--- schema_version: "library-reader-v1" source_type: "original_book" title: "AI 3.0（畅销书《复杂》作者、复杂系统前沿科学家梅拉妮·米歇尔，历经10年思考，厘清人工智能与人类智能的全新力作，全景式地展现了人工智能的..." author: null edition: null publisher: null year: null isbn: null library_document_id: "75afffda-b96b-4df5-89ff-2ec037cfed66" source_sha256: "21c9bed4763f96ba9dce4c4e24be07b2ddb63e08acce9107a510c1026714c784" pdf_physical_page_count: 491 pdf_physical_page_index_base: 0 range_start: 40 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/75afffda-b96b-4df5-89ff-2ec037cfed66?start=40&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/75afffda-b96b-4df5-89ff-2ec037cfed66.md?start=40&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/75afffda-b96b-4df5-89ff-2ec037cfed66.md?start=30&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/75afffda-b96b-4df5-89ff-2ec037cfed66.md?start=50&limit=10" --- # AI 3.0（畅销书《复杂》作者、复杂系统前沿科学家梅拉妮·米歇尔，历经10年思考，厘清人工智能与人类智能的全新力作，全景式地展现了人工智能的... > 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=40 | PRINTED_PAGE=NOT_DETECTED 感知学习算法，无法重现人脑的涌现机制学习感知机的权重和阈值感知机是一条死胡同泡沫破碎，进入人工智能的寒冬看似容易的事情其实很难02　从神经网络到机器学习，谁都不是最后的解药多层神经网络，识别编码中的简单特征无论有多少输入与输出，反向传播学习都行得通联结主义：智能的关键在于构建一个合适的计算结构亚符号系统的本质：不擅长逻辑，擅长接飞盘机器学习，下一个智能大变革的舞台已经就绪03　从图灵测试到奇点之争，我们无法预测智能将带领我们去往何处“猫识别机”掀起的春日狂潮人工智能：狭义和通用，弱和强 ## PDF_PHYSICAL_PAGE_INDEX=41 | PRINTED_PAGE=NOT_DETECTED 人工智能是在模拟思考，还是真的在思考 图灵测试：如果一台计算机足够像人 奇点2045，非生物智能将比今天所有人类智能强 大10亿倍 一个“指数级”寓言 摩尔定律：计算机领域的指数增长 神经工程，对大脑进行逆向工程 奇点的怀疑论者和拥趸者 对图灵测试下注 第二部分　视觉识别：始终是“看”起来容易“做”起来 难 04　何人，何物，何时，何地，为何 看与做 深度学习革命：不是复杂性，而是层深 模拟大脑，从神经认知机到ConvNets ConvNets如何不将狗识别为猫 ## PDF_PHYSICAL_PAGE_INDEX=42 | PRINTED_PAGE=NOT_DETECTED 激活对象特征，通过分类模块进行预测不断从训练样本中学习，而非预先内置正确答案 05　ConvNets和ImageNet，现代人工智能的基石构建ImageNet，解决目标识别任务的时间困境土耳其机器人，一个需要人类智慧的工作市场赢得ImageNet竞赛，神经网络的极大成功ConvNets淘金热，以一套技术解决一个又一个问 题在目标识别方面，ConvNets超越人类了吗我们离真正的视觉智能还非常遥远 06　人类与机器学习的关键差距人工智能仍然无法学会自主学习深度学习仍然离不开“你”的大数据长尾效应常常会让机器犯错机器“观察”到的东西有时与我们截然不同有偏见的人工智能 ## PDF_PHYSICAL_PAGE_INDEX=43 | PRINTED_PAGE=NOT_DETECTED 人工智能内心的黑暗秘密以及我们如何愚弄它 07　确保价值观一致，构建值得信赖、有道德的人工 智能 有益的人工智能，不断改善人类的生活 人工智能大权衡：我们是该拥抱，还是谨慎 人脸识别的伦理困境 人工智能如何监管以及自我监管 创建有道德的机器 第三部分　游戏与推理：开发具有更接近人类水平的学习 和推理能力的机器 08　强化学习，最重要的是学会给机器人奖励 训练你的机器狗 现实世界中的两大绊脚石 09　学会玩游戏，智能究竟从何而来 深度Q学习，从更好的猜测中学习猜测 价值6.5亿美元的智能体 西洋跳棋和国际象棋 不智能的“智能赢家”深蓝 围棋，规则简单却能产生无穷的复杂性 AlphaGo对战李世石：精妙，精妙，精妙 从随机选择到倾向选择，AlphaGo这样工作 10　游戏只是手段，通用人工智能才是目标 理解为什么错误至关重要 无须人类的任何指导 对人工智能而言，人类的很多游戏都很具挑战性 它并不真正理解什么是一条隧道，什么是墙 除去思考“围棋”，AlphaGo没有“思考” 从游戏到真实世界，从规则到没有规则 第四部分　自然语言：让计算机理解它所“阅读”的内容 11　词语，以及与它一同出现的词 语言的微妙之处 语音识别和最后的10% 分类情感 递归神经网络 “我欣赏其中的幽默” “憎恶”总与“讨厌”相关，“笑”也从来伴随 着“幽默” word2vec神经网络：口渴之于喝水，就像疲倦之 于喝醉 12　机器翻译，仍然不能从人类理解的角度来理解图 与文字 编码器遇见解码器 机器翻译，正在弥补人机翻译之间的差距 迷失在翻译之中 把图像翻译成句子 13　虚拟助理——随便问我任何事情 沃森的故事 如何判定一台计算机是否会做阅读理解 “它”是指什么？ 