終極算法：機器學習和人工智能如何重塑世界

《終極算法：機器學習和人工智能如何重塑世界》拆解 作者：[美]佩德羅·多明戈斯 一、一句話概括 機器學習的不同流派各自掌握了智能的一部分，如果能把邏輯、神經網絡、進化、概率和類推學習的優勢統一起來，就可能形成一種從數據中自動發現知識的“終極算法”，但這一設想仍是研究願景而非已經實現的事實。 二、核心邏輯 全書圍繞“五大學派”和一個統一目標展開： 1. 符號學派：學習規則和邏輯結構。2. 聯結學派：模擬神經元網絡，通過誤差反饋調整連接。3. 進化學派：用變異、組合和選擇搜索程序。4. 貝葉斯學派：用概率表示不確定性並更新信念。5. 類推學派：根據相似案例進行判斷。 作者認爲，每個學派都擅長解決某類問題，也都有明顯侷限。 核心路徑是： 比較五種學習範式 → 找出各自的主算法 → 提取互補能力 → 設想統一學習器 → 用它自動發現複雜世界中的知識 三、核心內容 1. 機器學習讓計算機不必等待人寫完所有規則 傳統編程由人明確編寫規則，計算機按照規則處理輸入併產生輸出。 機器學習則提供數據和目標，讓算法自動找到能夠完成任務的模型。 兩種方式可以概括爲： 傳統編程：數據＋規則→答案；機器學習：數據＋答案→規則或模型。 這使機器能夠處理圖像、語言、推薦和欺詐檢測等難以逐條編寫規則的問題。 2. 學習算法已經深入普通生活 推薦、搜索、廣告、信用、保險、招聘和導航系統，都在根據用戶數據學習。 它們可能在用戶主動提出要求前，預測需求並影響選擇。 算法並非只是觀察用戶，也會改變用戶： 推薦影響消費；排序影響注意力；評分影響機會；個性化影響接觸的信息；自動決定可能強化歷史偏見。 瞭解機器學習，也是在瞭解現代社會中的一種新權力。 3. “終極算法”追求從有限數據發現廣泛規律 作者設想，真正通用的學習算法應能夠從不同類型的數據中學習，並把已有知識遷移到新任務。 它需要處理： 規則與關係；感知模式；不確定性；相似性；結構搜索；隱藏變量；少量樣本；不同領域的知識遷移。 終極算法的目標不是解決一個固定任務，而是學習怎樣解決任務。 4. 符號學派相信智能來自規則與邏輯 符號學派把知識表示成概念、關係和邏輯規則。 學習的目標，是從觀察到的事實反推出能夠解釋它們的一般規則。 其優勢包括： 結構清晰；推理過程容易檢查；能利用已有知識；適合關係和組合問題；可以表達複雜規則。 侷限是面對原始感知數據時較弱，規則搜索空間也可能迅速膨脹。 5. 歸納問題說明觀察無法唯一決定規律 休謨指出，再多歷史觀察也不能在純邏輯上保證未來一定相同。 有限數據通常能夠被多種規則解釋。學習算法必須引入某種偏好，例如： 更簡單的規則；更平滑的函數；更可能的先驗；更大的間隔；更接近已有樣本；與領域知識更一致。 這叫歸納偏置。沒有偏置，模型無法從有限數據推廣到未知情況。 6. 聯結學派通過神經網絡學習表示 聯結學派認爲，智能來自大量簡單單元之間的連接。 感知機把輸入加權後進行分類，多層神經網絡則通過隱藏層學習更復雜的表示。 反向傳播根據輸出誤差計算各連接對錯誤的貢獻，再逐層調整參數。 其優勢是： 適合圖像、語音和文本；能自動學習特徵；可通過大數據擴展；表示具有分佈式特徵。 侷限包括訓練依賴數據和算力、解釋困難，以及容易學習數據中的偏差和捷徑。 7. 進化學派把學習看成自然選擇 進化算法維護一組候選解，並反覆進行： 1）評價適應度；2）選擇較好個體；3）變異；4）交叉組合；5）產生新一代。 遺傳編程甚至可以直接進化程序結構。 這種方法適合目標可以評價、但梯度難以獲得的複雜搜索問題。 