《人工智能的未来》读后感及读书笔记
《人工智能的未来》读后感及读书笔记日期：2021/5/162:20:02书籍信息全书名：《人工智能的未来》
英文名：《OnIntelligence》
作者名：杰夫·霍金斯，桑德拉·布拉克斯莉
译者名：贺俊杰，李若子，杨倩
前言人工智能是时下最热门的科技领域之一。在经过多年的技术演化以及三次浪潮之后，人工智能已经逐渐深入到了我们生活的方方面面。搜索引擎、智能翻译、智能导航、智能推荐也已经成为我们日常生活中不可或缺的习惯。
但这些所谓的「人工智能」真的能称为智能吗？真正的智能到底该怎样界定？
当我们仔细思考这些问题的时候，发现当下的人工智能并不能给我们一个确切的答案。人工智能专家和计算机工程师所创造出的人工智能，巧妙的绕过了「智能」这个概念，仅从功能性的角度，通过机器的行为来判定其是否智能。但很显然，智能行为并不能作为判断是否具备智能的依据。
为了搞清楚什么是真正的智能，杰夫·霍金斯花费了多年的时间去研究人类大脑的运作机理，并写下了《人工智能的未来》一书。通过此书，我们将了解到大脑的空间-时间模式、记忆-预测模型、意识与创造，以及智能的未来。
一、人工智能的局限2016年，人工智能AlphaGo以悬殊的比分战胜世界围棋冠军李世石。被誉为人类智能巅峰的最后一道防线：围棋，也在AlphaGo强大的性能面前遭到无情地碾压。一时之间，恐惧来袭，人们开始担心自己会被机器所取代。
在围棋领域，AlphaGo的确是当之无愧的大师，它依靠强大的并行计算能力、深度学习算法以及几百万份棋谱数据，战胜了最聪明的人类。它是如何做到的呢？
它的每一步落子，都经过了无数次的运算，它从数据库中调用历史的棋谱，与当前的形势比对，通过算法计算出最优解（或者说胜算最大的棋招）。面对AlphaGo，其实就相当于面对人类历史上所有顶尖高手的集大成者，以一人之力敌万人之智，胜算当然渺茫。
更为关键的是，AlphaGo可以通过7x24小时不停歇地与自己对弈，来提升自己的技能。我们所说的「士别三日刮目相看」，在AlphaGo这里，可能只需要一个小时。
于是，在这位强大的机器大师面前，人们被震慑住了。因为以人类大脑的计算能力与学习效率，是远远赶不上机器的，这种差距只会越来越大。
从行为上看，AlphaGo的确具备了智能，它不仅会下棋，还会学习，而且在围棋领域凌驾于人类智能之上。这符合人工智能专家和计算机工程师的理念。他们认为，人类智能就是一种算法，和计算机算法没有本质区别，只要计算机的计算能力足够强大，算法足够优秀，就足以涌现出匹敌人类的智能。
但问题是，拥有类似人类的行为真的能作为拥有智能的依据吗？或者说，AlphaGo真的理解围棋吗？答案很显然是否定的。
AlphaGo并不理解什么是围棋，它只是根据算法，通过历史数据来计算最优解。至于围棋中所包含的战略思想以及人性的博弈，它都不理解。
除此之外，除了下围棋，其他事情AlphaGo也一概不会。从这个角度来看，与其说它是人工智能，不如叫它专业围棋机器，更恰如其分。
这是目前人工智能的局限，也是人工智能专家与计算机科学家在开发人工智能时所进入的一个误区，就是绕开了「智能」本身，绕开了对人类大脑的探究，仅通过机器行为去定义智能。这种极度务实的思想的确可以创造出实用的机器人产品，但却无法创造出真正的智能。
要探索真正的智能，必然要从具备智能的人类大脑开始。
二、人类大脑我时常思考「我」的本质到底是什么。很显然，「我」并不是站在镜子前的这个人体，因为这个人体只是受「我」支配的无数个细胞的集合。最终我想通了，其实「我」就是藏在颅骨中的那一团如浆糊般的物质，或者更确切地说，是包裹在这团物质表面的那一层薄薄的神经组织，大脑皮层。
人类的一切思维、意识、思想和行为指令，都诞生于大脑皮层。正是大脑皮层，将我们的思维、意识与器官、行为统合在一起，使我们成为一个完整的智慧生物个体。
大脑皮层并不大，仅有两毫米厚，但就在这狭小的空间内，密密麻麻布满了上百亿个神经细胞。这些神经细胞通过神经突触彼此连接，进行着信号的输入以及指令的输出，同时还存储着宝贵的记忆。
大脑皮层分化出了不同的功能区域，比如视觉中枢、听觉中枢、运动中枢等。每一个功能区域都有严格的层级划分，就像一个公司拥有董事长、经理、员工等不同的权力层级。低级区域通常作为信号的感知区域，而高级区域则负责统筹信息解码以及指令发布。
以视觉为例：当光携带着信息在视网膜上成像之后，最先被低级感知区域感知，然后向上传送。不同层级的区域，对信息有着不同的专业化解读，如物体的大小、形状、颜色、运动状态。最终，所有层级感知到的信息会汇集到高级区域，由高级区域对复杂的信号进行统筹解码，之后，你便理解了你看到的东西到底为何物。同时，高级区域还会发布相应的指令，来指导你的身体完成相应的行为。
