展开全部

主编推荐语

把科学的故事讲得富于思想性,把技术的问题讲得颇具趣味性。

内容简介

本书全面讲述人工智能的发展史,几乎覆盖人工智能学科的所有领域,包括人工智能的起源、自动定理证明、专家系统、神经网络、自然语言处理、遗传算法、深度学习、强化学习、超级智能、哲学问题和未来趋势等,以宏阔的视野和生动的语言,对人工智能进行了全面回顾和深度点评。

第2版中每章都有新增内容,并增加了全新的第13章,整理了人工智能几大派别的演化路线和人物的继承关系,有助读者阅读方便。本书极具专业性、思想性和趣味性,既适合缺少专业背景的读者了解人工智能的来龙去脉,作为人工智能的启迪之书,也适合专业人士了解人工智能鲜为人知的历史,提供深入学习的指导。

目录

  • 版权信息
  • 第2版前言
  • 前言
  • 第1章 达特茅斯会议:人工智能的缘起
  • 1 背景
  • 2 达特茅斯会议
  • 3 AI 历史的方法论
  • 4 会议之后
  • 5 预测未来:会有奇点吗?
  • 参考文献指南
  • 第2章 自动定理证明兴衰纪
  • 1 自动定理证明的起源
  • 2 罗宾逊和归结原理
  • 3 项重写
  • 4 阿贡小组和马库恩
  • 5 符号派的内部矛盾:问答系统和归结原理的失落
  • 6 几何定理证明与计算机代数
  • 7 定理证明系统和竞赛
  • 8 哲学问题
  • 9 现状
  • 10 结语
  • 参考文献指南
  • 附录1:自动定理证明大事记
  • 附录2:埃尔布朗奖
  • 附录3:几本自动定理证明教科书的评论
  • 第3章 从专家系统到知识图谱
  • 1 费根鲍姆和DENDRAL
  • 2 MYCIN
  • 3 专家系统的成熟
  • 4 知识表示
  • 逻辑
  • 心理学与语言学
  • 明斯基的框架
  • Sowa的概念图
  • 5 雷纳特和大知识系统
  • 6 语义网
  • 7 谷歌和知识图谱
  • 参考文献指南
  • 第4章 第五代计算机的教训
  • 1 背景
  • 2 理论基础:逻辑程序和Prolog
  • 3 五代机计划和五代机研究所
  • 4 并发Prolog
  • 5 美国和欧洲对日本五代机计划的反应
  • 美国的回应
  • 英国的阿尔维计划
  • 欧洲的ESPRIT
  • 6. 结局和教训
  • 7 日本还有机会吗:日本下一代人工智能促进战略
  • 参考文献指南
  • 第5章 神经网络简史
  • 1 神经网络的初创文章
  • 2 罗森布拉特和感知机
  • 3 神经网络的复兴
  • 4 深度学习
  • 参考文献指南
  • 第6章 计算机下棋简史:机定胜人,人定胜天
  • 1 机器下棋史前史
  • 2 跳棋插曲
  • 3 计算机下棋之初
  • 4.“深蓝”
  • 5 围棋和AlphaGo
  • 参考文献指南
  • 第7章 自然语言处理
  • 1 乔治敦实验
  • 2 乔姆斯基和句法分析
  • 3 ELIZA和PARRY
  • 4 维诺格拉德和积木世界
  • 5 统计派又来了
  • 6 神经翻译是终极手段吗?
  • 7 问答系统和IBM沃森
  • 8 回顾和展望
  • 参考文献指南
  • 第8章 向自然学习:从遗传算法到强化学习
  • 1 霍兰德和遗传算法
  • 2 遗传编程
  • 3 强化学习
  • 4 计算向自然学习还是自然向计算学习
  • 5 计算理论与生物学
  • 参考文献指南
  • 第9章 哲学家和人工智能
  • 1 德雷弗斯和《计算机不能干什么》
  • 2 塞尔和中文屋
  • 3 普特南和缸中脑
  • 4 给哲学家一点忠告
  • 第10章 人是机器吗?——人工智能的计算理论基础
  • 1 丘奇-图灵论题:为什么图灵机是最重要的发明?
  • 2 相似性原则:另一个重要但不太被提及的计算理论思想
  • 3 超计算
  • 4 BSS实数模型
  • 5 量子计算
  • 6 计算理论的哲学寓意
  • 7 超计算和人工智能
  • 参考文献指南
  • 第11章 智能的进化
  • 1 大脑的进化
  • 2 能源的摄取和消耗
  • 3 全社会的算力作为文明的测度
  • 4 人工智能从哪里来?
  • 5 人工智能向哪里去:会有超级智能吗?
  • 参考文献指南
  • 第12章 当我们谈论生死时,我们在谈论什么?
  • 第13章 总结
  • 附录 1 图灵小传
  • 附录 2 人工智能前史:图灵与人工智能
  • 附录 3 冯诺伊曼与人工智能
  • 附录 4 计算机与智能
  • 1 模仿游戏
  • 2 对新问题的评论
  • 3 游戏中用到的机器
  • 4 数字计算机
  • 5 数字计算机的通用性
  • 6 主要问题的反方观点
  • 7 学习机器
  • 参考文献
  • 后记
  • 参考文献
  • 人名对照
  • 作者简介
  • 看完了
展开全部

