期末刚考完，离小学期开课还有几天时间，还是单身狗一只，没对象要陪，emmmm，所以这两天有那么亿点点闲，就把这本书 ---- 人工智能（李开复，王咏刚）看了一下，稍微写点读书笔记加点小感悟。这篇文章是我的第一篇文，所以发的时候有那么亿丢丢小激动，但限于我（叫笔者好像专业一点）水平有限，文章中肯定会有很多漏洞或错误，还请小伙伴们多多指正，感激涕零。

1. 什么是人工智能

说到人工智能，大家早已耳熟能详，但具体什么是人工智能，想必大家还是有点懵，或许只有我这个大憨憨啥也不懂吧。。。所以，初步了解人工智能的基本概念是我读这本书的主要目标。
对于人工智能，书中给出了几个定义，我放到下面了，每个定义下面我也放了一些小例子，方便大家食用。

i. AI就是让人觉得amazing的计算机程序

1962年，IBM的 Arthur Samuel 开发的西洋跳棋程序战胜了一位盲人跳棋高手，当时的绝大多数媒体和公众都认为西洋跳棋程序是不折不扣的人工智能，甚至有些激进派都觉得人类要灭亡了。
但不久人们发现这个程序其实就是用搜索或优化搜索的方式来解决博弈问题，而且公众认为所谓程序只不过是按照既定的搜索策略一步步找到最佳走棋步骤而已。另一方面，随着PC的普及，几乎每台电脑上都有这个下棋游戏，人们也就司空见惯了，开始质疑这样的程序根本不是人工智能，有本事下下人家国际象棋去。
1997年，IBM研究团队倾力打造的计算机----深蓝，战胜了世界棋王卡斯帕洛夫，霎时间激起千层浪，人们觉得人工智能来了。可好景不长，西洋跳棋的历史重演，”下象棋有什么了不起的，有本事跟下围棋呀，要知道围棋可是一项无法穷尽搜索的治理运动，极度依赖人类不断积累的经验和大局观呢“。
后面发生的事大家应该可以预想到。2016年，Deepmind团队研发的AlphaGo四比一大胜围棋世界冠军李世石，又引发了一拨人工智能的热潮，我猜应该有很多人都是通过这一事件开始关注人工智能的吧。可是，西洋跳棋程序和IBM深蓝的历史还会重演吗，再过几年，人们还会将围棋程序视为人工智能的代表吗？

概括来讲：第一种定义揭示了大众看待人工智能的视角，虽然通俗易懂，但带有明显的主观性，不利于科学讨论。

ii. AI就是与人类思考方式相似的计算机程序

第二种定义强调人的思考方式，也就是说AI就是模拟人脑呗，可人又是怎样思考的呢？
数千年来，人类一直都有个飞天梦，人们渴望像鸟儿一样在空中振翅翱翔，但真正带着人类翱翔长空的却是与鸟类的的飞行方式差别比较大的固定翼或是多旋翼飞机。
另一个例子就是六七十年代的专家系统了。
专家系统程序依赖大咖、专家们的经验知识和符合人类逻辑推理规律的大量判定规则（可以理解成一大堆 if-else）在限定的领域解决问题。20世纪60年代中期世界上第一个专家系统程序Dendral，成功地用人类专家知识和逻辑推理规则，帮助有机化学家根据物质的光谱推断未知有机分子结构。霎时激起千层浪，人们认为专家系统好像就是人工智能的代名词了，其热度不亚于今天的深度学习。

