引言 创造具有人类智能的机器，是一场重大的智力冒险
部 若想对未来下注，先要厘清人工智能为何仍然无法人类智能
01 从起源到遭遇寒冬，心智是人工智能一直无法攻克的堡垒
达特茅斯的两个月和十个人
定义，然后必须继续下去
任何方法都有可能让我们取得进展
符号人工智能，力图用数学逻辑解决通用问题
感知机，依托DNN的亚符号人工智能
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
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：不是复杂，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
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
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人类了
06 人类与机器学习的关键差距
人工智能仍然无法学会自学
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
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的学和推理能力的机器
08 强化学习，重要的是学会给机器人奖励
训练你的机器
09 学会玩游戏，智能究竟从何而来
深度学习，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
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
须类的任何指导
对人工智能而言，人类的很多游戏都很具挑战
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像与文字
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 虚拟理——随便问我任何事情
沃森的故事
如何判定一台计算机会做阅读理解
“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
“我们真的，真的相距甚远”
结
01从起源到遭遇寒冬，心智是人工智能一直无法攻克的堡垒达特茅斯的两个月和十
个人创造一台和人类一样聪明，甚至比人类更聪明的智能机器的梦想，已有几个世纪的历史，而随着数字计算机的崛起，这一梦想已成为现代科学的一部分。台可编程计算机的构建想法，实际上来自数学家将人类思想，特别是逻辑，当作“符号操纵”的机械过程的尝试。数字计算机本质上是符号操纵器，操纵符号“0”和“1”的各种组合。艾伦·图灵和约翰-冯-诺伊曼等计算机域的驱认为，人脑与计算机之间存在着极强的相似，因而可以将人脑类比为计算机，并且在他们看来，人类智能显然能够被复制到计算机程序中。
人工智能领域的大多数从业者认为，该领域的正式确立可以追溯到1956年由一位名叫约翰·麦卡锡的年轻数学家在达特茅斯学院举办的一场小型研讨会。
1955年，28岁的麦卡锡进入了达特茅斯学院的数学系。在读时，他就学过一点儿心理学和“自动机理论”（后来演变为计算机科学）这一新兴领域的知识，并对创造一台能够思考的机器产生了兴趣。在普林斯顿大学数学系的学院，他遇到了和自己一样对智能计算机的潜力十分着迷的学长马文·明斯基（MarvinMinsky）。后，麦卡锡在贝尔实验室和IBM曾经短暂任职，间，分别与信息论的发明者克劳德·香农（ClaudeShannon）以及电气工程先驱内森尼尔-罗切斯特（NathanielRochester）合作过。在达特茅斯时，麦卡锡曾说服明斯基、香农和罗切斯特帮他组织一个人工智能研究项目，这个项目计划在1956年夏天开展，为期两个月，共10个人参与。“人工智能”一词就是麦卡锡发明的，他希望将这一领域与一项名为“控制论”的研究区分开来。
麦卡锡后来承认：“当时没有人真正喜欢这个名字——竟，我们的目标是‘真正的’智能，而非‘人工的’智能，但是我必须得给它起个名字，所以我称它为‘人工智能’。”他们4位组织者向洛克菲勒会递交了一份提案，请求其为这一夏季研讨会提供资。他们写道，这一提案是基于“学习的每个方面，或者说智能的任何特征，从原则上来说都可以被地描述，因此，可以制造一
台机器来进行模拟”。该提案列出了一系列需要讨论的主题，如自然语言处理（natural-languageprocessing，NLP）、神经网络、机器学习、抽象概念和推理、创造力等，这些主题至今仍定义着人工智能这一领域。
在1956年，即便是的计算机，其速度也达不到现代智能手机的百万分之一，但麦卡锡和他的同事依旧乐观地认为人工智能是触手可及的：“我们认为，只要精心挑选一组科学家共同针对这其中的一个或多个课题研究一整个夏天，就能够取得重大的进展。”然而很快就出现了问题，一个对今天任何一位科学研讨会的组织者来说都很熟
悉的问题——洛克菲勒会只批准了他们所需资金的一半，而且事实明，说服参与者来参加会议并留下来做研究，要比麦卡锡想象的困难得多，更别提在任何问题上达成共识了。会上出现了很多有趣的讨论，但并没有达成什么一致意见，这类会议常常就是这样：每个人都有不同的想法和强烈的自我意识，并对自己的计划充满热情。。尽管如此，达特茅斯的这次夏季人工智能研讨会还是获得了一些重要的成果：该领域得到了命名；其总体目标也基本明确了；即将成为该领域“四大开拓者”的麦卡锡、明斯基、艾伦。纽厄尔（AllenNewell）和西蒙得以会面，并对未来做出了一些规划，而且不知出于什么原因，这4个人开完会后都对该领域
持极大的乐观态度。20世纪60年代初，麦卡锡创立了斯坦福人工智能项目（StanfordArtificiaiIntelligenceProject），其目标是：“在10年内打造一台完全智能的机器。
”大概在同一时间，后来的诺贝尔奖得主西蒙预测：“用不了20年，机器就能够完成人类所能做的任何工作。
”。不久之后，麻省理工学院人工智能实验室（MITAILab）的创始人明斯基就预言：“在一代人之内，关于创造‘人工智能’的问题将得到实质的解决。”定义，然后必须继续下去这些预期事件至今一件都没有发生。那么，我们距离构建一台“完全智能的机器”的目标还有多远？构建这样的机器会需要我们对人脑的所有复杂进行逆向工程吗？或者，存在一条捷径、一套智能但未知的算法，可以产生我们所认为的完全智能？完全智能究竟意味着什么？
P19-21
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