自然语言处理系统中的对抗式攻击 第五部分　常识——人工智能打破意义障碍的关键 14　正在学会“理解”的人工智能 理解的基石 预测可能的未来 理解即模拟 我们赖以生存的隐喻 抽象与类比，构建和使用我们的心智模型 15　知识、抽象和类比，赋予人工智能核心常识 让计算机具备核心直觉知识 形成抽象，理想化的愿景 活跃的符号和做类比 字符串世界中的元认知 识别整个情境比识别单个物体要困难得多 “我们真的，真的相距甚远” 结语　思考6个关键问题，激发人工智能的终极潜力 ## PDF_PHYSICAL_PAGE_INDEX=44 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=45 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=46 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=47 | PRINTED_PAGE=NOT_DETECTED 问题1：自动驾驶汽车还要多久才能普及？ 问题2：人工智能会导致人类大规模失业吗？ 问题3：计算机能够具有创造性吗？ 问题4：我们距离创建通用的人类水平AI 还有多远？ 问题5：我们应该对人工智能感到多恐惧？ 问题6：人工智能中有哪些激动人心的问题还尚未解决？致谢注释 ## PDF_PHYSICAL_PAGE_INDEX=48 | PRINTED_PAGE=NOT_DETECTED 创造具有人类智能的机器，是一场重大的智力冒险 计算机似乎正在以惊人的速度变得越来越智能，但它们仍然会干出一些令人觉得颇具讽刺意味的事儿。几年前，我去加利福尼亚州山景城的谷歌全球总部Googleplex参加一个人工智能研讨会，虽然我用了谷歌地图导航，但还是迷路了，而且，我是在谷歌地图的大楼里迷路的，这是多么讽刺。 谷歌地图的大楼很容易找到。一辆谷歌街景车停靠在大楼门前，车顶上伸出来一个巨大的金属支架，上面顶着一个红黑相间的足球形状的摄像头。走进大楼后，我戴着安全部门发给我的十分显眼的“访客”徽章，尴尬地在挤满了谷歌员工的隔间中徘徊，他们中的很多人都戴着耳机，专心致志地在苹果电脑上打着字。凭借楼里的指示牌，我终于找到了分配给这次研讨会使用的会议室，顺利与研讨小组会合了。 2014年5月召开的这次会议由年轻的计算机科学家布雷斯·阿奎拉·阿尔卡斯（Blaise Agüeray Arcas）组织，他那时刚从微软的高层离职，加入谷歌来领导其机器智能方面的工作。谷歌起源于1998年推出的一款“产品”：一个使用一种新颖的、非常成功的网络搜索方法的网站。这么多年过去了，谷歌已经发展成为当今世界上最重要的科技公司之一，推出了大量的产品和服务，包括Gmail、谷歌文档、谷歌翻译、YouTube、Android智能手机操作系统等，还有很多你可能每天都在用的，以及一些你可能从未听说过的产品和服务。 引言 ## PDF_PHYSICAL_PAGE_INDEX=49 | PRINTED_PAGE=NOT_DETECTED 谷歌的创始人拉里·佩奇（Larry Page）和谢尔盖·布林（Sergey Brin）长期以来一直受到“在计算机上创造人工智能”这一理念的激励，人工智能现已成为谷歌重点关注的领域。在过去的10年里，谷歌雇用了大量的人工智能专家，其中最知名的要数雷·库兹韦尔。库兹韦尔是著名的发明家，也是备受争议的未来学家，他提出了人工智能“奇点理论”：在不久的将来，计算机将比人类更智能。谷歌聘请库兹韦尔担任工程总监来帮助实现这一愿景。2011年，谷歌内部创建了一个名为“谷歌大脑”（Google Brain）的人工智能研究小组，此后，谷歌还收购了多家颇有前景的人工智能初创公司，如Applied Semantics、DeepMind和Vision Factory等。 从长远来看，谷歌已不再仅仅是一个门户网站了，它正在迅速成长为一家应用型人工智能公司。人工智能是将谷歌及其各种产品、服务和没有明确目标的研究与其母公司Alphabet联结在一起的黏合剂。公司的最终愿景是“破解智能，并用它来解决其他一切问题” 1 ，这和DeepMind团队最初的使命一致。 “GEB”开启我的人工智能追寻之旅 能来参加谷歌的人工智能研讨会让我倍感兴奋。从20世纪80年代读研究生开始，我就一直在研究人工智能的诸多方面，并且对谷歌取得的成就尤为印象深刻。虽然我也想为这次会议贡献一些好的想法，但我必须承认，我只是作为随行人员出现在那里。这次会议召开的目的是让一组经过精挑细选的谷歌人工智能研究人员听取侯世达的报告并与之交流。侯世达是人工智能界的传奇人物，也是名著“GEB”的作者。如果你是一名计算机科学家，你很可能听说过、读过“GEB”这本书。 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/75afffda-b96b-4df5-89ff-2ec037cfed66.md?start=50&limit=10)