假设看到的是美丽的风景，高级区域就会发布各种复杂的指令，让你感到身心愉悦，并发出赞叹。
大脑皮层虽然分化出了多种不同的功能区域，但科学家们经过长时间的研究，却发现了一个极为反直觉的现象，即大脑皮层各功能区域的基本功能，或者说算法都是一样的，唯一而微小的差异仅体现在神经的连接上。
这意味着，无论是视觉中枢、听觉中枢、运动中枢还是其他中枢，它们都沿用同一套算法，具备相同的基本功能。
近些年经常被提及的「大脑可塑性」很好的说明了这个观点：某些患者因为疾病或者事故导致大脑运动中枢受损，瘫痪在床，失去了运动能力。但经过多年的训练，大脑其他功能区域接替了原有运动中枢的职能，患者又恢复了运动能力。
这也恰好说明人工智能专家和计算机工程师们试图通过不同的代码和算法使计算机获得「机器视觉」、「机器听觉」的做法是错误的，因为这本身就与大脑的运作机理相悖。
我们的大脑皮层从一开始就是一个统一的功能模版，在成长的过程中，根据传入的信号种类，分化出不同的功能区域：视觉信号到达的区域分化成了视觉中枢，声音信号到达的区域分化成了听觉中枢，以此类推。
要想搞清楚大脑皮层的功能机理，就要从输入信号说起。
三、空间-时间模式首先，我们又要丢出一个反直觉的观点：无论视觉、听觉还是触觉，大脑皮层接收到输入信号基本是相同的。
你可能一头雾水：图像是光信号，声音是空气的波动，而触觉则来自于皮肤感受到的压力，难道光、声波和压力是同一种东西？
答案当然是「否」，这里所说的输入信号相同，是指光、声波和压力在被感受器（这里指眼睛、耳朵和皮肤）接收时，都会先转换成电脉冲（或者叫动作电位），再通过神经传导进入大脑皮层。
也就是说，无论视觉、听觉还是触觉，大脑皮层接收到的都是一股股电脉冲信号，或者我们可以称其为一组组模式。
当我们看到朋友的脸，一组模式进入了大脑皮层的视觉区域；当他跟我们打招呼，一组模式进入了大脑皮层的听觉区域；当我们拍拍对方的肩，一组模式进入了大脑皮层的触觉区域。
这些模式之间的差异，就在于感受器不同，传输路径和层级不同，以及去向不同。但无论源自哪里，对于大脑皮层而言，它们都是动作电位，都是模式。
这些模式还携带了空间和时间的信息。
以视觉为例：我们查看周围的事物，整体的空间感和层次感，物体的边缘和位置，都会被我们一并觉察；而我们的眼球并非静止不动，哪怕我们刻意定睛，眼球每秒钟也会发生3次不自主的扫动。这就导致大脑皮层接收到的模式始终在发生连续不断的变化，这是一个连续的过程，让我们感受到的世界不是静止的图像，而是连续动态的影像。
有一个「感觉替换」的实验很好地说明了大脑皮层接收到的都是模式：
科学家发明了一种可以让盲人通过舌头来「看」到物体的装置。这种装置主要分为两个部分，一部分是头戴摄像头，用于采集图像信息，充当盲人的双眼；另一部分是藏在舌头下的一个压力传感器，类似于人的视觉神经。
当摄像头采集到图像之后，将信息传输到舌头下的传感器，传感器将图像一个像素一个像素转换成压力点，形成一组模式传输到大脑皮层。经过训练，大脑皮层很快就可以解析这组模式，盲人也就「看」到了摄像头采集的图像。
原本舌头上的触觉却在脑海里形成了视觉影像，这足以说明这种空间-时间的模式对于大脑皮层而言都是一样的，无论这种模式源自哪里。
可以说，我们对于世界的感知和认知，都基于这样的一组组模式。如果没有模式，我们将永远处于没有觉知的黑暗之中。而通过这些模式，大脑皮层也在我们脑海里塑造了一个近乎与真实世界一样的虚拟世界，这就是记忆。
四、记忆计算机拥有强大的计算能力，每秒可进行上亿次的运算，相比之下，大脑皮层的运算速度简直跟蜗牛一样。
但奇怪的是，人类可以轻轻松松作出复杂的动作，而机器却不行。比如一个简单的例子：接住别人抛过来的球。
我们只需要盯着球飞行的弧线，提前判定好落点，然后伸出手，就可以轻松接住。哪怕是小孩子，玩过一段时间也能轻松做到。但如果让机械手臂来完成这个动作，哪怕是再复杂的算法，再强大的计算性能都很难办到。
对于机械手臂来讲，它要时刻追踪球的位置，然后根据角度、速度、重力加速度等各种物理量，时刻运算球的落点，并不停地进行修正。即使准确判断了球的落点，但要精确的控制机械手臂的角度，弯曲度，手指张开的角度，依然是一件极其困难的事，哪怕它一秒能运算上亿次，也会看着球从手中溜走。
这样看来，似乎人类大脑的计算能力更强？但显然不对，那到底是什么原因导致人类能够作出如此复杂而精准的动作呢？答案是记忆。
计算机想要得到答案，必须靠即时演算。但人不一样，人要得到答案，只需要从记忆中取出即可。
人一旦有了接球的经验，就会将其作为记忆存储到神经元的连接点上。当再一次遇到接球的情况时，就会直接将之前存储的记忆唤醒，这些记忆中包含着一连串的肌肉命令，会让你的整个身体协调地完成接球的动作。你练习得越多，记忆就越深刻，接球的动作就会越协调、越精准。
