《暗知识:机器认知如何颠覆商业和社会》读后感10篇

  《暗知识:机器认知如何颠覆商业和社会》是一本由王维嘉著作,中信出版社出版的软精装图书,本书定价:58元,页数:360,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。

  《暗知识:机器认知如何颠覆商业和社会》读后感(一):内容很多 但都很基础 饭后读物

  很通俗的内容 没什么特色,3.5分吧'

  人类未来会与ai机器共生共存,机器早晚会有自我意识,目前的矩阵运算的ai芯片会很快赋予机器接近人类的思维

  人类需要克服的自身的陋习,而不是对机器的恐惧

  人工智能时代是我们进步的必然不可逆,作为在银行工作过的人,我深刻的觉得早晚会被淘汰,唯有加强专业技能

  《暗知识:机器认知如何颠覆商业和社会》读后感(二):《暗知识:机器认知如何颠覆商业和社会》——王维嘉

  以前大学学过一门课叫《知识管理》,当时觉得更偏向理论,后面慢慢才发现这门课的魅力,而这本书提出了一个新概念——暗知识,算是AI时代才出现的一个概念。 什么是暗知识呢?在说暗知识之前要先说一下“明知识”和“默知识”:(1)明知识,其实跟显性知识的概念差不多,指可以被语言文字明确描述并在人与人之间传播的知识;(2)默知识,其实跟隐性知识的概念差不多,指不能被语言文字明确描述的知识,也即“只能意会不可言传”的知识。在此基础上,作者提出了“暗知识”一词——指超出人类理解能力只能由机器认知发现的知识,也可以理解为大数据的产物。 人工智能机器之所以能发现暗知识,得益于人工智能模仿人脑获取知识的神经网络和更快更可靠的神经信号传导,但其也受限于只能提取相关性而无法理解因果。因此,暗知识的挖掘和应用其实是根人工智能密切相关的,所以算是机遇和挑战并存。

  《暗知识:机器认知如何颠覆商业和社会》读后感(三):AlphaGo的胜利与AI时代的暗知识

  徐瑾

  从知识的角度,企业家王维嘉所撰写的《暗知识》,其中提出了暗知识的概念,不仅为讨论人工智能的本质提供了不同视角,也为廓清人工智能诸多相关问题,提供了新的思路。

  先回顾一下知识概念的迭代过程。我们知道,科学的进步离不开知识的更迭,所谓知识,可以说是数据在时空中的关系,所以知识与数据密切相关。人类的知识,过去大家比较熟悉的是显性知识,这表示人类可以表达、可以学习的知识,比如牛顿定理属于可以表达可以学习,量子力学属于可以表达但是不可以感受的知识。更进一步,学者波兰尼与哈耶克等人,提出了默会知识的概念,也就是可以感受但是无法表达的知识。比如很多人都会骑自行车,但是多数人是靠感觉学会而不是靠理论传达。默会知识的提出,对于理解人类社会秩序有很大意义,这意味着社会中有很多信息是无法表达的,再进一步推演,不难得出计划经济无效的最终结论。

  如果说可以感受的是默知识,可以表达的是明知识,那么暗知识是什么?王维嘉指出,这是机器发现的,无法感受也无法表达的知识,就是说暗知识意味着隐藏在海量数据中的万事万物间的关系。暗知识的概念,乍听起来很难接受,毕竟人类认识世界更多依靠逻辑与经验。但是深入了解之后,这个概念的价值,在于可以解析人工智能带来的变化,提出来了新角度。按照预计,暗知识的数量,将远远超过人类以往的知识,这将带来难以限量的巨变。

  从暗知识来审视AlphaGo,有什么新意?王维嘉认为,AlphaGo可怕之处,在于它拥有远远超过人类的暗知识,以至于具备人类无法拥有的上帝视角。为什么这样说?我们回到围棋这回事。围棋被认为最复杂的棋类,就因为其变化最多。围棋上有361个交叉点,每个交叉点可以放黑白儿子,那么总的围棋摆放方法就是2的361次方。这是什么概念?人类历史上保留的棋谱大概是3000万个,这听起来已经非常多了,但是比起前面提到的围棋摆放方式,那么人类掌握的围棋棋谱就沧海一粟。

  一个高手,每天下棋,一辈子最多能够下几十万盘,他的风格,可能影响自己的徒子徒孙,但是比起围棋棋谱上可能存在的对局模式,他的探索不及亿分之一。

  可以说,一些技能而言,人类的终点,只是机器的起点。打个比方,在一片崇山峻岭之中,这个高手掌握的地方,可能只是一个小山沟,他的想象空间以及思维模式都已经被这个小山沟限定了。这个小山沟,在地图上就是一个小点。这个小点之外的,“其他的地方”,不在他的思维模式之内,很可能不是他能够理解的地方。可以说,在机器面前,人类2 000多年来一代代人积累的一项技艺以及与此有关的经验知识,可能瞬间一文不值。这不是诳语,棋手柯洁在输给AlphaGo流着眼泪说:“我们人类下了2 000年围棋,连门都没入。”中国棋圣聂卫平也把AlphaGo尊称为“阿老师”,说它的着数让我看得如醉如痴,“我们应该让阿老师来教我们下棋。”

