爱犯错的智能体经典读后感10篇
《爱犯错的智能体》是一本由张军平著作，清华大学出版社出版的平装图书，本书定价：55.00元，页数：232，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。
平猫老师真是个非常棒的科普写手，读过他的两章未出版新作，确实深入浅出、诙谐幽默，人工智能的科普作品要难懂其实很容易，但要如此生动真是很难。 而且本书的视角也很独特，介绍了AI最火的视听觉感知领域AI的易犯错机制，并强调了犯错机制对智能体发育的重要性。 真是难得视角+难得作品+难得情怀的佳作。
《爱犯错的智能体》读后感(二)：智能的真谛: 敢于尝试,不怕犯错,知错能改 !!!
人类在不断犯错中不断改进完善,从而拥有了智能. 敢于尝试,不怕犯错,知错能改, 才是人类获得智能的真正法宝.张军平教授的这篇大作, 既高瞻远瞩,又风趣幽默,是了解人工智能的最好科普书之一,值得拥有!! 这使我想起了神雕侠侣中的大侠杨过. 杨过,字改之, 有过则改, 不断学习各种神功,最终成为一代大侠. 中国需要很多人工智能领域的大侠,希望阅读本书的青年学者成逐渐成长为人工智能领域的一代大侠.
《爱犯错的智能体》读后感(三)：人工智能要从娃娃抓起, 像本书一样的优秀科普著作非常重要
张军平教授是人工智能领域成名已久的大专家, 近年来繁忙的科研之余,抽出大量的宝贵时间完成了这本著作. 本书旁征博引,妙语如珠, 有没有一个复杂的公式,却有很多生动有趣的故事, 非常适合对人工智能感兴趣的中学生阅读,以引发他们对人工智能兴趣. 兴趣是最好的老师, 有了浓厚的兴趣,有可能成为人工智能领域未来著名的科学家.希望20年后,我国某著名人工智能专家获得图灵奖,在获奖致辞中提到, 就是张教授的这本书引导我从事人工智能研究,非常感谢张教授!
《爱犯错的智能体》读后感(四)：别出心裁的人工智能视角
在这本书出版之前，就曾在科学网等媒体上读过作者的科普连载文章。科学没有普及，则科学尚未成功。作为科学家，天然负有科普的责任和义务，从这个角度而言，作者以深入浅出、通俗易懂的方式为我们解读人工智能，用平实的语言阐述专业知识，用有趣的故事引发科学思考，特别适合青少年的科学启蒙，也适合对生活充满热爱和好奇的普罗大众们来一窥人工智能的世界。科学改变世界，当下而言，人工智能改变了我们的生活方式和生存方式，不妨看看这位人工智能领域的专家不一样的解读和思考。
《爱犯错的智能体》读后感(五)：《爱犯错的智能体》——这是一名会作词作曲唱歌的人工智能大教授心力之作，强烈推荐
还没正式拜读张军平教授的这本书。但是张教授之前在朋友圈已经分享过一些文章，属于这本书的部分内容。仅根据那些文章的内容，就能窥视这本书的价值。 这是一本难得的教科书，通过揭示人的视、听、触、体觉原理来指导现代人工智能尤其是计算机视觉的研究。最近几年，随着深度学习技术的发展，人工智能领域显得有点浮夸，尤其很多研究生热衷于学习调参数，但放弃了对所在领域基础知识的了解学习。作为一名在计算机视觉、机器学习领域从事十多年研究的人员，强烈推荐人工智能领域的学生以及科研工作者读一读这本书。