评分及书评

4.4
14个评分
  • 用户头像
    给这本书评了
    5.0

    很好的关于人工智能的历史的书,把人工智能的 3 个门派梳理得很清楚,还谈论了一些哲学的问题。mark 一下有感悟的点:必然性(necessity)和可能性(possibility)是相对的。底层的必要性约束了上层的可能性。物理定律的可能性被更底层的数学定理的必然性所约束;依次,数学定理的可能性又被逻辑的命题和定义所约束。上层的思想(thought)恰是底层的世界(world),一类人的思想是另一类人的世界。理论上说,如果一层网络是一个函数的话,多层网络就是多个函数的嵌套。网络越深,表达能力越强,但伴随而来的训练复杂性也急剧加大。辛顿是深度学习的先驱,他和学生在 2006 年发表的两篇文章开辟了这个新领域,其中登在《科学》上的那篇提出了降维和逐层预训练的方法,使得深度学习的实用化成为可能。深度神经网络最后几层的每个节点都可对应于某些概念。这是神经网络的一大进步,貌似为 “吃啥补啥” 找到了科学根据,调和了与符号派的矛盾。至于符号派买不买账,就是另一回事了。吴恩达在斯坦福大学又搞了个更大的神经网络,参数高达 112 亿。人脑的神经连接有一百万万亿个。从计算能力上说,如果这个人工神经网络要能接近大脑,每个人工神经元必须达到一万个大脑神经元的功能。这个神经网络会用到大量的图形处理芯片 GPUGPU 一度是模拟神经网络的完美硬件,因为每个 GPU 芯片内都有大量的小核心。这和神经网络的大规模并行性天然相似。硬件的进步让以往不可能的成为了可能。GPU 的厂商 Nvidia 股票也一路飙升。对计算量的需求是没有止境的,新的芯片技术也被用到深度学习中,先是有人试图用 FPGA(可编程阵列)和 ASIC 实现各种深度学习算法,后来谷歌推出了专用芯片 TPU。统计方法的另一个好处是工程师根本不需要语言学知识,也不需要懂源语言或目标语言,就可从事机器翻译。谷歌翻译团队就没什么科班出身的语言学家。欧赫认为语言学知识对翻译没什么用处,有时还会起反作用。即使人类在不理解力学的时候,就会造弹弓了。对那时的人类而言,弹弓的工作原理就是黑匣子。乔姆斯基和诺维格分别代表的两种人关心的是两种不同的问题。一种人力图打造实用的工具,没有解释也能凑合,他们是不求甚解的工程师;另一种人寻求终极的知识,他们是科学家。只不过,在计算机科学这个特定的学科中,科学家和工程师的角色变换太快,这门学科的开拓者,很多是身兼二职的,例如图灵和冯诺伊曼。遗传算法和强化学习有一个共同点:效果要等到多步以后才能看到,这是和监督式学习的主要不同。萨顿 1979 年到麻省大学跟随巴托和阿比卜,由此开创强化学习。他一直认为强化学习是理解智能的关键。维纳的控制论自问世从没进入过主流,现在更无人问津了。在整个人工智能的各个分支里,大概只有强化学习还留有点儿控制论的影子。一旦一个算法被天才发明,并成功地在一个领域里得到应用,自然会有二流人才前赴后继把这个算法在其他领域发扬光大。20 世纪 80 年代的神经网络如此,当下的强化学习也如此。谷歌 2017 年用强化学习来寻求 NP-hard 问题的近似解(Mirhoseini et al.,2017)。还有人把强化学习和符号方法结合做因果推理(Garnelo,2016)。