حل مسئله مورد نیاز است؛ دوم دانشمندان نظری کامپیوتر کاملاً مطمئن هستند که الگوریتم های کارآمدتر وجود ندارد. رشد تصاعدی دشواری ها به این معنی است که ممکن است مسائل به صورت تئوری قابل حل باشند (یعنی مطمئناً قابل تصمیم گیری هستند اما گاهی در عمل قابل حل نیستند. ما چنین مسائلی را محال می نامیم یک مثال مسئله تصمیم گیری برای یک نقشه مفروض است که میتوان قطعه های روی آن را تنها با سه رنگ متفاوت رنگ آمیزی کرد به طوری که هیچ دو قطعه مجاور هم رنگ نباشند. ما به خوبی میدانیم که رنگ آمیزی با چهار رنگ مختلف همیشه امکان پذیر است با یک میلیون قطعه، ممکن است مواردی وجود داشته باشد نه در همه موارد بلکه برخی از آنها و برای یافتن پاسخ به چیزی حدود ۲۰۰۰ مرحله محاسباتی نیاز دارد یعنی با ابررایانه سامیت حدود ۱۰۳۷۵ سال و با لپتاپ فیزیک غایی ست لوید حدود ۱۰۴۲ سال به طول میکشد. عمر کیهان حدود ۱۰۰ سال در مقایسه با این عدد یک مقدار کوچکی است. آیا وجود مسائل ناشدنی یا محال میتواند دلیلی باشد که فکر کنیم رایانه ها نمی توانند به اندازه انسانها با هوش باشند؟ نه هیچ دلیلی وجود ندارد که تصور کنیم انسانها میتوانند مسائل محال را حل کنند محاسبات کوانتومی کمی کمک میکند چه در ماشین ها و چه در مغزها اما برای تغییر نتیجه گیری اساسی کافی نیست پیچیدگی به این معنی است که مسئله تصمیم گیری در دنیای واقعی - مسئله تصمیم گیری در هر لحظه از زندگی یک نفر که اکنون چه باید بکند - آن قدر دشوار است که نه انسانها و نه

رایانه ها هرگز به یافتن راه حلهای کامل نزدیک نمیشوند.

نویسنده کتاب حاضر استوارت راسل دانشمند ،کامپیوتر از پژوهشگران ارشد و نویسنده کتاب درسی دانشگاهی در زمینه هوش مصنوعی و بنیان گذار مرکز هوش مصنوعی سازگار با انسان در دانشگاه کالیفرنیا برکلی است. وی در این اثر استدلال میکند که اگرچه ادامه پیشرفت در قابلیت هوش مصنوعی به سبب انگیزه های اقتصادی اجتناب ناپذیر است، باید خطرات ناشی از هوش مصنوعی فراهوش بر آینده بشریت به سبب عدم قطعیت در مورد چگونگی پیشرفت آن را جدی گرفت. نویسنده برای توسعه ماشینهای سودمند رویکردی را پیشنهاد میکند که بر احترام به انسان تمرکز دارد و از سوء تفاهم فاجعه آمیز ترجیحات انسانی جلوگیری میکند و از این رو سه اصل زیر را برای هدایت توسعه ماشین های سودمند بیان و تشریح میکند ۱ هدف ماشین تنها باید بیشینه کردن تحقق ترجیحات انسانی باشد. 
در ابتدا چیستی آن ترجیحات برای ماشین قطعیت نداشته باشد. رفتار آدمیان منبع نهایی کسب اطلاعات ماشین در مورد ترجیحات انسانی باشد. راسل یادگیری تقویتی معکوس را به عنوان مبنایی ممکن برای مکانیزم یادگیری ترجیحات انسانی بررسی میکند در این فرایند ماشین تابع پاداش را از رفتار مشاهده شده استنباط میکند. 
خواندن این کتاب که برای نخستین بار به فارسی ترجمه و منتشر شده برای عموم پژوهشگران علوم رایانه و علاقه مندان به موضوع هوش مصنوعی و پیامدهای گسترش و توسعه و کنترل ماشینها و همچنین برنامه ریزان و مدیران ارشد جامعه بسیار ضروری و مفید است.