標是建立精確、可以驗證的人類心智理論。為什麼這條路特別難？因為要打開兩個黑盒子比對：老師說大型神經網路有幾兆個參數，裡面確切怎麼跑、為什麼跑出這個結果，我們還不知道；反過來，你也說不清自己為什麼聽得懂老師講話。
這裡的「神經網路」是一種模仿腦神經元互相連線的電腦程式；「參數」是程式裡可以調整的數字，像收音機上的旋鈕。幾兆個參數就是幾兆個旋鈕，多到沒人能一個個看懂它們各自在做什麼，所以才說它是黑盒子（我補充）。
比喻：像要仿製一道招牌菜，不只味道要一樣，還得照主廚在廚房的每一步來做——偏偏主廚自己也說不清楚他憑什麼多放那一匙鹽。
考試可能怎麼問：What is cognitive modeling, and how can we determine how humans think?（什麼是認知模型？我們可以用哪些方法知道人怎麼思考？）
老師原話是什麼？
- 「你這個系統的整個思考的過程、思考的方式、思考的模式要像是一個人，才叫做人工智慧」(1:40:34)
- 「到底裡面確切是怎麼跑的，以及為什麼這樣子跑，可以跑出一個什麼結果，其實我們根本都還不知道」(1:41:21)
- 「聽我講話，你可以聽得懂，其實你也搞不清楚，你很難說得清楚」(1:41:37)
## [1:41:51](https://www.youtube.com/watch?v=KWGgi100YLY&t=6111s) 理性思考：邏輯學派
這派不要求像人，只要求「想得對」：把道理寫成邏輯式，照推論規則一步步推，就能得到正確結論。投影片說，到 1965 年已經有程式「理論上」能解任何用邏輯寫得出來、而且有解的問題；邏輯學派（logicist tradition）想在這種程式上蓋出智慧系統。它卡在兩個地方：第一，非正式的知識很難寫成邏輯；第二，理論上能解和實際上解得出來差很遠，只有幾百條事實的問題就可能把運算資源用光。
「邏輯式」是把一句話寫成電腦能照固定規則處理的格式，例如「所有人都會死」「蘇格拉底是人」；「推論規則」就是從這兩句機械地推出「蘇格拉底會死」的那套規則。電腦不用懂意思，只要照規則套就好（我補充）。
比喻：像想把「怎麼當個得體的人」寫成一本法條手冊——「跟人講話站多近才不失禮」這種感覺寫不成條文；就算寫得出來，條文一多，查一次就查不完。
下面這張圖把邏輯學派的做法和兩個困難畫在一起：實線是它想走的路，虛線是卡住的地方。
```mermaid
flowchart LR
A["把知識寫成邏輯式"] --> B["照規則一步步推論"]
B --> C["得到正確結論"]
A -.->|"困難一"| D["直覺、默契寫不成邏輯"]
B -.->|"困難二"| E["事實一多，運算量爆炸"]
```
困難一的例子是老師講的：跟人講話時覺得「這樣有點太近，怪怪的」，就退遠一點，你說不出為什麼，那是直覺。注意：老師口頭把困難二講成「理論上寫得成規則，實際運作卻不是這樣」；投影片的重點是運算量，考試照投影片寫。
考試可能怎麼問：What are the two main obstacles of the logicist approach?（邏輯學派的兩個主要困難是什麼？）
下面的進階摺疊在回答「為什麼才幾百條事實，電腦就算不完」：電腦要一組一組試哪些事實湊起來能推出新結論，組合數會像滾雪球一樣暴增。看懂這句就夠，摺疊裡只是把數字算給你看。
它到底怎麼運作？（進階，可跳過）
為什麼幾百條事實就會把運算資源用光？（我補充）推論時，電腦要試「哪幾條事實湊在一起能推出新結論」。
- 只看兩兩配對：300 條事實就有 300 × 299 ÷ 2 = 44,850 對。
- 三條一組：就有大約 445 萬組。
- 推出的新結論又會加進事實裡，再跟別的事實組合，數量像滾雪球一樣變大。
這就是「理論上能解、實際上算不完」。
老師原話是什麼？
- 「很多非正式 informal 的知識，你就很難寫成是一個邏輯」(1:43:07)
- 「你也說不出為什麼，但是就是一種直覺，一種感覺」(1:43:33)