人类的记忆有如下几个特点：
4.1 按时间顺序的模式序列我们的记忆不是一幅静止的画面，也不是某一个时间上的断点，而是一个有时间顺序的序列。我们无法一股脑儿回忆起整个事情的全貌，一定是顺着事情发生的时间一点一点回忆。我们背书，我们唱歌，我们讲故事，必然是从开头到结尾，有了前文，我们才能回想起后文。而如果你要倒着背书或者倒着唱歌，你就会不知所措，不知从何开始。
4.2 自-联想记忆自-联想是人类大脑记忆网络中一种独特的现象，它体现了反馈的重要性。当输入通过神经元产生输出，输出又会被传回给输入，从而形成一个反馈回路，记忆由此诞生。
这种反馈回路的好处就在于，当我们想要回忆某一件事情时，我们不需要回忆完整的情节，而是只需要一个记忆片段，甚至是一团混乱的记忆画面，就可以激活全部的记忆。
比如睹物思人，当我们看到某一个物件，甚至只是闻到一种香味，与之相关的某个人的全部细节就会浮现在我们脑海里；我们偶然听到一首以前经常听的歌，我们瞬间就会穿越时空，置身于当时的情景之中，周围的环境、人物、气息都会历历在目。
4.3 恒定表征恒定表征代表了我们的记忆是恒定的，但这并不意味着我们能够完整而精确地记住每个细节。恰恰相反，我们的记忆无法做到精确，这点和计算机的差距尤为巨大。计算机的存储是精确的，哪怕只是改动一个字符，结果就会面目全非。但大脑不一样，无论模式怎么改变，我们的记忆都会保持恒定。
比如我们在不同光照条件下观察朋友的脸，光线有明有暗，光照角度有高有低，光源有火有灯泡，对于我们的视觉中枢来讲，这些都是不同的模式，但我们都能认出这是朋友的脸，甚至哪怕他做过轻微的整形手术，我们也能认出。
还有一个比较常见的恒定表征的例子是签名。无论我们握着什么样的笔，用什么样的姿势，在什么样的纸上书写，我们运笔的力道和角度都基本一致，签出来的名字也基本一样。毕竟，签名的恒定表征早已存储在了我们的运动皮层当中。
人的记忆不如计算机存储信息那般精准，但它的容错性、敏感性却远超性能最强的计算机。这其中最核心的地方在于，神经系统记忆的并不是精确而独立的事件，而是各种模式之间的相互关系。
无论是我们看到、听到的，还是感觉到的，这些输入、输出模式相互关联，都以恒定的形式存储在我们的大脑当中，作为我们认知世界、预测未来以及产生行为的基础。
五、预测试想一个场景：
我们正在音乐厅里聆听钢琴师演奏一首我们熟悉的音乐。当琴声响起，我们对于这首曲子的记忆瞬间被唤醒。我们跟着这优美的琴声行进，不对，是琴声跟着我们记忆中的旋律行进。
通常我们的大脑更超前，当后面的旋律还未响起，我们已经知道旋律接下来应该如何走，一切显得自然而然。突然，钢琴师弹错了一个音符，这突如其来的异常让你变得警觉，甚至扰乱了你脑海里的旋律进行，你的注意力在接下来的几秒钟内都会被这个错误的音符所吸引。
类似的事情在生活中不胜枚举。椅子的位置好像变了？今天的菜好像咸了点？我原本放在这里的笔记本去哪了？我们不会留心正常的状态，但对异常却格外敏感。
这是因为，我们在做某一件事情之前，我们脑海中相应的神经元就会激活，这些被唤醒的记忆会作出预测，并与外部实际的输入模式相比对，当外部输入的模式与记忆吻合，我们就会觉得很自然，而一旦出现冲突，我们就会立马察觉。
这里所谓的「预测」，并非指对未来的预言或者猜测。而是指神经元在感受到确实的输入模式之前，就开始变得活跃，相应的记忆也被唤醒，然后在外部输入模式确实传入之后，将符合记忆预料的情况与实际情况进行比对。
这种预测无时无刻都在发生。看书、写字、走路、吃饭，我们对于这个世界的所有觉知，都是外部输入模式与基于大脑原有记忆的预测的结合。
还有一个例子可以很好地证明这一点，那就是「填补」。
我们将汉字的一部分遮住，但我们依然能认出这个汉字，是因为我们记忆中有这个完整的汉字；我们的影视作品其实是一张张静态的序列帧，但我们却可以看到连续的动态画面，也是因为大脑通过记忆将其填补完整。
可以说，大脑利用记忆在我们脑海里塑造了一个完整的世界模型，我们的每一个行为都是对这个模型的强化和修正，我们的每一次全新经历都会使这个世界模型更为完善。
正是由于这个记忆模型的存在，我们对于世界的感知才变得相对稳定和连续。同时，我们的行为也直接受到该模型的影响。
比如我通过游泳瘦了10斤，我们的记忆会将游泳与瘦身相互关联，基于该记忆的预测，会促使我继续游泳，保持身材。
先有预测，再有行为，而行为会使预测成为现实，这有点像心理学上提到的「自证预言」。而这也恰好解释了一开始我们提到的，行为为何不能作为拥有智能的依据。因为行为只是智能的一种外在表现，而真正体现智能核心的，是预测。
