彼得·诺维格(Peter Norvig):把 AI 写成两本书、也教成小孩能学的课的人

彼得·诺维格——Peter Norvig——这个名字在 人工智能的工程化与教育普及 史上出现得太频繁,以至于常 […]
AI人物图谱
AI人物图谱

彼得·诺维格——Peter Norvig——这个名字在 人工智能的工程化与教育普及 史上出现得太频繁,以至于常被当作背景而非主角。他写了两本改变了几代人学 AI 方式的书,又用「教一个孩子」的标准重写了编程教育——而他自己承认,这些成就的起点不过是一间办公室里一台闲置的小型机。

一、1950 年代的纽约:成长与对科学探索的偏好

他的博士研究方向是组合数学中的格理论,这一背景看似与人工智能无关,却给了他一种把复杂问题化归为可枚举结构的思维习惯。他在研究生期间参与的一项经历是:向邻居的孩子教授 BASIC 语言——这段教学经验此后二十多年一直影响着他对「如何教会机器思考」这个问题的理解。他毕业后先在 Sun Microsystems 工作,编写了后来非常著名的《Unix 编程艺术》第一版。他在 1990 年代初期的一项关键经历,是在 NASA 的 Ames 研究中心带队开发用于无人探测车的自主驾驶与规划代码。他生于 1956 年,那一年人工智能作为一个学科名刚刚被正式提出,而他后来用两本书让这个学科变得可教。

二、1980 年代:研究生期间教孩子 BASIC 与自己的 AI 兴趣

深空探测的算力极其有限,且任何一次错误决策都可能让数亿美元的任务彻底报废——这种约束塑造了他后来对规划与搜索算法的取舍标准。他在 NASA 的工作让他接触到一类后来成为他自己研究方向的经典问题:如何在不完全信息与动态环境下做路线规划。他在 NASA 主导编写的一个教学用机器人程序,被认为是把 AI 课程从研究演示变成可教材料的重要范例。这段经历也让他意识到:一套 AI 系统如果不能在极端条件下保持合理行为,那么它在实验室里的高水平演示就没有实际意义——这一判断贯穿了他此后的教学与写作。

三、1990 年代:NASA 深空探测项目与算力受限下的决策

全书贯彻的原则是:每提出一个概念,紧接着就给出一个读者可以自己运行的实现——这在当时是一本 AI 教科书极不常见的做法。他在这本书中提出的一个具体主张是:智能由「理性」与「学习」两个正交维度共同构成,而两者都不必是符号式的。他与 Stuart Russell 共同提出的「理性代理」框架,把智能体定义为「在感知信息之后采取行动」的结构,这个框架至今仍是 AI 教材的标准起点。这本书的第三版加入了深度学习与概率图模型等新内容,但保留了大量经典的规划、搜索与推理方法——这种「新旧并存」的处理方式本身就是一种教育主张。

这本书第一版出版于 1995 年,第二版由他与 Stuart Russell 共同修订,第三版加入了深度学习与概率图模型。

四、1990 年代:与 Stuart Russell 合著《人工智能:一种现代的方法》

他参与设计的爬虫系统需要处理网络礼貌、动态页面与海量重复内容,这些工程约束直接塑造了后来广为流传的爬虫设计原则。他与同事提出的 PageRank 算法以网页间的链接结构为信号,这一思路把「重要性」定义为一种可计算的结构性质,而不是人工判断的结果。他主编的《人工智能:一种现代的方法》Python 版被许多大学直接用作本科教材,其「边读边跑」的编排方式被广泛模仿。他在 Google 期间也主导过一支机器人团队,这一经历使他对「AI 从实验室到真实世界」的落差有切身体会。

五、2011 年:Udacity 与「学得会 AI」的主张

他关于「聪明的中学生能学会 AI」这个主张,配套的具体做法是:课程从可以立刻跑起来的简单程序开始,每一步都先让人看到结果再解释原理。他写过一篇流传很广的文章,讨论如何在一个学期内教完传统上需要数年的计算机课程,方法是把大作业拆成许多可自动检查的小任务。他把 Udacity 的课程设计原则总结为「先给出令人惊叹的东西,再解释它为什么能工作」——这个顺序是他的一贯主张。他在这一时期还推动了「在工作中学习」这一形态:课程被设计成可以在职期间用业余时间完成,并直接产出可用的技能。