我第一次看到张军平教授写的系列文章《爱犯错的智能体》时，我还以为这里“智能体”指的是人工智能理论或编程中提到的专业名词agent。但当我仔细读其内容时，特别是在从头浏览其内容时，才发现这里的智能体主要指的是人，尤其是生物学上的人。作者说的没有错，人确实易犯错误。书中从分析生物人的感知功能谈起，以生动的例子介绍了人的视觉、听觉、触觉和体觉的解剖学知识及其基本原理。之后又进入人的感情世界，从人的情感、回忆、梦境，一直谈到灵感和错觉。在这个过程中，作者又适时讨论计算机在处理人的感知世界时会遇到的麻烦及处理原则，甚至还不忘介绍一下讨论对象的数学背景。高斯、黎曼、莱布尼茨、庞加莱、爱因斯坦、图灵等大师级人物的名字频频出现。作者不费力地游弋于生命、计算机、数学、物理等几大学科之间，让读者经历一次目不暇接的跨学科科学旅游。再加上一个个有趣的故事，还有诗，画，歌，甚至还有乡愁！以这样的方式来做科普，我还是第一次读到，感觉很新鲜、很解惑，又易于接受。
本书的主角是被称作“智能体”的人，暂时称之为人智能体。人是万物之灵，却也不能避免犯错误，“人非圣贤，孰能无过？”。作者为何用一整本书来讨论这类问题呢？ 看来除了分析人的感知和认知功能本身外，作者还试图用人智能体犯的错误来考核另外一个智能体，即机器智能体，简称程序体。如果后者遇到了同样的问题，它能避免犯错吗？人智能体犯错误一般有客观和主观两方面的原因。客观原因可能是面临复杂的环境，包括对手的蓄意欺骗，主观原因则往往可以归结为经验不足或经验有偏差。为什么会把美女看成老太太呢？因为不知道看一幅画可以从多个角度看。为什么会对隐藏在背景中的目标物视而不见呢？因为没有想到画中还会有画。一个正常的人会吃一堑，长一智，变得越来越聪明。这是什么？这就是人智能体积累的经验，以及从经验中提取的理性认识。对此，程序体有一个很好的工具——贝叶斯理论。犯错误好比一个结论不当的贝叶斯推理，说明不是先验有问题，就是驱动先验的似然有问题。一个有丰富先验和可靠选择机制的程序体就不大会犯类似的错误。所以人智能体在感到困惑的时候不妨咨询一下程序体。
把贝叶斯模型比喻为人智能体的经验有一个问题，就是程序体编写的贝叶斯模型都是针对有限前提的，即它只在程序体为它设定的某一类特定环境有效，而人智能体则以它的全部生活和终身经历为其经验支撑。试问程序体能够构造出这样的贝叶斯模型来吗？这可能就是程序体不及人智能体的地方吧。不过贝叶斯理论至今仍是一个活跃的研究领域。随着研究者们向它提出的问题越来越难，要求越来越苛刻，程序体也在一步步赶上来，更深刻的理论和技术不断诞生。2006 年有人提出了结构化先验的概念，力图把程序体中贝叶斯先验涉及的众多概念按人智能体的认知结构组织起来。先验不再局限于某个有限的图结构，而可以是一个时间上无穷的随机过程。更进一步，复旦大学的李斌提出了可学习先验的思想，直接挑战原本属于人智能体的“活到老，学到老”概念。
当然教益还不止这一点。人智能体可以请教程序体的地方还很多。例如我们可以再讨论一下人智能体对隐藏在背景中的目标物视而不见的问题。这次我们考察那条斑点狗。公正地说，斑点狗之所以未能被发现，是因为组成斑点狗的那些斑点是一个离散集合，它们没有连成线条，并且与其他斑点混杂在一起。结果，本来是“庞然大物”（相对于该图像）的斑点狗消失在斑点之中。这是什么问题？这是知识表示粒度的问题。大粒度的一条狗用稀疏的小粒度斑点表示，当然就看不见了。若问程序体这个问题该怎么办？程序体可能回答：“你怎么不用粒度计算呀？”正如张钹院士指出的：“人类智能的一个公认的特点，就是人们能从极不相同的粒度上观察和分析同一问题。人们不仅能在不同粒度的世界上进行问题的求解，而且能够很快地从一个粒度世界调到另一个粒度世界，往返自如，毫无困难。”粒度计算，这个当年扎德（Zadeh）开辟的新领域，如今已经成为人工智能研究者乐此不疲的探索地。适当地调整计算的粒度，或者灵巧地处理大、小粒度之间的互动，也许可以让那只隐藏在斑点中的狗露出原形。
