十堂极简人工智能课

要让个人系统长期保持有序并不断进化，可以将“对抗熵增”拆解为四个可执行的动作模块，并用成长型思维贯穿始终。 ​​1. 打开“成长型”视角：把目标看作练习场，而非一次性的成败判定​​ • 罗杰斯所说“只有学会了如何学习和改变的人，才称得上是受过教育的人”提醒我们：持续改进的能力比一次性结果更重要。 • 成长型思维者在机会面前先问“能否学到东西”，而不是“会不会失败”——这能降低对错误的恐惧，增加尝试频率，从本质上扩大了自我系统的“可用能量”。 ​​2. 给系统加“反馈回路”：用最小可行循环不断校正​​ • 机器学习中，Q 学习等算法依靠“状态-动作-奖励”闭环持续修正策略；个人也可以把任务拆成“行动-评估-奖励”微循环，每完成一轮就记录：做得怎样、哪里可以改进、下一步具体做什么。 • 这种回路让知识从经验中被“提炼”出来，而不是停留在感性体会，从而减少内在混乱（熵）。 ​​3. 在“探索-利用”之间做熵平衡​​ • 强化学习告诉我们，要保持随机性（探索新策略）同时也要运用已验证有效的做法（利用），两者的平衡才能兼顾效率与创新。 • 普通人可操作的做法： 1. 每周留出固定时间尝试全新方法或全新领域（探索）。 2. 其余时间聚焦当前最有效、能带来稳定产出的任务（利用）。 ​​4. 用“归纳整理”维持低熵环境​​ • 环境杂乱会迅速抬高个人系统的熵值。通过持续的归档、清理、精简，让信息与事务保持可管理规模。 • 管理者与高效个人常用“专注做最关键最紧要的事情”来对抗无序，这与书中提到的自我监督学习在结构化数据时的效率提升同理。 ​​落地小工具​​ 场景具体做法关联策略 任务管理每日用“三栏表”：待办、进行、已完成；晚上复盘归纳整理+反馈回路 学习升级每周一次“小项目”：用 1 小时尝试一个新技能点并产出成果探索-利用平衡 信息过滤订阅源 ≤3 个；每天阅读前先列 3 个问题降低输入熵 反馈记录建立“奖励日志”：对每轮尝试打分并写下改进建议反馈回路 ​​结语​​ 熵增是不可逆的自然趋势，但只要保持成长心态、建立反馈闭环、在探索与利用之间动态平衡，并持续整理外部与内部环境，每个人都能把对抗熵增转化为自我改善的行动力——让个人系统长期处于“有序且不断进化”的状态。

有份量的 AI 通识书籍实在是太少了，这本书带来了关于 AI 技术的全局观，仔细读下来，不仅丰富了我的见闻，更消除了我作为从业者的一些疑惑。我个人觉得非常值得一读，于是花了点时间做了总结，帮助其他读者节省时间。 第一章，人工智能简史。迄今经历了 3 次兴衰。第一次是 20 世纪 60-70 年代，达特茅斯研讨会点爆了人工智能，但是发展了近 10 年，以前画的饼如机器翻译都没有实现，不仅贵而且还比人工翻译的质量还差，最终第一次浪潮在英国爵士莱特希尔所做报告的批评声中偃旗息鼓。第二次是 80 年代的专家系统的崛起，同样的问题依然存在，贵而且难用，再加上专用的专家系统机器比日益普及的计算机的性能更差，很多专用机器的公司都倒闭了，这样第二次也归于沉寂。第三次得益于大数据和深度学习算法的普及，2023 年 ChatGPT 横空出世，引发了这一波的浪潮。 第二章，选对路径。符号人工智能使用逻辑（命题）来表达知识，使用形式逻辑表达式来把自然语言翻译成对应谓词逻辑，然后对这些逻辑进行基于规则的演算。这种想法背后原初的动力就是人类的智能就是对符号的操作。在 60 年代，这种思维是顺理成章的事情，因为整个数学都可以简化为逻辑，那么数学能解决的事情，就是逻辑可以解决的事情。