侷限是計算成本高，搜索效率和結果穩定性可能不足，也需要謹慎設計適應度函數。 8. 貝葉斯學派用概率管理不確定性 貝葉斯定理把先驗信念與新證據結合，得到後驗概率。 貝葉斯學習的核心是： 不只尋找一個答案，而是衡量不同解釋有多可能 其優勢包括： 能表達不確定性；可融合已有知識；適合小樣本更新；支持因果和隱變量建模；決策時可以結合損失與收益。 難點是複雜模型的精確推斷往往不可計算，需要採樣、變分等近似方法。 9. 貝葉斯網絡表示變量間依賴 貝葉斯網絡用有向圖表示隨機變量和條件依賴關係。 它能夠編碼“哪些變量直接影響哪些變量”，並在觀察新證據後更新其他變量的概率。 圖結構降低了聯合分佈的表示成本，也使推理更容易解釋。 但從觀察數據中學習因果結構非常困難。統計相關本身不能自動證明因果關係，仍需要假設、實驗或領域知識。 10. 類推學派根據相似經驗進行判斷 類推學派認爲，相似對象往往具有相似結果。 K最近鄰直接尋找與新樣本最接近的歷史案例，再根據鄰居作出預測。 支持向量機則通過核方法和最大間隔，在更高維空間中尋找分類邊界。 這類方法的關鍵是定義相似性。不同距離、特徵尺度和表示會產生完全不同結果。 高維數據中，簡單距離還會受到“維度災難”影響。 11. 支持向量機用最大間隔提高泛化 支持向量機尋找能夠分開類別且間隔最大的超平面。 只有靠近邊界的支持向量直接決定分類面，遠離邊界的樣本影響較小。 核技巧讓線性算法可以在隱式高維空間中形成非線性邊界。 SVM在中小規模和高維任務中非常強大，但大樣本訓練成本較高，概率解釋也需要額外處理。 12. 無監督學習試圖在沒有標籤時發現結構 現實數據大多沒有人工標籤，因此學習器不能只依賴監督學習。 無監督任務包括： 聚類；降維；密度估計；發現潛在因素；學習表示；異常檢測。 無監督學習希望從輸入自身發現規律，爲後續任務提供特徵或結構。 但沒有標籤時，什麼算“正確結構”並不明確，評價往往更困難。 13. 隱變量用於解釋觀察背後的原因 觀察數據可能由看不見的因素產生。 例如，用戶購買行爲可能受到興趣、收入、場景和社會影響，這些因素並不直接出現在記錄中。 隱變量模型嘗試從數據中恢復這些潛在因素。 表示學習、主題模型、矩陣分解和生成模型都採用類似思想：用較少的隱藏結構解釋大量可見數據。 14. 統一五大學派需要同時結合結構與不確定性 符號學派擅長規則，聯結學派擅長感知，進化學派擅長結構搜索，貝葉斯學派擅長不確定性，類推學派擅長相似遷移。 真正統一的算法需要讓這些能力協同，而不是簡單把五個模型並排放置。 作者的重要嘗試之一，是把一階邏輯規則與概率圖模型結合，使規則不再只有絕對真和假，而可以具有不同權重。 這種概率邏輯適合描述關係複雜、規則存在例外的現實世界。 15. 馬爾可夫邏輯網絡展示了統一方向 馬爾可夫邏輯網絡把邏輯公式作爲特徵，併爲每條公式賦予權重。 權重越大，違反該規則的可能性越低；但規則不是絕對約束，因此係統能夠容忍噪聲和例外。 它結合了： 符號邏輯的結構表達；概率模型的不確定性；從數據學習規則權重；對關係數據進行推斷。 它是通向統一學習器的一種探索，但並未完整統一全部機器學習流派。 16. “終極算法”首先是一種研究綱領 作者相信，自然界可能存在某種通用學習原則，就像少數物理定律解釋大量現象。 但機器學習領域至今沒有公認的唯一終極算法。 現實中，不同任務仍依賴不同架構、數據、目標和工程系統。大語言模型雖然表現出較強通用性，也仍受到幻覺、數據依賴、成本、控制和真實環境行動能力限制。 因此，應把終極算法視爲推動統一研究的願景，而不是已經被證明的結論。 17. 