六、他那套「先问题与直觉、后形式化与证明」的教学顺序

这句话出自他与 John McCarthy 合著的《人工智能:一种现代的方法》第一版序言,它在此后二十多年里被反复引用。他提出的教学顺序——先问题与直觉、后形式化与证明——被他自己形容为「有意选择了一种非传统的编排」,但实践证明效果显著。他留给这个领域最实际的东西是一整套可复用的课程设计经验:如何用最小的认知负担引入一个复杂领域,以及如何让学习者在第一天就做出能跑的东西。他关于「AI 需要跨越多学科」的判断,在今天生成式模型引发的大规模跨领域讨论中被反复引用——因为语言模型确实需要同时理解语言、统计、计算与社会。

他本人长期坚持一个看似朴素的实践:任何新技术都应当先找到一个用简单办法解决的具体问题,再考虑它能支撑多大的系统——这一习惯使他的许多判断在热潮退去后依然成立。他那句被引用最多的判断出自与 John McCarthy 合著的教材第一版序言,大意是人工智能是所有学科被研究透彻后的自然结果。

参考来源

  • Stuart Russell 与 Peter Norvig,《Artificial Intelligence: A Modern Approach》各版本
  • Peter Norvig,《Introduction to Artificial Intelligence》课程讲义与教材
  • NASA Ames 研究中心关于自主规划与机器人工作的公开档案
  • Google 关于 PageRank、爬虫与大规模搜索系统的公开技术文献
  • Peter Norvig,《Teach AI with AI》相关教学论文与 Udacity 课程设计说明
💬 评论
🔗 本文链接

以专业为基,引领科技向善向新

Rooted in professionalism, we lead technology toward social good and innovation.

数智化转型网 · 了解更多产业资讯与选型数据 →

📰 你可能也喜欢

埃德温·卡姆尔(Edwin Catmull):Pixar 创始人、图灵奖得主与 CUDA 的起点 AI人物图谱

埃德温·卡姆尔(Edwin Catmull):Pixar 创始人、图灵奖得主与 CUDA 的起点

1945 年生于 美国 的 Edwin Catmull,其研究路径与 计算机图形学与渲染 的主流路径几乎不重合。他把动画的画质瓶颈定位在「每帧都要由人画」这件事…
📅 11-16 · 👁 2026年11月16日
托尼·霍尔(Tony Hoare):Quicksort 的发明者,以及把并发变成可证明对象的语言学家 AI人物图谱

托尼·霍尔(Tony Hoare):Quicksort 的发明者,以及把并发变成可证明对象的语言学家

Tony Hoare(托尼·霍尔,英国,1934 年生)在 并发程序的形式化验证与算法设计 领域的位置,很少有
📅 11-16 · 👁 2026年11月16日
AI人物图谱 AI人物图谱

大卫·哈(David Ha):StyleGAN 与权重重映射,让生成模型可控起来的那一步

大卫·哈——David Ha——这个名字在 生成式模型与 StyleGAN 架构 史上出现得太频繁,以至于常被
📅 11-16 · 👁 2026年11月16日
比雅恩·斯特劳斯特鲁普(Bjarne Stroustrup):C++ 的设计者,「零开销抽象」的定义者 AI人物图谱

比雅恩·斯特劳斯特鲁普(Bjarne Stroustrup):C++ 的设计者,「零开销抽象」的定义者

Bjarne Stroustrup(比雅恩·斯特劳斯特鲁普,丹麦,1950 年生)在 C++ 语言设计与通用系统编程 领域的位置,很少有人能给出准确坐标。他证明…
📅 11-13 · 👁 2026年11月13日
吉姆·格雷(Jim Gray):事务理论、并行数据库与公开基准测试的推动者 AI人物图谱

吉姆·格雷(Jim Gray):事务理论、并行数据库与公开基准测试的推动者

Jim Gray(吉姆·格雷,美国,1944 年生)在数据库事务、并行数据库与分布式系统领域的位置,很少有人能给出准确坐标。他证明了「数据库能扛住一亿次并发交易…
📅 11-13 · 👁 2026年11月13日
安保正一(Katsuhiro Isobe):从 SX 登顶到用超级计算机模拟地球 AI人物图谱

安保正一(Katsuhiro Isobe):从 SX 登顶到用超级计算机模拟地球

他领导的团队做出了当时世界上算力最强的计算机,又用它做了一件当时看来极不划算的事——用超级计算机去模拟地球的气候,而那套模拟后来真的被用来评估人类排放的长期后果…
📅 11-13 · 👁 2026年11月13日