我们再看看本书中所说的视觉自举原理。动物的眼睛在差异巨大的光强变化之间能够迅速自我调整以适应多变的外来光。我原来一直以为人和猫的眼睛在光强变化下的自适应原理是一样的。感谢本书作者指出这两者之间的区别，使我增加了知识。书中也提到了光强的瞬间变化对交通安全的影响。这个问题可能和粒度计算有关，也可能和贝叶斯先验有关。但无论是粒度计算或贝叶斯先验都无法解决它，因为这不是一个简单的光强调度问题或光强转化问题，而是人智能体同时面对强光和弱光，甚至还有微光时的应对问题。试想，面对漆黑的夜晚里忽然出现的一辆开着远光灯的大卡车，你还能看清楚一只萤火虫吗？幸好，类似的问题计算数学家们早就想到了。有一门学问叫多尺度计算，就是为解决此类问题而诞生的。这对程序体是个好消息。在传统计算中有时会同时出现极大的数（如几百亿）和极小的数（如几百亿分之一）。如按常规方法则在计算进行时不是前者造成溢出，便是后者被按忽略不计处理。如何使量级差异巨大的数能够恰当地同时处理，这是多尺度计算要解决的难题。当然，数值计算和光强调度（物理）、光强感知（生物物理）之间并没有直接联系，这只是一个类比。但也许可以给我们以某种启发。
通过这些例子或更多的例子，我们可以看到，人智能体和程序体对事物的认知和处理能力实际上是互有短长的。本书作者提到的可解释性问题是一个极好的例子。在求解各种实际问题时，人们往往希望能有一个既能通用建模，又能提供最优解的方法，作者用那位 116 岁的老奶奶做比喻说明鱼和熊掌不可兼得，这个比喻非常贴切。回想在可计算性理论中我们学到过一些“不可计算”定理（不可解问题的另一种说法）。我认为 116 岁老奶奶的例子给出了不可计算定理的一种崭新版本：“通用建模和最优求解不可同时计算定理”，或者直接称为“鱼和熊掌不可兼得定理”，又称“平猫不确定原理”。作者还提到了扎德在 40 多年前提出的复杂系统“预测和可解释性不相容原理”。由此可以解释深度学习的“最优求解和理性解释不可兼得定理”。上述第一个原理说了一个数学事实，可能会长久存在下去。第二个原理则可能是受我们目前的认识能力所限，不知道将来有没有突破的可能性，至少在某种意义上的突破。
本书谈论智能。虽然并没有正面给出智能或人工智能的定义，但是通过很多生动的例子，作者已经透露了对于此类问题的一些观点。读者可能会注意到，人智能体会做的事情很多，会犯错误的场合也很多，而许多常见的错误却没有收入书中。例如棋手错判对方意图，下棋输了；学生没有领会题意，写作文跑题了；投资者错估形势，炒股大亏，等等。为什么呢？我认为作者表明了这样一个观点。人智能体的智能并不局限于理性思维这样的高级形式。学术界常用的公式：数据→信息→知识→智能（或智慧）只是程序体的一种智能公式。从作者罗列的大量视觉、听觉、触觉、体觉的实例来看，该公式并非对生物人智能的一般性概括。如果注意到视觉、听觉、触觉、体觉并非人类独有，则它们还表明了人以外的生物也可以有智能。另一方面，如果我们仔细推敲“体感”这一节，可以发现本书并不认为大脑是生物智能的唯一产地。文献中报道的著名仿生机器“大狗”能够在复杂地形上负重快跑，它对身体平衡能力的掌控就模拟了人类小脑的功能。在更广的意义上，人类的脑是一个复杂结构，它的各个部分各司其职。例如脑干要负起维持所在人生命的多种重要责任，包括心跳、呼吸、消化、体温、睡眠等重要生理功能。还有许多条件反射和无条件反射。如果要用人工智能技术构造一个人工生命，对脑干功能的模拟就是必不可少的。这令我们想起了布洛克斯主张的“没有表示的智能”。他凭此还获得了1991年国际人工智能联合大会的计算机与思维奖。