## [1:44:11](https://www.youtube.com/watch?v=KWGgi100YLY&t=6251s) 理性行動：rational agent
這派只看行為合不合理。rational agent（理性代理人）是在手上資訊有限的情況下，做出能達到最好結果的選擇；有不確定性時，選「期望上」最好的結果。它有兩個優點：比邏輯學派更通用，而且更經得起科學檢驗。為什麼說更通用？因為「推論正確」只是做出好決定的方法之一；例如手碰到燙的東西會立刻縮回，沒有經過推論，但這個行為是合理的（我補充）。老師強調，幾十年來真正能落地應用的大概就是這一派。後面 Ch2 講的 agent 就是從這個定義出發（我補充）。
agent 直譯是「代理人」，在 AI 裡指「會觀察周遭情況、自己決定下一步要做什麼的東西」，可以是一支程式、一台掃地機器人或一個導航 App（我補充）。
比喻：像開車用導航——它不需要像人一樣思考，也不保證完美，只要根據現在知道的路況，選出預期最快到的路線。
下面的表把四派放在一起比較，考試的比較題可以直接用。
| 派別 | 看什麼 | 標準 | 代表 | 卡在哪裡 |
|---|---|---|---|---|
| Acting humanly（像人行動） | 行為 | 像人 | Turing test | 要同時會六種能力 |
| Thinking humanly（像人思考） | 思考過程 | 像人 | 認知模型、認知科學 | 人腦和大型模型怎麼運作都說不清 |
| Thinking rationally（理性思考） | 思考過程 | 理性 | 邏輯學派 | 直覺寫不成邏輯；理論能解不等於實際能解 |
| Acting rationally（理性行動） | 行為 | 理性 | rational agent | 老師說這派最能落地應用 |
表的最後一列就是這門課的主線：只問「做得合不合理」，不問「像不像人」。
考試可能怎麼問：What is a rational agent, and why is the rational-agent approach preferred?（什麼是 rational agent？為什麼這個取向比較受青睞？）
下面的進階摺疊在回答「期望上最好」到底怎麼比：把每種可能結果的分數乘上它發生的機率再加起來，選加總最高的那個做法。重點是理性看的是「當下算出來的勝算」，不是事後運氣好不好。
它到底怎麼運作？（進階，可跳過）
「期望上最好」是什麼意思？（我補充）用出門帶不帶傘來算一次，降雨機率 30%，滿分 10 分：
- 帶傘：不管下不下雨都不會濕，但有點麻煩，8 分。期望分數 = 8。
- 不帶傘：沒下雨 10 分，下雨 0 分。期望分數 = 0.7 × 10 + 0.3 × 0 = 7。
8 比 7 高，所以理性的選擇是帶傘。就算那天最後沒下雨、事後看起來不帶比較好，帶傘仍然是理性的選擇——理性看的是「用當時的資訊算出的期望」，不是「事後剛好最好」。
老師原話是什麼？
- 「在你接收到有限的資訊的情況之下，它能夠做出在這樣的情況之下最好的一個選擇，這樣子就叫做 Rational Agent」(1:44:39)
- 「這個 Rational Agent 事實上在過去幾十年的發展過程當中，真正比較能夠落地應用的，大概就屬於這一種」(1:44:52)
- 「所以在很多實際應用的系統裡面，都是所謂的 Rational Agent」(1:45:28)
## [1:45:34](https://www.youtube.com/watch?v=KWGgi100YLY&t=6334s) AI 的基礎學科
不管採哪種定義，做 AI 都要借用很多學科的答案。投影片列了八個：哲學、數學、經濟學、神經科學、心理學、電腦工程、控制理論、語言學。老師的重點是：AI 跟各種學問都有關，所以現在很多科系、很多老師都說自己在做 AI，這很常見也很合理。為什麼經濟學也算？因為 rational agent 要「在資源有限下選出最好結果」，這正是經濟學研究的問題（我補充）。
比喻：AI 像一鍋什錦火鍋，哲學、數學、經濟、腦科學、心理學、電腦工程、控制、語言學各放一樣料，所以每一科都能說「這鍋有我的份」。
下面的表把每個學科對 AI 的問題，和老師舉的例子對在一起。
| 學科 | 它幫 AI 回答什麼 | 老師舉的例子 |
|---|---|---|
