《智能时期》读书条记

第一次读《论智能》是通过朋友的豆瓣读书约请码***得手机上的。
一开始我并没有太负责地读，只是不才班回家的路上翻了几页，以为这只是一本关于当下流行的智能设备或者智能生活办法的平淡无奇的书。
毕竟《论智能》这个书名就给我留下了那样的印象。
等真正读起来，才创造这是一本关于人类智能以及打算机是否能产生类似智能的书。
这本书的原名是《论智能》，意思是关于智能的谈论。
译名和副标题《论智能》不太干系，会给人缺点的第一印象。

抛开书名不谈，《智能时期》是我近年来读过的最好的书之一。
作者杰夫·霍金斯的文笔非常简洁，这本书的翻译水平也很高。
笔墨客不雅观、批驳地描述了智能和人工智能研究，并阐述了作者自己对智能的理解。
这本书一经出版，就得到了两位诺贝尔奖得主和该领域专业人士的大力推举，考虑到霍金斯本人是一位企业家而非专业科学家，这非常罕见。

我从小就常常思考智力的问题，这本书能解答我很多疑问。
读起来那种恍然大悟的觉得只能用天开眼界来形容。
还记得月朔的一天，我下课骑着自行车回家，溘然一个问题浮现在我的脑海里——我当时是怎么用双手握住车把的？我没有故意识地掌握哪根手指在哪个位置？然后就撞上了车。
如果你也像我一样思考过这种问题，那么这本书绝对适宜你。

在书中，霍金斯首先回顾了当古人工智能研究的进程和自己的探索经历，客不雅观地批驳了“智能行为学派”。
他认为，智能是系统的固有属性，与外在表现无关。
比如，当一个人悄悄思考的时候，虽然没有表现出任何行为，但也是具有智能的。
退一步讲，如果以行为来判断是否有智能，目前的打算机还不足格。
打算机要识别图片，须要设计一套视觉识别算法，打算灰度、色阶、轮廓等；要识别语音，须要设计一套措辞算法，打算声波频率、腔调、匹配语义等。
图片算法和声音算法之间没有任何联系，从术语到打算过程，它们完备不同。
但对付大脑来说，声音和图像在大脑中的处理过程非常相似，只是接管刺激的觉得器官不同。
如果把实验动物幼崽的视觉神经连接到听觉该当发育的位置，这些动物就能发育出正常的视觉——但如果把电脑摄像头连接到麦克风上，结果就可想而知了。
作者并不是在否定算法本身，毋庸置疑，大脑也有自己的算法，算法高度抽象，能根据不同的旗子暗记输入，发育出相应的感知。
比较之下，打算机算法则没有改变的可能。
基于这两点，作者认为，此前对打算机警能的研究是一条去世路。

那么智能该当是什么样的呢？霍金斯从日常生活出发，分解学习、影象、回顾等行为，结合大脑的神经构造，提出了天生智能的“影象—预测”框架。
全体推理过程非常精彩，这里就不剧透了，以免毁坏阅读的乐趣。

这个别系的核心在于“恒定表征”的观点。
霍金斯认为，人类（或者海豚、猴子等其他动物）之以是能够理解天下，依赖于对事物进行高度抽象的能力。
这种抽象能力不是指刻意演习出来的逻辑思维能力，而是指大脑构造决定的聪慧生物与生俱来的能力。
比如：当我看到我的小狗时，我能意识到它在附近；当我听到它熟习的叫声时，我也能意识到它在附近；乃至当我只是看到它的毛发落在沙发上时，我就能推断它一定是爬上沙发的。
我不一定直接看到它，又怎么能判断它是否在附近呢？这解释我的大脑对这只狗有一个“恒定表征”，它不会以我不雅观察的办法进行转移。
我知道我的狗，无论它是蹲着、躺着还是把头藏在沙发下，我都能意识到它独一无二的存在。
“恒定表征”便是人们常说的“理解”某样东西。
对付打算机来说，现在的技能还只能一步步的打算，还没有产生理解，更谈不上智能。

《智能时期》读书条记

未来社会是属于那些有创造性思想的人的，包括打算机科学家，而不是那些节制某些技能、做重复性劳动的人的。

第一章 数据：人类文明的根本

信息是对天下、人和事物的描述，比数据更抽象。
信息可以是我们人类创造的，比如两个人之间的语音通话记录，也可以是自然存在的客不雅观事实，比如地球的面积和质量。

数据可以清晰的描述信息，它最大的浸染便是承载信息，但并不是所有的数据都承载着故意义的信息，数据本身是人造的，因此可以随意创造，乃至可以假造。

人类文明的过程实在就伴随着获取数据->剖析数据->建立模型->预测未知的过程。
数据在人类文明中起着基石浸染。
地心说、日心说等都是模型。

大部分数据都是有关联的，很多时候我们无法直接获取信息（比如疫情蔓延情形），但可以把干系的信息量化（比如各地的搜索结果），然后通过数学模型间接得到想要的信息。
而各种数学模型的根本都离不开概率论和统计学。

统计学的条件是样本可靠，但选取样本并不随意马虎，而且在互联网涌现之前，获取大量有代表性的数据并不随意马虎。

自概率论出身之日起，人们就有了这样的关注，希望从理论上证明，当不雅观测数据量足够大时，随机性和噪声的影响可以忽略不计。

切比雪夫不等式证明，当样本个数足够大时，一个随机变量与其数学期望之间的偏差可以任意小。

要建立一个数学模型，须要办理两个问题，第一是利用什么样的模型，第二是模型的参数是什么。
纯挚的模型可能不符合实际情形，如果一开始就选错了，后面就很难再改动了。
探求模型的参数，让模型至少与之前不雅观察到的数据相匹配的过程，便是机器学习。

完美的模型可能并不存在，纵然存在，也很难找到。
但常日可以将多个大略模型拼凑成一个繁芜模型，而且本钱常日较低。

回到数学模型，实在只要数据量足够大，一个繁芜模型就可以被几个大略模型所取代，这种方法叫做数据驱动方法，由于它先有大量的数据，而不是一个预设的模型，然后用很多个大略模型去拟合数据。