可能有一种解释是：脑干是一种生命现象，它却与智能无关。但是脑干模拟功能是人工生命的一部分，它与人工智能有关。这种解释使我们意外地得到了一个推论：人工智能模拟的是否不仅仅是智能，而可能也泛指某种生命现象？机器鱼不也是这样吗？但是如果这个观点能够成立的话，就会产生一个问题：它是否管得太宽了？人工智能究竟是我们努力的目标？还是我们应该遵循的方法学？我在《人工智能》一书的前言中曾提到学界对于人工智能的态度有愚公派和智叟派之分。愚公派认为总有一天会把人工智能这座大山完全搬走（到那时机器像人一样聪明），智叟派则认为努力挖山不应懈怠，但挖尽之日永远不会来到。我愿意站在智叟派一边，认为人工智能既是一种（无止境推进的）目标，更是一种（应该持之以恒的）方法学。
在结束序言之前我还想说一句公平话。本书名曰《爱犯错的智能体》。人智能体在这里被一系列的故事批得灰头土脸。但是号称万物之灵的人智能体，其智能真的就那么不堪吗？我在这里只指出一点，人智能体固然爱犯错，但是更能容错。为什么某甲能够一眼认出某乙？尽管某乙外表已与当年初见时很不一样。为什么某丙能解决一个复杂的问题？尽管他从来没有遇到过类似的情况。为什么不同的程序体被设计来处理不同的智能问题？而人智能体却能够处理各种各样的智能问题，尽管他只有一个大脑，其结构还是固定的。所有这些和他们的容错能力关系极大。为公平起见，我建议作者在本书出版后再写一本《能容错的智能体》，至少和本书一样精彩，或者更精彩。
陆汝钤
中科院院士
中国科学院数学与系统科学研究院
2019 年 3 月于北京
《爱犯错的智能体》读后感(七)：内容丰富，覆盖视觉，听觉，文本人工智能信息处理的各个方面。
1.动态阴影：在人工智能和计算机视觉领域，基于静态阴影的研究相对多些，但基于阴影的变化来估计目标的距离、形状、运动速度等的文章则少了很多。考虑到他能提供的丰富辅助信息，相信未来会有更多的学者会把动态阴影的分析加入到人工智能的研究中。–爱犯错的智能体-五 2.除了两个同化，深度学习对预测性能的追求也存在隐忧，那就是稳定性和可解释性。–童话(同化)世界的人工智能–张军平 3.虽然流形学习在认知、机器学习方面都有很好的可解释性，不过这几年随着深度学习的盛行，与它相关的文献在相对份量上正慢慢减少。一个原因是，由于这一波人工智能的热潮主要是产业界开始的， 而产业界对预测的重视程度远高于可解释性。所以，不管学术界还是产业界都把重心放到如何通过优化深度学习模型的结构和参数优化去了。正如我之前强调过的，过分关心预测性能的同时，必然会牺牲可解释性。因为前者关心个例，后者需要统计。两者是一个矛盾，类似于测不准定理中的速度和位置的关系。从目前的情况来看，牺牲的可能还不止流形学习这一种具有可解释性的方法。尽管大家在讨论数据的时候，还会时不时说下流形，但最多也只是扔个概念出来，并没有太多实质性的融入。—爱犯错的智能体-七 4.从颜色的传授还能看到，人对颜色甚至知识的学习似乎是从具体到抽象逐渐过渡的，而不会一开始就接触非常抽象的概念。