但是有些哲学家并不同意智能就是对符号的操作，他们认为操作符号和理解符号是两码事，例如中文房间的故事，这个房间有两个孔，有人从一个孔中塞入满是中文的字条，房间里的人按照字条逐个地去文件柜中查找对应的答案，然后仔细抄写到一张纸条上再从另一个孔中塞出去。这个故事表明自始至终只要遵循规则，用一些符号查找另一些符号，而无需理解这些符号就能得到答案。尽管有反对的声音，但是符号处理的思想获得了不俗的成绩，其工作原理就是将符号集合（知识）和符号处理分开，符号处理程序利用搜索去选择不同的路径以逼近正确答案。于是符号和搜索成为了人工智能的标配工具箱。然而，庞大的搜索空间注定让符号人工智能驾驭不了现实世界的复杂性，但不妨碍它在专家系统中的应用，例如：医疗诊断、欺诈检测系统等。 符号人工智能逐渐融入了开发者的工具链中，例如面向对象的编程语言里面蕴含了很多符号人工智能的思想，例如语义继承和结构继承这样的方法，就是一种压缩和存储知识的方法。人们发明了很多表示知识用的语言及其复杂的规则，因为语言本身是基于逻辑的，所以能够同推理系统结合。其中比较出名的逻辑编程语言 Prolog 就是一个典型的知识和推理系统。这种系统能够基于事实（fact）来进行推理，从而产生新的事实。符号人工智能和互联网共同发展，万维网的发明者蒂姆伯纳斯李的梦想中，互联网中每个网页中包含的概念都应该标注清楚名称和唯一识别码，形成语义互联网（Web3.0），这样人工智能就能读懂全球的知识来搜索、推理。只不过事与愿违，互联网确实产生海量的数据，但是这些数据没有按照语义组织，我们只能寄希望于新的人工智能能够协助我们处理无结构、无标记的数据，最终交给符号人工智能处理。在 ChatGPT 掀起的 genAI 的狂潮中，结构化信息已经变得非常简单，这是不是意味着我们离强人工智能更近一步了呢？ 第三章，我们都会犯错。符号人工智能在应对现实世界复杂性的无能为力催生了人工智能研究中的“整洁派”和“混乱派”的两大对立阵营。“整洁派”认为可以设计精密和可被证明的方法，而“混乱派”认为在假设的单一环境中，不可能造出能探索和理解世界的机器人。我们知道，AlphaGo 的成功某种意义上代表了符号人工智能的里程碑式的胜利，也就是“整洁派”，但是它不能代表人工智能在现实世界中的胜利。“混乱派”尝试让现实世界直接影响机器人的行为，也就是给机器人装上感知器。机器人公司波士顿动力展示的机器狗在被人狠狠地踹上一脚还能维持平衡就是一个很好的支撑这一流派的例证。这一章告诉我们，符号人工智能有其局限性，人工智能需要感知复杂的现实世界并在其中学习。 第四章，寻找正确答案。如果说感知世界是人工智能模仿生物的一种形式，那么把进化引入人工智能则是模仿自然的形式。当我们受限于自己的知识而无法设计出更高水平的人工智能时，或许仿照自然，让人工智能自己进化是更好的选择。很多机器人学的研究者开始为机器人装上大脑，并且使用搜索算法来黏合神经元、规则集合和数学公式，从而造出可以自我进化的机器人。可以说，搜索是遗传算法、中心引力优化、智能水滴算法的核心，但是搜索毕竟有其局限，它不可能无限制地搜索解空间。所以对于人工智能接管世界的担忧还为时过早。 第五章，理解世界。人工智能的视觉感知历经了坎尼的边缘算法到效法人脑神经网络的过程，其中前馈式网络和反向传播方法，以及卷积神经网络依赖的深度学习算法，凭借着大规模的数据和算力不断提升的 GPU，让机器视觉成功超过了人类。但是由于和数据强绑定，就导致训练偏差的产生。小小的仙女蜂只有 7400 个神经元，却比我们构建出的复杂的神经网络更加有效。