稍微总结一下，时至今日，我们人类对大脑如何实现学习、记忆、归纳、推理等思维过程的机理都还没搞清楚，如何基于我们的思考方式来编写计算机程序来为我们工作呢。周志华教授也表示，深度学习不是“模拟人脑”，只能说是从最早的神经网络受到一丢丢启发。

iii. AI就是与人类行为相似的计算机程序

这种观点就有点偏向实用主义了，管你是不是一堆 if-else，只要能给爷整活就行。虽然缺乏一定的周密的逻辑，但简洁明了，况且发展人工智能不就是为了用吗。这一点就不多介绍了。

iv. AI 就是会学习的计算机程序

无学习，不AI

这一观点体现了近年来机器学习特别是深度学习流行之后，人工智能世界的发展趋势，也符合人类认知的特点 ---- 没有谁是不需要学习滴。

但另一方面，如果是机器自己来学习的话，那么一个模型中很多参数的意义就无从而知，为什么这样调节参数，人类搞不明白，机器也一脸懵逼，干就完事，哪有那么多废话。由机器学习得到的模型越来越以一个黑盒的姿态出现，这跟第三种（也就是上一种）观点有点像，总结来讲就是，干就完事。

说到机器学习，很多人会站在人类的视角看待它，但是机器学习方式和人类学习方式存在巨大差别。

最简单的一点就是人类的学习过程往往不需要大规模的训练数据，人类可以通过极少的例子一张图片或一段话就抓住事物的关键特征，

v. AI 就是根据对环境的感知，做出合理的行动，并获得最大收益的计算机程序。

这一定义就比较全面了，既包括了人工智能根据环境感知做出主动反应，又指明了人工智能所做的反应必须达到目标，同时，不在强调人工智能对人类思维方式或人类总结的既定规律的依赖或模仿，就比较 nice （不知道该说啥了。。。。）

这些定义大家看看，图一乐就行了，没必要深究，有这时间不如写俩深度学习新模型，或者搞个聊天机器人撩撩妹子。。。

2. 三次 AI 热潮

对于这三次AI热潮，我们可以从早期的西洋跳棋程序到IBM深蓝再到前几年的AlphaGo的演进中稍微窥一窥。下棋程序的演进无疑是AI发展的一个缩影，下面稍微介绍一下这三次AI热潮吧，个人感觉对了解AI还是比较有帮助的。

i. 第一次AI热潮

十九世纪四五十年代，通用电子计算机刚刚问世，无论是军方、科学家、研究院亦或是学生，都觉得计算机只是一台运算速度比平常的计算器快亿丢丢的计算工具罢了。但总有一些 crazy ones，桀骜不驯、特立独行、顺带推动人类社会向前迈进，（此处应该有苹果公司的经典宣传广告《Think Different》），图灵就是这样的人。他走在了所有研究者的最前沿，开始探索计算机是否可以像人一样思考这样的问题，并提出了著名的”模仿游戏“，后来常称为”图灵测试“。

图灵测试

图灵测试其实就是判断一台计算机是否具备智能的一个小方法。测试者在不知道跟他对线的是一台计算机还是一个人的情况下，通过键盘和屏幕与对方聊天，如果测试者分不清对面是计算机还是人，那么我们就说这台计算机通过了图灵测试并具备了人工智能。

图灵测试提出后，着实掀起了一波AI热潮，人们争先恐后地编程、研究，觉得通过图灵测试也就是秒秒钟的事吧，就像新中国成立没几年，稍微进行了一些社会主义改造，大伙就觉得我们已经步入社会主义社会一样，emmm。著名的程序有1966年MIT开发的一个聊天小程序----ELIZA，第一次使用ELIZA的小伙伴们几乎都惊呆了，ELIZA真的就跟真人一样，一聊就是好几十分钟。但ELIZA的代码又让人大跌眼镜，程序的逻辑很简单，就是在一个话题库里，用关键字映射的方法，根据人们的问话，要么通过简单地变换人称，要么是给出一些既定的回答。整个程序乍一看好像还不错，仔细想想也就那样。这里要强调一下，我们不否认ELIZA的历史价值，也不否认它对后来的之后的智能客服、聊天机器人的参考价值。