如果想建构一个拟人的智能体，是否也应该遵循这一规范呢？是否不应该从相对于视觉更为抽象的自然语言处理开始着手呢？—爱犯错的智能体—视觉篇(九) 5.人的视觉对边缘的反应也有自举的表现。图4左图是一组光的强度按宽度逐渐变化构成的。将其强度的柱状图画出来，就象一组台阶。然而，有实验表明，人在感知时，会在两个相邻的强度级的连接处产生“感受到”的向上和向下的强度变化，称之为“马赫效应”，可以称其为伪边缘。这种伪边缘的出现，可拉开相邻目标或前景、背景之间的差异，使轮廓会变得更清晰，继而能帮助人类更好地区分目标和背景或其他目标。–爱犯错的智能体—视觉篇(十) 6.基于这个观察，科学家们推测如果要提高人工智域很关心的可解释性，最直观的策略是将原空间的数据变换至一个能让特征数量变得极其稀疏的空间。但天下没有免费的午餐，有稀疏必然意味着在某个地方付出稠密的代价。这就是在2000年左右提出的压缩传感(Compressive Sensing)或稀疏学习理论的主要思想。值得一提的是，完善压缩传感理论的贡献人之一是据说智商高达160、拿过菲尔兹奖的华裔数学家陶哲轩。该理论最有意思的一点就是把基函数变成了一个如高斯分布形成的随机噪声矩阵，在这个矩阵里，每个点的分布是随机、无规律的，因而可以视为稠密的。通过这样的处理，一大批压缩传感或稀疏学习方法被提出，并获得了不错的稀疏解。 不管采用哪种方法，傅里叶、小波还是稀疏学习，都能看出类似于时间换空间、两者不可能同时完美的影子。这种情况可以视为人工智能领域在时空/时频意义下的“海森堡(Heisenberg)不确定原理”。–爱犯错的智能体—视觉篇(十一) 7.在听觉系统和视觉系统收集的信息存在相互矛盾时，人类会优先相信视觉通道传输进来的信息。因为与视觉系统相比，听觉系统获得的信息没有那么强的确定性。他们将这一现象称“麦格克效应”(McGurk effect)。该成果发表在1976年的《自然》杂志上。随着研究的深入，科学家们发现这种视听觉相互影响的“麦格克效应”在很多方面都有体现。如儿童早期发音的学习上。如果视觉和听觉没有得到好的整合，儿童就容易产生错误的发音。另外，视力不好的人，如果摘下眼镜，也很可能出现“麦格克效应”，会感觉自己的听力也同时下降了。—爱犯错的智能体 — 听觉篇(十三)：视听错觉与无限音阶中的拓扑 8.听觉反过来会促进视觉上的感知。我们在观赏影视作品时经常能感受到。比如在家看恐怖电影时，一到令人发悚的情节， 胆小点的就会情不自禁把音量关小或干脆把耳机拿下来，说明视听觉的双重作用确实增强了影片的恐怖程度。另外，在音乐中，还有个奇怪的旋律。他通过两个或多个声部的交替，能产生无穷递进的感觉，让人误以为声音一直在往高处走。这就是谢帕得音阶(Shepard tone)，也称为无限音阶。有趣的是，这种循环，我们不仅能在音乐中看到，还能在很多方面见到类似的。比如艺术作品中，前面提到过的荷兰著名画家艾舍尔就画过一系列无限循环的作品。如图3所示的水的循环流动、楼梯的“循环”、还有画里画外的蜥蜴。这些都是现实世界不可能实现的无限循环。— 听觉篇(十三)：视听错觉与无限音阶中的拓扑 9.拓扑学的研究在计算机图形学方面有着异常重要的地位，因为图形学里涉及的结构变形、几何结构分析上都离不开它。但是在人工智能里怎么使用拓扑呢？与图形学不同，人工智能中有的主要是数据。每个数据点都是离散的、有噪的。