保持对自然的敬畏，认识到目前我们技术是有局限性。 第 6 章，自我改善。监督学习训练出的人工智能可以应对已知的情况，其应用场景往往在分类和回归的场景中。而无监督学习则不需要已知的数据集就能自我学习，它能发现规律从而完成聚类的操作。但是无监督学习不能做决策，因为它不知道哪种行为是有利的，所以强化学习出现了，它弥补了无监督学习在做决策时的短板，给出了激励函数，即反馈在特定情况下一个潜在行动和后续行动的预期奖励，于是人工智能就能始终选择最佳行动，使得奖励最大化。因为世界是动态的，我们需要一种动态的不断学习的人工智能，这就是无监督学习中的在线学习。脸书的首席人工智能科学家杨立昆说：“如果智能是一块蛋糕，无监督学习就是蛋糕体，监督学习就是蛋糕上的糖衣，而强化学习就是蛋糕上的樱桃。我们知道如何制作糖衣和樱桃，但我们还不知道如何制作蛋糕体。” 第七章，沟通是关键，聊天机器人的发展得益于乔姆斯基的形式语法（通用语法规则）和大数据时代发展出来的决策树、Word2Vec 的技术，在历代巧妙的算法迭代过程中，人工智能在自然语言处理上能给自动识别语法规律，标记语言成分，自动将名词归类到人名、地名和组织名、文字转成逻辑表达式、分析情绪等。这背后涉及的神经网络包括卷积神经网络、强化学习、循环神经网络、递归神经网络、注意力机制、生成模型。 第八章，重新想象现实。人工智能当中有建模和模拟的部分，由此产生的细胞自动机、生命游戏都是计算机模拟的出色案例，数字代理则是另一类技术，它构造一个虚拟的空间，把个体释放出来，在空间里自行其是。在个体上的简单行为最终涌现出更高级的群体行为。这样的操作引发了人工生命的探索，他们用数字代理的方式研究第一个复制体是如何诞生的，细胞如何发育，多细胞如何进化，大脑和感知系统如何形成，还有复杂的生态系统如何运行。相对于深度神经网络，人工生命和计算生物学的关系更近，离工程效率更远。 第九章，增强感情。人工智能是理智的产物，所以不需要情感？书中的艾略特因为丧失了情绪，所以无法做决策。可见，情感是必要的。观察人的行为来判断情感似乎是无法形成理解，因为人工智能依旧没有同理心。真正的情感计算是要让人工智能具备情感，让它有能力和人一样做出快速和有效的判断。 第十章，了解自我。通用人工智能是与人类拥有同等水平甚至超越人类水平的一类人工智能，相比较于大多数的专用人工智能，通用人工智能能够以一种日常的方式和我们互动，了解我们的需求，同我们顺畅地对话。此外，他也能感知自己的行为能够对社会、道德和环境的影响。在这个过程中，研究人员尝试综合各种不同的人工智能技术，如把基于符号学的方法和深度学习结合，也有人创建巨大的知识图谱来实现。在模拟大脑领域，有尖峰神经网络，这种神经网络不同于传统的多层神经网络，它完全模拟生物的神经网络，运用了膜电位和动作电位的概念，不会在每个传播周期内传递信息，仅在高电位的时候发送信息。最后，人工智能的独特之处在于，开发它的过程能教会我们关于大脑和身体如何运作的深刻道理。

这本书虽然“极简”，但信息量挺大，并不是很好入门。简要摘录一些书中内容： 图灵测试 智能是什么？该怎样造出人工智能？就算你有朝一日能造出一台像生命活体一样思考的机器，你又怎么确认它的思考能力呢？图灵认为我们需要一个方法来测试一台机器是否真的能思考。他把这个方法称作“模仿游戏”，不过后来这个方法更广为人知的名字是“图灵测试”。 一名讯问者通过打字跟两个人通信，而这两个人分别在不同的房间里。讯问者可以提出任何问题：“请写一首诗，以福斯桥为题。”