《未来学徒》:洞悉人工智能崛起的关键章节

0 下载量 190 浏览量 更新于2024-06-21 收藏 1.73MB PPTX 举报
《未来学徒:读懂人工智能飞驰时代》是一本深度探讨人工智能发展与应用的书籍,旨在帮助读者理解这一领域的前沿动态和技术趋势。本书通过思维导图的形式,系统地梳理了人工智能的多个关键技术和应用场景,包括深度学习、自然语言处理、机器视觉、计算与大数据等,让读者从技术层面深入了解人工智能的运作原理。 技术篇详细解析了当前主流的人工智能技术,如深度学习如何驱动现代AI的发展,自然语言处理如何实现人机交互,以及机器视觉在图像识别和智能监控中的重要作用。计算与大数据部分则揭示了数据驱动的AI背后的力量,以及如何利用海量数据进行模型训练和优化。 产业篇则聚焦于人工智能在现实生活中的广泛应用,如移动AI如何改变我们的手机体验,无人驾驶如何推动交通运输行业的革新,新零售模式如何利用AI提升购物体验,智能音箱如何融入家庭生活,以及AI在泛娱乐和金融企业的角色。书中还特别关注了几家代表性企业在AI领域的成就,如百度的股价回升、华为作为移动AI芯片的领导者、阿里巴巴的ET大脑以及谷歌作为AI的先驱者。 玩家篇通过剖析几家大型科技公司的案例,如百度在搜索引擎上的AI突破、华为在芯片研发中的角色、阿里巴巴的智能业务布局,以及谷歌的AI研究和创新,展示了这些公司在AI领域的影响和战略地位。 作者虽然未在摘要中提及,但作为一名未来的学徒,阅读这本书不仅可以掌握人工智能的基础知识,还能学习如何在快速变化的科技环境中洞悉行业动态,以及如何将AI理论转化为实际应用。这是一本既适合对人工智能感兴趣的专业人士,也适合希望了解未来发展趋势的普通读者的实用读物。 通过读书笔记,读者可以记录自己的理解和感悟,提炼出书中的精华观点,同时结合个人的实践经验,形成对人工智能的独特见解。这本书提供了丰富的素材和思考方向,是理解并参与人工智能飞驰时代的宝贵指南。
2023-02-27 上传
⼈⼯智能的未来(读书笔记) ⼈⼯智能的未来(读书笔记) ⼈⼯智能的未来 雷·库兹韦尔 盛杨燕译 81个想法 03 ⼤脑新⽪质模型,思维模式识别理论 >> ⼤脑新⽪质分6层,共包含300亿个神经元,它们⼜组成了3亿个模式识别器。这些模式识别 器按层级关系组织,它们是思想的语⾔和思维模式识别理论的基础 >> 思维模式分两种:发散思维和定向思维 模式的层级 >> 没有⼤脑新⽪质的动物(主要是⾮哺乳动物)基本上⽆法理解层级体系 >> ⼤脑新⽪质负责感官知觉,认知从视觉物体到抽象概念的各项事物和各种控制活动,以及从 空间定位到理性思考的推理以及语⾔——主要就是我们所说的"思考"。 >> ⼈类的⼤脑新⽪质,也就是⼤脑最外层,其实是⼀个较薄的⼆维结构,厚度约为2.5毫⽶ >> ⼤脑顶部的其余部分出现复杂的褶皱,伴随有深脊、凹沟以及褶痕,它们扩⼤了⼤脑⽪质的 表⾯积。因为有了这些复杂的褶皱,⼤脑新⽪质成为⼈类⼤脑的主体,占其重量的80%。智⼈ 拥有⼀个巨⼤的前额,为拥有更⼤的⼤脑新⽪质奠定了基础;⽽额叶则是处理与⾼层级概念有 关的更为抽象模式的场所。 >> 这种薄薄的结构主要包括6层,编号从I(最外层)到VI。来⾃II层和III层的神经元轴突会投射 到⼤脑新⽪质的其他部位。V层和VI层的轴突则主要建⽴起⼤脑新⽪质外部与丘脑、脑⼲和脊髓 的联系。