數據會形成每個人的“數字替身” 平臺通過搜索、點擊、位置、消費和社交數據，爲用戶建立預測模型。 這個模型並不是完整的個人，卻會代表個人參與許多自動決定： 推薦什麼內容；展示什麼廣告；是否批准貸款；給出什麼價格；是否進入招聘候選；被判斷爲什麼風險等級。 用戶需要關心數字替身是否準確、能否查看和修改，以及不同平臺是否能夠濫用它。 18. 用戶應主動訓練自己的算法 個性化系統從用戶行爲中學習，因此每一次點擊、停留和反饋都可能改變未來推薦。 如果用戶被動使用，算法可能只優化容易測量的即時行爲。 更好的方向是讓用戶： 明確表達長期目標；查看系統推斷的偏好；修改錯誤標籤；控制數據用途；選擇推薦目標；關閉不需要的個性化；導出或刪除個人數據。 算法越瞭解用戶，用戶越需要擁有訓練和糾正算法的權利。 19. 機器學習會改變科學發現方式 傳統科學先提出假設，再通過實驗檢驗。 機器學習可以從海量數據中發現人類未曾想到的模式，幫助提出新假設、設計實驗和尋找材料或藥物。 但預測能力不能替代理論解釋。科學仍需區分相關與因果，並通過可重複實驗驗證結論。 機器學習可以加速科學，卻不能取消證據標準。 20. 算法競爭可能導致目標錯位 企業使用學習算法優化點擊、停留、利潤或市場份額。當多個系統競爭時，它們可能不斷強化最容易獲勝的行爲。 結果可能包括： 信息越來越刺激；價格歧視更加精細；用戶注意力被過度佔用；偏見通過反饋循環放大；少數平臺掌握更強數據優勢；個體難以理解或拒絕自動決定。 問題通常不在於算法邪惡，而在於目標函數過窄、權力缺少制約。 21. 機器學習的社會治理需要新的權利結構 當算法影響機會和資源時，需要建立： 數據知情權；訪問和更正權；刪除和遷移權；自動決策說明；人工複覈和申訴；偏差與安全審計；明確的責任主體；對高風險用途的限制。 技術越強，越不能把重要決定隱藏在“商業祕密”後面。 22. 本書的技術版圖具有明顯時代背景 本書完成於深度學習崛起、Transformer和生成式大模型普及之前。 當時五大學派之間的界線更加明顯。今天的基礎模型已經融合神經網絡、自監督學習、概率生成、檢索、強化學習和工具調用等多種方法。 但書中提出的核心問題仍然有效： 歸納偏置從何而來；怎樣融合知識和數據；怎樣處理不確定性；怎樣從少量樣本遷移；怎樣讓用戶控制算法；能否建立更統一的學習理論。 四、本書最值得關注的核心觀點 本書最值得關注的觀點是： 每一種機器學習算法都包含一套關於“世界怎樣產生規律”的假設。 符號學派相信世界可以由規則解釋，聯結學派相信複雜能力來自連接權重，進化學派相信搜索和選擇能夠產生結構，貝葉斯學派相信不確定性應以概率更新，類推學派則相信相似對象具有相似結果。 不存在完全沒有偏見、只靠數據自動發現真理的算法。模型選擇，就是選擇一套歸納偏置。 理解這一點，才能知道算法爲什麼在某些任務上成功，也能識別它會在哪些場景失敗。 五、一段話總結 《終極算法》把機器學習劃分爲符號、聯結、進化、貝葉斯和類推五大學派：它們分別通過邏輯規則、神經網絡、遺傳搜索、概率推斷和相似性學習知識。作者認爲，各流派只掌握了智能的一部分，未來可能通過概率邏輯、表示學習和結構搜索等方法走向統一，形成能夠從多種數據與任務中自動發現知識的“終極算法”。這一設想仍是研究願景，並非已經實現的科學定論，但它提供了理解機器學習的清晰地圖：每個算法都依賴特定歸納偏置，沒有模型能夠僅憑數據無假設地獲得真理。隨着算法通過個人數據形成“數字替身”並參與推薦、招聘、信貸和社會決策，用戶還必須擁有查看、糾正和約束算法的權利，讓機器學習服務人的目標，而不是隻服務平臺容易量化的指標。

