或者正如人工智能研究人员佩德罗・多明戈斯所说的那段令人印象深刻的话："人们担心计算机会变得过于聪明并接管世界，但真正的问题是计算机太愚蠢了，并且它们已经接管了世界。"

关于人工智能领域的热点问题，作者表达了审慎而开放的判定。是一本没有专业的数学和工程背景，也能理解的机器学习算法书。全程挤出大众媒体和市场的泡沫，这之后的干货，是 AI3.0 时代相当不错的的行业入门指导。

对人工智能的种种讨论，特别是涉及技术伦理、社会价值和发展前景的时候，人们一般只会停留在悲观或者乐观的选边站队层面，无法进一步深入下去。这不奇怪，技术专家们擅长的话语是数据、算法、模型，社会学者和新闻记者们只能从技术的外部性、代码的背后之手、人性之善恶的角度，捍卫或者批判某种价值主张。对绝大多数非专业人士而言，由于搞不懂隐藏在反向传播算法、卷积神经网络（convolutional neural networks，ConvNets）、马尔可夫过程、熵原理这些硬核知识背后的思想内涵，就只能以 “好与坏”“善与恶” 的视角对人工智能进行理解和评判。讲述技术视角的思想基础，弥合 “理科生” 与 “文科生” 之间看待人工智能的思想鸿沟，正是米歇尔这部书的价值所在。

所有行业在未来都有被颠覆的可能。

人工智能似乎已成为当前人们的唯一热点，但读过此书后，方才了解人工智能实际上早已融入到我们生活的方方面面，只是早前的人工智能更多是专家模型式的，即让机器在设定后工作步骤下自行完成相关任务，而且其过程的步骤和逻辑，清晰可见，也与人类常识相符。当前炒的火热的人工智能则是模仿人类神经元的感知功能，而组合建设起来的神经网络，它实际上是基于大样本统计基础上，模拟记录人类某些不知道何种理由的因果关系，但是在大样本计算基础上，机器依旧无法实现能力迁移

这是一本半专业性的，讲述人工智能前世今生和未来的一本读物，人工智能其实源于上个世纪五十年代，而随着计算机硬件的提档升级，计算机网络的全球化的连接，这样就使得全球化的信息传播体系就全面构成。而社会中的每一个企业，每一个不同时代和不同层级的政府，都围绕着计算机网络系统，在构建自己的企业级的管理体系，政府也在构建其管理的网络体系，而伴随着硬件的普及，软件的开发应用，就把我们这个社会的大数据库建立起来了，而一旦把大数据库用于在一定规则下进行语言、文字、音频、视频、图像等处理，这就形成了人工智能的初级模型大数据库。目前人工智能已经切入了我们的工作和生活，书中也描述了关于人工智能的担忧！这是一本值得品读的书籍！

本书写于 21 年，我读于 24 年，3 年前对人工智能的思考已经到了这样的深度和广度，专业型人工智能的应用、通用型人工智能的思考，与人的关系，意识、情感与字符的差异，专业型人工智能是那么接近，但对社会发展和经济效益的提升远不如假设中那么巨大；通用型人工智能又是那么遥远，人们总是过于乐观地预计专业到通用之间的鸿沟，一次又一次面对人工智能在乐观和悲观中徘徊。3 年前对人工智能的思考与现今当下所面临的情况又出奇一致。GPT、KIMI 和 SORA 等语言大模型层出，又激起市场对人工智能的极大关注，渴望技术进一步突破，也恐惧于人工智能可能带来的行业巨大变化和失业风险，期待又担心于技术向通用型人工智能的进一步靠近，乐观又在该阶段占据了人们的心智上峰。人工智能如何处理搜集的信息，是否有意识的处理和思考，才是真正需要攻克的难题。如过去的千千万万次一样，当市场发现现阶段的人工智能对社会发展和经济效益的提升不过如此的时候，发现距离通用型人工智能还是那么遥远的时候，降温就如过去千万次那样来了。但是说回自身，哪管什么专业型或者通用型人工智能，只要能唯所用就好了。既然通用型如此遥远，就为专业型找到适合的应用场景；人工智能擅长于字符的记录、搜索，那就充分利用好他的优势。有时候个人与社会的比较优势，就在于不用在意多元的价值获取，判断一件事儿有益要简单得多。