如果直接利用拓扑学的概念，并不好处理，因为Betti数的估计需要连续的结构。不过幸运地是，数学家们发明了一套新的办法来研究数据中的拓扑，叫持续同调(Persistent Homology)。需要提醒的是，仅用拓扑结构来构造目标识别系统是有风险的。比如带把手的咖啡杯和实心甜甜圈这种人一眼就能区分的目标，从拓扑学家的角度来看却是分不清的。更重要的是，将这类方法用于高维数据分析还存在一个问题：这些基元指标如Betti数是基于人对三维空间的直觉来获得的；至于高维空间是否还存在一些特别的基元，人类还无法感知。也许存在更复杂的高维基元，只是无法感知和想象而已。要解开这个难题，或许和解开彭罗斯超弦理论中隐藏的高维结构一样的困难。所以，单纯依赖拓扑结构来完成人工智能中常常面临的预测任务，现阶段很有可能会陷入与“量子计算用于人工智能”一样、看上去很美的尴尬境界，因为“不是不好，时辰未到”。— 听觉篇(十三)：视听错觉与无限音阶中的拓扑 10.在外语学习方面，有一个比较有趣的拐点错觉，即12岁以前学习外语往往被认为是黄金时期。夸张地讲，儿童在全英文环境下获得的英文提升能力的效率，大概是成年人在相同环境下的六倍左右。这似乎与直觉有些相悖，因为成人的学习能力、学习方法、注意力都能做得更有效。如果比较下当今人工智能对新模式的学习策略，就能发现，多数是在模拟终段的学习。不管是零样本学习(zero-shot)、少量样本学习(few-shot)、迁移学习(transfer learning)还是领域自适应(domain adaptation)，它们都假定了有某一已知的、（接近）固化的结构在其中，或是分布、或是几何结构、或是其它某种假设。如果能研究下人类智能中段的学习模式，说不定能让目前极容易固化的机器智能得到更强的可塑性。----爱犯错的智能体 — 语言篇（十五）：可塑与多义 11.既然人类智能体普遍具有快和慢两种思维方式，人类还有独特的顿悟能力。而且顿悟的最终迸发似乎又是一种接近快思维的方式。那么，我们现有的人工智能模型有没可能复制这些机制呢？如果只考虑预测性能，人工智能模型的“慢”的思维方式在某些领域确实已经占了上风。2017年以来各大人工智能顶会上的论文投稿数量巨增，人脸识别、图像检索领域的识别率已优于人类的能力，这些都可以佐证人工智能在利用复杂模型进行预测的方面有了明显的突破。但是，“快”的思维方式这块则还有明显的差距。其原因一是缺乏人类学习的可塑性。结果，人工智能模型只能沿着固化的模型结构来完成指定任务。二是缺乏对“不同结构、不同模态的网络之间的联系”的学习。三是未考虑认知错觉或直觉统计学的可借鉴性。除了顿悟和认知错觉，智能体还有什么感觉也可能以浅层思维或快思维模式为主呢？—爱犯错的智能体（十七）：灵光一闪与认知错觉 12.现有机器遗忘内容的方法与人类及其他非人智能体的处理有本质区别。因为机器的“遗忘”是为了适应新数据的分布，而不会考虑保留的信息对回忆、情感的意义。 而人类保留信息的目标并非完全是为了适应新的数据分布，而是用这些片段来帮助自己回顾个人的人生、体会曾经的酸甜苦辣。这些都造成了人与机器的本质性区别，即机器缺乏对真实情感的需求。所以，机器遗忘机制在方法论上隐含的假设应该是：机器不需要回忆，他只需要按人类既定的指标要求，实现精准预测即可。----爱犯错的智能体(十八)：情感与回忆错觉 13.回忆错觉的一种，称为曼德拉效应（英语：Mandela Effect），是指很多人都发觉对同一事物的记忆与事实有出入的现象。