六、意识与创造预测，作为智能的核心，有一个基本前提，那就是这个世界本身的基本结构遵循一定的规律，是可被预测的。如果世界本身杂乱无章，毫无秩序，那我们的记忆、预测和行为也会处于一片混沌之中，因而毫无意义。
这种遵循世界规则来进化和发展的现象也同样发生在自然界的其他生物身上。那其他生物拥有智能吗？只能说，他们不具备像人一样的智能。
人类智能相比于其他生物的智能，主要有两方面的不同：
第一，人的大脑皮层比其他生物的脑皮层要大得多，这就导致人类大脑皮层中可以容纳更多数量的神经元，形成更为复杂的层级结构，储存更为丰富的记忆，进行更加复杂的预测，从而理解更为复杂的世界结构并作出更多更复杂的行为。
第二，人类具有语言能力。虽然其他动物也会有沟通的方式，但那些叫声或者肢体动作只能表达最原始最简单的意思。而人类的语言系统异常发达，更重要的是，人类的语言天生与记忆预测相关联。我们的语言既表达了我们自身的记忆，又可以唤醒别人的记忆，它同时还是我们认识这个世界、塑造记忆的手段。也正是因为语言，人类成为地球上唯一个可以传播世界知识的物种。
由于智能上的差异，人具备了创造力，并把能否创造作为区别于其他生物和智能机器的标准。
很多人认为创造需要极高的天赋或者不寻常的能力。但从记忆-预测的角度来看，创造仅仅就是大脑的通过记忆进行类推和预测的一种活动而已，并没有想象中的那么遥不可及。创造力可以体现在极其微小的细节以及日常琐事上。比如我不会中提琴，但我会小提琴，我利用小提琴的记忆，很快掌握了中提琴的演奏技法，这就是一种创造力，只是平时被我们所忽略。
而那些公认的天才般的创造，画作、文章、影视作品、发明，与日常的创造并没有本质上的不同，它们依然是基于记忆，基于这个世界最基本的事实，只是在预测方面超出了人们的预期，因而显得独特并富有艺术性。
除了创造，我们经常提及的意识也是基于大脑的记忆-预测系统。虽然如今我们依然无法给意识下一个准确的定义，但我们可以将意识大致分为两类：
第一类是我们常常说起的自我意识。这类意识本质其实是陈述性记忆。我将一段时间的记忆陈述给对方，而对方听到的也就是我那段时间内的意识。如果我某一次酩酊大醉，昏睡了两小时，当我醒来，会认为我在这两小时内失去了意识，因为没有任何记忆。这类意识最大的特点就在于，会随着记忆的产生而产生，也会随着记忆的消失而湮灭。
第二类称为可感受性。为什么不同的颜色会给人带来不同的感觉？红色会带来热情的感觉，蓝色会带来清爽的感觉。而这种感觉每个人也不尽相同。这很难理解。
或者我们与大脑联系起来，为什么视觉和听觉给人的感觉不一样？我们前面讲到，大脑皮层不同区域的基本功能和底层算法是一样的，视觉、听觉的输入信号也基本相同。从这个角度来看，我们对于视觉和听觉的感受应该是完全相同的。但事实是，我们对视觉和听觉的感受存在很大的差异，这种差异是如何产生的？可感受性又该如何解释呢？
目前还没有满意的答案，但有两种假设值得探究：
一种就是虽然视觉和听觉在大脑皮层中的工作原理相似，但处理方式却不同；另一种就是视觉、听觉的输入信号虽然相同（都是动作电位），但空间-时间模式存在差异。但无论结果如何，记忆及预测都对意识起到了决定性的作用。
七、智能的未来提到智能机器，我们脑海里的第一反应，估计是影视作品中的人形机器人。它们的外形和人类高度相似，说话的时候眼睛闪着光芒。它们运算能力超强，知识渊博，通晓古今，操着一口永远是平声的语调帮我们答疑解惑。
如今市面上也出现了人形机器人，但那只是计算机外面套了一个人类的外壳，我们一眼就能看出巨大的差异。
相比人形机器人，专业型的功能机器人更为普遍，比如流水线上的机械手臂，胖胖圆圆的家庭机器人，扁扁的扫地机器人。但这些机器人只能算是特异化的计算机，只能严格按照计算机程序来工作，它们并不具备真正的智能。
即便是被认为相当智能的谷歌搜索引擎，AlphaGo，由于它们不具备预测的能力，也不能被称为真正的智能。
要想打造真正的智能机器，就不得不正视大脑皮层的运作机理。那么建立记忆系统，实现预测能力就不可避免。
首先，在结构上要建立分层级的存储系统；然后，需要超大容量的存储器。另一个比较困难的问题在于连通性，神经元之间的连接是产生记忆的基础，这些连接纵横交错，排布极为紧密复杂，即便以目前的纳米级工艺，也很难做到。不过，以目前的技术发展速度来看，在不远的将来，这种完全模拟神经系统的构造应该可以创造出来。
未来的智能机器，将在4个方面超越人脑：
7.1 速度当智能机器具备思考能力，其思考的速度会比神经元快上许多倍。它可以在几分钟内读完一本书，与人交流的时候不得不放慢思维的速度，以免我们跟不上节奏。
7.2 容量人脑的容量已经很庞大，但由于智能机器的存储容量几乎可以无限扩展，因此它总会超过人脑的容量，而它的飞速思考能力也足以匹配超大容量，让它能够及时地在庞大的数据库中进行检索。
