智慧的疆界：从图灵机到人工智能

机器人三定律： 第一法则：机器人不得伤害人类，或因不作为使人类受到伤害； 第二法则：除非违背第一法则，机器人必须服从人类的命令； 第三法则：在不违背第一及第二法则下，机器人必须保护自己。 本书以深邃的洞察力与清晰的逻辑将计算机科学从图灵机的诞生到人工智能的蓬勃发展娓娓道来，除技术发展，书中始终贯穿“机器能否超越人类智慧”这一思考，作者并未给出非黑即白的答案，而是以辩证的视角解析了强人工智能与弱人工智能的哲学。 书中对图灵测试的重新解读很精妙：测试本身并非判断机器是否具有“智能”，而是揭示了人类对“智能”认知的局限性——我们只能通过交互行为来间接推测内在的思维过程。 人工智能的发展，与其说是机器在逼近人类，不如说是人类在重新认识自己的思维疆界。 在冰冷的技术与抽象的哲学之间，作者巧妙地融入了人文关怀，将人工智能与人类创造力进行比较：机器擅长的是模式识别与优化，而人类则在概念跳跃与价值判断中展现独特性。 在书的结尾，对人工智能的未来进行了富有洞见的展望。他并未陷入“技术奇点”的狂热或“AI威胁论”的恐慌，而是提出了“共生智能”的概念：人类与AI并非替代关系，而是通过协作达到新的认知维度。 人工智能的发展从未偏离过人类智慧的轨迹，每一次技术的突破都在重新定义“人”与“机器”的边界，并与机器的对话中，找到更广阔的智慧可能。 真正的智慧疆界，不在代码与生物大脑的鸿沟中，而在人类永不停息的探索之心。 每一次算法突破，都是对“智慧疆界”的一次摸索。 人工智能的发展，本质上是人类在照镜子——Ai照出的，是我们对自身思维认知的盲区与局限，走向更深刻的协同共生。 物理学家马克斯·普朗克：“科学每经历一次葬礼就前进一步。” ps：另强烈推荐你阅读：第四部分人机共生之“第8章与机器共生”

《智慧的疆界：从图灵机到人工智能》是一部面向大众的人工智能全景式读物，作者周志明以时间为主轴，从理论奠基、技术演进到产业应用，系统梳理了人工智能七十余年的发展历程。全书以“奠基人物—历史事件—学术理论—研究成果—技术应用”五大维度为核心框架，力求将高深专业的AI知识拉回大众视野，让非专业读者也能轻松理解。叙述线索清晰划分前后两大部分：1956年达特茅斯会议前的“思想萌芽”与会议后的“学科诞生”，先从图灵机、图灵测试等基础概念切入，再逐步展开符号主义、连接主义等主要学派的理论争鸣，脉络分明且层层深入。 书中对AI的核心主题进行了全面且深入的阐释：在理论基石层面，详细解读了图灵机、可计算性与邱奇-图灵论题，清晰阐明“凡是能被人类证明的计算问题，都能被图灵机模拟”这一核心观点，从而为人工智能划定了坚实的数学边界；在历史节点部分，重点回顾了达特茅斯会议的里程碑意义、神经网络的兴起、专家系统热潮与深度学习突破等关键技术浪潮，同时客观揭示了“管中窥豹”式局部成功的内在局限；对于核心学派，书中梳理了符号主义、连接主义、行为主义三大流派的发展脉络，分析了它们在推理、学习、感知等领域的互补性与冲突点，帮助读者打破“深度学习即AI全部”的认知误区；而在现实与未来的探讨中，作者结合医疗、法律等行业的具体案例，展现了大数据与算法为AI带来的能力飞跃，同时也直面伦理争议、隐私保护、责任归属等重要社会议题，引发读者深度思考。 作者的写作意图清晰而深刻，他希望读者能“站在巨人的肩膀上看世界”，先理解“智能”概念的演变历程，再理性看待当下热门的AI模型，避免因陷入信息茧房而误将局部进展当作行业全貌。全书通过数学、哲学与工程实践的多重视角交织叙事，既保持了知识的严谨性，又兼具可读性与启发性。总而言之，这部作品既是一部系统完整的AI通史，也是一堂“如何正确看待机器智能”的思维课，能够帮助读者穿越技术喧嚣，精准把握人工智能真正的潜力与边界。

（时间2小时58分钟，进度18%） 一首新出的AI曲子，开头古筝轻弹引入，配合洞箫，让独特的英文嗓音声线慵懒迷人登场。中西融合，旋律抓耳。 想起之前社会人类学家项飙老师的访谈，表达“要活得更像人，才不怕被AI取代。” 于是，我顺手留下来这么一条看似客观的评论，我说，“不必过度抵触AI。若AI能够替代某项工作，恰恰说明这项工作本身具备高度标准化、可复制的特征。人真正的价值，本就不应活成可被算法替代的模式。” 没想到几天后，歌曲热度上去，我的评论也火了，也看到了更多人在歌曲评论区和我一样在探讨AI歌曲的问题。 互联网的底层逻辑，总是滑向一种危险的简化：立场＞事实，情绪＞道理，站队＞思辨。 很多人开始在这首歌曲的评论区站队、吵架。 有一位网友评论了我，当我好奇对方发了什么内容的时候，发现对方已经把内容删掉，并且把我拉进黑名单了。 我永远不知道对方发了什么内容。 看到歌曲评论区各种观点，引起了我的个人思考，最后我还是选择把自己随手写的评论删掉了。 