到目前为止好像还没有程序可以通过图灵测试，革命尚未成功，吾辈仍需努力呀。

ii. 第二次AI热潮

第一波热潮里面的程序，不论是MIT的聊天小程序ELIZA，还是IBM战胜盲人跳棋高手的西洋跳棋程序，基本上都是基于一些现有的知识库再外加一点推理判断规则，如搜索算法等来解决问题的，所以说本质上跟专家系统都差不多。但随着技术的发展，过度依赖专家经验知识的基于符号主义学派的技术逐渐露出疲态。人们开始认识到人工智能跟人类的思考方式存在着巨大差异，基于统计模型的技术悄然兴起，那些符号主义学派如在语音识别实验室呼风唤雨的语言学家也都没能保住自己的饭碗。

iii.第三次AI热潮

2006年开始的第三次人工智能热潮，源于深度学习的复兴。

第三次也就是目前这次人工智能浪潮最大的特点是人工智能技术真正突破了人类的心理阈值，达到了大多数人心中“可用”的标准。什么是心理阈值呢，我们都知道，如果外界刺激的强度太小的话，人们根本不会有任何感觉，比如一只小小的蚊子悄悄地叮了你一口；只有外界刺激的强度超过了一个人能够感知到的最小刺激量，人们才有听见、看见等感觉，比如这只蚊子叮完你之后，嗡嗡嗡地唱着歌大摇大摆地乱飞，开心得不能自已，你一个听声辩位，再带一个“提前枪“，一巴掌结束了蚊子罪恶的一生。这个能引起人们感知反应的最小刺激量，心理学上就叫绝对阈值。

深度学习

上文中提到了深度学习的概念，大家之前肯定也或多或少听过这个词汇，什么是深度学习呢？

深度学习，基于多层神经网络的机器学习模型。

这里先以教小孩识字来给读者建立感性的认识。比如说要教小盆友们分辨“一”、“二”、“三”，我们会告诉他们，一笔写成的是“一”，两笔写成的是“二”，三笔写成的是“三”，简单好记。可是，开始学习新字，这个规律就不行了，比如说，“口”也是三笔，可是它不是“三”，这个时候我们就会告诉小朋友，围成一个方框就是“口”，排成横的是“三”。那要学习“田”呢，“田”也为成了一个框，可它不是“口”，这个时候我们就要告诉小朋友，框框中间有个“十”，就是“田”字。
这个过程的大概流程是这样的。

这里我们是根据一些特征规律来教小朋友识字的，而这些规律或者说是推理规则从哪来呢，是我们教给小朋友的，大家有没有想到之前介绍的专家系统。如果碰到了我们不认识的字，小朋友们又该如何分辨呢，这里假设小朋友无法自己发现这些特征规律，可以想象成是个小机器人。

我们再来看看深度学习是如何解决这个问题的。先讲几个专业术语，计算机用来学习、反复查看的图片叫“训练数据集”；“训练数据集”中，一类数据区别于另一类数据的不同方面的属性或性质叫“特征”；计算机在“大脑”中总结规律的过程叫“建模”；而计算机总结出来的规律就叫做“模型”。有了这些概念，可以把问题转化为，小朋友如何通过一些数据集（这里是“一”“二”“三”“口”“田”）根据数据的特征得出一个合理的模型。

假设要处理的数据集是信息的“水流”，处理数据的深度学习网络就是一个由管道和阀门组成的水管网络（对应多层神经网络）。水管网络有相应的入口和出口，在与数据集数量相同的出口处各设置一个我们想让计算机认识的数据集中的字的字牌。现从入口处输入的字是“田”（在计算机中以二进制表示的数据流），通过水管网络后，如果“田”字字牌对应的出口的水流最大，就说明这个水管网络对“田”字来说符合要求，然后在判断其他的字即可。反之，就让计算机调节阀门，再不断测试，直到水管网络符合要求，然后将这个水管网络保存下来作为目标模型。可以说，深度学习就是一个靠疯狂调节阀门“凑”出最佳模型的学习方法。

通过上面的描述我们不难发现，深度学习能够大展身手需要两个前提条件：强大的计算能力和高质量的大数据。其实深度学习和神经网络早在第一次AI热潮中后期就有了，只不过限于当时计算机算力和数据的缺乏，深度学习沉寂了很长时间。2010年前后这两个前提条件才逐渐步入成熟，至此，一项又一项的科学研究不断突破人类的心理阈值，甚至在某些领域已经突破人类极限。
AI 又一次高潮了。

