本书是超级畅销书《复杂》的作者、复杂系统前沿科学家梅拉妮·米歇尔耗时10年思考，厘清人工智能与人类智能的全新力作。是唯一一本以一种深入但又容易理解的方式来讲清楚当下人工智能方法实际上是如何运作的、它们取得了什么成就、它们面临的挑战在哪里，以及人类认知领域的哪些核心属性仍然还在所有当代人工智能方法的能力范围之外。

梅拉妮·米歇尔，波特兰州立大学计算机科学教授，曾在美国圣塔菲研究所（Santa Fe Institute）和洛斯阿拉莫斯国家实验室（Los Alamos National Laboratory）工作，主要的研究领域为类比推理、复杂系统、遗传算法等。在圣塔菲研究所时，米歇尔主导了复杂系统领域的研究工作，并教授了相关的在线课程。她的在线课程《复杂性入门》已经被近30000名学生选修，成为Coursera排名前50位的在线课程之一。
米歇尔拥有密歇根大学计算机科学博士学位，师从认知科学家和作家侯世达（Douglas Hofstadter），两人共同创建了Copycat程序，该程序可以在理想化的情境里进行创造性的类比。米歇尔还是知名畅销书作家，著有《复杂》（Complexity: A Guided Tour）《遗传算法导论》（Genetic Algorithms）等。

引言 创造具有人类智能的机器，是一场重大的智力冒险
第一部分 若想对未来下注，先要厘清人工智能为何仍然无法超越人类智能
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，谁都不是最后的解药
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
深度学习革命：不是复杂性，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，而非预先内置正确答案
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超越人类了吗
我们离真正的视觉智能还非常遥远
06 人类与机器学习的关键差距
人工智能仍然无法学会自主学习
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平的学习和推理能力的机器
08 强化学习，最重要的是学会给机器人奖励
训练你的机器狗
现实世界中的两大绊脚石
09 学会玩游戏，智能究竟从何而来
深度Q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性
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
无须人类的任何指导
对人工智能而言，人类的很多游戏都很具挑战性
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
语音识别和最后的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 虚拟助理——随便问我任何事情
沃森的故事
如何判定一台计算机是否会做阅读理解
“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

今天的机器距离真正像
人一样理解世界还有多远
我的书能够以中文来出
版对我来说是一件非常激动
人心的事情，因为长期以来
，我一直觉得自己和中国人
民以及中文十分投缘。20世
纪80年代，我曾在北京大学
待了一段时间，学习了一些
汉语，并和出版我的博士生
导师侯世达所撰写的著作“
GEB”一书中文译本的团队
进行过交流。把侯世达的书
翻译成中文是一项雄心勃勃
的工程，部分原因在于，想
要把书中无处不在的英文单
词游戏翻译成同样有趣的中
文是非常复杂的，因此，我
非常敬佩翻译团队在执行这
项工作时所表现出的创造力
。
同样的，把我的书翻译
为中文也是一项复杂的工作
，特别是关于用人工智能方
法来进行自然语言处理的那
些章节，其中讨论了许多关
于语言本身的微妙之处。本
书的译者忠实地捕捉到了我
的英文文本中要表达的内容
及其精髓并将其准确地译为
中文，对此我感到十分欣喜
。
有些读者可能读过我以
前出版的一本书的中文版一
《复杂》，并且可能会想知
道两本书之间的关系。我对
此做一个简要的说明：《复
杂》这本书是对复杂系统科
学的一个概述，复杂系统科
学研究的是复杂行为如何从
相对简单的组成部分之间的
相互作用中产生，研究的范
围则从遗传网络和昆虫种群
到人类智力和社会；而《AI
3.0》则是深度聚焦于复杂
系统科学中的一些最难的问
题，比如智能的本质是什么
？研究者是如何创建智能机
器的？我们如何评判这一领
域目前所取得的成就？今天
的机器距离真正像人一样来
理解世界还有多远？
《AI 3.0》旨在让普通读
者也能理解，即使没有任何
计算机科学或数学知识背景
，你也能够读懂它，只要你
对当今之人工智能是如何运
作的、它是如何应用的，以
及在获得真正的智能之前它
还有多远的路要走这些话题
感兴趣，本书就是为你准备
的。近年来，与人工智能相
关的书籍越来越多，但我相
信，本书是唯一一本以一种
深入但又容易理解的方式来
讲清楚当下人工智能方法实
际上是如何运作的、它们取
得了什么成就、它们面临的
挑战在哪里，以及人类认知
领域的哪些核心属性仍然还
在所有当代人工智能方法的
能力范围之外。
了解以上这些问题对我
们所有人来说都很重要，因
为作为新时代的公民，我们
需要知道我们可以在多大程
度上信任日益影响所有人生
活的人工智能应用程序。亲
爱的读者，我希望你能在阅
读本书的过程中收获一些启
发，并能够领略到人工智能
已经走了多远，以及在未来
它还有多长的路要走。