7.3 可复制性每一个人脑从诞生到成熟，都必须经过长时间的学习和训练，对于人类的自然成长而言，这一过程不可或缺。但智能机器不同，物理构造、计算机代码、存储信息都可以直接复制。假设两个不同领域的智能机器，通过相互复制各自领域的信息，就可以立马获得相关的知识，这可比人类的学习要快多了。
7.4 感觉系统人类的感官有限，因而所能体验到的感觉也有限，大体上只有视觉、听觉、触觉、嗅觉、味觉等寥寥数种。但大自然中所存在的感觉却远不止于此，比如蝙蝠的回声定位，对于人类而言，就是一种全新的感觉。
而智能机器却有机会感受这些人类不曾体验过的感觉，只需要给它加装相应的传感器。比如给它装上天气传感器，它就有机会领略天气的细微变化。给它装上声纳，它就可以倾听来自海洋深处的声音。
后记虽然智能机器终将在多个领域超越人类，但能够制造出真正的智能机器，说明人类本身对于智能的认识已经达到了相当的高度，必然有方法对其加以限制。而反观智能机器给人类社会带来的福利，却可以远远超出我们的想象。
真正的智能机器，将可以体验更多的感受，思考更深入的理论，帮助人类发掘宇宙中更多的神奇。
上一文章：《机器人叛乱》读后感（机器人叛乱内容简介）
下一文章：《人工智能》读后感及读书笔记
相关推荐05-14《贫穷的本质》学习心得体会感悟（贫穷的本质08-13蜈蚣为什么不能打死会引来很多吗11-28转述句怎么改?改成转述句的句子05-16《进化的大脑》读后感及读书笔记11-01什么是价值？对价值的理解看法06-04草莓印怎么快速消除（嘴吸的印子三分钟解决）04-04芒果不能和什么一起吃会中毒07-02借方和贷方是什么意思11-28怎么查看微信注册时间05-16《会赚钱的妈妈》读后感（会赚钱的妈妈这本书10-30诗人为什么要出诗集？如何出一本诗集02-17全日制是什么意思？与非全日制有什么区别11-06老乌为什么背叛何辅堂中老乌为什么背叛大哥07-02一个动作消除耳鸣持续耳鸣怎么快速消除《AI·未来》
读书笔记⽂章⼤纲前⾔随之⽽来，拥有世界最庞⼤⼿机⽤户群的中国得以最快地积累移动应⽤数据。移动⽤户基数使得中国的数据优势是美国的3倍，移动⾷品配送是美国的10倍，移动⽀付是美国的50倍，共享单车设施是美国的300倍。⽽利⽤这些丰富的数据资源，中国的计算机视觉、⽆⼈机、语⾳识别、语⾳合成和机器翻译公司，成为全球价值最⾼的创业企业。相⽐⼈⼯智能，⼈类的优势在于创造⼒和同情⼼。让⼈⼯智能做它擅长的，我们可以创造更多有⼈情味的职业和岗位，可以有更多富有同情⼼的医护⼈员利⽤⼈⼯智能进⾏医疗诊治、护理，可以有超过现在10倍的⽼师来帮助孩⼦在这个新世界获得⽣存能⼒并勇敢地茁壮成长。揭开深度学习的⾯纱深度学习是所谓的“狭义⼈⼯智能”（narrow AI，或译作“弱⼈⼯智能”）——仅⽤于在特定领域能做出决策、预测和分类的⼈⼯智能应⽤。这已经能产⽣巨⼤价值，但仍远远未成为科幻⽚⾥的“通⽤⼈⼯智能”（general AI，或译作“强⼈⼯智能”）——⼈类能做的，⼈⼯智能都可以做。深度学习最⾃然的应⽤领域是保险、贷款之类的⾦融业务，因为借款⼈的相关数据⾮常多（信⽤评分、收⼊、信⽤卡近期使⽤情况等），⽽最优的⽬标（降低还款违约率）很明确。更进⼀步的话，深度学习还可以进⾏⾃动驾驶，帮助车辆“看”到⾏驶的路况，如识别像素组成的形状（⽐如红⾊圆形），判断它和什么有关（⽐如红灯“禁⾏”），以此信息来做出决策（刹车并停车），以达到期望的结果（⽤最少的时间把我安全送到家）。⼈们听到深度学习就兴奋，是因为它的核⼼能⼒——识别规律、得出最优解、做出决策可应⽤在很多⽇常问题上。⼈⼯智能新时代，谁能保持领先西⽅国家点燃了深度学习的⽕炬，但最⼤的受益者将会是中国，这种全球性的变化是由两⽅⾯转变引起的：从发明的年代转变为实⼲的年代；从专家的年代转变为数据的年代。实⼲的年代深度学习的先驱吴恩达认为，⼈⼯智能类似于第⼆次⼯业⾰命中电⼒的发明[插图]，本⾝是⼀项突破性的技术，⼀旦被⼤幅采⽤，就能⾰新许多不同的产业。就像19世纪的创业者很快学会运⽤电⼒烹饪⾷物、照亮房间、启动⼯业设备，今天的⼈⼯智能创业者也运⽤深度学习来落实各种创新应⽤。⼈⼯智能许多抽象的研究⼯作⼤都已经完成，研究中遇到的困难⼤都也已解决，现在是创业者“撸起袖⼦加油⼲”，把深度学习算法转换为持续经营的事业的时候了。数据的年代现今，成功的⼈⼯智能算法需要三样东西：⼤数据、强⼤的电脑运算能⼒，以及优秀（但未必顶尖）的⼈⼯智能算法⼯程师。想在新领域善⽤深度学习的能⼒，这三者都是必要的。但在实⼲的年代，这三者当中最重要的还是数据，因为当电脑的运算能⼒和⼯程师的能⼒达到⼀定门槛⽔准之后，数据量的多寡就成为决定算法整体效能与精准度的关键所在。中国的优势今天，若想妥善利⽤⼈⼯智能的能⼒（即21世纪的电⼒），也需要四项要素：⼤量的数据、热切的创业者、⼈⼯智能科学家，以及对⼈⼯智能友善的政策环境。⽐较各国在这四项要素上的优劣，可以预测未来⼈⼯智能新世界的发展情况以及权⼒天平向哪边倾斜。⼈⼯智能时代真正的危机⼈⼯智能产业倾向于“赢家通吃”，这种倾向将会加剧获利与财富集中的问题。⼈⼯智能时代的新世界秩序⼈⼯智能时代的世界秩序，将会结合下列因素进⼀步发展：“赢家通吃”的经济，财富空前集中在中、美少数⼏家公司。我认为，这才是⼈⼯智能造成的最⼤的潜在威胁，因为严重的失业和财富分配不均问题将会造成社会不稳定《人工智能》读书笔记