  除了围棋,其他的案例也差不多,这就显露暗知识带来的挑战。我们人类所掌握的知识,很可能只是知识海洋中一小块冰山;所谓的“其他的地方”,也就是人类穷尽一生之力无法掌握的地方,很可能蕴含了很多暗知识。

  知识,在未来将分为机器知识与人类知识,而大量暗知识,主要来自机器学习而逐渐展露。暗知识和人类关系如何?一个核心在于,从暗知识的定义看来,暗知识无论发现多少,人类都无法理解,这和明知识规律不同。可以说,暗知识本来类似海洋,人类的知识类似海洋上浮出的山峰,暗知识比起人类掌握的知识多很多,但二者过去没有直接关系。但是当下,随着机器学习挖掘出越来越多的暗知识,这些暗知识不断涌现,很可能人类所占有的知识,会逐渐淹没溶解在庞大的暗知识种。一句话,AlphaGo的胜利,只是开始。

  当下无人不谈人工智能,但是总体多数缺乏有效框架,国内不少著述,往往失之于浅薄浮泛,甚至得出中国领先的浮夸口号。从暗知识的角度,如何审视人工智能?算法是人工智能的核心,应用只是依附于算法。在王维嘉给出的AI产业链金字塔结构中,塔尖是算法,其次是芯片,再次是计算机软硬平台,塔底是自动驾驶语音识别等应用,可以说,上层决定下层,而不是相反。对此,我们对当下世界人工智能实力版图,应该重新有清晰认识。就人工智能而言,当前中国在局部应用领先,在算法与芯片并不领先。

  信息不完备之下,悲观和乐观都显得盲目。王维嘉并不认为人类必然失败,他认为人类的优势其实在于对于人类精神和情感的理解。这一观点,其实我也很赞同。在评价AlphaGo胜利时刻,我就断言,人机对战无论胜负如何,AlphaGo已经证明了自己,“未来充满不确定性,但未必需要末日恐慌。在规则不确定之下如何应对,可能正是人类的优势所在。” 换而言之,所谓人性或者动物性,就是和机器不一样的地方,恰恰是人类的优势所在。

  机器时代改造了知识定义,也使得职业需求完全不同。从这个意义而言,现在看起来越是专业的职业,其实可能被机器取代的职业,反而创造力和情感属于机器的短板。职业过去构成了中产阶级的身份,如果丧失职业保证,这些中产阶级开始向地位不稳的软阶层移动,如何保证这些人的自尊和安全,将是一个重要课题。

  更进一步,孩子应该学习什么?要接触了解人工智能,真的不是逼迫孩子学些粗浅编程就了事,更应该站在时代变化的高度来思考。也许,我们应该让孩子掌握数学语言等基础学科,更好掌握与人的沟通。换而言之,通识应该是下一代的标配。

  在一个迭代不断的时代,关于知识的知识,也许是最重要的知识。哲学家休谟曾经说过,理性是且只应当是激情的奴隶,所谓激情,意味着人的感性、欲望等因素。人类的头脑,已经被理性主义笼罩太久。暗知识的概念,无疑可以争论,但揭示了未来世界的新疆域,这是关心人类的有识之士,都不应该错过的思考。

  《暗知识:机器认知如何颠覆商业和社会》读后感(四):《软文看腻了,来看这篇:6000字“硬核”告诉你人工智能(AI)到底是个嘛》

  这是一篇《暗知识:机器认知如何颠覆商业和社会》(【美】王维嘉)的读书笔记。人工智能、机器学习、神经网络、深度学习,我想你对这些“时代热词”,不说是听得耳朵磨出了老茧,最起码也都不陌生。但要真让你说出这些词具体是怎么一回事,之间有什么关系,你可能也会感到为难。在看完这本书之后,我大致知道它们都是怎么回事了,特意写成读书笔记,把精彩内容分享给你,希望对你有用。

  所谓人工智能,顾名思义,就是由人制造的智能。关于智能,我们可以理解为智力和能力的总和。根据霍华德·加德纳的多元智能理论,人类的智能可以分成七个范畴:1.语言 (Verbal/Linguistic) 2.逻辑 (Logical/Mathematical) 3.空间 (Visual/Spatial) 4.肢体运作 (Bodily/Kinesthetic) 5.音乐 (Musical/Rhythmic) 6.人际 (Inter-personal/Social) 7.内省 (Intra-personal/Introspective)。由此我们可得知,人工智能也就是由人制造的依托计算机技术且能够掌握上述七种智能中的某些或全部的机器。

  (一)“围棋上帝”—— AlphaGo的学习之路

  2016年3月15日,AlphaGo Lee对弈李世石,4:1,AlphaGo Lee胜!

  2017年5月28日,AlphaGo Master对弈柯洁,3:0,AlphaGo Master胜!

  2017年12月,AlphaGo Zero对弈AlphaGo Lee,100:0,AlphaGo Zero胜!

  2018年1月,AlphaGo Zero对弈AlphaGo Master,89:11,AlphaGo Zero胜!