或是“34957加上70764等于多少？”那两个人则各自以打字回应。过了一段时间，讯问者得到提示，那两个人中的一个是计算机。如果他分辨不出来哪个是计算机，哪个是真人，那么我们就可以说这台计算机通过了图灵测试。 达特茅斯人工智能研讨会 1955年，香农和另几个先驱约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特一起倡议举办一场夏季研讨会，把科学家和数学家聚拢起来，用了几个星期的时间深入讨论人工智能。达特茅斯研讨会于1956年举办，持续了六个星期，是第一场专注这个领域的研讨会，探讨（并且命名）了人工智能。 《感知机》 马文·明斯基和西摩尔·派普特出版于1969年的图书《感知机》，书中详述了简单神经元模型的众多局限。这标志着神经网络研究的终结。 专家系统 最终到了20世纪80年代，人工智能又迎来了一个新突破：专家系统。这些新的人工智能算法把人类专家的知识采集到基于规则的系统里，并执行诸如识别未知分子或诊断疾病之类的任务。 虚拟动物 这些进化后的虚拟动物，都是计算机图形艺术家和研究者卡尔·西姆斯创造的。这项工作在1994年初次发布后，启迪了数以百计的科学家。他培养的这一批能游泳、走路、跳跃，甚至互相竞争的虚拟动物震惊了整个科学界。虽说它们的身体只不过是一组简单的方块，它们的人工大脑却是个极其复杂的网络，信息经由传感器的输入，经过大量的数学函数计算和操作，才能产生那些看起来很聪明的动作和表现。它们在一个完美模拟的虚拟世界中运动，有模拟的水让它们游泳，也有模拟的地面和重力以及物理定律，让它们能走、能跑、能跳。 进化计算 虚拟动物在计算机中进化，这听起来可能很怪诞，但这是在计算机发展的早期就已经存在的一种人工智能方法。我们要解决一个问题，可以编写一套程序进行一系列计算并输出答案，但进化计算的实践者创造出了一个虚拟世界，让计算机自己繁衍出越来越好的答案，直到找到最佳答案。遗传算法就是这样一种方法。 遗传算法 遗传算法及其近亲（进化策略和进化编程）可以追溯到计算机科学的最早期。蚁群优化和人工免疫系统是在20世纪90年代才出现的。但最近几年，研究者证明了越来越多的自然过程可以启发优化方法，比如中心引力优化、智能水滴算法和河流形成动力学等方法。也有一些优化方法基于大型哺乳动物的行为习惯，比如动物迁移优化，也有好些优化方法基于昆虫，甚至植物和水果的习性。这还没算上基于鸟类和鱼类的各种算法！ 机器人 布鲁克斯把感知连接到行为的“新鲜”人工智能思想，启发了更多的进化机器人学研究者为机器人使用非符号化的大脑。机器人大脑的构件可能是模拟神经元、有限状态机、规则集合，或数学方程，搜索则是黏合剂，把这些构件以正确方式组合起来，并连接到传感器和效应器，从而让机器人能执行真正的任务。

人工智能距离我们越来越近了，而且 ai 也变成了社会发展的关键，各行各业都是期待着 ai 的改造，非常类似于网络时代对于我们社会的改造，尽管还是没有完全完成，但是已经改变了我们生活和社会的状态，特别是社交网络的产生，使得大部分个体都进入到了这个网络之中，其中唯一的问题就是形成了两个相对平行的世界，我们的和世界的，网络的割裂造成了当下外国人很难来到我们这里，如同没有电子支付在我们这里还是非常难以生活的，当然 ai 会不会也变成这个状态，还是不知道的。