---
schema_version: "library-reader-v1"
source_type: "original_book"
title: "人工智能时代：破解人机共存密码（套装共10册）"
author: null
edition: null
publisher: null
year: null
isbn: "9787521719512"
library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5"
source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced"
pdf_physical_page_count: 3314
pdf_physical_page_index_base: 0
range_start: 2170
range_count: 10
html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=2170&limit=10"
markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=2170&limit=10"
previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=2160&limit=10"
next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=2180&limit=10"
---
# 人工智能时代：破解人机共存密码（套装共10册）
> 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。
## PDF_PHYSICAL_PAGE_INDEX=2170 | PRINTED_PAGE=NOT_DETECTED
目前人工智能的应用还是基于30年前完成的基础研究。30年后的应用将取决于当前正在进行的基础研究，但最优秀和最聪明的研究人员正在为工业界工作，并专注于近期的产品和服务。平衡这一人才流动趋势的是，最聪明最优质的学生现在都进入了机器学习领域。而在上一代人中，类似的人才会进入投资银行业。
在思考人工智能的未来时，我们需要保持目光长远，因为我们远没有具备达到人类智能水平所需的计算能力。现在，深度学习网络拥有数百万个单元和数十亿个权重。这比人类大脑皮层中的神经元和突触的数量还要少1万倍——人类1立方毫米的皮层组织就包含了10亿个突触。如果世界上的所有传感器都连接到互联网，并通过深度学习网络相互连接，那么有一天，互联网可能会醒来并主动说出：
“Hello，world!”（你好，世界！）[49]
[1] Kaggle网站拥有数百万名数据科学家，他们互相竞争，凭借最佳表现赢得奖项。Cade Metz, “Uncle Sam Wants Your Deep Neural Networks,” New YorkTimes,June 22, 2017,
https://www.nytimes.com/2017/06/22/technology/homelandsecurity-artificialintelligence-neural-network.html.
[2] 我的演讲视频“Cognitive Computing: Past and Present”可以在网上找到：https://www.youtube.com/watch?v=0BDMQuphd-Q。
[3] 参阅Jen Clark, “The Countdown to IBM’s IoT, Munich,” IBM Internet of Things(blog), posted February 8, 2017.
## PDF_PHYSICAL_PAGE_INDEX=2171 | PRINTED_PAGE=NOT_DETECTED
## PDF_PHYSICAL_PAGE_INDEX=2172 | PRINTED_PAGE=NOT_DETECTED
## PDF_PHYSICAL_PAGE_INDEX=2173 | PRINTED_PAGE=NOT_DETECTED
[24] 参 阅 J. Whitehill, Z. Serpell, Y. Lin, A. Foster, and J. R. Movellan, “The Faces of Engagement: Automatic Recognition of Student Engagement from Facial Expressions,” IEEE Transactions on Affective Computing5, no. 1 (2014): 86–98。使用机器学习来自动记录学生面部表情的工作离不 开团队的努力，该团队成员还包括Gwen Littlewort、Linda Salamanca、Aysha Foster和 Judy Reilly。
[27] International Convention on the Science of Learning (Science of Learning: How can it make a difference? Connecting Interdisciplinary Research on Learning to Practice and Policy in Education) Shanghai, 1-6 March 2014 Summary Report.https://www.oecd.org/edu/ceri/International-Convention-on-the-Science-ofLearning-1-6-March-2014-Summary-Report.pdf.
[28] 参 阅 B. Bloom, “The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring,” Educational Researcher13, no.6 (1984): 4–16。
[29] John Markoff, “Virtual and Artificial, but 58,000 Want Course, 9 New York Times,August 15, 2011, http://www.nytimes.com/2011/08/16/science/16stanford. html.
[30] 我最喜欢的一封信，来自一个五年级的学生：
2015年2月2日