  1.“由人类师傅领进门”的AlphaGo Lee。AlphaGo Lee学习了人类在2000多年来保留下来的共计3000多万个“中盘”。这里可能需要给大家解释一个围棋术语——“中盘”,意思就是围棋交战的中间阶段,下一盘围棋共分为三个阶段:布局、中盘和收官。听到3000多万,2000多年,我想你也会和我一样,大吃一惊,那么,AlphaGo Lee是怎么做到的呢?这就要给大家介绍它祭出的一大法器——卷积神经网络。听这名字是不是特别唬人,还卷积,还神经,还网络……,我想你现在还是会跟我之前一样,卷积不知道是什么鬼,“鸡卷”倒是吃过不少。

  “卷积”是什么?通俗解释,卷积就是用一个小模板把图片上下左右横扫一遍发现重合度的过程。作者说了“能知道卷积神经网络的工作原理,你就和周围大部分读了几本人工智能的书的人不是一个档次了。”既然是这样,走过路过,绝对不能错过。给大家举个例子,就能明白个大概。警察在办案时,经常向目击者询问犯罪嫌疑人特征,然后根据这些特征画出人像,以此提高破案效率。除了性别、着装等特征外,目击者通常还会说出一些面部特征,比如“大眼睛、高鼻梁、樱桃小口、柳叶弯眉”什么的。卷积神经网络,就是要通过不断给机器输入图片数据,训练机器对各种面部特征的识别度,让机器知道什么是“大眼睛”,什么是“高鼻梁”,什么是“樱桃小口”、什么是“柳叶弯眉”,直到在输入犯罪嫌疑人图片时,机器能够立刻输出“没错,就是这个龟孙儿!”。目前的各种“刷脸”,利用的就是卷积神经网络。

  我们继续说回AlphaGo Lee是如何学习人类3000多万个“中盘”的。其实就是把每一个中盘看成一幅图像,把对应的走法看成与这个图像对应的物体。找到中盘最好的走法就相当于判断这幅图像最像哪个物体。拿人类下过的棋局来训练AlphaGo Lee里负责走子的卷积神经网络——决策网络,输入所有3000多万个中盘,不断调整,直至决策网络的走法和人的走法类似。学完这些后,就相当于专业七八段的水平了(专业选手最高段位为九段)。但是,仅这个水平还远远不足以击败人类围棋大师。随后,人类让AlphaGo Lee“左右互搏”,相当于让两个八段选手对弈,再大战数百万个回合,又摸索出来很多人类没有探索过的捷径,又产生了很多数据,从而继续训练决策网络。经过这样的训练后,没过多长时间,就打败了李世石,再练一阵子,AlphaGo Lee摇身一变,打着AlphaGo Master的旗号重出江湖,打败了柯洁。柯洁在接受采访时,流着泪说:我们人类下了2000年围棋,连门都没入。”中国棋圣聂卫平更是称AlphaGo为“阿老师”,说:“阿老师至少20段,简直是围棋上帝。”

  2.“无师自通”的AlphaGo Zero。就在我们以为AlphaGo Master已经达到了巅峰之时,AlphaGo的研发团队DeepMind(已被谷歌收购)再次碾压了人类的认知。该团队发布了AlphaGo Zero,意味从零开始。AlphaGo Zero使用了一种叫“强化学习”的机器学习技术,不使用人类任何棋谱经验,只是不断自我对弈,3天后就以100:0的成绩击败了当时战胜李世石的AlphaGo Lee版本,40天后,就击败了当时战胜柯洁的AlphaGo Master。下围棋没有对手后,AlphaGo Zero又去下国际象棋和日本象棋,经过4个小时训练,就打败了最强国际象棋AIStockfish和最强日本象棋AIElmo。

  那么,什么是“强化学习”呢?书中举了骑自行车的例子,便于我们理解。我们学习骑自行车,没有人能说清楚唯一正确的姿势是什么,无论你姿势多难看,骑上去不摔倒就是对的。类似骑自行车的问题,答案不唯一,但知道结果的对错。这种通过结果的反馈逐渐学习“正确行为”的算法就叫“强化学习”。这种算法中有一种奖惩函数,走对了加一分,走错了减一分,通过“价值网络”存储各种走法输赢积分。AlphaGo Zero的自我对弈过程,就是面对一个中盘,计算几乎所有走法的赢率,用赢率更新决策网络,然后按照赢率最大的方式走出一步棋,两台机器方法一致,就这样不断重复,第一盘胡乱下子,第二盘就有一点知识了,就这样越来越靠谱。AlphaGo Zero下棋的速度一定会让你惊掉下巴,每秒钟走80000步!平均一盘棋不到400步,所以AlphaGo Zero对弈1秒钟相当于下了200盘棋!打败李世石的AlphaGo Lee学习了3000万个中盘,大概相当于8万盘棋,而经过3天自我对弈的AlphaGo Zero,此时已经相当于下了5100万盘棋,这下你就知道,AlphaGo Zero为什么能够打遍天下无敌手了吧。

  (二)“发现暗知识”——人工智能独有的超能力

  1.暗知识:隐藏在海量数据中的相关性。根据“可否感受”和“可否表达”,作者把知识分为四种类型:第一类是那些既可以感受又可以表达的知识,如牛顿定律;第二类是不可感受,但是可表达的知识,如广义相对论;第三类是可感受但是不可表达的知识,如骑自行车;第四类为既不可感受也不可表达的知识。作者称前两类为“明知识”,称第三类为“默知识”,称第四类为“暗知识”。作者给出了暗知识的定义,即“隐藏在海量数据中的相关性”,只有人工智能可以发掘并掌握暗知识,人类自己做不到,也不知道机器是如何做到的。