因为有些问题的存在就是为了让我一直问下去，而不是写出一个理中客的结论。 （一） 那首AI曲子，我后来又听了很多遍。 旋律确实好听。古筝与洞箫的东方底色上，浮着英文人声的慵懒颗粒——这种混搭有一种奇异的陌生感，像在熟悉的老街上突然听见异乡人的口音。可听久了，某种不对劲渐渐浮上来。 它不是“不对”，是“太对”了。 每一个音符都恰到好处，每一个转折都精算出彩，每一种情绪的起落都被精确地安置在“让人舒服”的区间里。没有气息，没有停顿，没有出错。像一面完美的湖，没有涟漪，没有意外，没有那种只有人类创作者才会留下的、笨拙却动人的毛边。 我忽然想起本雅明在《机械复制时代的艺术作品》里说的话：机械复制让艺术作品失去了“灵韵”（Aura）——那种“此时此地”的、独一无二、不可复制的在场感。一幅原作画前，你知道艺术家曾站在这块画布前犹豫、修改、呼吸；一张照片可以完美复制画作的图像，却无法复制那个“在场”的时刻。 AI生成的音乐也是。 它可以复制风格、模仿声线、生成比人类更“标准”的旋律，但它无法拥有那个“创作过程中的自己”——那个在某个深夜，因为一个突然出现的音符而眼眶发热的人；那个反复修改一段旋律、只为替某一句诗找到安放之处的人；那个在作品完成之后，依然不确定它是否“够好”的人。 这些“不确定”“犹豫”“笨拙”，恰恰是人类的灵韵所在。 而AI，太确定了。 （二） 同样的困惑，在AI生成的照片上更明显。 我见过一组AI生成的“家庭合影”——画面里，三代人围坐一堂，光线柔和，表情自然，每一个人都笑得恰到好处。可你盯着看久了，会发现那些笑容里没有“隐喻”。 什么是“隐喻”？ 一张真实的家庭合影里，奶奶的笑容可能是“她想起父亲小时候”的隐喻，父亲的手势可能是“他今天其实很累”的隐喻，角落里那个低头的小孩可能是“他刚刚和妈妈吵过架”的隐喻。每一张真实的脸，都是无数条故事线的交叉点。你看见的不只是此刻的像素，是过去的全部抵达了此刻。 而AI生成的照片，只有此刻。 它没有“这张照片是在什么情况下拍的”这个叙事背景，没有“按下快门之前发生了什么”这个前史，没有“这张照片里的人后来怎么样了”这个后续。它是一组完美的像素，也是一个空壳。 我们喜欢很多张照片、很多首曲子，但那些“很多”通常只是浅层的喜欢——喜欢氛围、喜欢旋律、喜欢那张脸上“好看”的笑容。而深层的喜欢，喜欢的是“背后的东西”：是那张照片里奶奶看父亲的眼神里藏着的半生故事，是那首曲子在某个深夜拯救过你的那个瞬间。 AI可以给你完美的表象，却给不了你那个“隐喻”。 因为隐喻，需要一个人，真正活过。 （三） 我也焦虑。 写这些话的时候，我清楚地知道自己也是AI时代下焦虑的个体之一。我看着AI生成的文字越来越流畅、AI生成的图像越来越逼真、AI生成的音乐越来越“好听”——然后我问自己：那我呢？我写的东西，和AI写的东西，区别在哪里？ 这个问题的可怕之处在于：当你开始问它的时候，你已经被它击中了。 你开始怀疑自己的不可替代性，开始质疑自己的独特性，开始害怕那个“被算法替代”的未来。这不是矫情，这是这个时代每一个人都必须面对的存在性追问。 加缪说，荒谬产生于人渴望意义与世界不提供意义之间的冲突。而AI时代给出了一种新的荒谬：你渴望自己是独特的、不可替代的，可你眼睁睁看着一个没有意识、没有情感、没有“活过”的东西，正在逼近你引以为傲的能力边界。 这不是AI的问题。这是人的问题。 是我没有把自己活成那个“不可替代”的样子。是我先把自己活成了可被模式化的存在，然后才害怕AI替代了我。 项飙老师说得对：要活得更像人，才不怕被AI取代。 可什么是“活得更像人”？ （四） 也许答案就在“笨拙”里。 AI生成的诗句可以工整对仗，却没有“两句三年得，一吟双泪流”的笨拙；AI生成的画作可以精致完美，却没有梵高那笔触里“我还在画，我还在挣扎”的笨拙；AI生成的音乐可以无可挑剔，却不会有一个人坐在琴前，弹错、停顿、重来、再弹错、再重来的笨拙。 笨拙，是“人还在路上”的证据。 完美，是“已经抵达”的姿态。可人类的本质不是“已经抵达”，是“在路上”。我们不是已经被写好的诗，我们是正在被写、可能写废、可能重来的草稿。这个“未完成”的状态，这个“可能失败”的风险，这个“不确定能否写好”的忐忑——这些恰恰是AI永远无法拥有的。 AI可以生成一首完美的诗，但它不知道“写诗是为了什么”。它可以模仿痛苦，但它不曾失恋；可以模仿喜悦，但它不曾被爱；可以模仿信仰，但它从不跪拜。 它可以模拟一切表象，却不曾拥有任何一个“隐喻”。 而人类的每一个创作，都是隐喻——是我们在用自己的生命经验，去为另一件事命名。 （五） 那我们应该怎么和AI共存？ 我想，不是对抗，不是臣服，是分工。 AI擅长“标准”，人类擅长“例外”。AI擅长“复制”，人类擅长“原创”。AI擅长“完美”，人类擅长“笨拙”。AI擅长“答案”，人类擅长“问题”。