智能人不會控制人類！他終究是個機器！會被人利用！但決不會利用人！被人利用的功能可能會超出人類想象！極度的智能人有可能便人的智能形成依賴而失去判斷！並退化！就如擔心汽車等工具代替行走！人走路功能會退化！但你會覺得這種擔心是過度焦慮！

（修改文字）《終極算法：機器學習和人工智能如何重塑世界》是由佩德羅·多明戈斯（Pedro Domingos）所著，是一本關於機器學習和人工智能的開創性著作。以下是書的核心內容、邏輯及獨特見解的總結，僅供學習參考： 一. 該書核心內容： 1. 歸納總結人工智能領域五大學派：多明戈斯介紹了機器學習的五大主流學派——符號主義、連接主義、進化論、貝葉斯學派和模擬推理，並簡明解釋了每一派的主要思想、方法。 2. 終極算法：他提出了“終極算法”（The Master Algorithm）的概念，這是一個理論上可以從任何數據中學習任何東西的算法，結合五大學派的優點。 3. 數據是關鍵：強調在機器學習領域，數據的重要性超過了算法，更多的數據通常意味着更好的性能。 4. 人與機器的結合：機器學習算法強大，但人類的直覺和專業知識仍然很重要，結合人與機器的優點可以得到最佳的結果。 5. 機器學習的社會影響：機器學習廣泛應用，對社會的影響也越來越大，包括就業、隱私、倫理等多方面。 2. 書對機器學習領域的廣泛深入概述，同時提出了未來發展的思考，鼓勵讀者理解各學派的長處和短處，並認識到未來可能存在的統一框架或方法。 3. 通過實際問題（如電影推薦）展示五大學派如何處理問題，以及核心結論如何與之相關。 二. 該書核心邏輯： 1. 在五個章節中，通過介紹機器學習的五大學派，提供了全面的機器學習概覽。 2. 儘管這五大學派在方法和理念上有所不同，但它們都是爲了同一個目的——從數據中學習。 3. 最終，提出努力尋找並開發一個綜合了這五大學派優點的終極算法。 三. 本書獨特見解： 1. 學派整合：不僅描述各學派，還提出將它們的優點整合到一個單一框架中的想法。 2. 實用導向：除了理論，還詳細描述瞭如何在現實世界中應用機器學習，提供了實用建議和案例。 3. 對未來的展望：深入洞察人工智能如何影響未來，討論其潛在的風險和機會，以及如何應對挑戰。 四. 作者成就之回顧： 作者佩德羅·多明戈斯是機器學習和數據挖掘領域的知名學者，他的主要貢獻包括統一學習算法、Markov Logic Networks、數據流挖掘、多示例學習、社交網絡挖掘、高效學習算法等領域。他也是一位傑出的教育家，通過教育和寫作普及了機器學習知識。 總的來說，該書提供了全面而深入的關於機器學習和人工智能的視角，從理論到實踐，再到對未來的展望，充分揭示了作者的研究和思考成果。這本書對於學習人工智能領域的經典知識是必讀之作，同時也具有幽默搞笑的風格，值得珍藏。

第二個憂慮就是人類會自願屈服於統治。它始於機器人的權力，對我但並不是所有人來說有點荒謬。畢竟，我們已經把權力賦予了動物，但動物卻從不要求有權力。在擴張“共鳴圈”中，其下一步就是機器人權力應該算是合情合理。對機器人表示同情並不難，尤其設計它們就是爲了喚起同情。即使是日本的“虛擬寵物”，只有三個按鍵、一個LCD（液晶顯示器）屏幕，也能成功喚起同情。第一個像人的消費者機器人會引發競賽：製造越來越多喚起同情心的機器人，因爲它們賣得比一般的金屬機器人要好得多。由機器人奶奶帶大的孩子會終身容易被友好的電子朋友感動。“恐怖谷理論”——對於那些接近人類但又不是人類的機器人，我們會有不適感——對他們來說將會無法理解，因爲他們帶着機器人的習性長大，甚至可能會變成酷酷的青少年。 在隱伏的人工智能統治的進程中，下一步就是讓它們做所有決策，因爲它們是如此智能。