  机器不仅能够发现暗知识,对明知识和默知识的学习能力也远超人类,因为机器的计算能力比人脑的计算能力强大许多。

  对于“明知识”的学习,计算机科学家最早的想法是把自己所掌握的明知识,包括能够表达出来的常识和经验放到一个巨大的数据库里,再把常用的判断规则写成计算机程序。这就是20世纪70年代兴起并在20世纪80年代达到高潮的“知识工程”和“专家系统”。但是我们要知道人类能够感受并且表达的“明知识”只是冰山一角,不仅还有“默知识”存在,就只是“明知识”,我们人类也无法穷尽,就拿自动驾驶这件事来说,我们确实可以告诉自动驾驶的“专家系统”:红灯停,绿灯行,看到黄灯等一等。但是只有这些我们就能实现自动驾驶了吗?显然不能,我们永远无法穷尽所有的路况和场景,就不可能把判断规则全部写成计算机程序,一旦遇到复杂情况,“专家系统”根本无法处理。专家系统既不能给机器输入足够的明知识,更无法把默知识准确表达出来输入给机器。比如,你能想象通过编程把一个老中医一辈子积累起来的“望闻问切”和诊断方法输入给机器吗?因此“知识工程”和“专家系统”在20世纪80年代之后就熄火了。

  “专家系统”和“知识工程”,我们称之为“人工学习”,但这条道路走不通了,人们就想,既然电脑处理信息的速度比人脑快得多,那么能不能把大量的各种场景下产生的数据提供给机器,让机器自己去学习呢?这就是现在风行一时的“机器学习”。

  2.榨取数据:机器学习知识的方式。机器学习分为五大流派,分别是符号学派、贝叶斯学派、类推学派、联结学派和进化学派。依次简单介绍一下这五大学派的观点。

  符号学派认为,从逻辑关系中寻找的新知识都可以归结为对符号的演算和操作。该学派依赖于逻辑决策树,根据已知结果可以反推出事物间的逻辑关系,再用这些逻辑关系预测新的结果。

  贝叶斯学派认为,有因必有果,有果必有因,但因果之间的联系是不确定的,只是一个概率。知识是知道当一个结果发生时是哪个原因。这个知识被清晰地表达为一个条件概率。机器通过统计每种原因的占比来算出从结果到原因的概率。

  类推学派认为,第一,两个东西的某些属性相同,他俩就是类似的;第二,如果它们的已知属性相同,那么它们的未知属性也会相同。该学派第一件事是要定义“相似度”,只有定义了相似度,才能度量一个分类方法是否最优。

  联结学派的基本思路,是模仿人脑神经元的工作原理:人类对所有模式的识别和记忆建立在神经元不同的连接组合方式上。目前最火爆的神经网络和深度学习就属于该学派,目前在各流派中,占据统治地位。

  进化学派的基本思路,是模仿自然界的演化:随机的基因变异被环境选择,适者生存。他们的做法就是把一种算法表达成像基因一样的字符串,让不同的算法基因交配,让生出来的儿女算法去处理问题,比爸妈好的留下来配种继续生孙子,比爸妈差的就淘汰。

  3.神经网络模型:满是旋钮的黑盒子。我们已经知道了“神经网络”属于机器学习的联结学派。接下来,我们再多了解一些有关神经网络的知识。我们人类要想识别一个物体并说出它是什么,过程大致可以这样描述:通过视觉系统输入信息,传入大脑中枢,然后大脑中枢经分析后再向语言系统下达指令,由语言系统输出,这一过程需要数以亿计的神经元连接。机器学习的神经网络也是类似,事先设置好我们需要让机器识别出来的结果,比如我们想让机器识别出“这是一条狗”,那么我们就先设置一个灯泡代表“这是一条狗”,如果灯泡亮了,就说明机器的输出结果正确;在输入端,我们给机器“看”大量狗的图片,让机器去学习,去总结狗的特征,这个过程就是训练机器;在输入端和输出端之间,有一个“满是旋钮的黑盒子”,通过旋转旋钮直到点亮输出端的灯泡,这个“满是旋钮的黑盒子”,就是神经网络模型。

  还记得我们之前说的鸡卷……,不,“卷积神经网络”吗?它的原理我们已经介绍过了,主要是处理图像分类和识别的,这里就不再赘述了。不过大家想一想,卷积神经网络有个什么问题?它不适合处理有先后顺序的信息,比如天气预报、股票信息什么的,面对这样的信息,卷积神经网络就不那么好用了,于是,另一种神经网络——循环神经网络就应运而生,它的结构比卷积神经网络还复杂。我们又不是想通过读这本书成为这方面的专业工程师,所以我们大致了解一下其背后的道理就行。循环神经网络第一步也是训练机器,比如拿一个“我是 人,会讲 话”的句式训练机器,就给机器“喂”大量这样的话,比如“我是湖南人,会讲湖南话”,“我是东北人,会讲东北话”,“我是陕西人,会讲陕西话”……,在这个过程中,也是通过“满是旋钮的黑盒子”,不断的旋转旋钮,直到机器在看到“我是北京人,会讲 话”的空时,它能把“北京”两个字填进去。大概的意思就是这样。循环神经网络的第一重要应用是机器翻译,机器翻译正处在技术突破的边缘,一旦取得突破,将给我们的生活带来巨变。如果全人类将语言隔离打破,文化的隔阂也将在几代人之间被冲破,到那时人类有可能第一次无障碍地协同盖起一座“巴别塔”!

