每日一书：《人工智能：现代方法》。“我们只能看到前方的一小段距离，但我们知道依然有很长一段路要走。”— 艾伦・图灵人工智能首先是一门技术，和计算机、互联网等技术类似，不同于物理学和生命科学那样的科学。科学是寻求事物和现象背后的规律，例如揭示宇宙奥秘的万有引力定律、相对论和量子力学，揭示生命奥秘的进化论和基因。技术是创造新事物和新现象，例如以指南针为代表的中国四大发明，以飞机和计算机为代表的现代技术。人工智能试图模拟人类的行为和思维，是一个最富有期待和遐想的学科，其发展波澜壮阔、起伏跌宕。她经历了热情高涨和期望无限的早期 (1952—1969)，通用搜索机制局限所导致的回落期 (1966—1973)，以专家系统为代表的基于规则学习的崛起期 (1969—1986)，神经网络联结主义的回归期 (1986—1995)，统计机器学习的复兴期（1995— 现在），以及大数据驱动的深度学习的突破期（2006— 现在）。人工智能从哲学、数学、经济学、神经科学、心理学、计算机科学、控制科学、语言学等诸多学科中汲取思想、观点和技术，滋养并发展自身。机器学习试图从数据或经验中学习进而提升机器的能力或性能，这不同于人工智能，但她是目前趋向人工智能的一个最重要或有效的途径。一般而言，程序可以找到解的事实并不意味着该程序具备任何在实践中找到解所需的机制。致命性自主武器：联合国将其定义为无须人工干预即可定位、选择并击杀人类目标的武器。这种武器的一个主要问题在于它们的可扩展性 —— 不需要人类监督意味着一小群人就可以部署任意数量的武器，并且这些武器的打击目标可以是通过任何可行的识别准则来定义的人类。任何通过传感器 (sensor) 感知环境 (environment) 并通过执行器 (actuator) 作用于该环境的事物都可以被视为智能体 (agent)。一个人类智能体以眼睛、耳朵和其他器官作为传感器，以手、腿、声道等作为执行器。在智能体开始搜索之前，必须形式化一个良定义的问题。● 问题由 5 部分组成：初始状态、动作集合、描述这些动作结果的转移模型、目标状态集合和动作代价函数。● 问题的环境用状态空间图表示。通过状态空间（一系列动作）从初始状态到达一个目标状态的路径是一个解。在国际象棋、跳棋、黑白棋、围棋、扑克及许多其他游戏中，程序已经彻底击败了人类冠军选手。在一些不完美信息博弈中人类仍然保持优势，如桥牌和四国军棋。在像《星际争霸》和《刀塔 2》这样的电子游戏中，程序可以与人类专家媲美，但它们的成功可能一部分要归功于它们可以快速执行许多动作的能力。人类似乎具有知识，人类的知识能够帮助他们做事。在人工智能中，基于知识的智能体 (knowledge-based agent) 对知识的内部表示 (representation) 进行推理 (reasoning) 来确定要采取的动作。类似语义网络和描述逻辑的专用表示系统已经被设计用于组织类别层次结构。继承是重要的推断形式，它使得对象的性质可以从其类别从属关系中被推导出来。通过图表句法分析器（如 CYK 算法），可以在 O (n3) 时间内对上下文无关语言的语句进行分析，算法要求文法规则为乔姆斯基范式。使用束搜索或移位减少句法分析器可以在 O (n) 时间内对自然语言进行分析，准确性也不会有很大损失。所以灵活、智能的机器人很可能最先在工业领域（环境更可控、任务重复度更高、投资价值更易衡量）而非民用领域（环境与任务的变化更复杂）取得进步。特里斯坦・哈里斯 (Tristan Harris) 在人道技术中心发起的乐享时间 (time well spent) 运动朝着更加全面的选择迈出一步 (Harris, 2016)。这项运动解决的是赫伯特・西蒙在 1971 年认识到的一个问题：“信息的丰富造成注意力的贫乏。” 也许在未来，我们将拥有私人智能体 (personal agent) 来维护我们自身的长期利益而非设备上各应用背后公司的利益。智能体的工作是协调不同来源的产品，避免我们上瘾，并且指导我们朝着真正重要的目标迈进。科幻小说家罗伯特・海因莱因 (Robert Heinlein)(Heinlein, 1973) 则这样说：生而为人，应该能够换尿布、策划入侵、杀猪、驾船、设计建筑、写十四行诗、算账、砌墙、接骨、抚慰临终之人、接受命令、下达命令、合作、独行、解方程、分析新问题、抛洒粪肥、编写程序、烹饪美食、高效战斗、英勇牺牲。只有昆虫才需要专业分工。艾伦・图灵在 1950 年发表的论文 “Computing Machinery and Intelligence” 中的最后一句话时至今日依然有效。我们只能看到前方的一小段距离，但我们知道依然有很长一段路要走。

从 Transformer 提出到 “大规模预训练模型” GPT（Generative Pre-Training）的诞生，再到 GPT2 的迭代标志 Open AI 成为营利性公司，以及 GPT3 和 ChatGPT 的 “出圈”；再看产业界，第四范式涉及到多个重要领域比如生物医疗，智能制造纷纷有以 Transformer 落地的技术产生。在这个浪潮下，我的思考是：一是，未来很长一段时间在智能化领域，我们都将经历 “科研、算力、基础架构、工程、数据、解决方案” 这个循环的快速迭代；流动性、创新性短期不会稳定下来，而是会越来越强。我们很难等到科技封装好，把这些知识全部屏蔽掉，再去打磨产品。未来在竞争中获胜的，将是很好地 “解决了产品化和科研及工程创新之间平衡” 的团队。我们一般理解的研发实际上是工程，但 AI 的实践科学属性需要团队更好的接纳这种 “流动性”。因此对所有从业者或者感兴趣智能化的小伙伴了解全栈知识成了一个刚需。二是，通过探讨，可以更直观地理解：在科研端发生了什么，以什么样的速度和节奏发生；哪些是里程碑？是科学界的梅西横空出世，带我们发现真理；哪些是微创新？可能方向明确了，但还有很多空间可以拓展；哪些更像炼金术？仍然在摸索，尚需要很长一段时间，或者一直会保持这个状态。三是，在 AI 领域，由于技术原因，更多的论文是开源代码的，一方面，促进了更多人参与进来改进迭代；另一方面，科研跟工程实现无缝连接，一篇论文可以拉动从核心代码到平台，到具体应用很大范围的价值扩散。四是， AI 技术发展有很多领域（感知，认知，感知又分图像、语音、文字等，认知也可以分出很多层次），之前这些领域的算法逻辑存在很大差别，Transformer 的出现有一定程度上推动各个领域汇聚的迹象，另外 ChatGPT 属于现象级应用，大家更有直观感受，未来这类应用的体验提升和更新速度只会更快，理解了其背后的逻辑，更有助于我们把握这个趋势。

从事人工智能研究必读的书籍，包含非常多专业的算法 模型 训练的理论