简介

精彩点评

• 

  UltraDumpling

  推荐

  杨立昆的这本书像是他的随笔……也不知道是因为翻译的功底不行……还是怎么的。不过杨立昆是位杰出的人工智能专家，其创造的CNN及推动的无监督和自监督学习也确确实实改变了整个领域，行业和人类社会。我个人认为他是图灵智能三巨头中最厉害的一位，他也是可以载入人类科学史册的一位杰出布道师

• 

  袁召栋

  推荐

  通过阅读《科学之路》，我对人工智能有了更进一步的认识，它所面临的科学层面的挑战，和它一旦成功能带来的方方面面的影响力一样大。 我应该跟进这一科学的发展，对它的能力有客观的认识，以及合适的应用。

• 

  东北永乐鱼

  推荐

  人工智能真的只是像刀、飞机、计算机……一样是人类的工具吗？工具的提升只能在其基础功能的基础上进行纵向和横向的扩展，如更锋力更快更便于操作，人工智能的提升恐怕不仅是基础功能的扩展，因为就连推动人工智能发展的庞大群体目前也对人工智能未来会是什么样子没有……

• 

  赵曦

  推荐

  看了很久的一本书，前段和后段比较好理解，中段讲卷积神经网络的实在难懂，尤其是数学公式……但是还是很有启发意义的。这里的人工智能讲的主要是如何识别图片的人工智能，通过卷积神经网络的搭建来实现像人一样识别图片的能力，至于人工智能在翻译、声音识别等方面的应用讲的不多，虽然应用场景不同，但是基本原理还是卷积神经网络。 卷积神经网络的灵感来源于人的视觉发生机制，其最主要的是简单细胞和复杂细胞的运作。无数的简单细胞负责抓取视觉元素，然后传递给复杂细胞，复杂细胞负责把这些信息整合成视觉信息传递给大脑。但是这里有一个问题，即我们对事物的视觉是一个整体还是分成一个个物体，例如我们看远处时，我们觉得就是一副画面，里面有蓝天、白云及各种建筑物。但是实际在我们头脑中发生的是直接产生的这个画面嘛？还是将一个个物体识别出来，然后拼成一个画面。卷积神经网络显然是后者。它通过卷积→ ReLU →池化→卷积→ ReLU →池化→卷积→ ReLU→卷积的架构，模拟了人类视觉的形成过程，即通过卷积（以位移的方式不断提取最小单位的方格）来实现简单细胞的功能，然后通过ReLU来实现复杂细胞的功能，通过池化来固定特征，再通过这样的循环最终识别出目标特征，这样提取的只是一个目标特征，例如视野里的房子，通过不断假设这样的卷积网络及配置它们之间的联系，使程序能够识别出一整幅画面。当然，这会是一个巨大的卷积网络，所以如何提高卷积网络的效率是目前在不断研究的问题。 虽然现在的人工智能看起来很神奇，可以自动驾驶、自动翻译并且自动学习，但是它离人的智能还差的很远很远。其中一个重要的方面就是它无法识别自然规律，例如孩子或者动物在很短的时间内就能理解自然界的运作规律，他们理解冷热，理解重力，会根据自然规律来改变自己的行为，但是人工智能不能通过自我学习来理解自然规律，只能通过工程师的架构来进行学习，可对于复杂的自然系统的学习完全不像识别照片那么简单。再有一个重要的方面就是人工智能无法进行复杂的判断，特别是道德判断。人工智能自我学习的一个关键是要给判断做出一个明确的对与错的反馈，它才能进行反向传递，但是一些复杂判断或者道德判断很难给出一个明确的错与对，这样也无法训练人工智能。所以人工智能离人的智慧还差的很远很远，要想达到人的智慧，可能光靠卷积神经网络是不行的，需要发明新的、效率更高的算法。

• 

  September

  推荐

  因为工作上涉及到人工智能，所以读到了这本书，对于文科生来说，里面的很多句子语言理解起来比较困难，但总的来说，人工智能确实正在颠覆我们的时代，现在没有意识的人工智能在未来充满着不确定性。但也像作者说的，“不要害怕被机器超越。几个世纪以来，人类已经习惯自己的生理和心理能力被其他工具超越了：打磨过的石头和刀具比牙齿更坚硬；耕畜、拖拉机和挖掘机比我们的体力更强；马、汽车、飞机比我们的双脚移动得更快；计算机的计算速度比人脑更快。技术发现提升了我们自身的能力，机器智能也将延展人类智能。”  未来正是因为充满不确定性才更加值得我们去期待和探索。

• 

  江亿平

  推荐

  除了开始几章和末尾几章能看懂，其他都看不懂，但仍然推荐本书。作者解答了很多有关意识、智能、人工智能方面的问题，他的见解在目前看来都是对的。他也写了为什么目前美国是高科技发展的中心的原因。这些科学知识无关乎社会体制，就看怎么用，被谁用。人工智能方面立法的脚步肯定慢于技术的进步，道德原则要不要限制技术的进步，象剑桥分析公司那样的行为该怎么评价，问题层出不穷，作者在书里都有涉及，本书不全是一本技术书。值得一读。以后至少可以不受或少受忽悠，也不杞人忧天。

• 

  Tyler Xiety

  推荐

  深度学习几段历史故事很有意思；结合最近的访谈和博客看，杨立昆真的很opinionated，和黑天鹅的Taleb有的一拼(可能就是因为观点太强烈所以都要写书吧)；他的科学之路真的让人羡慕，运气怎么这么好；看完重新开始用facebook.