亲爱的教授们，我参加了期末考试，考得很好。我在读五年级。我妈妈正在浏览Coursera上的课程，我恳求她让我加入。她为我选择了这门课程，我对此很感激。我从来不知道教授们如此机智，整个课程都很有趣。当然，我必须借助词典来查询课程中使用的科学术语，但这是一个很好的学习体验。通过使用呼吸法，我学会了克服进入考场时的胃部不适。真的很管用！
现在我已经学会了将考试看作了解我学到并记住了多少东西的工具。我喜欢番茄工作法。我的妈妈在整个过程中都在扮演反面角色。她的大脑里塞满了视频讲座（她只顾着狂热地看视频），没有进行适度的休息，甚至在我参加期末考试的前一天晚上都没有睡觉。虽然她比我聪明，但她做得不好。我很惊讶，简单的技巧就能帮助我得到更高的分数，而且没有任何考试的压力。
## PDF_PHYSICAL_PAGE_INDEX=2174 | PRINTED_PAGE=NOT_DETECTED
非常感谢，教授们。我希望你们能推出本课程的第二部分。
周一快乐。
苏珊
## PDF_PHYSICAL_PAGE_INDEX=2175 | PRINTED_PAGE=NOT_DETECTED
## PDF_PHYSICAL_PAGE_INDEX=2176 | PRINTED_PAGE=13
算法驱动
2016年6月，在新加坡南洋理工大学举办的21世纪科学挑战大会上，我参与了为期一周的讨论。讨论的话题范围很广，从宇宙论、进化论到科学政策。[1]W. 布赖恩·阿瑟（W. Brian Arthur）是一个对技术很感兴趣的经济学家，[2]他指出，在过去，技术是由物理定律驱动的：20世纪，我们试图用微分方程和连续变量的数学原理去理解物理世界，这些变量在时间和空间上平滑地变化。相比之下，今天的技术是由算法驱动的：在21世纪，我们试图通过离散数学和算法来理解计算机科学和生物学复杂的本质。阿瑟是新墨西哥州圣塔菲研究所（the Santa Fe Institute）的教员，该机构是20世纪涌现出的许多研究复杂系统的中心之一。[3]
算法无处不在。我们每次使用谷歌搜索时都使用了算法。[4]每次在Facebook上阅读的新闻推送也都经过了算法的自动筛选，这些新的推送参考了我们的阅读历史记录，会影响我们情绪的反应。[5]随着经过深度学习训练的语音识别和自然语言能力被嵌入我们的手机中，算法正在以越来越快的速度侵入我们的生活。
算法是在执行计算或解决问题时，遵循一组包含离散步骤或规则的 过 程 。 “ 算 法 ” （ algorithm ） 这 个 词 来 源 于 拉 丁 文“algorismus”，以9世纪的波斯数学家al-Khwarizmi的名字命名，在17世纪受到希腊语中“arithmos”（意为“数字”）这个词的影响，最终由“algorism”转变为“algorithm”。算法虽然有着古老的起源，但其地位直到最近才通过数字计算机提升到了科学和工程领域的前沿。
13
## PDF_PHYSICAL_PAGE_INDEX=2177 | PRINTED_PAGE=NOT_DETECTED
用算法把复杂问题简单化
20世纪80年代，解决复杂度问题的新方法开始萌芽，其目标是寻找新的途径来理解在生物体中发现的系统，这些系统比物理和化学系统还要复杂。与遵循艾萨克·牛顿运动定律的火箭运动的简单性不同，并没有一种简易的方式来描述树木如何生长。于是，计算机算法被一大群传奇的先驱用来探索这些古老的生命体问题。
斯图尔特·考夫曼（Stuart Kauffman）是一名医生，对基因网络很感兴趣。基因网络中被称为“转录因子”的蛋白质能定位基因，并影响它们是否被激活。[6] 他的模型是自组织的，基于二元单元网络，这个网络和神经网络在某些方面很相似，但速度要慢得多。克里斯托弗·兰顿（Christopher Langton）在20世纪80年代后期创造了“人造生命”这个术语，[7]由此引发了一系列的尝试，旨在理解活细胞的复杂性和复杂行为形成发展的原理。尽管我们在细胞生物学和分子遗传学方面所取得的进展，已经能够揭示细胞内分子机制高度演化的复杂性，但生命的奥秘对我们来说仍然是个不解之谜。
算法为创造出比现有世界更为复杂的世界提供了新的机会。事实上，20世纪发现的算法确实让我们重新思考了复杂性的本质。20世纪80年代的神经网络革命，就是由类似的理解大脑复杂性的尝试所驱动的。虽然我们的神经网络模型比大脑的神经回路简单得多，但我们开发的学习算法使得探索一般原理成为可能，例如信息在大量神经元中的分布原理。不过，网络功能的复杂性是如何由相对简单的学习规则产生的呢？是否存在一种更简单的系统，既体现了复杂性，又更易于分析呢？
## PDF_PHYSICAL_PAGE_INDEX=2178 | PRINTED_PAGE=NOT_DETECTED
理解、分析复杂系统
另一个以科学的严肃态度对待复杂性的传奇人物是斯蒂芬·沃尔夫勒姆（见图13–1）。他年轻时是个神童，20岁就从加州理工学院获得了物理学博士学位，创造了该学位最年轻毕业生的纪录，并于1986年在伊利诺伊大学成立了复杂系统研究中心。沃尔夫勒姆认为神经网络过于复杂，于是决定转变研究方向，开始探索细胞自动机。
细胞自动机通常只有少数几个随时间变化的离散值，这取决于其他细胞的状态。最简单的一种细胞自动机，是一组一维的细胞阵列，每个细胞的值为0或1（见方框13.1）。“生命的游戏”（Game ofLife）也许是最著名的细胞自动机了，它是由普林斯顿大学的数学教授约翰·康威（John Conway）在1968年发明的，并由马丁·加德纳（ Martin Gardner ） 通 过 他 在 杂 志 《 科 学 美 国 人 》 （ ScientificAmerican）的“数学游戏”专栏中推广开来（见图13–2）。整个空间是一个二维的细胞阵列，细胞只有“开”或“关”的状态，对规则的更新仅取决于4个最近的相邻细胞。在每个时间步骤中，所有细胞的状态都会更新。阵列中会生成复杂的模式，其中一些模式还有自己的名字，例如“滑翔机”，它会横跨阵列并与其他模式发生碰撞。初始条件对于找到显示复杂模式的配置至关重要。
## PDF_PHYSICAL_PAGE_INDEX=2179 | PRINTED_PAGE=NOT_DETECTED
生成复杂系统的规则有多普遍呢？沃尔夫勒姆想要了解可能导致复杂行为的最简单的细胞自动机规则，于是他开始从所有规则中寻找。规则0\~29产生的模式总是会回归枯燥的行为：所有的细胞都会以重复模式或嵌套分形模式结束。但是，规则30产生了展开模式，规则110不断变化并演变出了复杂模式（见方框13.1）。[8]最终证明，规则110能够实现通用计算；也就是说，所有可能的细胞自动机中，最简单的一些已经具备了可以计算任何可计算函数的图灵机的能力，所以它在原则上与任何计算机一样强大。
13.1细胞自动机
下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=2180&limit=10)