读书笔记（1）

不定期的会读些文章或者文献，会把意义深远的观点或者知识点抄录下来，并且记录自己的心得体会。希望可以养成阅读好习惯。

读书要点摘要：

《张钹院士：满足这五个条件，你的工作就将被AI取代》

1. 人工智能仅有的两个资源，一个是数据，一个是知识。需要满足五个条件：确定性信息、完全信息、静态的、单任务和有限领域。

2.智能体现在推理能力上。

3. 必须在系统中加上常识库、常识推理。没有做到这一步，人机对话系统中机器不可能具有理解能力。但是大家知道，建立常识库是一项「AI 的曼哈顿工程」。

4. 准符号模型，深度学习、神经网络主要用来模拟感性行为，也就是利用人类同样的办法，学习、训练。

5.从浅层的神经网络又发展到多层的神经网络，从浅层发展到多层有两个本质性的变化，一个本质性的变化就是输入，深层网络一般不用人工选择的特征，用原始数据就行。所以深度学习的应用门槛降低了，你不要有专业知识，把原始数据输进去就行了。第二个是它的性能提高很多，所以现在深度学习用得很多，原因就在这个地方。

6. 通过数据驱动建立的系统只是一个机械的分类器，只到达了感觉的水平，根本不是感知系统。只依靠深度学习很难到达真正的智能。

7. 人类的最大的优点是「小错不断、大错不犯」，机器最大的缺点是「小错不犯，一犯就犯大错」。原因在于 AI 的理解能力问题。

8. 人工智能现在有两种基本方法，一种是用符号模型来模拟理性行为，符号模型可以表达信息的内容，所以它是在一个语义的符号空间里头，但是非常不幸，这个离散的符号表示，数学工具很难用，所以它发展很慢；在模拟感性行为的时候，我们用的是特征空间的向量，向量就是数，可以把所有的数学工具都用上，优化的工具、概率统计的工具全部用上。所以数据驱动方法这几年发展非常快。有一个非常大的缺陷，它是在特征空间里，缺乏语义。

现在想出的解决办法是这样的，就是把这两个空间投射到一个空间去，这个空间叫做语义的向量空间。也就是说我们把符号变成向量，同时把特征空间的向量变成语义空间的向量。一是通过 Embedding（嵌入）把符号变成向量，尽量保持语义不变，可惜现在的方法都会引起语义的丢失，第二方面做的工作比较少，就是 Raising（提升），把特征空间提升到语义空间去，这主要靠学科交叉，靠跟神经科学的结合。

9. 人工神经网络为什么不能得到语义信息呢？人脑的神经网络为什么可以呢？差别就在这里，我们现在用的人工神经网络太简单了，我们正想办法把脑神经网络的许多结构与功能加进去，我们这里只用了「稀疏发电」这一性质，就可以看出一些效果，人脸、大象或者鸟的轮廓，神经网络可以把它提取出来；还有一个办法就是把数据驱动跟知识驱动结合起来。

10. 「我们正在通往真正 AI 的路上」，现在走得并不远，在出发点附近，人工智能永远在路上，大家要有思想准备，这就是人工智能的魅力。

小结：这篇文章让我初步了解了人工智能的发展水平，以及科学家对AI人工智能开发的过程，对之前媒体报道的alfago战胜人类，以及索菲娅对答如流的视频等有了进一步认识。在阅读其文过程中，我感觉到如果AI真的有推理能力了，那他们肯定是可以根据各种潜在的选择对各种可能发生的后果做出预测的，从而择优做出选择，从某种意义上来说，他们也就从感知上，具备了预测未来的功能。这样的结果也是很可怕的，也就是说他们可以确定未来的某一个目标，然后决定现在选择。额，等人工智能真的发展具有人的神经思维的时候，人类也就控制不了AI了吧。

《北大教授杨震自述：九死一生，我对生命有三个承诺》

我知道是医院里的药救了我的命。在医院里，当我痛得又蹦又跳时，一看到护士拿着装有吗啡的针，还没有给我打呢，我就开始安静了，那个时候我才知道药是多么重要。

多少次我安静下来，内心都感慨这神奇的世界。上天啊，我该如何回报这救命之恩？忽然间我懂了，上天用这么艰难的方式，赋予了我一个伟大的梦想：去做药的研发，以此去回报这世界的救命之恩。

到哈佛医学院工作是我生命中莫大的幸运。在那里，我使用世界上最先进的仪器设备来从事科研工作，遇到了最优秀和最聪明的学生，见到了梦寐以求的科学大师并能亲耳聆听他们的演讲。但随着时间的推移，我开始渐渐感到孤独。当时中美之间的知识产权纠纷带给我许多无形的困惑和压力。我一直在想，一个民族不强大，你在哪儿都一样。

深圳真的很好，早晨醒来之后吃饭，然后就到办公室，中午太太就做好饭了，吃完了休息一会，一直工作到晚上七八点钟，然后回家吃饭。深圳给我一种很像加州的感觉，没有那种地域的文化，大家都很平等。从办事效率来看，深圳在中国是最好的，它没有官气，你能明显感觉到，官员是跟你同步的，真是跟你同甘苦，很多事情让人很感动。

小结：被杨震教授坚定的信念感动，看到摘抄的第一段那里，我的眼里就噙满了泪水。也不禁感叹，他真是奇迹一般的存在。

今天还看了其他一些文章，不过并没有整理，只是收藏，再加上阅读内容也不太一样，放在下次呈现好了。