AI导读
核心看点
- 本书系统梳理人工智能发展史，深入解析符号主义、连接主义、行为主义三大流派的理论分歧与演进脉络，从达特茅斯会议起源讲起，直至大语言模型时代，帮助读者建立对AI技术路线变迁的宏观认知框架。
- 作者以严谨的学术态度澄清诸多概念误区，如明确区分机器智能与人类意识，驳斥‘机器必须拥有自我意识才算智能’的错误观点，并详细阐述哥德尔不完备定理对机械智能的理论限制及控制论的统计因果观。
- 书中不仅回顾历史，还涵盖机器学习、深度学习、神经网络等核心技术原理，解释分层迭代、特征提取等机制，同时批判市面上速成的AI营销书籍，强调扎实的理论基础与数学逻辑对于理解AI本质的重要性。
读者共识
- 读者普遍认可本书作为AI入门科普的高质量与严谨性，认为其远超市面上速成的‘提示词技巧’类书籍。作者考证充分，逻辑清晰，为读者提供了正确、客观的人工智能发展史观，值得推荐。
- 多数读者指出书中技术原理部分难度较大，数学与工程细节较多，非专业人士阅读后可能仍感困惑。但大家一致认为，这种‘难’是必要的，有助于打破对AI的盲目崇拜，建立理性的技术认知。
- 部分读者批评作者文笔不够生动，或认为其存在‘媚外’倾向，但主流评价仍肯定其学术价值。读者认为本书与《逻辑的引擎》等经典著作一脉相承，是理解智能本质不可多得的严肃读物。
精彩摘录
- "辛顿确实曾经表示误差反向传播并不是自然界生物大脑中存在的训练机制，也不相信人类大脑是通过生物方式完成求导，通过梯度来调节神经元权重和激活阈值的。从辛顿的成长经历里我们就知道他对模仿人类大脑工作原理有多么的执着。目前已有许多脑科学的研究证实，大脑皮层中普遍存在一种称为“微皮层柱”（Cortical Minicolumn）的柱状结构，它像一颗胶囊一般把数百个神经元封装在一起，每个微皮层柱里的神经元都记录、处理相同特征的同一种信号。由此看来，人类大脑并不是像经典神经网络一样由神经元直接连接的简单分层结构，而是具有更高的内部复杂性；先由神经元组成“微皮层柱”，再由“微皮层”柱组成“皮层柱”（Corti"
- "这个发现不仅令休伯尔和威泽尔分享了1981年的诺贝尔医学奖，还激发了人们对于神经系统的进一步思考：信息从“视觉细胞”到“中枢神经”再到“大脑”的流动过程，或许是一个分层迭代、逐级抽象的过程。这里的关键词有两个，一个是“抽象”，一个是“迭代”，从原始信号输人开始，先做低级的抽象，逐渐向高级抽象迭代。人类自己可以感知的逻辑思维层面，总是使用高度抽象的概念，可是人类的感知器官，接触的都是低级的具体的事物，通俗一点来说，我们的视网膜感知到的是像素的颜色、亮度等信息，但我们大脑中思考的是具体的物体和对象。假如我看见一位朋友，要判断出他是一名熟悉的人的话，很可能的神经活动是如上图所示这样的。 ●从原始信号"
- "行为主义是从其他学科引入到控制科学和人工智能的舶来品，在控制论诞生之前，科学家便已经发明了用于研究动物和人类的生理、心理现象的“行为主义方法”。他们把有机体应付环境的一切活动统称为“行为”，认定全部行为都可以分解为“刺激”和“反馈”两大过程。给考察对象以某种刺激，观察它的反馈，通过研究反馈与刺激的关系来了解对象的特性，而不去纠结对象内部的组织结构，这就是行为主义方法。 维纳自己一直坚持把考察对象作为开放系统来看待。从他的开放性观点来看，研究的对象是从它的环境中相对地抽取出来的，与环境仍然有千丝万缕的联系。可以而且必须从系统与环境的互动关系中研究系统。如果把行为广义地定义为系统相对于环境做出的变"
- "这里隐含了一个重要结论：控制论其实是一种统计理论，它关心的不是系统根据单独一次输人后产生的动作，而是对全部输入整体上能够做出合乎预期动作。在这个系统中，因果联系不再是完全确定的，它同时具有统计上的确定性和个体上的不确定性，因而是一种统计上的因果关系。在控制系统中引人统计属性，从根本上改进了机械式的因果观念，从此观点出发，机械同样可以表现出“具有灵性”的智能行动，这也是维纳对“机械大脑论”的翻天覆地的革新改进，使得机器与生物体，在理论上都可以表现出相同智能行为的理论基础。机器与生物在行为意义上的界限，或者说智能与否在行为意义上的界限，可概括为以下两点。 ●机械或者机电系统中的反馈机制可以推广到人"
- "⭐连接主义学派使用的是生物仿生学的方法，通过模拟生物体的脑部组织结构去寻找智能，它关心的是承载智能的生理结构：符号主义学派使用的是逻辑推理和演算的方法，通过解析物理符号系统假说和启发式搜索原理去寻找智能，它关心的是承载智能的心理结构和逻辑结构；而行为主义学派使用“感知一动作”的研究方法，通过环境反馈和智能行为之间的因果联系去寻找智能，既不关心智能的载体和其内部的生理结构，也不关心智能的逻辑和心理结构，只关心智能的外部可观察到的行为表现。如果要用最简单的一句话进行总结，我们可以说连接主义学派在研究“大脑”（Brain），符号主义学派在研究“心智”（Mind），行为主义学派则在研究“行为”（Act"
- "神经网络学习方法的基本原理就是从训练集中提取出分类特征，这些特征应能同样适应独立同分布的其他未知数据，所以经已知数据学习训练后的神经网络可以对同类的未知数据有效。"