AI可以生成一万张好看的照片，但它不知道哪一张“值得被记住”；可以生成一千首好听的曲子，但它不知道哪一首会在某个人的人生里成为“那首歌”。 AI提供表象，人类赋予隐喻。 AI可以是工具、是助手、是延伸——但它不能是主体。主体永远是人。是那个站在画布前犹豫的人，是那个坐在琴前弹错重来的人，是那个在深夜里写下“我还在挣扎”的人。 同时，其实作为渺小的我，也坦诚地希望：AI生成的内容，应该有清晰的标注。法律应该划定边界。这不是恐惧，这是清醒。我们不是在拒绝技术，我们是在要求：技术应该服务于人，而不是让人迷失在技术制造的“完美表象”里，忘记了自己真正的来处和去处。 （六） 那首AI曲子的评论区，最后变成了一场混战。 有人欢呼“ai推动了行业”，有人愤怒“这是对艺术的亵渎”，有人沉默——比如那个评论了我又拉黑我的人。我永远不知道他写了什么。也许是一句嘲讽，也许是一句辱骂，也许是一句我自己都不敢面对的真相。 这个“永远不知道”，成了我对这件事最深的记忆。 它不是答案，它是一个问号。一个关于“我到底怎么看待这件事并且如何与ai共存”的问号。 我删掉了自己的评论。不是因为不认同自己写的话，是因为我发现——在那样的环境里，任何“理中客的结论”都会被吞没，被立场、被情绪、被站队吞没。 哲学告诉我，有些问题不需要结论，它需要我一直被问下去。 AI会让我们的创作更“容易”，还是更“廉价”？ AI会让我们的表达更“丰富”，还是更“空洞”？ AI会让我们的关系更“便捷”，还是更“疏离”？ 这些问题，没有人能给出终极答案。因为答案不在AI身上，在我们自己身上。 我们怎么用AI，决定了AI是什么。 我们怎么活，决定了我们是否会被替代。 （七） 写完这些，我又去听了一遍那首AI曲子。 古筝，洞箫，慵懒的英文嗓音。 还是好听。还是完美。还是没有毛边。 我关掉它，翻开自己前几天的文字。那文字写得不好，有明显的多余成分，有几处我自己都知道怎么改却一直没改。可看着它，我心里有什么东西是踏实的。 因为我知道，那文字里的每一个“不好”，都是我真正活过的证据。是某个凌晨，我坐在桌前，一个字一个字地挤出来，删掉，重写，再删掉，再重写，最后放弃修改，告诉自己“就这样吧”的证据。 AI永远不会懂得，那个“就这样吧”的时刻。 它不知道，那不是放弃，那是——我只能走到这里了，但“走到这里”本身，就是我来过的证明。 从此岸到彼岸，没有人能摆渡另一个人。 AI也不行。 但工具可以帮助我们看见自己的边界，然后在边界处，重新选择成为谁。 -------- 5.19 出自 《中国日报》（China Daily） 官网（shturl.cc/Vr9G2fz）： Foreign Ministry spokesman Guo Jiakun confirmed on Tuesday that during last week's China-US summit in Beijing, the two heads of state agreed that an intergovernmental dialogue on artificial intelligence would be carried out. According to media reports, the leaders of China and the United States exchanged views on AI regulation during their meeting and agreed that dialogue and cooperation would be carried out. In response, Guo said, "As two major countries in the field of artificial intelligence, China and the US should work together to promote the development and governance of AI, and ensure that AI better serves the advancement of human civilization and the common well-being of the international community." "During President Trump's visit to China, the two heads of state engaged in constructive exchanges on AI issues and agreed that an intergovernmental dialogue on AI would be carried out," Guo said.