  现在,我们知道了神经网络,再来看一看什么是“深度学习”。神经网络继续往下分类,可以分为浅度学习和深度学习。神经网络的原理是模仿人脑神经元连接,在过去芯片集成度低的时候,我们只能模仿很少的神经元,这时候还是浅度学习。现在芯片的集成度很高,这就让我们能模仿很多神经元,当很多神经元被组成多层的网络时,我们就叫它“深度学习”。

  (三)“逐鹿硅谷”——人工智能产业的争霸战

  1.金字塔形的产业结构。人工智能的产业生态是一个四层金字塔形的结构。处于金字塔最顶端的是算法,下一层是芯片,再往下是硬件和软件,最底层是数据应用。金字塔的下层对上层有依赖性,但反之不成立。也就是说,上层是驱动力,是自变量,下层是驱动结果,是因变量。

  目前算法研究主要集中在美国的一流大学和几家超级互联网公司(谷歌、Facebook、亚马逊、微软、IBM、百度等)。大学的算法研究大部分都是学术性和公开的,而大公司最核心的研究成果只留给自己用。

  半导体芯片是一切信息技术的基础,有了芯片才有电脑和存储,才有互联网,有了互联网才有大数据,有了大数据才有人工智能。每一波发展中,芯片都是最关键的环节,所以芯片厂商总是处在霸主地位。大型机时代,IBM是霸主;PC机时代,英特尔是霸主;移动通讯时代,高通是霸主;在云计算大数据时代,三星是霸主;那么在人工智能时代,谁将成为霸主呢?作者预测很可能是英伟达(Nvidia)公司。爱打游戏,对显卡有要求的朋友,应该对这家公司很熟悉。之所以如此预测,是因为一个叫GPU的图形处理芯片,GPU被广泛应用在神经网络之上。神经网络芯片大致可以分为三大类,第一类是数据中心里面使用的用于训练模型和识别的芯片,目前这类芯片几乎被英伟达垄断;第二类是用于汽车自动驾驶或机器人中的芯片,目前英伟达的GPU是各大汽车厂商的首选,英伟达也将自动驾驶作为最重要的布局领域;第三类是用于各类终端的芯片,例如用于摄像头、手机、医疗设备、小机器人等,目前这个领域竞争相当激烈,新创公司的最大机会在于为那些还不存在的或者目前规模很小的应用提供芯片,投资人要赌的是这些目前大厂看不上的市场会在短短几年内爆发。

  2.人工智能的技术推动力。人工智能能走多远,取决于三个推动力,分别是算法、算力和数据。

  算法层出不穷,研究者非常活跃,作者预测在未来5~10年还会有大量新的算法出现,有些人会继续朝着神经网络的方向走,有些人也已经另辟蹊径。

  算力的增加基于摩尔定律,同时耗电问题,也是制约其向前发展的瓶颈,大幅度降低耗电是芯片设计的一个重要方向。考验的不仅是单个芯片的能力,更是能够把多少芯片有效地组织在一起来完成一个计算任务。

  数据的增加基于传感器或存储器越来越便宜,几乎所有传感器和存储器的成本都是由芯片成本决定的。当芯片集成度提高,芯片需求量增大时,传感器和存储器的成本会大幅度下降,更多的传感器会产生更多的数据。用作者的话讲:“目前人工智能只是莱特兄弟刚刚把飞机飞离地面,离5马赫超音速还很远。”

  (四)“人机共存”——可以预见的未来

  1.最先被人工智能取代的职业。牛津大学的一份研究报告指出下列职业将最先被人工智能取代。在2033年下列职业被取代的概率如下:

  (1)电话营销员,99%。

  (2)收银员,97%。

  (3)快餐厨师,96%。

  (4)律师助手,94%。

  (5)导游,91%。

  (6)公交车和出租车司机,89%。

  (7)安保人员,84%。

  (8)档案管理员,76%。

  2.最难被人工智能取代的职业。那些很难标准化、程序化的工作将是最难被AI取代的。以下是一部分最难被取代的工作,它们未来被取代的概率如下:

  (1)考古学家,0.07%。

  (2)心理咨询和毒瘾治疗工作者,0.3%。

  (3)职业病理疗师,0.35%。

  (4)营养师,0.39%。

  (5)医生特别是外科手术医生,0.42%。

  (6)神职人员,0.81%。

  这些难以被AI取代的职业的一个特点是需要有对人类情感和精神的理解。这是目前的AI完全无法做到的。

  3.人工智能时代催生的新工种。像以往的新技术一样,人工智能也将催生一系列新的职业,比如下列“蓝领工种”:

  (1)数据标注员:就是在照片上标注“是什么”的工种;