| 哲學 Philosophy | 形式規則能推出有效結論嗎？心智怎麼從實體大腦產生？知識從哪來？知識怎麼變成行動？ | 目前最有效的是把大量語言資料壓成高維向量，但未來不一定 |
| 數學 Mathematics | 推出有效結論的形式規則是什麼？什麼算得出來？資訊不確定時怎麼推論？ | 訓練神經網路要用偏微分、線性代數；用機率推估事情發生的可能性 |
| 經濟學 Economics | 怎麼做決定才能讓收益最大？別人不配合時怎麼辦？收益要很久以後才拿到時怎麼辦？ | 資源有限時，怎麼拿到最好的結果 |
| 神經科學 Neuroscience | 大腦怎麼處理資訊？ | 很早就發現腦裡的神經元靠電傳導傳遞資訊 |
| 心理學 Psychology | 人和動物怎麼思考、怎麼行動？ | 人和動物有什麼不同 |
| 電腦工程 Computer Engineering | 怎麼做出有效率的電腦？ | 晶片設計 |
| 控制理論與模控學 Control theory and cybernetics | 機器怎麼在自己的控制下運作？ | 機器人的「小腦」協調各部位、維持平衡 |
| 語言學 Linguistics | 語言和思想有什麼關係？ | 目前看似最成功的是大型語言模型 |
表裡每一列的「它幫 AI 回答什麼」都是投影片上的問題，考試若問「AI 的基礎學科」，答學科名加一個問題就夠。
表裡幾個老師沒解釋的詞（我補充）：「高維向量」是一長串數字，用來代表一個字或一句話的意思，意思越接近的字，數字也越接近；「偏微分」是算「某一個旋鈕轉一點點，結果會變多少」；「線性代數」是一次處理一大堆數字（排成表格的矩陣）的數學。這章只要知道名字，後面的課才會真的用到。
考試可能怎麼問：List several foundations of AI and the question each one contributes.（列出幾個 AI 的基礎學科，以及各自回答什麼問題）
老師原話是什麼？
- 「因為它其實跟各個學問都有關係」(1:49:12)
- 「很多的科系，很多的老師，都說他在做 AI 的研究，或者他採用 AI 在做研究，這事實上是非常常見，也非常合理的」(1:49:18)
- 「因為 AI 的範圍就是這麼寬」(1:49:32)
## 補充：老師直接用、沒解釋的詞
老師開場提到有人宣稱「AGI 時代已經來臨」，用來說明 AI 的定義到今天都沒有共識，但沒解釋 AGI 跟現在的 AI 差在哪（我補充）。
AGI 的 General 是什麼意思？
- 現在的 AI 大多是「專用」的：AlphaGo 下圍棋天下第一，但叫它訂餐廳就完全不會。
- AGI（Artificial General Intelligence，通用人工智慧）要的是「通用」：像人一樣，學會下棋也能學做菜、開車，不用有人幫它重寫。
- 定義分歧就在「通用到什麼程度才算」：有人說要能做完人類大部分的工作，有人說要能自己做研究。所以聽到有人說 AGI 來了，先問他的定義是什麼。
所以對你的影響是：這正是本章的主題。連最新的詞都沒有標準定義，課本才要用四種取向把「什麼是 AI」拆開來講。
## Self-check
Q1. What are the four approaches to defining AI, and along which two dimensions are they organized?（中文：定義 AI 的四種取向是什麼？它們是用哪兩個維度切出來的？）
**Answer**: The definitions are organized along two dimensions: thought process versus behavior, and human-like versus rational. This gives four approaches: thinking humanly (cognitive modeling), thinking rationally (the "laws of thought" or logicist tradition), acting humanly (the Turing test), and acting rationally (the rational agent).