这是一本引人深思的作品，不仅深入探讨了人工智能的发展历程，还从多个维度全面解析了这一领域。这本书以图灵机为起点，讲述了人工智能从萌芽到成熟的过程，以及其背后的理论算法和应用。作者周志明以通俗易懂的语言，巧妙地组织了内容，让读者能够更好地理解人工智能的复杂性和多样性 书中不仅详细介绍了人工智能的重要历史事件、理论学说和成果，还从科普的角度，尽可能不依赖数学等专业知识，向读者展示了人工智能的创造者和推动者们所希望的智能理论和产品是如何工作的。这使得无论是与人工智能产业相关的研发人员，还是这个领域的专业研究人员，或是信息科学和计算机科学的爱好者们，都能从本书中获得启发 通过阅读这本书，我们可以深刻理解到人工智能的发展脉络，以及它如何影响和改变了我们的世界 图灵启智疆界宽，辛顿坚守曙光现

《智慧的疆界》是以历史叙事的笔法，梳理人工智能从理论起源到当代大语言模型的完整思想脉络。读完全书，最令人震撼的不是任何单项技术突破，而是那根贯穿始终的思想主线：人类试图用数学和机器理解“智能”这件事，究竟走了多远，又离终点有多远。 一切的起点是1936年图灵提出的那台假想机器：一条无限长的纸带、一个读写头、一套状态转移规则。构造极简，却在计算机诞生之前就从纯数学角度证明了通用计算的可能性。丘奇-图灵论题随后断言：任何可算法化的问题，图灵机都能处理。这两件事共同划定了“机器能做什么”的理论边界，也奠定了此后所有AI研究的共同出发点。 1950年图灵再次出手，在《计算机器与智能》中提出“图灵测试”。他没有纠缠“机器能否思考”这一形而上学难题，而是将其转化为可操作的经验性问题。这种务实的转化思路，本身就是一种深刻的方法论智慧——面对无法直接回答的大问题，先把它变成可以验证的小问题。 书中最精彩的叙事，是三大AI学派——符号主义、连接主义、行为主义——长达数十年的争论与各自的起伏命运。符号主义相信智能的本质是逻辑推理与符号操作，诞生了专家系统和知识图谱；连接主义模仿神经元网络，历经两次低谷，终于在深度学习时代大放异彩；行为主义则强调感知-动作循环，认为智能无需内部表征，在与环境的持续交互中自然涌现。 辛顿的故事是全书最动人的篇章之一。从1972年顶着符号主义主流的压力坚持研究神经网络，到2012年AlexNet一举震惊学界，整整四十年。这不仅是一个科学家个人的执着，更是连接主义整个学派的蛰伏与爆发。它提醒我们：科学史的进程并不总是线性的，被暂时遗忘的方向，有时才是真正的未来。 2017年谷歌发布Transformer架构，论文标题“Attention Is All You Need”既是技术宣言，也是历史转折点。抛弃循环结构、纯基于自注意力机制的设计，让模型得以并行处理任意长度的序列，GPT、BERT、LLaMA等几乎所有大语言模型都建立在这一基础之上。三大学派的边界在当代系统中日益模糊——大模型融合了连接主义的表征学习、借助提示词工程实现符号式推理、通过强化学习从人类反馈中优化行为，三者在实践中走向了统一。 书中有一个判断我深以为然：当前的AI既是天才，也是白痴。在图像识别、棋类博弈、代码生成、语言翻译等狭窄专业任务上，AI早已超越人类；但在常识推理、跨域迁移、因果理解、小样本学习这些人类习以为常的能力上，它的表现依然拙劣。Cyc项目从1984年开始手工编码常识知识，耗资数千万美元、历经三十余年仍未竣工，足以说明“常识”对机器而言有多难。 这种强烈反差恰恰是理解AI现状的最佳切入点：它是一种非常特殊的、不均匀的、与人类智能有根本性差异的智能形态。把它当成“人类的替代品”固然危险，把它当成“只会统计规律的蛮力工具”也同样低估了它的潜力。 书的后半部分落脚于更现实的问题：AI对社会的冲击与人机共存的路径。作者并不回避就业替代、算法偏见、隐私侵蚀、权力集中等议题，但他的基本立场是清醒的乐观主义——不是机器取代人类，而是“增强智能”（Augmented Intelligence）：AI负责数据处理、模式识别、重复自动化，人类保留价值判断、创意构思、道德约束和最终决策权。 