人工智能 李开复 王咏刚著 文化发展出版社 第一章 人工智能来了 1.1、无处不在的人工智能 智能助理：语音识别能力、语音合成技术、基于大语料库的自然语言对话引擎，有微软小冰，苹果Siri，Google now，亚马逊智能音箱Echo，百度的度秘，Google Allo 新闻推荐和新闻撰稿：今日头条智能推荐新闻、Automated Insights的人工智能撰写新闻稿 机器视觉：人脸识别、Google自动照片分类和检索 AI艺术：将照片变成特定风格的Prisma手机绘画程序、美图秀秀 新一代搜索引擎：基于人工智能的网站排名、直接向搜索引擎提问等 机器翻译：提升翻译率，翻译的成果具有较强可读性 自动驾驶：Google的Waymo公司，特斯拉的Autopilot，优步的无人出租车，自动驾驶的货运汽车，驭势科技 机器人：仓储机器人，无人机，Starships Technologies的智能机器人，教育机器人 1.2、到底什么是人工智能？ 定义一：AI就是让人觉得不可思议的计算机程序 这种唯经验的定义显然缺乏一致性，会因时代不同、背景不同、评判者的经验不同而套用不同的标准。人工智能读书笔记范文（精选3篇）
人工智能读书笔记范文（精选3篇）
当阅读完一本名著后，想必你有不少可以分享的东西，为此需要认真地写一写读书笔记了。可是读书笔记怎么写才合适呢？以下是小编整理的人工智能读书笔记范文，仅供参考，大家一起来看看吧。
人工智能读书笔记1自从谷歌研发的阿尔法狗（AlphaGo）对战世界围棋冠军李世石并最终以4：1取胜，引发了全世界范围的大讨论，为什么一场围棋比赛能引发如此广泛的关注？
“人工智能”这个buzzword，常常会因为营销或者新闻报道的需求而被赋予不同的含义，其外延有时等同于“机器学习”，有时不等同，所以最外圈的这个等号并不完全准确。不过在2016年被大家普遍讨论的这些“AI”，可以认为基本上就是机器学习。内部的四个小圈则是学术上有确定外延的四个概念，代表了当前最重要的四个问题领域，是需要明确的重点概念。
有监督学习（supervisedlearning）――让机器观测到一些输入，并告诉机器在这些输入下应该产生什么样的输出。机器通过这些数据学习出一个模型，之后给它新输入的时候，它能够根据模型预测应该产生什么样的输出。比如机器看到一个图片，可以判断图片中的物体属于哪一个分类。
无监督学习（unsupervisedlearning）――让机器观测到一些输入，而没有标准输出，让机器自行去总结这些输入数据有什么统计特征，并生成有意义的产出。例如自动把大批文章聚成相似的几类，又例如给计算机看一些小狗小猫的照片，让计算机自动生成一些新的（与看过的相似但又不同的）小狗小猫的照片。
增强学习（reinforcementlearning）――让机器观测到一些输入，并让机器根据输入做特定动作（action）。这些动作导致机器获得收益或者惩罚（reward）。机器通过增强学习优化它的动作策略（strategy），使得它的长期收益最大化。下棋就是这一类典型的问题，strategy就是行棋策略，reward就是赢棋。
深度学习（deeplearning）――事实上不是一类问题，而只是一种方法，一种通过多层神经网络来构建上述三种问题所需要的模型的方法。
人工智能已经来了，它就在我们身边，几乎无处不在。
人工智能技术正在彻底改变人类的认知，重建人机相互协作的关系。史无前例的自动驾驶正在重构我们头脑中的出行地图和人类生活图景，今天的人工智能技术也正在翻译、写作、绘画等人文和艺术领域进行大胆的尝试。
不管怎么说，努力应变吧，这本书讲得还算全面，算是一本入门图书。
人工智能读书笔记2翻开这本书读到的.第一句话，就对这本书产生了好感……
“即使我们可以使机器屈服于人类，比如，可以在关键时刻关掉电源，然而作为一个物种，我们也应当感到极大的敬畏。――阿兰・图灵”
这句话放在几年前，恐怕有太多人是不认同的，但是今日，人工智能已经走进每个人的生活，它似乎不止可以帮助人类，甚至要替代人类，这让大家不禁开始恐慌，当机器有了人的思想，世界将会怎样？