总的来说，AI发展大概趋势跟下面这个颇有调侃意味的漫画差不多。

3. AI会挑战人类吗?

上文说到深度学习通过疯狂调节阀门来“凑”出最佳学习模型，现在问题来了，阀门（也就是神经网络中的各个参数）为什么这么调呢，为什么这样能行，那样就不行？计算机肯定不知道，它只是按规律办事而已，而且人家也不要工资，要求太高不太好 emmm，但是搞出这个模型的人也不懂呀，他也只是做出一个模型，让计算机自己去学习，通过结果来评价模型的好坏。有史以来最有效的机器学习方法----深度学习，竟是一个只可意会、不可言传的黑盒子。既然是一个黑盒子，那计算机会不会偷偷摸摸学到人类不希望它们掌握的知识呢？答案是肯定的，因为实实在在干活的本来就是计算机。当奇点（超人工智能到来的时刻）来临，人类又该何去何从？对此我是持乐观态度的，人工智能要超越人类还有很长的路要走，至少在可预见的未来是不可能的，而且，反正早晚都要超越人类，过度担忧只是白费力气，我们现在能做的就是多了解人工智能，以应对未来的各种变化，担忧的事就留给科幻作家、导演吧。

这里放一张图，大家自行体会所谓的“人工智能威胁论”。

人们为了衡量人工智能的发展程度, 给人工智能划分了层级，分别是弱人工智能、强人工智能和超人工智能。

i. 弱人工智能

弱人工智能也称限制领域人工智能或应用型人工智能，指的是专注于且只能解决特定领域问题的人工智能。比如，AlphaGo在围棋界横扫一方，却连摆棋这种最基本的动作都不会，更不要说行礼啥的了。
这一阶段的人工智能属于相对容易控制和管理的计算机程序，跟汽车、电脑一样，只是人类的一个工具。

ii. 强人工智能

强人工智能又称通用人工智能或完全人工智能，指的是可以胜任人类所有工作的人工智能。
大家不难发现上面这个定义有点宽泛，啥叫可以胜任人类所有工作，如何定义“胜任”和“所有”？缺乏一种量化的标准来衡量什么样的计算机程序才是强人工智能。最为流行的，被广为教授的标准是之前讨论过的图灵测试。
不过话说回来，如果人工智能故意不通过图灵测试咋办呢？（狗头）
一般认为，一个能称之为强人工智能的程序至少需要具备一下几方面的能力：

存在不确定因素时进行推理，使用策略，解决问题，制定决策的能力
知识表示能力，包括常识性知识的表示
规划能力
学习能力
使用自然语言交流的能力
将上述能力整合起来解决问题的能力

iii. 超人工智能

从弱人工智能到强人工智能可能还需要漫长的积累和努力，而从强人工智能到超人工智能可能只需要短短几个小时。因为人工智能的计算能力不知道高出人类多少个量级，而且不知疲倦，有电就行。

今天的人工智能还不能做什么？

前面提到，现在的人工智能仍处于并将长期处于弱人工智能（简称“弱智”）阶段，而弱人工智能只是人类的工具，它们可能在某些领域表现出色，但不代表人工智能已无所不能。就好比，咱们没猪吃的多，没狗跑的快，难道就猪狗不如了吗。。。（你再骂！！）
如果用人类对“智能”定义的普遍理解和一般性的关于强人工智能的标准去衡量，今天的AI至少还在以下七个领域还“稚嫩”得很：（我就不展开了）

跨领域推理
抽象能力
知其然，也知其所以然
常识
自我意识
审美
情感

今天我们看待人工智能，经常犯的错误就是把人工智能人格化，以衡量人的标准来判断人工智能的发展程度。而疏忽了人工智能只是工具，如果它们做了什么不符合社会准则的事，那一定是因为我们人类在设计它们时犯了错误。