人工智能现在正深刻地影响着我们的生产与生活，甚至关系到人类未来的前途命运，但究竟什么是人工智能？人工智能背后的原理是什么？从问世到演化至今，人工智能经历了怎样的历史变迁？当下人工智能的能力边界在哪里？人工智能与人类智能的差异是什么？未来人工智能又将面对什么样的挑战和机遇？关于这些疑问，本书将为你一一揭晓答案。

梅拉妮·米歇尔的著作《
AI 3.0》有一条充满探索精
神的主线：第三波人工智能
热潮已经大大突破了前两波
人工智能的思想，在哲学范
式上捅开了一个缺口，不只
是符号表征、计算问题，更
是意义问题。那么符号演算
、视觉处理、机器学习将如
何走向“智能觉醒”？这恐怕
是专业人士、普罗大众都非
常关心的问题。这本《AI
3.0》的独特魅力在于：立
足前沿，深度思考，超越技
术。
——段永朝 财讯传媒集
团首席战略官 苇草智酷创
始合伙人
在众多关于人工智能的
科技新书中，梅拉妮·米歇
尔的《AI 3.0》确实可以说
是脱颖而出，它超越了一般
图书的专业性与权威性，很
适合想要了解这个行业的大
众读者以及相关领域的创业
者和管理者。米歇尔的行文
与人工智能研究领域的“明
星”“GEB”和《复杂》一脉
相承，充满思辨性。当然，
本书在内容上更是处处闪耀
着启发性，尤其是关于无人
驾驶领域长尾效应的描述，
对当下人工智能领域的发展
痛点一击即中。总体来说，
《AI 3.0》观点新锐，充满
启示，无疑正在拉开人工智
能未来发展的全新序幕。
——吴甘沙 驭势科技（
北京）有限公司联合创始人
兼CEO
《AI 3.0》一书将强化学
习、计算机视觉、自然语言
理解等领域的技术里程碑和
人工智能的历史精妙地编织
在了一起，并启发了人们对
人工智能的伦理道德和对人
性的深刻思考。另外，本书
讲解透彻，发人深省，值得
人工智能从业者和非专业领
域人士一读。
——芮勇 联想集团高级
副总裁、首席技术官
如果你自认为了解人工
智能及与其相关的所有问题
，那么实际上你了解得可能
就没那么通透。当你读完《
AI 3.0》这本异常清晰且引
人入胜的书时，我想你会对
人工智能了解得更多，也会
变得更睿智。
——迈克尔·加扎尼加 认
知神经科学之父、畅销书《
双脑记》作者
对于任何对人工智能、
机器学习和大数据的新兴革
命感兴趣的人来说，梅拉妮
·米歇尔的书都是必读之选
——她提供了一个非常清晰
、全面的概述，不仅关乎人
工智能改变21世纪人类生活
方式的潜能，还关乎它的缺
点和它可能会带来的危险。
米歇尔为我们提供了一个综
合的视角来理解人工智能的
实际意义。与此同时，她也
纠正了媒体正在传播的对人
工智能的夸张描述和误解。
这本书适合政策制定者、科
技领袖、科学家、工程师以
及学生一读，每位读者都将
从中受益。
——杰弗里·韦斯特 世界
顶级理论物理学家、畅销书
《规模》作者

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。第一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-诺伊曼等计算机领域的先驱认为，人脑与计算机之间存在着极强的相似性，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。在读本科时，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研究生学院，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（Marvin Minsky）。毕业后，麦卡锡在贝尔实验室和IBM曾经短暂任职，其间，他分别与信息论的发明者克劳德·香农（Claude Shannon）以及电气工程先驱内森尼尔-罗切斯特（Nathaniel Rochester）合作过。在达特茅斯时，麦卡锡曾说服明斯基、香农和罗切斯特帮助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——毕竟，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基金会递交了一份提案，请求其为这一夏季研讨会提供资助。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精确地描述，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-language processing，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，即便是最先进的计算机，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非常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——洛克菲勒基金会只批准了他们所需资助金的一半，而且事实证明，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非常重要的成果：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（Allen Newell）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（Stanford ArtificiaiIntelligence Project），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（MIT AI Lab）的创始人明斯基就预言：“在一代人之内，关于创造‘人工智能’的问题将得到实质性的解决。”
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性进行逆向工程吗？或者，是否存在一条捷径、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