AI 3.0读后感精选
《AI 3.0》是一本由梅拉妮•米歇尔著作，四川科学技术出版社出版的400图书，本书定价：89.99，页数：2021-2，特精心收集的读后感，希望对大家能有帮助。
作者介绍了机器视觉，alpha go，自然语言识别领域最新的进展和背后的原理：卷积神经网络，深度学习。受其导师侯世达的影响，作者对通用人工智能能否实现持怀疑态度。强调：项目前90%的工作占用10%的时间，而后10%的工作占用90%的时间。那么该如何理解技术爆炸呢？生命在寒武纪出现了大爆发。人工智能也将迎来它的寒武纪。
《AI 3.0》读后感(二)：一个比我们想象的更加强大的人工智能
1、人工智能最初的预想，比现在还要激进、疯狂，只是后来并没有像预期的那样快发生，但比妨碍它的突飞猛进；
2、最初人工智能在面对语言时，是无法理解人类情绪的，但看起来有方法正在试图解决；
3、我们正在使用的图像识别，经过训练后的人工智能，可能会识别出我们人类无法识别的内容。
——闲书馆 书评人
《AI 3.0》读后感(三)：人类倾向于高估人工智能的发展速度，而低估人类自身的复杂性
我们不是应该害怕机器太智能，而是害怕机器做出一些它们没有能力做出的决策 - 尾部事件。
在诺依曼有意无意的引导下，学界关于智能的思考和认识逐渐形成了两个派别：“图灵派”和“歌德尔派”
图灵派本质上是计算主义，认为基于简单规则的计算可以涌现出复杂的行为和智能。从物理符号系统的逻辑智能到联结主义的计算智能，这一思想主导了人工智能至今的发展历史，是构建智能系统的主要理论和方法源泉。歌德尔派认为根本没有构建智能的一般规律和方法，而且现有的一些规律和方法不应成为第一性的，只有动因和信念才是本质，接受现状继续演化是发展人工智能的唯一途径。
歌德尔派在人工智能的研究上至今并没有产生很大的影响，然而，在理解智能的影响和意义方面，歌德尔派的认识则非常重要，而且对智能科学的未来发展更具有指导性意义。歌德尔认为，存在先于可计算的不可计算，即存在不可计算的客观存在。
《AI 3.0》读后感(四)：用现象逼近本质往往是一条断头路
畅销学术专著《遗传算法导论》和更畅销的科普作品《复杂》的作者米歇尔女士最近出版了一本新著《AI3.0》。米歇尔通过翔实有趣的若干例子，揭示了因为“无法真正像人一样理解世界”，现在繁花似锦的AI研究和产业化潜藏着巨大的脆弱性。
得益于计算能力的提升和高质量大规模标注数据的积累，多层神经网络被搬出了积灰的库房，梳妆打扮后换了一个响亮的称号——深度神经网络，再登帝座！然而，由于缺乏泛化和迁移的能力，也无法把握常识和隐喻，深度学习还没有触摸到通用智能的大门，只是创造出了若干“碎片化智能“。
由于无法真正像人一样认识和理解世界，深度学习的模型和结果潜藏着巨大的脆弱性。下面我举三个典型的例子。（1）一个训练得很出色的乒乓球游戏的AI玩家会因为球场背景颜色的变化而变得笨拙，而即便聪明如AlphaGo也会因为棋盘大小的变化棋力直线下降，除非允许它重新进行学习。然后这些并不会在人类身上出现——19*19棋盘的专业棋手显然在18*18的棋盘上也是高水平的，迄今为止我也从未听到有任何球员发表过“宝洁的广告比较克制我的球路“或者类似言论。（2）深度学习虽然能够自动给图片内容打标签，但是并没有真正从整体上识别对象，因此一些细微到肉眼无法察觉的微扰，就可以让聪明的人工智能把乌鸡识别为白凤。（3）人工智能能够在知识问答节目中战胜人类（尽管人类的王者曾把失败的主要原因归结为人工智能抢答太快），但却无法回答诸如”我把水从瓶子倒进杯子里，直到它满了为止，请问什么满了，瓶子还是杯子；我把水从瓶子倒进杯子里，直到它空了为止，请问什么空了，瓶子还是杯子“之类的常识性问题，更无法在元宵节和我们一起猜新设计的灯谜——后者被认为对AI而言，是远远难于围棋的挑战。
从目前的发展态势来看，深度学习带给我们的不是通用智能，而是一个个孤立的碎片智能，因此我们不仅仅需要AlphaGo，还需要AlphaChess、Alpha铲屎、Alpha对话、Alpha画画、Alpha会计、Alpha焊接……与此同时，我们还得担心那些心怀不轨的人利用对抗神经网络欺骗我们的Alpha们，例如在猫砂盆子上贴一些带花纹的纸片，就可能让AI把猫砂识别为香料、猫屎识别为牛肉，从而铲屎不成变吃屎！
因为没有机制层面的理解，深度学习从根本上说是对已知数据的拟合。在我看来，“一切fitting必然over“，如果沿着深度学习的道路前进，再好的人工智能算法也会在面对罕见甚至未见的长尾数据时手足无措，更没有办法做出人类独有的预判。譬如，老司机在乡间道路上看到前方滚过去一个铁环，就会警惕有可能冲出来一帮滚铁环的小孩，但是AI司机不会有这样的预判。
我们看到人工智能可以下棋、可以回答问题、可以识别图片、可以玩游戏……我们就认为人工智能距离人的智能很近了。我们看到深度学习在上面这些能力形成的过程中发挥作用，我们就认为深度学习是通往通用智能的康庄大道。这种认识是幼稚且危险的——我们是因为能够学习思考所以可以下棋说话，而不是因为能够下棋说话而变得可以思考。人的智能在各个方面表现出不同的能力和现象，对于这些能力和现象中寥寥几种进行分别的模仿，并不能保证我们可以看到本质！深度学习在监督学习框架下通过拟合的方式，于分门别类的场景中模拟了人的智能的一部分，表面上看起来是距离“揭秘人的智能并创造通用智能“更近了一步，但因为它所采用的方法和我们直觉中人的思考方式迥异，因此有可能只是南辕北辙地把我们带到了一个局部最优点。比米歇尔还保守一点，我认为只有真正揭示物质和意识的关系，才可能创造出所谓的通用智能。
人生地不熟的我们，揣着登珠峰的梦想爬上了香山。海拔逐步上升，目标越来越近，漫山红叶胜景相随，我们能不喜悦激动吗？殊不知，山顶或已近在咫尺。
秋叶漫山，冬天还会远吗？