当然从我们对于 ai 的态度是完全接受，而且是作为工具和手段存在着，带着各式希望来使用和发展 ai，并且形成了全新的思考，前一段时间参加了高规格的 ai 大会，请的漂亮女主持竟然是央视的前主持人，因为姓艾所以被请来了，发现水平确实很高，而且其中的院士一大堆，尽管都是与 ai 关系不大，但是还是在认真的听着，对于 ai 的认识类似于一种虔诚的崇拜，能够让我们充满了想象力，很多难题人类解决不了，机器就是可以解决，其中最近最为令人吃惊的就是 xAI 公司的 ai 竟然解决了黎曼猜想，也许困扰了人类一百多年的难题，如果这个是真的化，那么就会对于我们世界产生了完全不一样的巨大影响，从而使得 ai 产生我们人类智能很难理解的知识，或者接受或者忽略，似乎也没有其他选择了，ai 进入社会之后，会产生怎样的影响，或者 ai 单独存在具有碾压人类的算力会有什么影响，尽管 ChatGPT 的训练陷入了困境，据说数据人类产生的，已经被用完了，只能使用机器产生的，这样就是陷入 scaling law 的边界，也被称为墙。其实 ai 也是存在极限和限制的。

从人脸识别到AlphaGo，从无人驾驶到全球经济管理，人工智能作为21世纪极有潜力的一门技术，已经全面渗透了我们的生活，也彻底改变了我们的行为方式。 如今，我们既离不开人工智能，也无法摆脱它对我们生活的影响。那么，这门技术到底是如何发展起来的？人工智能背后的运行逻辑是什么？它会让我们的生活变得更好，还是会带来更多的问题？我们每个人的工作是否终将被人工智能所取代？ 作为一部几乎没有门槛的人工智能入门作品，本书审视并回答了上述问题。读完之后，你将对人工智能形成一套完整且系统化的认知。 值得一读！

成功创造出真正的人工智能，将会是人类历史上最重大的事件。不幸的是，它也可能是人类的最后一件大事，除非我们学会如何避开风险。 ——斯蒂芬·霍金（2014） 一、人工智能 自动驾驶汽车、智能家电、ChatGPT、机器人等人工智能形式越来越广泛地应用于我们今天的生活，深刻改变了人们的工作和生活方式。人工智能造成的失业，AI换脸技术等诈骗也被居心叵测的犯罪分子所利用实施诈骗。人工智能在改变人们生活方式的同时，也给普通人带来了新的威胁。在新的社会环境下，只有对人工智能建立一定的认知，才能很好地利用它所带来的便利，规避它所带来的的风险。 现如今，越来越多的车企将大量资金投入到全自动驾驶系统的研发和应用中，自动驾驶汽车被越来越多的人购买使用，然而自动驾驶汽车所产生的问题也屡屡见诸于报端。车祸、信息安全风险、汽车被自动导航进墓地等在公众群体中掀起争议浪潮的事件也让部分消费者对其持观望态度。 机器人的行为、性能等是人们津津乐道的话题。这些从街头巷尾的谈论，大量科幻书籍和科幻电影的风靡中可见一斑。人工智能经过不同领域的科学家长时间的齐心探索，巨额的资金投入以后，现在成效也越来越显著。ChatGPT的语言生成能力，机器翻译，餐饮机器人的应用，电影特效等等都是人工智能领域的杰作。人工智能已经延伸到我们生活的各个领域，这一点谁都无法回避。我们已经迎来人工智能的黄金时代。然而，如果想造出能理解并探索真实世界的机器人，单凭逻辑运行与计算机知识，只会导致失败。多国多学科专家一起合作，才能制成性能优良的产品。 二、《十堂极简人工智能课》 《十堂极简人工智能课》是英国伦敦大学学院计算机系荣誉教授彼得·J. 本特利的科普著作。作者从2400年前希腊罗德岛上的机械发明讲起，按照时间顺序讲述了人工智能发展中的高潮与低谷， 为大众介绍了不同人工智能形式的研发过程、智能设计中的数学原理、目前的研发成果阶段、研发成果的局限性以及问题的症结所在等等，介绍了欧美大学及相关研究领域的尖端科技，能让大众对国际上人工智能的现状与所处的发展阶段有清醒的认识。 