  (2)数据采集师:如自动驾驶要采集一个国家所有道路的精确地图,需要几百辆数据采集车常年采集;

  (3)机器训练师:手把手教机器如何操作。

  当然也会催生很多“白领”“粉领”“金领”。在人工智能没有演化出自我意识前,它们仍会是人类任劳任怨的工具。那么这些聪明的机器到底能否演化出自我意识?作者认为“仍然是一个巨大的问号,也许需要非常长的时间和非常好的运气。”

  好了,到这里我就把这本书的精彩内容全部分享给你了。现在,你应该已经知道人工智能、机器学习、神经网络、深度学习这四个词到底是什么关系了吧,它们是包含关系:人工智能>机器学习>神经网络>深度学习。

  《暗知识:机器认知如何颠覆商业和社会》读后感(五):人类无法感知理解的机器知识在爆发增长:4.5星|王维嘉《暗知识》

  关于人工智能的科普。包括技术原理、商业应用的现状与展望、人工智能未来发展等方面。

  作者在斯坦福的博士导师是神经网络鼻祖之一,书中对人工智能原理的介绍比较深入。

  对人工智能的商业应用,书中花了比较多的篇幅说自动驾驶,看得出来作者在这个领域有比较深入的研究。其他许多领域如医疗、金融、翻译、科研、写作、绘画等也有介绍。

  所谓暗知识,就是人工智能发现的、人类无法感知和理解的知识,比如AlphaGo的围棋决策。作者介绍说这类暗知识在爆发式增长,很快会对人类社会产生深远的影响。

  书中还有以下重要的信息或观点:

  1:暗知识非常容易在机器间传播;

  2:未来AI需要用到的数据,大部分都不在当前互联网巨头们手里;

  3:AI不会像互联网一样赢家"通吃";

  4:自动驾驶生态系统中,谁将是产业链龙头还有待观察,可能是芯片或操作系统企业,也可能是内容服务提供商;

  5:即使自动驾驶局限在狭义的造车产业,也将会创造全球每年2万亿美元的机会;

  6:一场最深刻的革命很可能发生在自然语言翻译和理解领域;

  7:军用人工智能技术的发展会落后于民用技术;

  8:很难对自动化武器的可靠性进行测试,会思考的机器的行事方式也可能会超出人类控制者的想象;

  9:虽然人工智能在记忆和识别这两个基础智能方面超过了人,但在推理、想象等高级智能方面还和人相去甚远;

  10:女性情感比男性丰富,所以比男性更难被机器取代;

  11:不论是个人生活中的决策,还是商业决策,只要机器有过在类似场景下大量的测试,就可以信任机器;

  12:目前人工智能离产生意识还有很大举例;

  总体评价4.5星,非常好。

  一个小疑问,书中的图4-2,AI的产业链金字塔结构,塔尖是基础,塔底是应用,有点别扭,改成树状把塔尖塔底倒过来更符合常规做法。

  以下是书中一些内容的摘抄:

  1:AlphaGo Zero证明了即使在最具有挑战性的某些领域,没有人类以往的经验或指导,不提供基本规则以外的任何领域的知识,仅使用强化学习,仅花费很少的训练时间机器就能够远远超越人类的水平。P7

  2:当然最震撼的就是第三个方面。我们也许知道我们不知道很多,甚至能用逻辑推断出未知知识里有比已知知识更高深的知识,但我们怎么也想不到这些知识是人类根本无法理解的。这是人类历史上第一次遇到这样的问题,我们给自己造了个“上帝”! P9

  3:也就是说,机器发现了人类既无法感受也无法表达的知识。用更通俗的话说就是,机器发现了那些既无法“意会”又无法“言传”的知识。P9

  4:目前,脑神经科学的最新研究发现,可表达的记忆并不是对应着一组固定神经元的连接,而是大致地对应于散布在大脑皮层各处的一些连接。原因是用来表达的语言和文字只能是体验的概括和近似。这类可以用语言表达或数学公式描述的知识就是人类积累的大量"正式知识",也可以称为"明知识"。它们记载在书籍、杂志、文章、音频等各种媒体上。P20

  5:而绝大部分知识无法用语言表达,如骑马、打铁、骑自行车、琴棋书画,察言观色、待人接物、判断机会和危险等。这些知识由于无法记录,所以无法传播和积累,更无法被集中。英籍犹太裔科学家、哲学家波兰尼(Michael Polyani,1891-1976)称这些知识为"默会知识"或者"默知识"。波兰尼举了骑自行车的例子。P23

  6:第三个问题最有意思。由于机器萃取出的知识是以神经网络参数集形式存在的,对人类来说仍然不可陈述,也很难在人类间传播。但是这些知识却非常容易在机器间传播。一台学会驾驶的汽车可以瞬间“教会”其他100万台汽车,只要把自己的参数集复制到其他机器即可。机器间的协同行动也变得非常容易,无非是用一组反馈信号不断地调整参加协同的每台机器的参数。P26