不过，尽管没有提到强大的 transformer , 依然是理解 AI 发展史及基本原理的入门读物。

从最初强人工智能，到现在普及的弱人工智能，下一步的强人工智能才刚刚起步。我们玩了一个支线任务

現在，我們需要思考，萬一大型語言模型已經出現類似人類理解的能力，那麼人類要如何自處與相處？我將圖 15-6 上傳到 ChatGPT，得到的回答令我驚訝。What is this picture?(ChatGPT) The image appears to show a humorous or candid moment involving a group of men in formal attire, with one man (resembling former U.S. President Barack Obama) playfully stepping on the scale where another man is weighing himself. The context seems to suggest a light-hearted interaction, possibly during a break in a formal or professional setting.If you’d like more specific details or need further analysis, feel free to provide additional context!Why is this picture humorous?(ChatGPT) The humor in this picture comes from the playful interaction between the two men. The man resembling Barack Obama is subtly stepping on the scale while the other person is weighing himself, presumably to make the scale show a higher weight. This is a classic prank that adds humor by catching the other person off guard, creating a light-hearted and unexpected moment in an otherwise formal setting. The surrounding men seem to be enjoying the joke as well, which adds to the overall playful atmosphere.

1956 年一帮大咖在达特茅斯学院开起了人工智能逐梦之旅，本以为在很短的时间就可以突破自然语言处理、神经网络、机器学习、抽象概念与推理、创造力等。然而在过度承诺中迎来了技术困境。随着互联网普及，海量数据易得、硬件处理能力的提升、算法的优化，再次迎来了人工智能成果的大爆发。这是一本关于人工智能的科普书，写的比武侠小说还精彩。各技术流派的演进与对决、各流派掌门人悉数登场。虽然我们离通用人工智能还能遥远，但在很多细分领域，人工智能已经很厉害了，而且在变的越来越厉害！！！1. 人工智能的关键在于计算能力和符号演算的逻辑，当下人工智能的障碍无法理解 “意义”；2. 奇点是指在不久的将来，在某个假设的时间点上，出现了具有自我提升和自主学习能力的人工智能；3. 人工智能在某些细分领域已经取得了很大的进步，但仍然离通用的、人类水平的人工智能差得很远；4. 达特茅斯拉开人工智能研究的大幕，1956 年定下了模拟人类智能的主攻方向，自然语言处理（NLP）、神经网络、机器学习、抽象概念和推理、创造力等；5. 深度学习采用的是深度神经网络（DNN）是实现人工智能的主流方法；6. 人工智能的技术演化 a. 符号人工智能，采用数学逻辑来解决和处理指定任务；b. 亚符号人工智能，从数据中学习如何执行任务；c. 深度学习人工智能；7. 监督学习，给定学习系统一个样本，在输出时给一个 “监督信号” 提示偏离度，系统会根据监督信号来调整权重和阈值；8. 感知机的权重和阈值不代表特定的概念，这些数字很难转换成人类可以理解的规则；9. 网络是以多种方式互相连接的一组元素的集合；10. 具有多于一层隐藏单元的网络被称为 “深度网络”，网络的深度就是其隐藏层的数量；11.ConvNets（CNN 算法）按照输入图像，计算输出误差，然后改变权重，这样的过程被称为训练的一次迭代周期；12. 深度学习在近年来的成功，主要在于互联网极易获得海量数据和并行计算硬件的快速处理能力；13.ConvNets 的学习过程与人类有区别，为了让 ConvNets 学会执行一项任务，需要大量的人力来完成收集、挑选、标注数据，对于每一个新的训练任务，网络的设置和设计必须重新架构；14. 对抽象事物的感知以及类比是人类擅长的，但到目前为止，还没有特别成功的人工智能算法来实现这种无监督学习；15. 强化学习不是将其输出与人类给定的标签进行匹配，而是假设后续迭代给出的值比前面迭代给出的值更好；16. 蒙特卡洛树搜索不用再随机选择初始行棋方式，而是根据 ConvNets 的输出值来判断哪一初始行棋方式是最优的；17. 人类从一种任务到另一种任务的能力迁移看起来毫不费劲；我们对所学知识进行泛化的能力正是思考的核心部分；18. 现实世界中的各种情形根本就没有边界，你不知道情形之中是什么，也不知道情形之外是什么；19.word2vec 方法的工作原理是使用传统的神经网络来自动学习词汇表中的所有单词的词向量（通过一个单词一同出现的词来认识它）；20. 人工智能研究惯用的套路 a. 定义一个细分领域，来完成某项具有价值的任务；b. 收集一个大型数据集来测试机器在该任务上的性能；c. 对人类在该数据集上的表现度量；d. 建立竞赛，让人工智能系统在该数据集上互相竞争；e. 直到人工智能系统达到或超过人类的表现；