这让我想到一个比喻：AI是副驾驶，人类是机长。副驾驶可以处理例行操作和海量数据，但遭遇异常时，最终判断和责任必须由机长承担。“人在回路中”（Human-in-the-loop）不是一种保守，而是面对当前AI局限性的必要谦逊。 读完此书，最大的收获不是掌握了某个技术细节，而是建立了一幅AI思想史的全景地图。从图灵到冯·诺依曼，从达特茅斯会议到Transformer，从三大学派的争鸣到当代大模型的融合——每一步都是人类试图理解和复制自身智能的努力，也都在某处触碰到尚未跨越的边界。 书名“智慧的疆界”意味深长。疆界不是终点，而是当下已知与未知的分界线。真正重要的问题——意识的本质、通用智能的实现、AI的伦理边界——都还悬而未决。站在这条线上，既需要敬畏这些开放性问题的深度，也需要保持探索的勇气。这或许才是这本书最想传递的东西。

此书分为四个部分：以智慧创造智慧、学派争鸣、第三波高潮、人机共生。各个部分之间有时间上的先后顺序，前面章节是后续章节的基础。正如作者所说，这是一本人工智能领域的“入门”书。但这个入门不等同于简单，更不能等同于粗陋。对于人工智能这种涉及数学、信息、生物、心理和大量其他专业知识的交叉学科，要做到技艺精深必然是极难的，仅入门这一步，就面临着非常高的门槛，阻隔了许多慕名而来的兴趣爱好者！结合今年是人工智能兴起的大年，现记录一些心得体会。 2023年ChatGPT的横空出世，在人工智能领域掀起了重要变革，这一智能工具因其解放人类生产力的潜力，从使用者到投资者，引起了各界的广泛关注。就目前看ChatGPT的舆论热度高得有些惊人——在时下，看某个事物是不是流行，都不需要看舆情监测热力图，就看看你隔壁办公桌的阿强或你关注的生活方式类公号是不是也在聊它就行了，在放大的时间尺度上来看，人类社会的技术进步呈指数曲线。15年前我们没有智能手机，150年前我们没有内燃机，也没有家庭用电，1500年前我们没有工业机器，15000年前我们没有农业。我们在未来100年取得的技术进步，将远远超过我们从最初控制火种到发明车轮以来所取得的一切成就。我们现在已经建立了可以通过学习来做有用事情的人工智能系统，尽管它们仍然处于原始阶段，但是发展趋势却是清晰可见的。 人工智能把一切都推入数字化的超级模式，谁算力大谁牛，就像导弹与反导上演道高一尺魔高一丈一样一样。ChatGPT是文字编码和数据概率组合成的游戏，但这里面每个步骤似乎都留有很大的灵活性，或者说有很大的不确定性。最终可能输出的并不是最准确事实信息。AI的“科学性”在于，AI用更快的电子信号，实现对人类大脑的化学信号的学习过程的模仿、加速。AI现在还是一个刚学会说话，什么都敢说的三岁小孩。这个小孩，加以时日、持续学习，前途不可限量。 AI的“不科学”在于，要避免它的“不科学”滥用，一旦互联网充斥AI产生的不准确信息，互联网就被毁了——AI自己毁了自己。提高准确性是ChatGPT的竞品和ChatGPT自己未来要解决的问题。 人工智能三次震惊世界。1997年，2016年，2023年。有意思的是，这三次，都由美国主导，却都和美国最大的对手苏联（俄罗斯）有关。1997年，IBM的深蓝，打败俄罗斯国际象棋大师。2016年，AlphaGo战胜围棋九段李世石。2023年，ChatGPT惊艳登场。一场比赛，让三十年硬件江湖换了姓，已经够吊炸天。但是没完，ChatGPT问世，正式宣告，那场比赛掀起的革命不止于芯片江湖，软件、互联网、整个科技界，都要翻江倒海。 文字是创造美好的东西，可是在人工智能的手上，文字变得冷冰冰的，一点感情都没有。一般来说，我们和人交流，不会重复问对方同一个问题；正常人不会每次对同一个问题，给出不一样的答案。人的思想是一致的，说出来的话是一致的。一言九鼎，人不能瞎说。ChatGPT不一样，不能把它当成人。如果问了一个问题，觉得它回答得不好，你可以重复问同样的问题，直到得到满意的答案。ChatGPT算法的随机性，让它每次给出的答案都不一样，会有完全相反的观点。 即将到来的科技变化是势不可挡的。如果我们接受这些变化并为之制定计划，人类就能利用这些变化创造一个更加公平、更加幸福和更加繁荣的社会。未来将是超出你想象般的美好。

