chanong 《智慧的疆界》这本书写的是真好，最开始序言里告诉我们结构，适用于什么样的人群读，不适用什么样的人群读，再告诉我们不要跳着读，因为每章有前后关联。最厉害的应该是这句话：我们是站在巨人的肩膀上。我们了解人工智能，不是一来从最热门的机器学习深度学习开始，而是先了解这些先驱们是如何创造了人工智能。
1 三大学派
要去了解一门主义或一个学派，首先要抓住它的核心观点和主要理论，以及他们研究的手段，如推理归纳方法、知识表示方法，还有它取得的主要成果。
符号主义学派
符号主义学派的思想和观点直接继承自图灵，提倡直接从功能的角度来理解智能，简而言之就是把智能视为一个黑盒，只关心这个黑盒的输入和输出，而不关心黑盒的内部结构。
为了实现智能，符号主义学派利用“符号”（Symbolic）来抽象表示现实世界，利用逻辑推理和搜索来替代人类大脑的思考、认知过程，而不去关注现实中大脑的神经网络结构，也不关注大脑是不是通过逻辑运算来完成思考和认知。
符号主义学派认为，通过逻辑推理可以描述已知事物并推理未知事物。符号主义学派的核心观点：即“认知的本质是处理符号，推理就是采用启发式知识及启发式搜索对问题求解的过程”。
连接主义学派
在人工智能中，部分研究者认为机器拟人脑的观点，就是连接主义学派。
连接主义学派强调知识的连接性，认为知识是通过连接和互动来形成的，知识的传播和接受是一个动态的过程，需要通过不断的互动和反馈来实现。
连接主义学派尝试模拟人脑的工作原理，认为智能行为可以通过简单的计算单元（如神经元）之间的复杂连接网络来实现。
连接主义学派在早期发展中，感知机是一个重要的里程碑，它是一个简单的线性分类器，能够处理基本的模式识别问题。
连接主义学派在深度学习时代取得了显著的进展，深度神经网络（如卷积神经网络和循环神经网络）在图像识别、语音识别等领域有突破性成果。
行为主义学派
行为主义学派的核心观点：行为主义学派主张智能行为应该从外部行为的角度来研究，而不是从内部心理过程或者认知结构来分析。智能行为可以通过观察和学习来实现，而不需要复杂的内部推理过程。
行为主义学派对强化学习做出了重要贡献。强化学习是一种让智能体通过与环境的交互来学习最佳行为策略的方法，它强调了奖励和惩罚在行为学习中的作用。
行为主义学派在控制理论方面也有显著的贡献，特别是在自适应控制和最优控制领域。这些理论为设计能够适应环境变化的智能控制系统提供了理论基础。
行为主义学派的观点在智能机器人的设计和开发中得到了应用。智能机器人通过感知环境、做出决策并执行动作来实现目标，这与行为主义学派的观点相契合。
行为主义学派倾向于使用简单的模型和算法来实现智能行为，反对过度复杂的内部模型，这在一定程度上推动了人工智能的实用性和可操作性。
但是对于机器人的限制，来源部一部小说的片段，不过确实也可以做为今天对于机器人对于人类造成的“对齐”问题的约束
限制机器人不能祸害人类安全的“机器人三定律”。
第一法则：机器人不得伤害人类，或因不作为使人类受到伤害。
第二法则：除非违背第一法则，机器人必须服从人类的命令。
第三法则：在不违背第一及第二法则下，机器人必须保护自己。
2 机器学习
1）机器学习是什么？
最简化的定义：“如果某个系统可以从经验中改进自身的能力，那这便是学习的过程。
一个更全面的定义：“假设某项评价指标可作为系统性能的度量（Performance，简称P），而这个指标可以在某类任务（Task，简称T）的执行过程中随着经验（Experience，简称E）增加而不断自我改进的话，那么我们就称该过程‘Process＜P, T, E＞’是一种学习行为。
举例：“汽车自动驾驶”，机器学习采用各种路况下正确的驾驶操作的概率（度量P）来评价系统性能，在不同的路况的行驶过程（任务T）中，无人车是基于机器学习训练出来的模型实现自动驾驶的，而不是依赖程序员的代码编程来判断各种路况，因为程序编码几乎不可能穷举出所有的可能的路况，必须根据长期行驶的路况和操作记录的分析结果，根据人类对各种路况应对的操作经验（经验E）来修正这个驾驶模型，然后由这个模型来决定在图像、速度等传感器提供的信息下，机器应该采取什么样的驾驶操作才是正确。
2）机器学习有什么价值？
-