當心！它們可能會更加智能，但它們服務於任何設計出它們計分函數的人。這就是“綠野仙蹤”問題。在智能機器人的世界中，你的工作就是要確保它們做了你想做的事，無論是在輸入（設定目標）時，還是在輸出（檢查你得到了自己要求得到的東西）時。如果你不這樣做，會有其他人做。機器可以幫助我們弄明白總體來說我們想要什麼，但如果你不參與，就會輸掉——就像民主一樣，只有參與你纔不會輸。和當今我們相信的相反，人類太容易遵守別人的規則，而任何足夠先進的人工智能都無法區別於上帝。人類不會介意聽取來自某臺玄妙深奧的計算機的前進命令，問題在於誰來監督監督者。人工智能通往的是更完善的民主，還是更潛伏的專政？永恆的監視纔剛剛開始。 第三個憂慮（可能也是最大的）就是像衆所周知的魔僕一樣，機器會給我們要求的而不是想要的東西。這並不是一種假設性情景分析，學習算法會一直做這件事。我們訓練神經網絡來識別馬匹，但它掌握的卻是褐塊，因爲所有的馬匹機器訓練集剛好是褐色的。你只是買一塊手錶，所以亞馬遜推薦了類似的商品——其他手錶，此時手錶變成你最不想買的東西。如果你檢查計算機今天所做的所有決定，比如誰拿到信用卡，就會發現這些決定常常不必要那麼糟糕。如果你的大腦是一臺支持向量機，且你的所有信用評估知識從閱讀一個糟糕的數據庫中得來，你的決定也會變成那樣。人們擔心計算機會變得過於智能而統治世界，但真正的問題是，它們也很愚蠢但已經統治世界。

高級科普類讀書，本書圍繞機器學習方法的發展提出了5大學派: 符號學派、聯結學派、 貝葉斯學派、進化學派和類推學派。其分別對應的主算法如下: 1.符號學派的主算法——逆向演繹，假定新的邏輯規則，用於作爲數據與預期結論之間的步驟。 2.聯結學派的主算法——反向傳播，他們利用它來弄清楚哪個神經元負責哪些誤差，並根據它們的權值來進行調整。 3.進化學派的主算法——遺傳編程，應用交叉和突變於計算機程序上，以子集樹的形式表示出來。 4.貝葉斯學派的主算法——概率推理，其相信模擬不確定性是學習的關鍵，並利用形式表示方法如貝葉斯網絡和馬爾科夫網絡來工作。 5.類推學派的主算法——支持向量機，假設有已知相似屬性的實體，也會有相似的未知屬性：例如，擁有相似症狀的病人也會有相似的診斷，過去喜歡買某類書的讀者可能未來還會買同樣的書等。 另外，作者也堅信: 機器最終不會控制人類，也無法永遠代替人類。機器能幫助人類從繁雜瑣碎的低智力活動中解放出來，但它們永遠不能代替人類去思考，所以我們還需要積極擁抱機器學習，擁抱人工智能。 終人工智能，人工智能，沒有人工哪裏會有智能？！終極算法的最終實現，不是靠某一個人或某幾個人實現，而必須靠所有人的共同努力。所以，我們應該開放內心，打消“機器必將統治人類”的顧慮，去積極、主動、樂觀地擁抱智能技術！

淺談人工智能：人的智慧和人工智能 究竟什麼是人工智能，什麼是AI，接下來，我爲大家解答分享幾點見解。 媒體上幾乎每天都有AI和人工智能的詞彙，總給人一種深奧神祕的感覺。人工智能顧名思義就是人類製造的智慧，英文叫Artificial Intelligence（AI），所以人工智能=AI。 那麼問題又來了，智慧究竟是什麼？我們要以何種方式去製造智慧？要回答這個問題，就必須從人與人造物的 區別和人的智慧說起。 對於人工智能的研究人員來說，目標並不是研究人類智慧的來源，而是以工程技術手段製造出類似人類智慧的 產品。 有人認爲人類和人工智能最大的差異是，肉體和的有無，我覺得其本質的差異還是意識的具備與否。 人類可以通過身體獲得外界資訊。