翻开这本厚重的书，我们可以从技术、产业、战略、法律、伦理、治理、未来，7个篇章中了解人工智能，可以说这事一本在人工智能上及其全面的书，它带着我从了解人工智能，解释人们对人工智能的误区，介绍人工智能的过去现在未来，到人工智能的产业，众所周知的自动驾驶、智能机器人、智能家居，还有在这些背后的一些问题，比如法律问题，当AI犯法，应该由谁负责，如何负责？等等等等……
作为一个外行，在人工智能刚刚进入大家的视野时，我们注意到的恐怕只有AI机器人、自动驾驶、智能家居……这些看似对生活产生便利的方面，但是读了这本书，我再次体会了，对于机器，要产生敬畏，同时，国家也一应该制定相关的法律法规。在互联网如此发达的今日，必须要把那些妄想利用AI犯罪逃脱法网犯罪分子扼杀在摇篮里。
希望在不远的将来，我们可以因为人工智能时代的到来而庆幸。
人工智能读书笔记3时光易逝，白云苍狗，我们的世界无时无刻不在变化之中。科技是第一生产力，从第一次科技革命到第二次科技革命，再到现在的信息革命，科学技术曾给人类带来的无穷的变化。当谷歌人工智能“阿尔法围棋”人机围棋大战”中以4：1击败韩国著名棋手李世石九段后，人类不仅在感叹机器智能领域取得又一个里程碑式的胜利，也感叹一个新的时代―智能时代的到来。机器依靠大数据和智能算法“赢了”人类的大脑。"我认为任何一种对人类心灵的冲击都比不过一个发明家亲眼见证人造大脑变为现实。"-尼古拉特斯拉曾这么说。每一次科技革命，都会带来翻天覆地的变化，人工智能作为21世纪科技发展的最新成就和智能革命，深刻揭示了科技发展为人类社会带来的巨大影响，大数据与智能时代已经到来。
人工智能即AI，是计算机科学的一个分支，可以对人的意识、思维的信息过程进行模拟，与人类智能相似，人工智能的产品上到宇航太空，下到深海潜艇，大若巨人，小若米粒，已经在不断延伸到各行各业中，有些早已深入日常家庭生活中。本书是著名媒体人杨澜的第一部跨界作品，杨澜以媒体人的身份，深入人工智能的科技领域，带领团队走访美国、英国、日本、中国等国家和城市，用媒体人的人文视角记录了那些改变世界的人和事，探寻人工智能的发展历史和未来道路。
英国狄更斯曾说过“这是最好的时代，也是最坏的时代”。在全球智能时代下，AI改变着社会和经济，一方面改善人类生活，带来各行各业的便利，极大地提高社会资源的利用率，是社会精细化发展；另一方面机器抢到了人的饭碗，失业随之而来，创造了无隐私的社会，也带来伦理上的冲突等负面作用。杨澜在书中记录了走访著名学府和国际性知名大企业，领略人工智能在视觉识别、语音识别、机器人制造、自动驾驶等领域的最新科研成果，也理性地指出人工智能在社会、经济、伦理等方面的观察与思考。
本书由腾讯一流团队与工信部高端智库倾力创作。内容全面，条分缕析，循序渐进的将人工智能前世今生，以及未来的发展预测呈现给读者。不仅展现了当下人工智能产业全貌和最新进展，也对人工智能给个人、企业、社会带来的机遇与挑战进行了深入分析。在阅读时候，一边感叹科技和智能革命带来的翻天地覆，也在思考智能革命的何去何从。
任何事物都有两面性，科技也不例外。科技技术是一把双刃剑，我们是人类，我们希冀于自己的人脑创造更强大更智慧的机器来帮助我们解决难题，而不是用机器来固化我们的大脑。如今的人工智能应用广泛，机器翻译、图像识别、辅助诊断等等，方便快捷了我们的生活，也应该警惕技术带来的挑战，人工智能就像一面镜子，照见人类智能的神奇与伟大。我们提出，拓展发展新空间，实施网络强国战略，实施“互联网+”行动计划，发展分享经济，实施国家大数据战略，提升制造业数字化、网络化、智能化水平，培育一批网络化、智能化、精细化的现代产业新模式。大到国家上层建筑，小到企业和我们个人，希望在人工智能革命的时代下能够大有作为。
【人工智能读书笔记范文（精选3篇）】相关文章：
呐喊读书笔记范文（精选5篇）08-13
《女巫》读书笔记400字精选范文08-03
数学专著读书笔记范文（精选7篇）12-28
《堂吉诃德》读书笔记范文（精选15篇）11-10
《文化苦旅》读书笔记范文（精选5篇）11-02
《文化苦旅》读书笔记范文（精选7篇）11-01
《文化苦旅》读书笔记范文（精选16篇）10-31
堂吉诃德的读书笔记范文（精选15篇）12-02
文化苦旅的读书笔记范文（精选13篇）11-27
新版《文化苦旅》读书笔记范文（精选8篇）11-27
《人工智能》读书笔记及心得感悟2000字
《人工智能》读书笔记及心得感悟2000字：
这个“夏日时光”在广州长长的夏日里一直荒着，广州一日进入了秋天，在阴凉的午后，听着音乐，在荒芜的地里种种草。