当然 arxiv 上面的文章从发表到证实,还需要段时间。早年有人质疑遗传算法算不算机器学习,他们认为遗传算法是一种近似优化算法,不能算机器学习。但从某种意义上,任何机器学习算法都是一种优化算法。现在强化学习都被用来求解优化问题了。哈佛大学的理论计算机科学家、图灵奖获得者瓦连特(Leslie Valiant)曾经从计算的角度研究过机器学习和进化,他把进化当作学习的特例。利夫纳特和帕帕季米特里乌认为有性繁殖不太容易达到最优点,而无性繁殖才更像是优化算法,他们把遗传算法比作有性繁殖,模拟退火算法比作无性繁殖。如果说遗传算法是微观地向生物内部机制学习的话,强化学习则是更为宏观地向自然学习。德雷弗斯从以下 4 个层面批评人工智能。不同层面 人工智能假设 德雷弗斯的反驳生物层面 麦卡洛克 - 皮茨的神经元是二元的,像布尔电路 人脑是模拟的心理学层面 纽厄尔 - 司马贺的信息处理和规则 常识和背景无法用规则表示认识论层面 麦卡锡:所有知识都可以形式化 人的知识不是形式化的。可以用微分方程描述星体运动,不意味着星体在求解微分方程本体论层面 世界由事实构成,方法论是还原论 人是人,物是物。物理的东西是还原论。人需要现象学维特根斯坦曾经有言:哲学家的工作应该是一直给人提醒(assembling reminders),而不是指导。在文明初期,哲学家掌握所有的学问,哲学就是学问的代名词,说哲学家指点科学倒也不算错。但科学进步的过程就是与哲学渐行渐远的过程,当下的科学已经和哲学关系不大,“一战” 后的欧陆哲学已经和科学彻底无缘。偏重科学和逻辑的英美分析哲学也挡不住哲学的颓势,最后一个从哲学中脱离的硬学问是逻辑,目前最好的逻辑学家都在数学系和计算机系,哲学已经空洞化。那些非逻辑学出身的哲学家存在的一个普遍问题是压根就没见过硬的、复杂的问题。对于一个不太出名的哲学家的谬论,最好的应对办法是把他交给数学比他稍微好一点的同行。但如果碰到出名的哲学家,我们只好直接迎战,否则他的谬见会影响智力还不如他的媒体人,从而被散布得更远。我们造飞机并不需要知道鸟是怎么飞的。我们享受飞机的远程旅行,也不需要懂空气动力学。我这里并非在为功能主义辩护。其实,学科体系历来如此,底层的学科说上层学科不够分析,物理学家对化学家如是说,化学家对生物学家如是说,生物学家对心理学家如是说。而哲学和人工智能恰恰可以和哪个学科都能挂上,分析和综合就看不清了。开尔文勋爵曾说:“数学是唯一的好形而上学。” 如果考虑到特定的语境,我们可以把 “形而上学” 理解为哲学,不懂数学和逻辑的哲学家,在科学家和工程师眼里什么都不是。自然语言处理虽没有像图像和语音那样进展神速,但相比于定理证明近年来的停滞徘徊,毕竟还有阶段性的成果。

      转发
      评论
      用户头像
      给这本书评了
      5.0

      靠谱

        转发
        评论

      出版方

      人民邮电出版社

      人民邮电出版社是工业和信息化部主管的大型专业出版社,成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”,致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。