从目前国内紧缺的芯片设计，还未成熟的汽车自动驾驶技术，加密货币，火星探测器到可以远程遥控的无人机，应用于医疗临床领域的机器人手术，自闭症儿童的治疗，到未来养老模式的革新，人工智能无不发挥着重要作用。本特利博士在书中坦言，每一次技术革命都会迎来人类社会的改变，创造新的工作岗位，造成人口阶段性的失业。技术的冲击给人们带来便利的同时，也深刻影响了人们的生活。 本特利博士立足于当下的人工智能环境，依据不同类型的算法知识讲述机器人的设计控制原理，详细剖析不同类型机器人的性能，展示了机器人避开障碍物的能力与局限。糅合多学科知识介绍了机器人在情感、情绪反应能力上面的模仿性能与局限，指出目前机器人产业发展的痛点，科学的阐述与解释清晰明白。每章的开头都用有趣的人工智能产品作开端，用人工智能公司创制的智能产品做案例，逐步阐释产品的设计理念和科学原理，图文并茂，备注解释清晰明了，将抽象的理论和人的形象视觉需求相结合，让读者在阅读的过程中能学到人工智能的相关知识点，了解到国内人工智能产品与国外之间存在的差距。 书中讲述了不同类型的计算机算法知识，关于计算机科学，我们还有许多内容需要探索改进。算法与编程的专业知识是普通读者觉得此书艰深难懂的方面，它恰恰在提醒读者，你的知识库该更新了。无所不在的人工智能的存在，要求我们进一步了解它，掌握它，并从容自如地应对。 《十堂极简人工智能课》成书于2022年，于2023年翻译出版，较大程度地保持了科技类翻译作品的时效性。全书没有极其复杂的参数设置，只对智能技术进行大致的描述、概括，可满足于大众对人工智能的认知需求。此书对国内的人工智能研究与开发具有很大的启发意义，也是普通大众了解人工智能产品设计原理的入门图书。了解人工智能，我们才能更好地使用其产品，发挥它的巨大价值。

随着alpha-go与柯洁的围棋大战引发关注，到2023年chat-gpt的横空出世，再到现在豆包、千问之流融入我们的日常生活，ai也就是人工智能与我们的生活越来越息息相关！ 关于人工智能，我们可能更多的关心它能够为我们做什么，未来会如何发展，以及会不会取代人类的工作岗位乃至取代人类？ 关于以上这些问题，本书虽没有太过细致的回答，但或多或少都有所提及，书里主要还是向读者展示了人工智能的发展史，从历史中我们也可以瞥见未来，人工智能在取代人类部分工作岗位时也会创造新的工作岗位。 因此我们身处人工智能发展的时代浪潮之中，更要学会认识ai，拥抱ai，运用ai，让人工智能成为我们通往更加美好生活的阶梯与工具！

这是2026年我读的第一本书，去年第一本书也是关于人工智能的，算上这本，一年的时间，我读完或读过关于人工智能的可能有3、4本了，本本都读的似懂非懂，我也发愁，真的人工智能全面替代人类，因为不懂，我是不是会成为第一批被替换的那类人，如果真的有那么一天，我倒是希望自己成为某个人工智能的宠物，那样似乎也不错，但千万不能成为食物，那可太惨了，因为按照当下的人工智能时代，一定是缺能源的，在没有解决能源无限供给之前，所以，人工智能大概还不会威胁到人类地位吧。 人工智能究竟是什么?看过此书，我大概理解，人工智能无非就是人类在自我思考：人们是怎么思考的？虽然原理搞清楚了，但我们能否真的按照人类思考的原理做出一个机器来验证我们的思考成果？！以下引用书中的一段话“归根结底，也许是因为我们对自身的兴趣，人工智能和机器人总是让我们着迷，也会在某些情况下让我们感到不适。在我们发明的各种技术中，人工智能的独特之处在于，开发它的过程能教会我们关于大脑和身体如何运作的深刻道理。