IV层的神经元接收来⾃⼤脑新⽪质外部神经元的突触(输⼊)联系,特别是来⾃丘脑 的。不同区域的层数稍有不同。处于⽪质运动区的IV层⾮常薄,因为在该区域它很少接收源⾃ 丘脑、脑⼲或者脊髓的输⼊信息。然⽽,枕⾻脑叶(⼤脑新⽪质中负责视觉处理的部分)还有 另外3个⼦层,也被视为⾪属IV层,因为有⼤量输⼊信息流⼊该区域,包括源⾃丘脑的。 >> ⼈类的⼤脑新⽪质中约有50万个⽪质柱,每个⽪质柱占据约2毫⽶⾼、0.5毫⽶宽的空间,其 中包含约6万个神经元,因此⼤脑新⽪质中总共有⼤约300亿个神经元。⼀项粗略的评估表明, ⽪质柱中的每个模式识别器包含⼤约100个神经元,因此,⼤脑新⽪质⼤约共3亿个模式识别 器。 >> 虽然⼈类只拥有简单的逻辑处理能⼒,但却拥有模式识别这⼀强⼤的核⼼能⼒。 >> ⼤脑新⽪质并不是实现逻辑转换最理想的机制,但却是唯⼀能帮助我们进⾏逻辑思考的武 器。 思想的语⾔ >> 梦为负担过重的⼤脑充当安全阀。弗洛伊德,《梦的解析》 >> 总结⾄今为⽌我们获得的⼤脑运作⽅式,请参考图3-1。a) 树突进⼊代表模式的模块。即使 模式似乎具有⼆维或三维特点,它们仍由⼀维信号序列代表。模式必须按模式识别器的(连续 的)顺序出现,才能被识别。每个树突最终和处于较低概念层级的模式识别器的⼀个或多个轴 突联系起来,⽽该模式识别器已识别的⼀个较低层级模式成为这⼀模式的⼀部分。对于每个这 样的输⼊模式⽽⾔,也许存在许多较低层级的模式识别器,能产⽣较低层级模式已识别过的信 号。识别模式的必要阈值也许能够达到,即使并⾮所有输⼊都发出信号。模块计算它所负责模 式的出现概率。计算过程考虑"权重"和"规格"参数(见[f])。要注意,⼀些树突将信号传递进模 块,另⼀些则从模块中传递出来。如果向该模式识别器的所有输⼊树突都发送信号——低层级 模式已被识别(除了⼀两个),那么该模式识别器会往下层的模式识别器传递信号(这些下层 模式识别器正在识别那些未被识别的低层模式),表明这种模式极有可能被识别,低层级模式 识别器应当注意它的出现。b) 当这个模式识别器识别模式(所有或者⼤多数被激活的输⼊树突 信号)时,该模式识别器的轴突(输出)也会被激活。反之,这个轴突会联结整张树突⽹,⽽ 整张树突⽹则与该模式输⼊的许多较⾼层级模式识别器联结。这个信号会传递规格信息,从⽽ 使相邻较⾼概念层 >> 级中的模式识别器能对其进⾏考虑。c) 如果⼀个较⾼层级模式识别器从其所有或⼤多数组 成模式(除了由这个模式识别器代表的那个以外)中接收了⼀个积极信号,那么那个较⾼层级 识别器也许会向这个识别器发送信号,指⽰其模式为预期的。这样⼀个信号会造成这个模式识 别器降低其阈值,也就意味着向其轴突发送信号的可能性变⼤(指⽰其模式被认为已被识 别),即使它的⼀些输⼊缺失或不清楚。d) 来⾃下层的抑制信号会使这个模式识别器识别其模 式的概率变⼩。这可以从较低层级模式的识别中得出,⽽较低层级模式与这个模式识别器相联 系的模式不⼀致(例如,较低层级模式识别器对胡须的识别会降低这个图像是"我妻⼦"的可能 性)。e) 来⾃上层的抑制信号也会使这个模式识别器识别其模式的概率变⼩。这可以从较⾼层 级模式的识别中得出,⽽较⾼层级模式与这个模式识别器相联系的模式不⼀致。f) 每次输⼊, 都会存在权重、预期规格、预期规格变异等⽅⾯的存储参数。模块计算模式呈现的整体概率, 依据的是所有这些参