作为接触过一些机器学习的内容、调过一些库的人，看起这本书来，有那么一丢丢觉得奇怪，并不那么机器学习。 以前并不知道人工智能有三大主要流派：符号主义、连接主义、行为主义。神奇的是，这仨流派我都过多或少接触过，只是并不知道这个体系是这样划分的。最近看书越发觉得缺少系统框架，有些东西在知识体系里摆不好位置，不算好现象。好的是读点有体系的书就能迅速填充过去，只是漏了哪些，也说不太清楚。从人工智能的实现意义上来说，这仨分别指心智派、结构派、行为派，也就是研究人的推理能力、研究大脑的结构、研究人的行为。 人工智能公认从达特茅斯会议开始的，这时候红的是符号主义学派，核心思想是“认知即计算”。 符号主义起初是推理期，描述已知来推理未知，分为认知派和逻辑派。逻辑派的代表是纽厄尔和司马贺，他们认为物理符号系统可以用来模拟人类的智能。他们在会议上提出的“逻辑理论家”就是将问题形式化，通过树搜索加剪枝算法得到和结论一致的变换形式，将树的这条分支路径连接起来，成为对定理的证明。认知派的代表是明斯基和麦卡锡，麦卡锡的《常识编程》论文，那就是 pddl 的原理啊——以前一直纳闷 pddl 这种用 dsl 写约束和定义，利用启发式算法求解的语言为什么会被放入人工智能里，现在知道了，它属于符号主义学派里的认知派。这个时期的主要困难是：需要描述的已知从哪里来？就好比 pddl 也需要人定义一大堆经验条件一样，要从头开始定义 domain knowledge，非常复杂而且多变，缺少重用性。麦卡锡的另外一篇通过七个运算符来定义一种图灵完备语言的论文，被他学生实现成 LISP，可谓是计算机语言的一个里程碑，而 LISP 的元编程能力（数据可以变为程序、符号可以修改自身的行为的能力）是一种程序的学习能力。 推理期后面是知识期，试图解决推理需要的知识问题。这个时期有类似思维导图的语义网络，它适用于检索推理，但不适用于定量的动态的知识，也不适合表达过程性、控制性的知识；有知识工程和知识系统，试图建造计算机用的知识库和知识引擎，前者是知识的存储，后者是用于知识的检索和推理求解的，专家系统就属于这一类，专家就是用来进行知识定义的，让系统自己利用推理期的方法求解。 但是推理期和知识期，都算不上真正的人工智能，因为是人在帮机器工作，人是主要的信息来源。所以进化到学习期，想要机器拥有自我学习改进的能力。这个时期的代表是决策树，计算机通过训练数据构建出合理的决策树。通过样本训练最优决策树是 NP 完全问题，所以通常用启发式算法来找到局部最优。 连接主义就是现在比较流行的机器学习概念了，不再是试图模拟人的思考，而是模拟人的大脑结构，所以主要讲了神经网络。以前一直纳闷神经网络为什么炒冷饭，据这本书所言应该是实现性限制了它的发展，因为计算能力达不到。深度学习的发展真是要多谢摩尔定律。这一部分讲得很棒的是机器学习特征选取时的维度灾难、评估的几种指标分别代表什么、神经网络目标函数里的正则化项的意义（怎样靠不同的范数来避免过拟合）。深度学习比浅层神经网络多了许多隐层外，出现的意义是人的认知是“分层迭代、逐级抽象”的，出现的时机是误差反向传播算法的出现大大减少了计算复杂度，名字的来由是Hinton 当时用神经网络投稿各种被拒只能改名……深度学习这块讲了卷积神经网络的卷积和池化、带时间序列的循环神经网络里的短期记忆网络和长短期记忆网络、对抗式生成网络里的卷积和反卷积互相对抗。神经网络的可解释性现在还没得到太多诠释，主要靠经验和试错，所以现行机器学习从业人员也会自嘲调参狗以及调参是玄学。 行为主义又称控制论，是以控制论为起源的，多在交叉学科领域，譬如机器人学、人工生命。这一段讲得比较简略，主要是维纳的一些成就。控制反正也学过，就是输入输出加反馈的系统。所以行为主义的方法就是给刺激、等反馈、通过刺激反馈研究行为特性。自复制机是冯诺依曼提出的体系结构，是机器生命的研究，前些日子突然火起来的青蛙机器人应该也算这一块。 书里提到的一些机器学习方法讲得很不错，是技术人员写的书。最后还有讲最新的发展，并且顺带提了提人工智能做决断的伦理。至于人工智能是否会毁灭地球，安啦，这是弱人工智能，只能做到部分人想要它做的事情。强人工智能才能模拟人的心灵和意识，不是吗？还是等脑科学、认知科学这些慢慢发展吧。 图灵测试与图形验证码的缩写 CAPTCHA 居然关系。