为了成功构建出我们的人造子女，我们必须仔细检视我们自身和我们的行为方式。我们将学到，人与人之间的互动如何能帮助个人成长和团结协作。我们将明白情绪和自我意识的作用，以及我们如何做出决定的方方面面。我们将学到我们在现实世界中的行为如何影响我们自己和他人。我们将学习什么是道德，了解道德以及对生命的尊重应该如何嵌入我们所做的一切。我们将明白我们与环境密切相关：环境会改变我们，正如我们也会改变环境一样。人工智能是一趟持续的发现之旅。这条漫长而艰难的道路也许能教会我们成为更好的人。” 作者还有一个观点：西方的一部分经济学家认为，人工智能提高生产效率所产生的巨大利润、带来的巨大好处，不应该只由少数有钱人占有，而应该由全人类社会共享，因此应该改革分配制度。比如自动化程度更高的公司的税负比例应该更高，应该推广全民无条件基本收入(UBI)制度等。不过，这些主张目前都还有许多争议，并没有成为主流共识。我想对于这个问题的回答，现在的人工智能可能给不出答案，但人类却有明确的答案吧！

如今，各式各样的人工智能在不同方向上都有着令人瞩目的突破，例如能够避开障碍的扫地机器人，以及在此基础上更进一步的无人驾驶汽车；例如能够自我进化、自我设计、自我完成的机器人，为人工生命的延续提供可能；例如人工智能的自我学习，感知情绪，智能对话等等，每种技术都对我们的生活产生了或多或少的影响。 人工智能不仅成为了当代最重要的议题之一，也正在逐渐占据着我们的生活。 既然人工智能的浪潮不可阻挡，那么至少应当对此有基本的了解。 作为一本入门之作，本书言简意赅地讲述了人工智能的发展及背后逻辑，并对人工智能的影响和局限性做出分析，在此基础上展望人工智能的未来。 通俗易懂又具有系统化，作者彼得·J.本特利帮助每个好奇的人对人工智能形成基本认知。 - 人工智能给我们的生活带来的好处我们已经切身体会到了，然而不可忽视的是，人工智能同时带来了许多问题。 这很容易理解，可以预见，每项技术如果想普遍地运用于社会都会面临一系列的困境。 例如，无人驾驶车将面对比测试更为复杂的驾驶情景，安全性的存疑，事故的归责，以及取代劳动力等种种亟待解决的难题。 例如，监督学习导致了人工智能在种族或性别上的偏见，用于训练人脸识别人工智能的数据集存在严重偏颇，浅色人脸数据远大于深色人脸数据，则结果也存在偏差，在识别黑人面孔的能力上远差于识别浅肤色人种。 例如，通过聚类实现的无监督学习广泛应用于大数据的个性推荐，不少app未经同意便通过信息的监测管理将用户贴上标签，选择性地推送他们感兴趣的话题，这会导致人们看到的世界变得狭窄，个人的偏见变得更加严重。 由此看来，让人工智能的用户保留对其功能的知情权，以及是否选择使用人工智能的自主决定权极为重要。 人工智能技术的滥用也值得我们的重视，监管法案需要紧跟技术的步伐，许多相关法律法规仍需完善。 - 从书中能够看到人工智能的局限性，其中也预示了未来的发展方向。 现今的人工智能几乎都是“专家”，很少有“通才”，每种人工智能只负责自己的专业知识，对于另一领域的了解是空白。 随着人们对通用人工智能的需求日益增加，人工智能在这一领域的缺口暴露在我们眼前，对于通才机器人的开发将更加受到重视。 面对数据的极速增长，万维网的发明者蒂姆·伯纳斯-李希望万维网成为所有概念连接而成的巨型全球知识图，将所有网站做成计算机可以理解的格式，所有的网站数据都可以被储存，被分类，从而每个人都可以用全球的数据库进行知识的搜索、演绎和推理。 然而，目前大量的网站开发者们没有采纳这个想法，计算机依然无法识别巨量上传数据的格式。 