转岗做数据分析之后，要学习的东西挺多的，但日子过得也算充实而美好。这些年，觉得非常幸运的是自己一直有机会做自己喜欢的事情。数据领域，可以玩的东西挺多的，抛开数据质量数据管理，从数据分析的角度来看，很多公司包括本司还停留在底层的静态报表，离真正发挥数据的价值，和机器学习结合做一些预测和推荐还有点距离。即使在静态报表方面，由于涉及到的部门多，再加上快消行业数据量大，销售端业务复杂，报表怎是一个“乱”字了得。希望能借新技术之光，重建新世界。
话归正题，到底数据分析和如今非常火爆的AI是怎样的关系，抱着这样的疑问，拜读了李开复先生的《人工智能》和《AI未来》，吐个槽先，《人工智能》是2017版的，《AI未来》是今年出的，但是内容重合度挺高的，不知道开复同学怎么想的，针对不同的用户群？希望不是奔着钱的目的。先读《人工智能》还觉得收获不少，再读《AI未来》时，就味同嚼蜡，花了两小时，匆匆掠过。
总结几个点和思考。
“人工智能经历了三次浪潮，而现在火热的第三次浪潮正是基于大数据的深度学习。深度学习不等于人工智能，但是深度学习是当今乃至未来很长一段时间内引领人工人能发展的核心技术。基于多层神经网络的机器学习模型后来被人们称为深度学习，深度学习受限于计算能力和数据不足这两大痼疾蛰伏了很久，最近几年终于发力了。人工智能时代，深度学习和大数据成了密不可分的一对儿，深度学习可以从大数据中发掘出以往难以想象的有价值的数据，知识和规律。”（上述多数引用不同章节原文，后期加工组合）。这样看来，数据分析和AI还是关联度很高的，而且中国这些年在AI的研发能力和美国有的一拼，加上人口红利和移动终端的普及，大数据有更好的基础，在这次浪潮中，中国是有自己的优势的，不一定要跟在别人的屁股后面走了。
“大数据，因为信息交换，信息存储，信息处理三个方面能力的大幅增长而产生的数据，大数据的价值在于数据分析以及分析基础上的数据发掘和智能决策。”（引用原文）。除了电商的数据之外，到底怎样的企业数据可以称之为大数据可以和深度学习结合呢，怎样利用物联网来开拓我们的数据，我还没找到答案，但可以肯定的一点是，我们应该以更加开放的眼光去发掘数据来源。附了一张微软对数据的定义供大家一起学习。
“战略方面，我们丝毫不用担心AI能否落地，能否商业化，Google,Facebook搜索和广告业务本质上就是机器学习驱动的，而且早已被证明是成功的。我们需要关心的只是人工智能在接下来的时间内，以何种趋势，何种方式在其它领域落地的问题。"（引用原文）。书中着重讲了语音识别，图像识别，自动驾驶，金融等领域。回看传统企业，这些技术的应用，在消费者洞察，机器人客服等开始的比较早，但其它领域呢，能不能做更准确的销售预测，经销商TP优化，库存预测，工厂维修和异常管理呢，还是要接着研习和尝试，才能有更深刻的认知。
“一个会玩游戏的人工智能和一个会帮助医生诊疗疾病的人工智能，它们之间的技术，竟有如此之多的共同点，技术的神奇莫过于此。”（引用原文）。为什么这句话引起了我的注意是因为一直在思考在企业实施AI进程中的人才储备，到底哪些是可迁移技能，行业数据的理解和AI技术能力孰重孰轻。读后感m.simayi.net书中有提到，人工智能时代创业的五大基石：清晰的领域界限/闭环的自动标注的数据/千万级的数据量/超大规模的计算能力/顶尖的科学家。而吴霁虹在她的《未来地图》里提到，人工智能技术和产业的关键点有三个要素，核心算法，行业数据和行业专家。企业里的“数据科学家”和科学界或者创业公司的“数据科学家”到底定位和技能需求有什么不一样，是要偏行业还是要偏技术，我还没有答案。
书里穿插了一些趣闻轶事，有两个小故事挺打动我的。第一个是开复打算抛弃专家系统，用统计学的方法去做语音识别，这相当于推翻了他的老师瑞迪教授的研究方向，但瑞迪教授说：科学没有绝对的对错，我们都是平等的，而且，我更相信一个有激情的人是可能找到更好的解决方案。我的理念也是人的激情是非常重要的，人做自己喜欢的事情时会迸发出更多的能量。而且，做人做事一定要像瑞迪教授一样有点格局。另外一个有趣的人是马文闵斯，他除了在人工智能研究之外，也是一个跨界的人才，即兴创作古典赋格音乐，在他看来理解音乐是理解人类大脑的一种有效途径，反之，理解人类的大脑也有助于我们欣赏音乐的本质。对我的启发是培养孩子还是要培养多方面的兴趣，知识是相通的，尤其在人工智能的年代，未来对人才的需求更加多元化。
就到这里吧，书里还讲了奇点啊（Singularity）--超人工智能到来的那个神秘时刻，哪些职业会消失啊，有兴趣的自己去看吧，同样一本书，每个人读到的内容是不一样的。
文章快写完的时候，读到了虎嗅上那篇《那些给人工智能打工的人》，瞬间觉得自己写的东西好肤浅，犹豫要不要发，但还是发上来吧，人的认知就是在一点点精进的，多年后回头，希望能够见到自己的成长。