坚持实践苏轼的“八面受敌阅读法”，本书的阅读目的是人工智能扫盲，了解人工智能主要研究内容和未来发展方向，以下是我的总结。 一、主要研究内容 1956年，达特茅斯会议标志了人工智能学科的诞生。此后，三大学派（符号主义学派、连接主义学派、行为主义学派）开辟了各自实现人工智能的途径。 符号主义通过机器模拟人心，力求能抽象出一种模型，囊括人类所有的思维。具体实现路径如下：（1）机器通过学习获取知识（2）描述并存储知识（3）基于已有知识，逻辑推理产生出新的知识。但很遗憾，符号主义的研究没有实现其目标。主要原因是智能太抽象，无法通过总结一般规律以及无法根据一般规律推测未知。 连接主义通过机器模拟人脑，希望先实现最原始婴儿的脑结构，然后通过训练学习进化出更多智能。神经网络和深度学习就是该思路的落地成果，可以实现不依靠人工编程，仅靠机器学习来完成一部分机器视觉和模式识别方面的任务。以感知机自动识别阿拉伯数为例，来展开说说神经网络和机器学习。感知机其实就是单层的M-P神经元。若每个阿拉伯数字代表一个神经元，每个神经元有196个像素值输入，数字不同像素值权重不同，对权重加权求和，可得到0-9的权重分布。最后再经过阈值比较筛选，网络中有且仅有一个数字对应的神经元被激活，这个神经元代表的数字就是图片识别的结果。神经网络和机器学习真的很牛，但是它也有做不到的，就是是无法进行逻辑推理。而这一点是通用人工智能至关重要的一点。 行为主义通过机器控制模仿人类或自然生物的动作，这种是具体身体的智能。从控制论到我们现在的洗碗机，扫地机器人等自动化机器都属于行为主义学派的成果。只是这些机械都只有自动化，只能重复机械执行规则，无法达到智能化，即实现灵性与创造力，实现规则外的创新。 二、未来发展方向 我觉得可以从两个角度来分析： 第一个角度是从学派的发展历程，至今依旧繁荣的学派的研究方向或许更值得关注。符号主义自第一次人工智能寒冬后就一直没有太大进展，现在人们的目光也很少有落在其上的。连接主义自2006年提出深度信念网络，神经网络-深度学习一直具有统治地位。行为主义甚至没被放到人工智能的圈子里，其大量研究都放到了控制科学、人工生命等其他交叉学科。 第二个角度是从人工智能的目标，目标就是方向。1980年后，学术界分裂出两种不同的方向。一种是通用人工智能——能通过图灵测试的人造智能机械，比如电影中描述的智能人，她们拥有独立的意识，会思考，有情感；另一种是专用人工智能——解决人类某一类问题是表现出的智能。 由于通用人工智能难度太高，且超过了人类的实际需要，甚至可能会产生人类恐慌。通用人工智能近年来几乎没有进展，人们的研究信心和热情也渐渐冷却。现在，人们更关注的是专用人工智能。今年爆火的CHATGPT就属于专用人工智能范畴，是自然语言处理类工具，可以实现和人类聊天，撰写文案，翻译，写代码，AI绘画等专用技能。

2024年看的第一本书，花了一周时间零零碎碎加起来二十多个小时看完了。 这几年人工智能很火，在去年chatgpt横空出世后更是引爆了大家对人工智能的讨论。 秉着与时俱进的想法，一直想对人工智能发展历史、人工智能底层逻辑、人工智能研究现状、人工智能应用领域、人工智能未来发展趋势、人们对人工智能的威胁的担忧是否存在、人和人工智能应该怎么相处……很多问题进行一次全面的了解 周老师的这本书满足了我的需要，一上来并非晦涩难懂的人工智能领域的各类专有名词，也不是严谨的公式推导，通篇的基调其实就是"让门外汉"也能迅速理解人工智能，从人工智能是什么、为什么、怎么做，到对各个深入浅出地论述对各种问题的讨论，对不同路径即各个学派思想的分析，在到对当下最热的神经网络、深度学习的介绍，最后以未来人工智能的作用:辅助人类决策来解答人们担忧为结尾。 