如何将其自动识别和分类将成为人工智能发展路上需要解决的一个重要问题。 除此之外，人工智能领域由最初的监督学习发展出无监督的自我学习，机器可以通过不断变化的范式进行适应更新，但即使是最专业的研究者也对这个过程知之甚少。人工智能在无监督学习中准确性的提高又是一个亟待解决的难题。 - 我们对人工智能的担忧有几种，其一是经常在科幻作品中出现的，人工智能拥有自我意识的情形。 实际上，人工智能的发展需要大量的计算，不少领域的进展趋于缓慢，且需要人工干预进行纠正和发展。 而按照约翰·塞尔提出的中文房间理论，人工智能只是依据规则操纵符号，并没有真正理解符号和规则的意思。即使目前看似学习成长快速的聊天机器人也并没有脱离中文房间理论范畴，因此我们大可以放宽心。 另一个担忧便是“我们会被人工智能代替吗”这一问题。 人们担心人工智能会造成多行业的大规模失业，担忧自己的岗位被机器取代。 这看起来很现实，毕竟人工智能的功能越来越强大，制造业及服务业自不必说，人工智能甚至开始涉足艺术创新领域，这让越来越多人产生了危机感。 但是，如果我们将目光放得长远些，就会发现历史上已经发生过许多次技术革新，历史中每次科技变革都会淘汰部分工作岗位，但也会创造出新的岗位。 我们要做的是拥抱变革，学习新知识，新技能。 在人工智能这条漫长的发现之旅上，不断修行，不断进步。

应该怎样接受自己的造物，取决于我们自己 没想到，译林的这本小书，竟然断断续续读了很久才读完。 关于人工智能的话题，一直是大热门，特别是OpenAI的大语言模型出来，各家科技巨头都在快速跟进，好像每天都有这方面的新闻。 这个时间点看这本小书，是想了解清楚，哪里都少不了的人工智能，到底是什么。 这本书的作者是彼得.J .本特利博士，伦敦大学计算机系荣誉教授。本书的书名是《十堂极简人工智能课》，所以全书分为10个章节。作者沿着人工智能的发展历程，以关键技术节点为切入口，用不同阶段的人工智能成果，从不同的维度，说明人工智能的全面发展和对我们生活的影响。 从书中各章节标题中就可以看到，人工智能对我们的影响是全方位的： 选对路径；我们都会犯错； 寻找正确答案；理解世界；自我改善；沟通是关键；重新想象现实；增强感受；了解自我。从物理，生理，甚至心理，思想层面，都在影响我们。可谓在你知道和不知道的领域，人工智能都有着飞速的发展，人们的生活已经彻底被人工智能改变。日常新闻中所知道的这些人工智能，只是冰山一角，更多在人工智能就像水下的冰山，在支撑着我们整个社会运转的方方面面。 人工智能的学习对象，研究对象是大自然，是万物。科学家都现实世界中寻找模型，找寻规律，计算机只是一个工具。人们从生物神经网络中来学习决策的过程 ，从鸟类的飞行来学习个体和群体的行为规则，从动物的运动视觉听觉各方面学习而来的仿生机器人等等。 也就是说，我们是通过人工智能去更好的理解这个世界，无论是物质层面，生物层面还是思维层面。 可这样说来，我也更迷惑了，如果人工智能各方面的发展，是把人类已经观察习得的知识转化为计算机语言，并在某些方面突出性加强，人工智能的优势是速度，是能处理海量的数据。他更像是一种被模仿训练而出，并非完全创造而出。那我们所担心的人工智能危机，其实就不是人工智能本身。因为它是基于已有的世界所提炼出的模型，我们更应该担心的是，人工智能被不法分子滥用，而这不是人工智能所能控制的，这是人性引发的。 最后，借用书中引用的一句话： 机器人会继承我们的地球吗？会的，但它们也会变成我们的孩子。——马文 明斯基（1994） 是我们，决定了人工智能长什么样子。