• 

  Y

  推荐

  这本书让我知道了深度学习最早的训练过程是通过电阻器手动调节连接权重，这一点就值得我强烈推荐。

• 

  烟云

  推荐

  自动驾驶还有很长很长的路要走，目前的技术还有太多的局限性，所以请大家在高速行驶中紧紧抓住方向盘，不要放开，因为你抓住的是你自己的人生

• 

  哲

  推荐

  不可否认作者是人工智能领域最有影响力的科学家之一，但这本书的内容确实有点松散，一部分技术，一部分个人经历，一部分畅想。而且技术部分甚至讲得没教科书清晰，读起来有点费劲。但读这本书依然还是有收获的，可以了解一个顶级科学家对人工智能行业未来的看法，帮助自己把握AI技术发展趋势——智能理论。

• 

  东湖特大鱼

  推荐

  书的推荐语，各位大佬表达各自的看法，受益颇多，尤其是马毅教授和黄铁军院士的评论，专业独到，低秩表达、强化学习、无监督学习，从不同的角度理解深度学习，从而达到强人工智能。就书本身说，杨立昆对科学发展史的阐述以及大脑学习的理解，值得每一个深度学习研究者思考。"理论会迟到，但是绝对不会缺席。"

• 

  June

  推荐

  趁着交了论文，内心也不算安稳的时段，读读书，定定心性，便把剩余的LeCun新书的内容读完了。总体而言，对于AI从业者并没有太多的信息量，甚至于对于非从业人员而言，术语太多，可能不那么易读。但是，从一个图灵奖得主的视角看待人工智能，却是少有的机会，起到一定的对自我认知的校准和延伸的作用。 LeCun谈及，ai机器的内部结构包括三个模块，感知模块，世界模型（即函数）和一个评判体系。其实像人一样，从一个婴儿开始0-2岁（sensorimotor stage），我们最初从识别物体/人开始（recognition task），建立了对世界的认知之后；然后，我们开始学会更加复杂的任务(2-7岁,preoperational stage)，比如抓取（localization/detection），比大小，甚至于推理（reasoning, VQA，etc）；之后呢，就是学习一些客观规律和简单（7-12岁，concrete operational stage）或抽象（12岁以后，formal operational stage）的逻辑推理，当然在学习这些任务的时候，有家长，老师，或者简单来说考试，提供一些评价标准（evaluation metric）。最后，等我们长大以后，我们开始自己寻找评价标准，然后训练自己成为一个自己认为更好的人。这些对应着儿童心理学家皮亚杰的儿童认知发展的四个阶段，AI目前已经可以看作能较好的完成第一阶段，但是第二阶段还在训练学习当中，距离真正的有意识的人工智能还很远。LeCun也有讲到皮亚杰，但是没有展开说明，但我想大概是英雄所见略同，他也不会反对我上面说的话吧。 对于人工智能意识来说，意识也只是一个抽象的概念，人都很难解释，更何况还要定量的去定义给机器去学习意识这件事情。不过我始终认为，科学应该为扩展社会的认知边界服务，而不是曲高和寡，小圈子独乐乐。这个社会需要多一些科学家，写一些接地气的书，在这个方面，感谢LeCun。不过，我更喜欢社会科学家的书，比如丹尼尔卡尼曼的<思考快与慢>，我个人能直接能够从中受益，重塑了一部分的世界观。

• 

  Halcyon

  推荐

  奖杯光环没有给他丝毫傲气和自以为是。一点点把冷板凳坐热的典范。

• 

  汤磊

  推荐

  你听不懂的图灵测试 你说不清的池化、 离散 你道不明的卷积网络 该书给了你略懂之道 ～

• 

  凤娇

  推荐

  整本书读完，感觉依次是：写序的大佬们文采真不错，作者写作技巧有点平淡，已经看不懂他在讲什么，我好像有点懂了但是怎么就读完了…… 人工智能在我理解是一门借鉴了神经科学，生物学知识，在数学，统计学，计算机科学，甚至物理综合各学科基础上的一门新的技术。需要的知识太多太杂了，并且没有既往的参照物，前路摸索是并不光明的。 诚然，人工智能是未来趋势，但是机器如何深度学习、训练，并能做出自我判断，还是要依靠背后的算法与程序，说到底，还是人与人，人与机器的较量。 可能我去重温下高数，贝叶斯定理，我可能会看得懂里面列举的各种公式。真的是隔行如隔山啊……