人工智能时代的工作、学习和生活
自从“罗辑思维”栏目从优酷网站搬到得到APP并且变为每天几分钟的节目之后，我就很少收听它了。某天，我打开得到APP，并且点开了“罗辑思维”的节目清单，发现有一期的标题包含了“人工智能”这几个字。出于好奇，我收听了这期几分钟的节目。在节目中，罗胖推荐了李开复老师的新书《人工智能》。一般说来，只要是李开复老师的书，我都会毫不犹豫地买下来，这次也不例外。在拿到新书之后，我几乎一口气将它读完了，觉得本书虽然涉及人工智能技术方面的知识比较少，但很全面地为我们展示了人工智能对整个社会的影响及我们在人工智能时代要如何学习。
关于本书作者李开复老师，我就不做过多的介绍了，大家应该不会感到陌生了。下面，我简单介绍一下本书各章的主要内容。
第一章“人工智能来了”开始便阐明了一个事实：人工智能已经来了，而且它就在我们身边，几乎无处不在。就大家形影不离的手机来说，人工智能技术已经是许多应用程序(APP)的核心驱动力了。人工智能在行业中的广泛应用包括：智能助理、新闻推荐和新闻撰稿、机器视觉、AI艺术、新一代搜索引擎、机器翻译、自动驾驶、机器人等。那么，人工智能的定义到底是什么呢？目前比较准确的定义是这样的：人工智能就是根据对环境的感知，作出合理的行动，并获得最大收益的计算机程序。
第二章“AI复兴：深度学习+大数据=人工智能”首先引用了高德纳咨询公司推荐的技术成熟度曲线：几乎每一项新兴且成功的技术，在真正成熟之前，都要经历先扬后抑的过程，并在波折起伏中通过积累和迭代，最终走向真正的繁荣、稳定和有序发展。深度学习对于人工智能来说，是非常重要的，它在几乎所有人工智能的技术领域大展身手。深度学习能够大显身手有两个前提条件—强大的计算能力和高质量的大数据，也就是说，目前的深度学习主要是建立在大数据的基础上的。鉴于此，有效、合法、合理地收集、利用、保护大数据，是人工智能时代的基本要求。
第三章“人机大战：AI真的会挑战人类吗？”首先从人工智能的技术的角度来分析AlphaGo，指出了它用的是AI领域应用非常普遍的算法：深度学习、蒙特卡洛算法和增强学习等。特定的科技如人工智能，在一段时间的加速发展后，会遇到某些难以逾越的技术瓶颈。大家可能觉得人工智能在当前已经很厉害了，但它在这七个领域还“稚嫩”得很：1)跨领域推理；2)抽象能力；3)知其然，也知其所以然；4)常识；5)自我意识；6)审美；7)情感。
第四章“AI时代：人类将如何变革？”首先指出：技术的未来必将与社会的未来、经济的未来、文学艺术的未来、人类全球化的未来紧密联系在一起。人工智能对人类工作的可能影响包括三种类型：1)人类某种工作被人工智能全部取代；2)人类某种工作被人工智能部分取代；3)人类某种工作转变为新的工作形式。未来很多领域的很多工作都会转变为新的工作机会，这些领域包括：自动驾驶、金融行业、医疗行业等。人工智能对人类最有意义的帮助之一就是促进医疗科技的发展，让机器、算法和大数据为人类自身的健康服务，让智慧医疗成为未来地球人抵御疾病、延长寿命的核心科技。总之，人工智能将改变全世界各行各业的现有工作方式、商业模式，以及相关的经济结构。
第五章“机遇来临：AI先行的创新与创业”首先指出人工智能并不是一种全新的业务流程或全新的商业模式，而是对现有业务流程、商业模式的根本性改造。在人工智能时代的创业有五个前提条件：1)清晰的领域界限；2)闭环的、自动标注的数据；3)千万级的数据量；4)超大规模的计算能力；5)顶尖的AI科学家。目前，人工智能产业发展面临六大挑战：1)前沿科研与产业实践尚未紧密衔接；2)人才缺口巨大，人才结构失衡；3)数据孤岛化和碎片化问题明显；4)可复用和标准化的技术框架、平台、工具、服务尚未成熟；5)一些领域存在超前发展、盲目投资等问题；6)创业难度相对较高，早期创业团队需要更多支持。具体到中国，它具备了人才储备、行业需求、庞大市场、生态环境等许多极有利于人工智能发展的条件。