  7:既然可以感受的是默知识,可以表达的是明知识,那么机器刚刚发现的,既无法感受也无法表达的知识就是暗知识。P27

  8:我们现在可以回答“一个人类无法理解的暗知识的表现形式是什么样的”,暗知识在今天的主要表现形式类似AlphaGo Zero里面的“神经网络”的全部参数。P29

  9:我们可以预见一幅未来世界的知识图谱:所有的知识分为两大类界限分明的知识——人类知识和机器知识。人类的知识如果不可陈述则不可记录和传播。但机器发掘出来的知识即使无法陈述和理解也可以记录并能在机器间传播。这些暗知识的表现方式就是一堆看似随机的数字,如一个神经网络的参数集。这些暗知识的传播方式就是通过网络以光速传给其他同类的机器。P31

  10:暗知识就是那些既无法被人类感受又不能表达出来的知识。也就是说人类本身无法理解和掌握这些知识,但机器却可以。机器有两种方法可以掌握这些知识模仿人脑和模仿演化。P42

  11:机器学习中一共有五大学派,最后一个学派是进化学派。他们是激进主义经验派,是彻底的不可知论者。进化学派不仅觉得因果关系是先验模型,甚至觉得类比,神经元连接也都是先入为主的模型。他们认为不管选择什么样的先验模型,都是在上帝面前耍人类的小聪明,世界太复杂,没法找到模型。进化学派的基本思路是模仿自然界的演化随机的基因变异被环境选择,适者生存。P43

  12:所以这四个词有下面的包含关系:人工智能>机器学习>神经网络>深度学习。P46

  13:为什么深度学习有许多层神经元?这是因为世界上许多信息和知识是可以通过分层表达的。例如人脸是很复杂的一幅图像,但人脸可以先分解成五官,五官的复杂程度就比人脸低了,五官又可以进一步分解为线条。深度学习就是用一层神经元去识别一个层级的信息。P62

  14:引起你注意的东西往往都是一小块,例如人的眼睛、天空中的鸟、地上的花。这个叫作图像中信息的局域性。图像的第二个特点是可以分解为更简单的元素,例如风景分解为天空、大地、植物、动物,人物分解为五官。卷积神经网络就是利用图像的以上两个特点进行了大幅度的运算简化。P65

  15:这类问题的特点是答案不唯一但知道结果的对错。这种通过每次结果的反馈逐渐学习正确"行为"的算法就叫"强化学习"。在强化学习算法中有一个"奖惩函数",不同的行为会得到不同的奖惩。P76

  16:以后哥俩就这么不断重复下去。AlphaGo Zero诞生后的第一局的第一个中盘,哥俩完全是乱下,但第一盘走完就多了一点点知识,哥俩用这点可怜的知识走第二盘就比第一盘靠谱了一点点,架不住计算能力强大,AlphaGo Zero在下棋时每秒钟可以走8万步,平均一盘棋不到400步,所以哥俩一秒钟相当于下200盘棋。每盘长进一点,到第7个小时,也就是相当于下了500万盘棋后就下得像模像样了。P77

  17:所以对这个悖论的回答是,人工神经网络虽然是模仿大脑,但它具备了人类没有的三个优势能"感受"人类感受不到的信息,与人脑相比又快又准,每一个神经元的状态都是可测量的。P80

  18:打比方说,如果一直用各个品种的白色狗来训练神经网络,让它学会"这是狗"的判断,神经网络会发现这些狗最大的相关性就是白色,从而得出结论白色=狗。在这种情况下,让这个神经网络看见一只白猫,甚至一只白兔子,它仍然会判断为狗。P86

  19:神经网络的另一个局限性是无法解释结果为什么是这样,因为人类无法理解暗知识,所以更无法解释。对于神经网络这个"满是旋钮的黑盒子",每个旋钮为什么旋转到那个位置,而不是多一点或者少一点,都是无法解释的。这个不可解释性在许多涉及安全和公共政策的领域都是很大的问题。P87

  20:所以今天融资的新创技术型公司都可以说自己是"AI公司"。如果这些公司的技术都使用开源编程框架,它们的技术差别就很小。因此这些公司比拼的是对某个行业的理解和在该行业的营销能力,以及对该行业数据的占先和占有程度。P112

  21:今天互联网公司的数据主要是人们使用电脑和手机产生的浏览数据,它们并不掌握下列几大类对人类有用的,AI也需要用的数据。(1)人类本身的数据,例如身体数据和心理数据。(2)环境数据,其中包括自然环境、社会环境。(3)各种人类劳动过程数据,例如农业、工业、服务业的过程数据。P118

  22:自2012年以来,在AI训练运行中所使用的计算能力呈指数级增长,每3.5个月增长一倍。2012-2018年,这个指标已经增长了30万倍以上。具体说就是2018年谷歌的A1phaGo Zero比2012年ImageNet大赛获胜的AlexNet快了30万倍。P121

  23:但在AI产业里目前还没有看到这样的机会,不论是自动驾驶还是人脸识别都是一个一个山头去攻,无法在短期内形成垄断。造成融资泡沫的一个重要原因就是有些投资人还以为AI和互联网一样赢家"通吃",只要投中第一名,多贵都值。P125

  24:简单用一句话说就是互联网是toC(对用户)的生意,AI是toB(对企业)的生意。AI中toC的生意都会被现有互联网巨头吸纳,创业者的机会在于toB。P125