收获了不少知识，包括很有趣的知识。但是对我个人而言缺少启发性。

本书作者通俗易懂的解释了以下 AI 能力与应用：第一，AI 的重要发展历程。从符号人工智能的感知机，到亚符号人工智能，到神经网络与卷积神经网络，再到通用人工智能等。最让我印象深刻的是：深度神经网络的深度，并不是指复杂性，而是指神经网络的层数。它模拟的是人的神经网络系统，通过内在网络层数的转换，最终实现外在输出层结果的准确。第二，AI 的关键应用。从图片识别，到视觉识别，到语音识别，到自然语言翻译，到游戏人工智能应用，再到通用智能的局限性。最让我印象深刻的有两点：其一是深度学习之所以可以提升上述应用的准确度，主要就是基于神经网络的层级，它可以自我学习与进化，最终基于海量数据的学习，实现了类似人类理解的能力。比如自然语言翻译，它精准度提升至 99% 以上的关键，就在于它学习了许多人类现成的遣词造句经验，最终可给出最大概率的词句，而不是单字、单词翻译。其二是深度学习确实让人工智能往前迈进了一大步，但它依然存在局限，主要体现在对人类常识的认知，以及人类的本能能力之抽象与类比。如果没有这两者，通用人工智能就依然会存在局限性。反之，如果当前不去纠结这个问题，则可以考虑避开局限性，使用 AI 去解决行业性、特殊领域、关键场景的问题。

对于一项复杂的技术项目，完成其前 90% 的工作往往只需要花费 10% 的时间，而完成最后 10% 则需要花费 90% 的时间。

值得一读。可以对 AI 技术的发展以及目前取得的成绩成就，瓶颈做了描述。中间有一些技术上的操作说明如果是初学者可以跳过，不影响整整篇阅读体验。最后对目前关于 AI 的普遍性问题，比如 AI 是否会控制人类，比如自动驾驶的牛哥做了一判断与预测。

展示了 AI 在当前科学主流认知下的发展进度

我的书能够以中文来出版对我来说是一件非常激动人心的事情，因为长期以来，我一直觉得自己和中国人民以及中文十分投缘。20 世纪 80 年代，我曾在北京大学待了一段时间，学习了一些汉语，并和出版我的博士生导师侯世达所撰写的著作 “GEB” 一书中文译本的团队进行过交流。把侯世达的书翻译成中文是一项雄心勃勃的工程，部分原因在于，想要把书中无处不在的英文单词游戏翻译成同样有趣的中文是非常复杂的，因此，我非常敬佩翻译团队在执行这项工作时所表现出的创造力。