透過感覺器官，我們可以感覺到聲音、外觀、觸感、氣味等，讓我們覺得舒服或者討厭，進而產生感情。 雖然人工智能並沒有人類的身體，但是它具有各種各樣的觸覺設備——傳感器，因此也可以像人類一樣通過感覺器官來積累經驗，也可以藉此獲得知識進行深度學習。 到目前爲止，人工智能還必須依賴人類，將人類通過鼻子、眼睛、嘴巴、皮膚等感覺器官...獲得的外界資訊，以某種形式”輸入“到人工智能系統，人工智能纔可以加工和處理這些信息。  英國數學家，Dr.Wu 認爲二十世紀最聰明的人三個人（愛因斯坦、圖靈、馮諾依曼）之一的艾倫.圖靈（Alan Turing：1912-1954）定義了一種方法，來判斷人工智能是否成功，這種方法是：和自己對話的對象是人類還是人工智能？ 這種方法就是大名鼎鼎的圖靈測試。 只要三成以上的研究員將人工智能誤以爲是人類，就算通過圖靈測試。 但是由於計算機很難做到與人類接近的對話，所以很長一段時間都沒有任何人工智能通過圖靈測試。反而人類在不斷學習計算機語言，這就是大量程序員的工作，和計算機對話。 圖靈測試又叫做模仿遊戲‘Imitation Game’，一部描繪圖靈一生的自傳電影一樣也叫模仿遊戲，我覺得很好看哦，感興趣的書友可以搜索看看。 Imitation 即爲模仿。 “思考”，大多數人會想到計算，應該是人工智能的專長。但事實上，要想像人類一樣思考其實是一件非常困難的事情。 人工智能需要以各種輸入數據案例爲基礎，通過這些數據案例獲取經驗和知識，然後進行預測和判斷。如果輸入的案例太少，就無法做出判斷。 情況相反，人類即使遇到過去未曾遇到的狀況，也可以以彈性的方式面對各種狀況。 

機器學習的核心就是預測：預測我們想要什麼，預測我們行爲的結果，預測如何能實現我們的目標，預測世界將如何改變。從前，我們依賴巫醫和占卜師進行預測，但他們太不可靠；科學的預測就更值得信賴，但也僅限於我們能系統觀察和易於模仿的事物，大數據和機器學習卻大大超出這個範圍。我們可通過獨立的思維來預測一些常見的事情，包括接球和與人對話，但有些事情，即便我們很努力，也無法預測。可預測與難以預測之間的巨大鴻溝，可以交給機器學習來填補。

高級科普類讀書，建議對機器學習感興趣的來讀，不然很有可能半途而廢。書中介紹了大量的機器學習算法，沒有先驗知識的人讀起來會覺得晦澀難懂，比啃磚還痛苦。建議可以先讀下週志華的《機器學習》(也叫西瓜書）和李航的《統計學習方法》。 本書圍繞機器學習方法的發展提出了5大學派: 符號學派、聯結學派、 貝葉斯學派、進化學派和類推學派。其分別對應的主算法如下: 1.符號學派的主算法——逆向演繹，假定新的邏輯規則，用於作爲數據與預期結論之間的步驟。 2.聯結學派的主算法——反向傳播，他們利用它來弄清楚哪個神經元負責哪些誤差，並根據它們的權值來進行調整。 3.進化學派的主算法——遺傳編程，應用交叉和突變於計算機程序上，以子集樹的形式表示出來。 4.貝葉斯學派的主算法——概率推理，其相信模擬不確定性是學習的關鍵，並利用形式表示方法如貝葉斯網絡和馬爾科夫網絡來工作。 5.類推學派的主算法——支持向量機，假設有已知相似屬性的實體，也會有相似的未知屬性：例如，擁有相似症狀的病人也會有相似的診斷，過去喜歡買某類書的讀者可能未來還會買同樣的書等。 另外，作者也堅信: 機器最終不會控制人類，也無法永遠代替人類。機器能幫助人類從繁雜瑣碎的低智力活動中解放出來，但它們永遠不能代替人類去思考，所以我們還需要積極擁抱機器學習，擁抱人工智能。 終人工智能，人工智能，沒有人工哪裏會有智能？！終極算法的最終實現，不是靠某一個人或某幾個人實現，而必須靠所有人的共同努力。所以，我們應該開放內心，打消“機器必將統治人類”的顧慮，去積極、主動、樂觀地擁抱智能技術！