第六章“迎接未来：AI时代的教育和个人发展”提出了人工智能时代最核心、最有效的学习方法，包括：1)主动挑战极限；2)从实践中学习；3)关注启发式教育，培养创造力和独立解决问题的能力；4)互动式的在线学习将愈来愈重要；5)主动向机器学习；6)既学习人—人协作，也学习人—机协作；7)学习要追随兴趣。在人工智能时代，程式化的、重复性的、仅靠记忆与练习就可以掌握的技能将是最没有价值的技能，几乎一定可以由机器来完成；反之，那些最能体现人的综合素质的技能，是人工智能时代最有价值，最值得培养、学习的技能。人工智能时代的教育要注重这几个重要问题：1)个性化、定制化的教育该如何设计，如何满足不同学生的需要，如何评估定制化教育的效果？2)教育如何做到可持续化？最有效的再培训和再教育体系是什么？3)教育体系的设计必须更早、更充分地考虑全社会的公平性。针对每一个人来说，不断提高自己，善于利用人类的特长，善于借助机器的能力，这将是未来社会里各领域人才的必备特质。
全书只有以上六个章节的内容，三百页左右的篇幅，读起来也非常的通俗易懂。通过本书，我们可以看到人工智能对整个社会造成的冲击，以及我们怎样做来适应它给我们学习、工作和生活所带来的变化。不管你学习的是什么专业，抑或是从事的什么工作，我都推荐你仔细阅读李开复老师的这本《人工智能》。
人工智能原理学习笔记
人工智能原理笔记第一章：绪论什么是人工智能像人一样思考合理地思考像人一样行动合理地行动左侧的定义根据与人类表现的逼真度来衡量成功，而右侧的定义依靠一个称为合理性(rationality)的理性的表现量来衡量。一个系统若能基于已知条件“正确行事”则它是合理的。像人一样行动–图灵测试的途径计算机需要具有的能力：
自然语言处理(naturallanguageprocessing)知识表示(knowledgerepresentation)自动推理(automatedreasoning)机器学习(machinelearning)计算机视觉(computervision)机器人学(robotics)第二章：智能Agent2.1Agent和环境Agent通过传感器感知环境并通过执行器堆所处环境产生影响。
感知：任何给定时刻Agent的感知输入感知序列：该Agent所收到的所有输入数据的完整历史Agent函数描述了Agent的行为，将任意给定感知序列映射为行动
2.2好的行为：理性的概念理性：
定义成功标准的性能度量Agent堆环境的先验知识Agent可以完成的行动Agent截止到此时的感知序列理性Agent：对每一个可能的感知序列，根据已知的感知序列提供的证据和Agent具有的先验知识，理性Agent应该选择能使其性能度量最大化的行动。
理性是使期望的性能最大化，而完美是使实际的性能最大化。
信息收集是理性的重要部分
Agent依赖于设计人员的先验知识而不是它自身的感知信息，这种情况我们说该Agent缺乏自主性。
2.3环境的性质任务环境：性能度量(Performance)、环境(Environment)、执行器(Actuators)、传感器(Sensors)。
性质：
完全可观察的：Agent传感器在每个时间点上都能获取环境的完整状态有效完全可观察：传感器能检测所有与行动决策相关的信息无法观察：Agent没有传感器单Agent与多Agent确定的与随机的：如果环境的下一个状态完全取决于当前状态和Agent执行的动作，那么该环境是确定的；否则它是随机的片段式与延续式：在片段式任务环境中，Agent的经历被分成一个个原子片段，每个片段中Agent感知信息并完成单个行动。下一个片段不依赖于以前的片段中采取的行动。在延续式环境中，当前的决策会影响到所有未来的决策。静态的与动态的：如果环境在Agent计算的时候会变化，那么是动态的，否则是静态的。离散的与连续的。已知的与未知的：指的是Agent(或设计人员)的知识状态。在已知环境中，所有行动的后果(如果环境是随机的，则是指后果的概率)是给定的。若环境是位置的，Agent需要学习环境是如何工作的，以便做出好的决策。2.4Agent的结构AI的任务是设计Agent程序，实现把感知信息映射到行动的Agent函数。假设该程序要在某个具备物理传感器和执行器的计算装置上运行–称为体系结构。