- "符号主义从推理期进入知识期，如果说理论上的成就是出现了知识工程这个新学科，那实践上的成就，就是终于出了一些被成功应用于商业的、基于知识的系统日（Knowledge Based Systems）。基于知识的系统一殷软件架构上都可以划分为知识库和椎理引擎两个部分，知识库用于在计算机系统里面反映出真实世界中的知识，而推理引擎则负责使用知识库中的内容推理求解，得到用户提出的问题的答案。典型的基于知识的系统包括决策支持系统、推荐系统、专家系统等，这些系统目前仍然应用非常广泛，其中又以专家系统的历史影响最为突出。"
- "一个是来自数学的观，点，机器拥有智能的反对意见主要来自于哥德尔不完备定理，该定理证明了一个反科学直觉的结论： “如果一个形式系统是不含矛盾的，那就不可能在该系统内部证明系统的不矛盾性。” 哥德尔不完备定理对机械智能的限制是：它决定了无论人类造出多么精致、复杂的机器，只要它还是机器，就将对应一个形式系统©，就能找到一个在该系统内不可证的公式而使之受到哥德尔不完备定理的打击，机器不能把这个公式作为定理推导出来，但是人心却能看出公式是真的。因此这台机器不可能是承载思维的一个恰当模型©。也就是说，如果可以通过图灵测试的智能是基于某种能够承载该形式系统的运算器（譬如基于图灵机）来实现的话，那在进行图灵测"
用户评论
这本书专业人士写的，和那些教人如何写提示词的骗钱的书不一样。 不过这个领域需要的数学知识太多，工程相关内容也复杂，看完后对于具体实现脑中又是一片空白了。只对前面哲学和单纯数理逻辑相关的内容有点概念。 手敲过简单的梯度下降算法计算线性分类和MNIST识别的代码，对相关内容稍微有点概念，再深入的就不明所以了。
人工智能发展史很好的入门读物
没看完，仅从装帧角度评价：少量彩印+护眼胶版纸，阅读体感好，共438页面略厚，要是能用上锁线装订工艺就更好了
8.5分。结构清晰，详略得当，适合非专业人士了解梗概、理解脉络、把握重点。关键知识点：1.符号主义（心理/逻辑结构）、连接主义（生理结构）、行为主义（具身智能）；2.机器学习（监督学习、无监督学习、强化学习）；3.深度学习、神经网络（分层迭代、逐级抽象、逐层自动进行特征提取）；4.判别式模型、生成式模型、对抗生成网络；5.注意力机制、Transformer架构、Scaling Law；6.预训练、微调、额外能力涌现、多模态；7.信息的识别、理解、决策。对AI的评价和预判过于学究，开放性和创造性不够。
融知识性与趣味性于一炉，主要是沿着人工智能的历史展开的
4.5星。人工智能发展史，更新到2024年。
很好的人工智能概念澄清和入门书籍
很可惜，我并没看出来作者这个领域的能力，反而是什么火热写什么
很好地叙述了从图灵开始的过去几十年人工智能发展史，包括符号主义、连接主义、行为主义三大流派，再到机器学习、深度学习和大语言模型，以及这些历史的风云变幻中的人物，写的很不错，阅读蛮流畅的。让我想起大学读过的另一本书，《逻辑的引擎》，从莱布尼茨开始到图灵。这本书像是续集。这两本书的阅读中间也隔了18年。
确实是一部值得推荐的人工智能入门科普书。书中不仅介绍了人工智能的发展简史和三大理论流派，还涵盖了相对偏技术原理的机器学习与深度学习内容，最新版本甚至增加了生成式人工智能的相关讨论。虽然面向非专业读者，但中间涉及的技术原理部分仍需一定基础才能更好理解，而若想深入学习，则仍需参考更专业的书籍或手册。总体而言，本书非常适合作为人工智能的入门与背景阅读。
20260115，想读，已买。20260125，始读。20260228，读完。
国内写书已经少有的认真的作者，写历史很严谨，考证充分。相比现在市面上几周写完的AI畅销书真的难能可贵。
人工智能历史，但是有点媚外，扣一分
读了前面几章，讲述符号主义、连接主义和行为主义那几章挺精彩的，让人可以一窥人工智能来时的路。
从人类历史上注定不能被忽视的达特茅斯的那个夏天说起，人工智能走上人类历史的舞台，诸多才华横溢的科学家们探索者如何用冷冰冰的机器和电子设备模仿人的思维方式，并试图迷惑人类，甚至超越人类的大脑，人工智能三大主要流派：符号主义、连接主义、行为主义在探索的过程中起起落落，历经40年沉浮，终于在Geoffrey Hinton手下焕发出迷人的光芒，深度学习和神经网络这些术语一次次被人们提起，而天才们的贡献终于让人们惊叹于自身创造出来的神，并且在能力指数级增长的人工智能面看眼看着新一轮工业革命的到来。本书可读性强，不仅通俗易懂的展现简史，还重点着墨关键性人物，勾画出天才们的鲜活形象，同时还简述了一些关键原理，只是确实有些烧脑。本书还涉及当今人工智能发展情况，资料颇新，殊为不易，佳作。
整理有苦劳，可惜作者真不会写书
卷积神经网络、梯度消失、正则化…理科血脉唤醒了@@
重点看了最后两章，作者对人工智能历史的梳理目前的发展以及未来的展望总结的还挺到位的，举的例子也简单易懂，还提到了一些八卦，但作者个人输出部分较少。
如果 5 年前看还是不错的，今天再看，如果看过深度学习革命，AI3.0 这样的书，这本基本就没啥知识增量了。
写的不错
下载
收藏