1、許多人工智能的專家對人工智能都持樂觀態度，認爲其不可能取代人類，也許是當局者清使然～確實，從生物進化史來看也不是那麼簡單：一是，人腦包含1000億以上個神經元，可以理解爲至少1000億以上個特殊的計算機，之所以是其還不能簡單的理解爲某一層級硬件配置的計算機，因爲人腦具有可塑性的潛力，再加上覆雜的難以計數的軸突、樹突、電信號、激素、類激素，等等，其實其他生物也有如此複雜甚至更加複雜的軟硬件，卻也僅有人類有創造能力；二是，生物以細胞爲基本單位，而單個細胞本身就是一個複雜的算法系統，至今即使是單個細胞仍是黑箱，更不要說億萬細胞形成的生物體，及其組成的更爲複雜的羣體和社會（即使單細胞的細菌如銅綠假單胞菌也存在羣體效應）。因爲，談及人類智能進化時限，應該從地球生命起源爲始，而不是從人類誕生時起算（因爲誰也說不清人類誕生之日，現代人類到底是競爭掉還是吸納了其他人類屬種仍在爭論，但至少可以如此認爲：人類進化史只是生命史的一個片斷），接近40億年，進化和疊代時間，如此漫長的，這至少從人類的細胞結構中將原核細胞吸納爲細胞器可窺見一般，甚至最古老的藍藻生物基因組中卻發現了後世物種的基因，這說明生命或人類借假他人之的強爲我所有的能力，所以人工智能對於人類仍爲工具，或許某一天人類完全吸納所謂人工智能成爲超級人類也未可知？ 2、一直以來中國生物學的某些方向在考研甚至在研究生課程中，是不太要求數學或計算機知識的，隨着基因檢測技術、人工智能和大數據的發展，今後應該也有所調整～

讀完以後並不清楚這本書的讀者應該是什麼人。如果沒有接觸過機器學習的人，一般會被很多沒有詳細解釋的專業名詞給鎮住，沒辦法同時儲存那麼多疑慮在腦中，就會看得雲裏霧裏。對於接觸過機器學習的，應該很清楚書中所有的算法，看到書中的類比舉例可能還會有懷疑。 雖然吐槽了一通，還是從書中學到了東西。 機器學習大致分爲5派： 1.符號學派 經典邏輯主義派，通過逆向演繹，判斷模型準確度的方式進行學習。代表模型爲：決策樹、專家系統。優勢在於能通過邏輯很快速而確定地做出判斷，但無法解決密密麻麻的邊角問題、特殊情況。在非黑即白的學習領域會有不錯的效果，但現實中的問題大多並不是，專家也不一定可靠。 2. 聯結學派 經驗主義派。使用感知機、神經網絡等模型用，梯度下降方式找到局部最優解，通過逆向傳播矯正偏差。神經網絡可以使機器良好地學習，通過模型學到不錯的方案。但受到數據緯度影響，在高維數據裏，模型不一定能找出全局最優解。 3. 進化學派 通過遺傳編程，以適應度作爲衡量標準進行類似適者生存的學習方案。以遺傳程序爲代表模型。通過變異或者遺傳進行探索，得出的學習方案抗噪音性更強，但有諸多冗餘，對於程序來說並不一定要像生物一樣解決問題。 4. 貝葉斯學派 用貝葉斯網絡、HMM、MCMC網絡等進行概率推理，用後驗概率進行衡量。考慮到邊角問題，但問題是不能完全確定任何事情，可是現實不就是這樣嗎？ 5. 類比學派 通過支持向量機(SVM)進行約束優化找出關鍵向量，並最大化他們之間的邊際。通過核心程序帶SVM到高維空間，找出超平面，切分支持向量。所以SVM沒有像其他算法一樣受到緯度詛咒來的傷害那麼大。 另外本書介紹了幾個無監督算法和強化算法，使內容沒有像前5類算法那麼詳細。 最後引出最終算法爲馬爾科夫邏輯網絡(MLN)。類似貝葉斯網絡，MLN也是基於概率的網絡圖。變量中結合了聯結學派的權重和符號學派的邏輯事件。其自然底數引發的邏輯增長和生物進化得出的S型曲線一樣。這個算法作爲元學習算法將教會機器學習任何東西。