一种可能的解释是人在删除信息后，重建的时候更容易将记忆的与最紧密相关但不一定正确的内容联系，并还原完整的信息。----爱犯错的智能体(十八)：情感与回忆错觉 14.我不怀疑现有的人工智能模型可以以足够高的精度来预测智能体的情感状态，但我比较怀疑这些模型是否能真正明白什么是情感？什么是回忆？如果在建模时，缺乏从直觉情感到深层次情感的递进建模过程，缺乏形成智能体个体与众不同的多样性，那么还原出来的情感也只能是机器的机械表现。也许，我们可以考虑重拾“观察”这个古朴的研究方法，去深入了解情感的发育，比如儿童的情感发育。考虑到人类儿童期过于漫长，也可以观察下最能理解人类情感、成熟又比较快的宏物狗的情感、常识发育。----爱犯错的智能体(十八)：情感与回忆错觉 15.不论采用的是哪种方法，从本质上都有一个隐含假设在其中。既认为个体的活动具有随机性，但纳入群体后，最终这种局部或个体的随机性可以收敛到全局平衡有序的环境。基于这一假设，以上提及的非人智能群体智能、微观群体算法和遗传算法常被用于目标的寻优，目的是为了帮助需要迭代求解或梯度寻优的算法获得最优解。需要注意的是，由于这类算法或多或少都带有比较强的启发式，因此不太容易找到好的理论性证明，如数学家们偏好的存在性、收敛性和唯一性等以及统计学家偏好的泛化界。即使有一些理论性的证明，也只是在给了较多假设条件后的有限结论。尽管如此，这类方法在工程上仍然形成了不少好的应用成果。----爱犯错的智能体(十九) – 群体智能与错觉 16.如果分析以上这些群体智能学习，不难发现，这些群体算法要么是针对某个目标的优化来考虑的，要么是针对某个目标的预测来实施的。研究非人智能体的群体算法时，科学家们着重观察的现象似乎主要与其群体的生存密切相关。反观人类，在成了地球主宰后，早已不再仅仅满足于生存需求，还衍生了生理、安全、社交、尊重和自我实现共五个层次的需求，被称为马斯洛需求层次理论。而这些高层次的需求在人工智能的学习中却很少被涉及。如果要研究人工智能，必然要考虑人工智能体形成社会和群体、而非个体时的情况。那我们不妨看看，人类智能体在生存需求以上，群体生活时会存在哪些错觉。如果人工智能体希望模拟人的群体行为，也许就能从这些错觉中得到一些经验的借鉴。----爱犯错的智能体(十九) – 群体智能与错觉 17.比如马路上突然有人打架，于是路人们会一拥而上，观战拿手机发朋友圈。这是信息论下“对知识的渴求”表现出来的群体本能反应。可是假如不是打架，而是刑事事件时，旁观者愿意主动施救的反而可能变少，尤其是在人来人往的场所。这是因为当在场的人太多时，帮助的责任就被大家平分，平分到连旁观者都意识不到，以至于给人造成了“集体冷漠”的感觉。这不是信息量在起作用，而是责任分散效应的群体错觉。我国的“三个和尚”故事中讲的“一个和尚挑水喝,两个和尚抬水喝,三个和尚没水喝”，就是责任分散效应的体现。----爱犯错的智能体(十九) – 群体智能与错觉 18.有人期望通过群体的力量获得集成学习般的性能提升。然而，“物以类聚、人以群分”，即使现代社会也是如此，如朋友圈中的五花八门的群，常是因某一方面的共性而形成的群体。在这种群体时，执异见的更容易被孤立而非接纳。不仅群体有排斥现象，甚至有时还会有智商、情商的拉低效应。比如如果参加传销团体，人会不由自主失去自我意识，导致本应正常的智商无法表现，变成智力水平低下的生物。这些现象是群体的拉平错觉