That’s all

这本书就聊这些吧，连抄带写感想 ps:其实主要还是写感想（不管你信不信，反正我是不信），洋洋洒洒六千字，书后面还有很多AI的应用案例，如自动驾驶、智慧金融呀啥的，还有AI时代如何学习的内容就不说了，毕竟它们不是我读这本书的主要目的，我也只是简单过了一遍。对于学生党来说，毕业后能不能找到好工作一直是热点话题。mou问题啦，不要慌的啦，AI时代虽然可能会有很多重复性的工作被机器所取代，但谁又能说就不会有新的工作形式呢。用书里的话说就是，工作不是消失了，只是换了一种形式。

12，13年，4G即将到来的时候，人们对于4G的想法大多也就是流量和网速的大幅提升，有谁能想到短短几年，打电话可以直接来个视频通话、有事没事刷会儿抖音、B站，甚至打游戏都可以有很多收入，什么新媒体啦、兼职平台啦，层出不穷。现在我们仍处在第三次AI热潮中，又有5G的加持，未来三五年会发生什么、有多少新事物产生，谁也给不出明确的答案。so，放平心态，拥抱变化，未来可期。

AI会改变世界，但这里真正的问题是，改变AI的又是谁呢？ ---- 李飞飞

读《人工智能，李开复王咏刚》相关推荐

读《Android 安全架构深究》
Android 安全架构深究安全是一个非常立体而丰富得概念.在不同的场景下,安全有着不同的含义. 比如对于网络传输,安全指的是传输的数据不会被其他人看到.篡改.伪造及仿冒,传输的数据不会遭到破坏,数 ...
《最强Android书架构大剖析》读书笔记
文章目录第一章 Android 体系结构的变革之路 1.2 Android系统源码目录与Linux的异同 Android的框架原生二进制可执行文件 Android 的原生库核心(core)库 ...
Android Jetpack架构组件之 Room（使用、源码篇）
2019独角兽企业重金招聘Python工程师标准>>> 1.前言最近简单看了下google推出的框架Jetpack,感觉此框架的内容可以对平时的开发有很大的帮助,也可以解决很多开发 ...
抖音、美团等大厂千万级用户的Android客户端架构演进之路—
在移动开发中,对开发者来说不同的人具有不同的能力.就像读一本书一样,一千个读者,有一千个哈姆雷特.但不管怎样,只要你是个软件开发者你就必须学习windows或Linux等操作系统的运行原理.Andro ...
Android 图形架构之一 ——概述
前言本系列的文章,可以让你明白,一个View最终是如何显示到屏幕上的,从应用层到硬件抽象层.对分析app的卡顿,掉帧等有很大帮助. 由于图形架构的涉及到的代码量很大,所以本篇先来个总体的概述,有个 ...
Android display架构分析-SW架构分析(1-8)
参考: Android display架构分析二-SW架构分析 Android display架构分析三-Kernel Space Display架构介绍 Android display架构分析四-m ...
高通Android display架构分析
目录(?)[-] Kernel Space Display架构介绍函数和数据结构介绍函数和数据结构介绍函数和数据结构介绍数据流分析初始化过程分析 User Space display接口 K ...
[Android] Android MVP 架构下最简单的代码实现
Android MVP 架构下最简单的代码实现首先看图: 上图是MVP,下图是MVC MVP和MVC的区别,在于以前的View层不仅要和model层交互,还要和controller层交互.而 ...
Android系统架构-[Android取经之路]
摘要:本节主要来讲解Android的系统架构阅读本文大约需要花费10分钟. 文章首发微信公众号:IngresGe 专注于Android系统级源码分析,Android的平台设计,欢迎关注我,谢谢! 欢 ...
Android系统架构图及简单的系统架构介绍
2019独角兽企业重金招聘Python工程师标准>>> ndroid的系统架构和其操作系统一样,采用了分层的架构.从架构图看,android分为四个层,从高层到低层分别是应用程序层. ...

读《人工智能，李开复王咏刚》