Agent=体系结构+程序######Agent程序简单反射Agent：基于当前的感知选择行动，不关注感知历史。基于模型的反射Agent模型：关于“世界如何运转”的知识。基于目标的Agent把目标信息与模型相结合，以选择能达到目标的行动。通过搜索和规划实现。基于效用的Agent在基于目标的前提下，选择最优的路径。第三章：通过搜索进行问题求解3.1问题求解Agent**形式化、搜索、执行**
基于当前的情形和Agent的性能度量进行目标形式化(goalformulation)是问题求解的第一步。
问题形式化(problemformulation)：是在给定目标下确定需要考虑哪些行动和状态的过程。
为达到目标，寻找这样的行动序列的过程被称为搜索。
搜索算法的输入是问题，输出是问题的解，以行动序列的形式返回问题的解。解一旦被找到，便会被付诸实施，被称为执行阶段。良定义的问题及解：
Agent的初始状态
描述Agent的可能行动：给定一个特殊状态s，ACTIONS(s)返回在状态s下可以执行的动作集合
对每个行动的描述：正式的名称是转移模型，用函数RESULT(s,a)描述：在状态s下执行行动a后达到的状态(后继状态)。
RESULT(In(Arad),Go(Zerind))=In(Zerind)初始状态In(Arad)、行动、转移模型定义了问题的状态空间。
目标测试：确定给定的状态是不是目标状态。
路径耗散函数：为每条路径赋的一个耗散值。
3.3通过搜索求解可能的行动序列从搜索树中根节点的初始状态出发，连线表示行动，结点对应问题的状态空间中的状态。
边缘：在任一给定时间点，所有待扩展的叶节点的集合。搜索策略：如何选择将要扩展的状态。搜索算法基础：
n.STATE：对应状态空间中的状态n.PARENT：父结点n.ACTION：父结点生成该结点时所采取的行动n.PATH-COST：代价，一般用g(n)表示，指从初始状态到达该结点的路径消耗。结点是用来表示搜索树的数据结构，状态则对应于世界的一个配置情况。结点是一种由PARENT指针定义的特定路径，但状态不是。3.4无信息搜索策略(blind-search)**宽度优先搜索(breadth-firstsearch)**简单搜索策略，先扩展根节点，接着扩展根节点的所有后继，然后再扩展它们的后继，依此类推。一般地，在下一层的任何结点扩展之前，搜索树上本层深度的所有结点都应该已经扩展过。
每次总是扩展深度最浅的结点。
假设搜索一致树(uniformtree)的状态空间中每个状态都有b个后继。搜索树的根结点生成第一层的b个子结点，每个子结点又生成b个子结点，第二层则有b2个结点。第三层则得到b3个结点。假设解的深度为d。在最坏的情况下，结点总数为：
b+b2+b3+…+bd=O(bd)–时间复杂度
空间按复杂度：O(bd)
一致代价搜索(uniform-costsearch)
扩展的是路径消耗g(n)最小的结点n。通过将边缘结点集组织成按g值排序的队列来实现。
一致代价搜索与宽度优先搜索有两个不同：
目标检测应用于结点被选择扩展时，而不是在结点生成的时候进行。如果边缘中的结点有更好的路径到达该结点那么会引入一个测试一致代价搜索堆解路径的步数并不关心，只关心路径总代价。
深度优先搜索(depth-firstsearch)
总是扩展搜索树当前边缘结点集中最深的结点。
深度优先搜索算法的效率严重依赖于使用的图搜索还是树搜索。
时间复杂度：O(bm)m是指任一结点的最大深度。
空间复杂度：对于图搜索，深度优先搜索只需要存储一条从根结点到叶结点的路径，以及该路径上每个结点的所有未被扩展的兄弟结点即可。一旦一个结点被扩展，当它的所有后代都被探索过后该结点就从内存中删除。所以分支因子为b,最大深度为m，只需存储O(bm)个结点。
深度受限搜索(depth-limitedsearch)
在无限状态空间深度优先搜索会失败，可以通过设置界限l来避免。深度为l的结点被当做没有后继对待。
深度受限搜索解决了无穷路径的问题，但是如果选了l