至于内容，看到评论区书友总结的很好，特借鉴如下: 此书分为四个部分：以智慧创造智慧、学派争鸣、第三波高潮、人机共生。各个部分之间有时间上的先后顺序，前面章节是后续章节的基础。正如作者所说，这是一本人工智能领域的“入门”书。但这个入门不等同于简单，更不能等同于粗陋。对于人工智能这种涉及数学、信息、生物、心理和大量其他专业知识的交叉学科，要做到技艺精深必然是极难的，仅入门这一步，就面临着非常高的门槛，阻隔了许多慕名而来的兴趣爱好者！结合今年是人工智能兴起的大年，现记录一些心得体会。 2023年ChatGPT的横空出世，在人工智能领域掀起了重要变革，这一智能工具因其解放人类生产力的潜力，从使用者到投资者，引起了各界的广泛关注。就目前看ChatGPT的舆论热度高得有些惊人——在时下，看某个事物是不是流行，都不需要看舆情监测热力图，就看看你隔壁办公桌的阿强或你关注的生活方式类公号是不是也在聊它就行了，在放大的时间尺度上来看，人类社会的技术进步呈指数曲线。15年前我们没有智能手机，150年前我们没有内燃机，也没有家庭用电，1500年前我们没有工业机器，15000年前我们没有农业。我们在未来100年取得的技术进步，将远远超过我们从最初控制火种到发明车轮以来所取得的一切成就。我们现在已经建立了可以通过学习来做有用事情的人工智能系统，尽管它们仍然处于原始阶段，但是发展趋势却是清晰可见的。 人工智能把一切都推入数字化的超级模式，谁算力大谁牛，就像导弹与反导上演道高一尺魔高一丈一样一样。ChatGPT是文字编码和数据概率组合成的游戏，但这里面每个步骤似乎都留有很大的灵活性，或者说有很大的不确定性。最终可能输出的并不是最准确事实信息。AI的“科学性”在于，AI用更快的电子信号，实现对人类大脑的化学信号的学习过程的模仿、加速。AI现在还是一个刚学会说话，什么都敢说的三岁小孩。这个小孩，加以时日、持续学习，前途不可限量。 AI的“不科学”在于，要避免它的“不科学”滥用，一旦互联网充斥AI产生的不准确信息，互联网就被毁了——AI自己毁了自己。提高准确性是ChatGPT的竞品和ChatGPT自己未来要解决的问题。 人工智能三次震惊世界。1997年，2016年，2023年。有意思的是，这三次，都由美国主导，却都和美国最大的对手苏联（俄罗斯）有关。1997年，IBM的深蓝，打败俄罗斯国际象棋大师。2016年，AlphaGo战胜围棋九段李世石。2023年，ChatGPT惊艳登场。一场比赛，让三十年硬件江湖换了姓，已经够吊炸天。但是没完，ChatGPT问世，正式宣告，那场比赛掀起的革命不止于芯片江湖，软件、互联网、整个科技界，都要翻江倒海。 文字是创造美好的东西，可是在人工智能的手上，文字变得冷冰冰的，一点感情都没有。一般来说，我们和人交流，不会重复问对方同一个问题；正常人不会每次对同一个问题，给出不一样的答案。人的思想是一致的，说出来的话是一致的。一言九鼎，人不能瞎说。ChatGPT不一样，不能把它当成人。如果问了一个问题，觉得它回答得不好，你可以重复问同样的问题，直到得到满意的答案。ChatGPT算法的随机性，让它每次给出的答案都不一样，会有完全相反的观点。 即将到来的科技变化是势不可挡的。如果我们接受这些变化并为之制定计划，人类就能利用这些变化创造一个更加公平、更加幸福和更加繁荣的社会。未来将是超出你想象般的美好。

本书详细介绍了人工智能的前世今生，讲述人工智能的“缘起”、“主要流派”、“今日高潮”与“展望”四部分，详略得当，既全面梳理了人工智能的发展，也深入讲解了人工智能发展进程中的许多技术原理。因此，整体来说，这本书对于外行还是很友好的，尽管其中许多数学、计算机方面的内容可能会阻碍理解。但是，如果我们认真地去反复阅读，我们还是可以有比较清晰的了解。必须指出，本书也仅仅是让读者整体了解，它更多是我们学习的开端。 对于人工智能，“现在并不是结束，结束甚至还没有开始，现在仅仅是序幕的尾声”。我们必须认真对待，了解，并最终拥抱。这是变革的时代，迅猛、激烈。