  25:激进派的代表是谷歌的自动驾驶公司Waymo,谷歌的实验车根本没有方向盘。这一派认为L2和L3很危险,什么时候该人管,什么时候该机器管不仅很难分清,而且两者之间的切换也会产生问题(例如人打盹儿睡着了叫不醒),一步到位全让机器开车反而安全。P139

  26:在传统汽车产业链中,整车厂商毫无疑问居于龙头地位,具有最强的砍价能力,但是在自动驾驶生态系统中,谁将是产业链龙头还有待观察。如果汽车嬗变为电脑和手机,那么掌握核心芯片和操作系统的厂商可能变为龙头。如果汽车嬗变为像互联网一样的信息数据平台,那么掌握用户的内容服务提供商可能变为龙头。P152

  27:在这三个集团中,英伟达集团的AI芯片能力最强,但Mobileye集团几乎垄断了L2半自动驾驶市场。未来的争斗将主要在这两个集团之间进行。P153

  28:即使自动驾驶局限在狭义的造车产业,也将会创造全球每年2万亿美元的机会。如果加上对其他行业的影响,自动驾驶产生的商业机会可能在十年后达到每年十万亿美元的数量级。自动驾驶将是中国今后10~20年面临的最大的一个全球性产业机会。P159

  29:自动化写作无论是对新闻行业还是对读者来说,都带来了显而易见的好处。对新闻工作者来说,他们可以把程式化、重复化的劳动交给机器,自己进行更深度的思考与写作,并且在写作过程中能够得到人工智能的支撑,写作后有系统校对。P196

  30:当所有人对AI的注意力都集中在诸如自动驾驶、人脸识别等"低垂果实"上时,一场最深刻的革命很可能发生在自然语言翻译和理解领域。这场革命可能改变自几十万年前智人发出第一声有意义的"哼哼"以来的人类文明史。人类有可能第一次无障碍地盖起一座“巴别塔”。P216

  31:基于以上原理,机器学习适合做极其复杂的决策,例如制定像健康保险这样极其复杂的公共政策,策划诸如诺曼底登陆这样包含大量变量的军事行动。P228

  32:由于开放性的学术交流和开源软件,民用技术将进展神速,巨大的商业前景也会造成空前激烈的市场竞争。这一切都会推动人工智能在民用和商用方面快速进展。而军用技术的发展则会落后于民用技术,许多军用技术研发最便宜的方法都是依托在民用技术之上。P251

  33:自主化武器失控和错判的风险将一直存在,比如软件代码错误,或者受到网络攻击。这可能导致机器失灵或攻击自己人,或由于系统升级太快,人类伙伴无法及时响应。很难对自动化武器的可靠性进行测试,会思考的机器的行事方式也可能会超出人类控制者的想象。P256

  34:但当谷歌让14台机器一起学习的时候,学习的时间就缩短到了100/14-7天。这14台机器都互相联网,当一台机器找对地方或学会了一个技能时,其他所有的机器瞬间都学会了。这种机器之间的交流不仅是无障碍的而且是以光速进行的。P258

  35:简单地说,虽然基于神经网络的人工智能在记忆和识别这两个基础智能方面超过了人,但在推理、想象等高级智能方面还和人相去甚远。未来最佳的结合就是人类和机器合作,互相取长补短。P261

  36:目前主要的成功案例来自一名叫作威廉姆·多贝尔(William Dobelle)的科学家。1978年,多贝尔在一位盲人的脑内植入了由68个电极组成的阵列,这种尝试使盲人产生了光幻视(视网膜受到刺激时产生的感觉)。在随后的调试中,接受这种治疗的盲人能够在有限的视野内看到低分辨率、低刷新率的点阵图像。P264

  37:女性情感比男性丰富,所以比男性更难被机器取代。机器取代人的难易程度从易到难将是四肢(体力)——小脑(模仿性工作)——大脑(推理逻辑常识)——心(情感)。P278

  38:那么这次的AI浪潮又会造成什么样的权力分配呢?在过去几年中我们明显看到AI进一步将权力集中到大公司和政府手中。P287

  39:机器已经正确地诊断了许多其他类似的病人。所以不论是个人生活中的决策,还是商业决策,只要机器有过在类似场景下大量的测试,就可以信任机器。当然这里不排除机器出错的概率,这和不排除有经验的医生误诊,不排除大型客机的软件出故障一样。P288

  40:目前的人工神经网络是一个确定性系统,虽然我们可以在网络里引人随机性,但是我们并不清楚在哪里和怎样引入这些随机性。这样的随机性有几乎无数的可能组合,任何“不对”的组合都可能使系统无法产生“涌现”。人脑是动物几十亿年进化的结果,其中淘汰了无数无法产生意识的随机组合。P295

  全文完

  相关链接:

  人工智能与算法相关24本书

  颜色只存在于大脑内部。人类意识的科研进展:4星|《大脑的故事》

  2019左其盛好书榜,没见过更好的榜单(截至4月30日)

  2019左其盛差评榜,罕见的差书榜(截至4月30日)

  2019年读过评过的135本书(截至4月30日)

  本号945篇书评的索引与书单

  想跟小编讨论请移步知识星球

  搜索本号的最优方法

  更多毒舌书评参见我的公众号:左其盛经管新书点评

扫一扫手机访问

发表评论