我们被逼着开始思考存在的意义
《人工智能的冲击》【日本】小林雅一
《人工智能的冲击》
这是一本日本作家写的人工智能科普读物，也算是我继李开复《人工智能》、《AI未来》等入门书籍中找到的又一本浅显易懂的作品。日本作为机器制造大国，在人工智能浪潮中已经退居二线，美国和中国的AI研究引领着整个行业的发展。所以读起来有种局外人对高新技术的过度揣测和畏惧感。书的主线正是在这种基调下，频频提出一些骇人观点，用以刺激大众对人工智能的舆论性，颇有标题党嫌疑。可能正是被这夸张话题所吸引，抱着对『接下来你该怎么说』的好奇，我从图书馆书架上把它带了回来。作为入行一年多的从业者，读这本书的过程，就是跳脱从业视角换位到普通群众视角，重新审视这项可能会被过度滥用的技术，这项我们恐慌太早又思考太少的技术。看完本书最大的收获不是它着墨最深的AI伦理问题，而是AI从过去到现在的发展路径，从而对一些工作中常见的名词有了更具体的想象。
三次浪潮
第一次浪潮：符号主义→早期推理系统→早期神经网络→专家系统，由于专家系统高度依赖专家指导，不接地气以失败告终；第二次浪潮：统计学派→机器学习→神经网络，由于浅层神经网络处理能力有限；再次进入寒冬。第三次浪潮：大数据广泛应用→深度学习→（非深度）机器学习，目前我们处于第三次浪潮中，强调数据与应用。
书中一些感兴趣的知识点
AI（人工智能）＞ML（机器学习）＞DL（深度学习）
机器学习：计算机通过分析现实社会及网络中存在的大量数据，从中提取出某种有用的目标模式。
吴恩达：斯坦福大学副教授，Google X 项目，2012年构建超强图像识别的大规模神经网络。
IaaS→云平台 PaaS→大数据平台 SaaS→AI软件平台
莫拉维克悖论：和传统假设不同，人类所独有的高阶智慧能力只需要非常少的计算能力，例如推理，但是无意识的技能和直觉却需要极大的运算能力。要让电脑如成人般地下棋是相对容易的，但是要让电脑有如一岁小孩般的感知和行动能力却是相当困难甚至是不可能的。
自动驾驶的危险性：
1）驾驶员适应了无人驾驶后返回一般道路后，架势姿态及心态不能顺利转入手动驾驶模式；
2）半自动驾驶在躲避障碍物等突发事件，需要驾驶员手动处理很可能会陷入恐慌；
3）车辆前方有人时，驾驶员下意识轻轻踩刹车但又意识到汽车可以自动躲避于是松开刹车，然而系统判断驾驶员要亲自采取措施，结果自动系统没能启动。阶段式向机器移交驾驶控制权，往往会出现控制权不在任何一方的空白状态。
4）前方有儿童校车，如果自动驾驶汽车左右避让会让自身掉下高架桥，这种问题很难抉择。（厚尾曲线：这种异常时态发生概率比假设中高很多。）
厚尾曲线
尾端风险/极端风险（Tail Risk）：是指统计学上两个极端值可能出现的风险，按照常态的钟型分布（Bell Shape），两端的分布机率是相当低的（Thin Tails）；但是两个极端值的分布亦有可能出现厚尾风险/肥尾（Fat Tails）风险，那就是距离中值（Mean），出现的机率提高。也就是原本不太可能出现的机率突然提高了。
框架问题：具体指仅具备有限信息处理能力的机器人无法应对复杂现实世界中可能出现的所有问题。人工智能产品有意无视了框架问题，因为不管是Siri还是语音搜索，就算发生错误也很难对用户造成损害。这些AI产品是在发生框架问题也不要紧的前提下生产出来的。而今后以自动驾驶为代表的、逐渐走向实用化的人工智能机器人，一旦发生框架问题，将关系到无数人的生死。
现代的人工智能：是用统计学与概率论的数值计算模拟表现出人类的智能行为。然而直到近年来，脑科学的最新研究成果才开始于人工智能开发领域相结合。也就是说，忠实还原人脑结构，创造真正意义上的智能的研究才刚刚驶上快车道。
奇点
人工智能研究的两种途径：
1）通过工学手段还原人脑结构；
2）让计算机直接处理以文字、数字、图形为代表的符号，还原人类日常生活中的智能信息处理行为。具有划时代意义的发明，采用完全原创的人工机制大多优于模仿自然界的生物，如设计汽车放弃了用机器『马腿』，设计飞机的机翼放弃了鸟翅膀的摆动。
唯一学习理论（假说）：眼、耳、皮肤等感觉器官负责将图像、声音、压力等信息输入脑，这些输入脑的信息会被识别为格式互通（特征矢量）的模式，随后交由脑通过统一的识别机制进行处理。
稀疏编码：“利用感知数据的冗余”进行编码。组成大脑皮层的神经细胞数量达到100亿个（整个脑约有1000亿个神经细胞），此时处于活动的神经细胞数量只能占到皮层细胞总量的百分之几。之所以会这样，是因为如果构成脑的所有神经细胞都时常保持活动状态，大脑会很快疲劳。也就是说，大脑在处理视觉信息的时候，会将同时活动的神经细胞数降低到最少，从而最大限度地抑制疲劳，这是大脑与生俱来的功能。人在看电视时大脑最不活跃，而在发呆时灵感最活跃的依据？
书中描述AI下棋的章节中提到机器超越人类棋手，对今后的职业棋界及爱好者的心理会产生怎样的影响。而他们发现，大部分人都持有颇具建设性的态度：可以跟机器学习一些平时人类不会走的奇妙下法，让我们重新认识了棋的深不可测，今后希望计算机和人类能携手共存，互相提高。从这一点我想到，机器学习真正会带来的麻烦。
如果说人类创新是有时间窗口的，而机器学习却能不间断的提出假设、快速验证，大大缩短了一项创新与另一项创新中间的酝酿时间，历史必定就这样加速度的发展，同时也在加速度的走向毁灭，来不及等到人类或其他生命进化成智慧到足以阻止这种毁灭的生物，毕竟宇宙是熵增不可逆的。
另外，当机器轻而易举的超越并取代人类使用智力掌控的领域，将会导致人类遭受价值考验，人类能否找到新的出路？正如工业革命后机器替代了人力所造成的恐慌，每个当代都在刷新过去的价值。我们能做的只是在陷入恐慌之前尽快找到与AI共生的方法，AI确实在逼着人类思考存在的意义。
