人工智能简史

人工智能简史

图灵原创

暂无评价综合评分的显示会考虑用户真实性等多项因素,每部作品出现综合评分的时间不定。
7.1342 评价豆瓣读书
免费试读

作品简介

本书全面讲述人工智能的发展史,几乎覆盖人工智能学科的所有领域,包括人工智能的起源。、自动定理证明、专家系统、神经网络、自然语言处理、遗传算法、深度学习、强化学习、超级智能、哲学问题和未来趋势等,以宏阔的视野和生动的语言,对人工智能进行了全面回顾和深度点评。

本书作者和书中诸多人物或为师友或相熟相知,除了详实的考证还有有趣的轶事。本书既适合专业人士了解人工智能鲜为人知的历史,也适合对人工智能感兴趣的大众读者作为入门的向导。

尼克:早年曾任职哈佛和惠普;后创业投资,往返于大陆和硅谷。无论忙闲不忘读书写字,作品多发表于《上海书评》,并有著作《UNIX系统V内核剖析》和《哲学评书》。

作品目录

载入中

热门划线

  1. 人工智能到底是什么?3 人
  2. 其实,即使人类在不理解力学的时候,就会造弹弓了。对那时的人类,弹弓的工作原理就是黑匣子。乔姆斯基和诺维格分别所代表的两种人关心的是两种不同的问题。一种人力图打造实用的工具,没有解释也能凑合,他们是不求甚解的工程师;另一种人寻求终极的知识,他们是科学家。只不过,在计算机科学这个特定的学科中,科学家和工程师的角色变换太快,这门学科的开拓者,很多都是身兼二职,例如图灵和冯诺伊曼。3 人
  3. 我们可以找到有力的证据,证明这种说法是不正确的。假定,如果这些规律存在,我们就能够找到它们。就一台离散状态机器而言,我们应该可以在一个合理的期限,比方说在1000年之内,通过大量的观察找到规律并预测其未来的行为。其实不然,我曾在曼彻斯特计算机内输入了一个程序,仅仅用了1000个存储单元,给这台机器输入一个16位的数,机器在两秒钟内输出另一个数。我不相信有谁可以仅仅靠这些输出就能了解这个程序,对一个没试过的输入预测可能的输出。3 人
  4. 20世纪80年代末,戴维斯在南开数学所演讲,我曾问他怎么看当时风风火火的第五代计算机,因为五代机的核心Prolog毕竟是定理证明的产物,老头狡猾地呵呵说“我对工业不太懂”,他说的工业泛指人工智能。2 人
  5. 所有开源的知识图谱的基础数据的重要来源之一都是维基百科。2 人
  6. 乔姆斯基的独特政治观点体现在他对当代政治事件的评论上。人们轻率地把乔姆斯基划为左派,其实,他是反建制者,永远怀疑权威,永远同情人民。2 人
  7. 乔姆斯基们也许会接着质疑,这种翻译算理解吗?也许翻译根本就不是理解的问题,翻译本身并不需要解释,翻译只是翻译而已,翻译只是数据问题,而不是语义问题。没有乔姆斯基,我们还要在黑暗中摸索,但有了乔姆斯基,是不是又曾经束缚了我们探索其他方法的可能性?2 人
  8. 一个哲学问题找到了科学的角度(formulation),就不再是哲学问题一样,一个人工智能问题一旦解决,就不再是人工智能问题。大概很快人们就会认为语音问题不再是人工智能的核心问题。如果说语音翻译不涉及自然语言理解和语义,可能也不会有什么异议。2 人
  9. 和老师霍兰德不同,巴托和萨顿关心更原始但也更抽象的可适应性。一个刚出生的孩子,怎么学会对环境的适应。在监督式学习中,目标是清楚的。但婴儿不知道目标是什么,不知道自己要什么。通过与外部世界的不断交互,婴儿受到奖励或惩罚,由此强化对外部世界的认知。2 人
  10. 遗传算法和强化学习有一个共同点:效果要等到多步以后才能看到,这是和监督式学习的主要不同。这就需要尽可能多地访问所有的状态,这样效率就会受到影响。蒙特卡洛模拟是一种减少状态空间搜索的有效办法。最近也有利用深度学习来压缩需要表示的状态空间数目。这还有点意思,本来强化学习初衷是探索生物体学习的模型,现在神经网络又成了强化学习的工具。当状态空间很大时,强化学习可以和蒙特卡洛方法或深度神经网络结合,就使用了蒙特卡洛方法。2 人

喜欢这本书的人也喜欢