中文：第一個維度是看系統的「思考過程」還是「外在行為」；第二個維度是標準定在「像人」還是「理性」。兩兩組合就是四種：像人思考（認知模型，要求想的方式像人）、理性思考（思考法則，也就是邏輯學派，要求推論正確）、像人行動（Turing test，要求行為讓人分不出是機器）、理性行動（rational agent，要求選出最好或期望最好的結果）。
Q2. Describe the Turing test. What capabilities does a computer need in order to pass it?（中文：描述 Turing test。電腦要通過需要哪些能力？）
**Answer**: A human interrogator poses some written questions. If the interrogator cannot tell whether the written responses come from a person or from a computer, the computer passes the test. To do this, the computer needs natural language processing, knowledge representation, automated reasoning, and machine learning; the slide also lists computer vision and robotics.
中文：一個訊問者用文字問問題，布幕另一邊可能是人也可能是電腦。如果訊問者分不出文字回答是人寫的還是電腦寫的，這台電腦就通過。電腦需要的能力有：自然語言處理（聽懂和產生語言）、知識表示（把知道的事存起來）、自動推論（用存的知識回答問題、推出新結論）、機器學習（適應新情況、找出規律）；投影片另外列了電腦視覺和機器人。
Q3. What are the two main obstacles of the logicist ("laws of thought") approach?（中文：邏輯學派的兩個主要困難是什麼？）
**Answer**: First, it is not easy to take informal knowledge and state it in the formal terms required by logical notation. Second, there is a big difference between solving a problem "in principle" and solving it in practice: even problems with just a few hundred facts can exhaust the computational resources.
中文：第一，非正式的知識（例如跟人講話時覺得站太近很怪的直覺）很難改寫成邏輯記號要求的正式形式。第二，「理論上能解」和「實際上解得出來」差很遠：就算只有幾百條事實的問題，推論時要試的組合也會多到把運算資源用光。
Q4. What is a rational agent, and why is the rational-agent approach considered more useful than the other approaches?（中文：什麼是 rational agent？為什麼這個取向被認為比其他取向更有用？）
**Answer**: A rational agent is one that acts so as to achieve the best outcome or, when there is uncertainty, the best expected outcome. The approach has two advantages. It is more general than the "laws of thought" approach, because correct inference is just one of several possible mechanisms for achieving rationality. It is also more amenable to scientific development than approaches based on human behavior or human thought. The lecturer emphasized that, over the past decades, it is the approach that has been most successfully applied in practice.
中文：rational agent 會採取行動來達到最好的結果；有不確定性時，追求期望上最好的結果。它有兩個優點：一是比邏輯學派更通用，因為正確推論只是達成理性的其中一種方法，反射動作之類的方式也能做出合理行為；二是比「以人為標準」的兩派更經得起科學檢驗，因為「理性」可以清楚定義和測量，「像不像人」卻很難說清楚。老師也強調（1:44:52），幾十年來真正能落地應用的大概就是這一派。
讀完了嗎？下一章：[03 AI 歷史：誕生與兩次寒冬（1:49–2:07）](https://app.notion.com/p/3e7fc631b03081879ed7e12de51a94f8)｜回到週頁：[W1（9/10）](https://app.notion.com/p/3e7fc631b03081309a2adad7f8ae1e27)