自动化模式识别与预测：机器学习通过分析大量数据并应用验证有效的基本模式，不需要人类提前设计详细的解决方案，而是让计算机从数据中学习并模拟问题的发展变化，从而进行预测和解决。
-
近似解与任务解决：尽管机器学习并非直接达到智能生命体的学习和思考水平，但它能够通过经验数据让计算机学习完成各种任务，如下棋、打游戏、预测房价等，从而提供接近实际需求的近似解。
-
程序化解决问题的能力：机器学习使得计算机能够使用一般化的模型来处理特定的具体问题，这种能力虽然与传统的人工编程有所不同，但在某种程度上可以看作是一种程序能够生成“解决问题的程序”的能力。
-
限制与目标：当前的机器学习侧重于从数据中提取模式和做出预测，而不是像人类那样追求深度理解和自主思考。机器学习的目标是实现任务的自动化和效率提升，而不是真正意义上的学习和思考。
3）它能解决哪些问题？
-
第一类问题（We know what we know）：
-
这类问题指的是已知规律和信息的推理和统计问题。
-
人类能够利用已有的知识和逻辑推理，准确地解决这类问题。
-
计算机作为计算工具可以有效地执行这些任务，例如进行精确的数学运算或物理定律推演。
-
第二类问题（We know what we don't know）：
-
这类问题指的是能够通过已知规律推断未知现象的问题。
-
依赖于严格的逻辑推理和人类的思考来发现和证明规律。
-
符号主义是探索这类问题的方向，但目前机器学习在此方面进展较为初级，主要依赖人类的思考和编程应用已知规律。
-
第三类问题（We don't know what we know）：
-
这类问题指的是不了解规律，但可以基于已知现象的统计结果去推测未知现象的问题。
-
统计学习是主要的应对策略，通过大量数据的分析和学习，机器可以有效地进行预测和决策。
-
例如天气预报和其他统计学习的成功应用，展示了机器学习在这一领域的潜力和效果。
-
第四类问题（We don't know what we don't know）：
-
这类问题指的是无法预测或统计出规律的问题，甚至可能是真正的随机事件。
-
人类常常依赖灵感和直觉解决这类问题，而机器学习目前很难处理这种不可预测和无规律的情况。
-
例如彩票开奖号码的预测就属于这类问题，因为它是真正的随机事件，不受历史数据或推理的影响。
虽然是写人工智能，但是这个理论跟乔哈里窗理论有点雷同。
3 人机共舞
现在，越来越多互联网上的信息是被人工智能所控制甚至直接是由人工智能创造的：你看到的那些搜索内容，是人工智能决定让你看到的，尽管搜索引擎可能为你提供了1000 000000条结果，但你最多仅会使用前面的50条或者100条，这是人工智能决定的搜索结果顺序；
你上美团、饿了么点外卖，上京东、淘宝购买商品，也是人工智能根据你的消费习惯和个人喜好为你推荐的。这里面人工智能对庞大信息的筛选过滤确实为我们的工作、生活的效率提升带来莫大好处，可是我们在享受着数据的便利的同时，也渐渐失去了意外收获的机会。
你上云音乐去听歌，如果平时喜欢摇滚乐，人工智能搞明白后，可能就永远听不到其他的音乐风格了，会错失跟它们邂逅的机会。
人工智能控制我们看到的数据，本身是没有目的性的，但在其背后的人是有目的性的：你随手点击了一家看似不错的餐厅的外卖时，也许不会意识到他们是花了钱的才被系统放到你的面前；当你津津有味地阅读新闻客户端的推荐文章时，也不知道有些文章其实是软文或者公关文章。
由于信息的垄断控制，导致商品和信息流转过程增加了额外的隐性环节和成本，轻则损害最终用户利益，这些成本最终都要转嫁到用户身上，如滴滴成为打车的主要乃至唯一平台之后，许多人反映打车反而更贵了；
重则会干扰最终用户的判断，如百度曾经利用了信息垄断来获利，在用户获取信息的过程中夹了私货，导致“魏则西事件”这样的悲剧发生。
在信息社会，人控制了人工智能作恶，比人工智能自己学会作恶的可能性要大得多。这种威胁与原始社会的火，封建社会的刀，现代社会的核能并无不同，它确实会给我们带来伤害，但也是机遇所在，取决于我们如何使用这项工具。
人工智能的发展是人类进步的序幕，而非终点。这种观点暗示着人类与人工智能的互动应是一种“共舞”，即人机共存、相互配合的状态，而非简单的取代或替代关系。既享受人工智能带来的对人类的诸多便利，也是警惕它的危害，以及安全性问题。
