了解人工智慧的第一本書
第一章 何謂人工智慧：專家與社會大眾的認知落差[p45]
把世人稱為人工智慧的那些東西整理出來後，可以分為四個級別：[58]
- 第一級：把純粹的控制程式稱為「人工智慧」
- 空調、吸塵器、洗衣機，電動刮鬍刀等
- 第二級：典型的人工智慧
- 象棋程式、掃地機器人、會回答問題的人工智慧等
- 第三級：加入機器學習的人工智慧
- 內建於搜尋引擎，會根據大數據自動作出判斷的那種。
- 根據資料，學習如何把輸入與輸出間牽上關係
- 第四級：加入深度學習的人工智慧
- 懂得學會在機器學習時用於表示資料的變數
- 特徵表達學習
第二章 「推論」與「探索」的時代：第一次人工智慧熱潮[67]
AI 熱潮與寒冬時代：[p68]
- 第一次熱潮出現在 1950 後半至 1960: 推論與探索的年代
- 運用電腦針對特定問題作「推論、探索」並予以解決
- 只能解決玩具問題，無法應付複雜的現實問題
- 1970 進入寒冬
- 第二次熱潮出現在 1980: 知識的時代
- 把「知識」輸入電腦，讓它變聰明，全盛時期的各種「專家系統」
- 記述與管理知識並不容易
- 1995 進入寒冬
- 第三次熱潮：機器學習與特徵表達學習的時代
- 兩股大浪潮合併在一起
- 大數據時代變得常見的機器學習
- 深度學習（特徵表達學習）
- 兩股大浪潮合併在一起
- 運用探索樹走出迷宮 [74]
- 河內塔 [78]
- 機器人的行動規劃[80]
- 對手的存在會讓組合變得龐大[82]
- 西洋棋與象棋戰勝人類[84]
- minmax method
- 秘訣一：找出好的特徵量 [87]
- 秘訣二：以蒙地卡羅法改變評鑑機制 [88]
-
- 尤其適用於圍棋
-
第三章 只要輸入「知識」就會變聰明：第二次人工智慧熱潮[93]
- 與電腦交談[94]
- 1964 年的 ELIZA 交談系統
- 以專家系統取代專家[97]
- MYCIN 對傳染性血液疾病的患者做診斷
- 專家系統的課題[99]
- 知識增加、規則變多後，可能彼此間有所矛盾，或前後不一致
- 常識級的知識很難處理
- 如何表達知識[100]
- 語意網路
- 為求正確記述知識而做本體論（ontology）研究[103]
- 重量級本體論與輕量級本體論 [106]
- 重量級：人類該如何藉由認真思考，將知識逐一記述出來
- 輕量級：持續將資料讀進電腦，有電腦自動找出概念與概念之間的關聯性
- 華生（Watson，IBM開發的人工智慧系統）[108]
- 機器翻譯的困難之處 [112]
- 框架問題（frame problem） [114]
- 符號接地問題（symbol grounding problem）[116]
- 人工智慧能否把符號（文字列、字句）以及它所代表的意義連結在一起
- 過於前衛的「第五代電腦」[118]
- 第二次人工智慧熱潮就這樣結束了 [120]
第四章 「機器學習」悄悄地在擴大地盤：第三次人工智慧熱潮（二之一）[123]
- 資料的增加與機器學習 [124]
- 統計自然語言處理（statistical natural language processing）
- 所謂的「學習」就是「分類」[126]
- 有老師的學習、沒老師的學習[128]
- 有老師：預先準備好有「輸入」與「正確輸出（分類方式）」在內的訓練資料
- 沒老師：只給電腦輸入用的資料，讓它找出隱藏在資料當中的結構
- 「分類方式」也分很多種[130]
- 最鄰近法（nearest neighbor）
- 間單貝式分類法（Naive Bayes）
- 決策樹（decision tree）
- 支持向量機（support vector machine）
- 神經網路（Neural Network）
- 透過神經網路辨識手寫文字[139]
- MNIST data set
- error back propagation [142]
- 「學習」固然花時間，但「預測」只要一瞬間[144]
- 機器學習分兩階段：建立神經網路的「學習階段」，運用所建立神經網路導出正確答案的「預測階段」
- 機器學習時的難題[147]
- feature engineering 的部分，也就是特徵量的設計
- 為何至今未能實現人工智慧？[151]
- 輸入知識可以讓人工智慧變聰明，但「知識」卻怎麼也寫不完。
- 框架問題
- 符號接地問題
- 特徵量設計還是要人類經手
- 符號就是概念（signifie, 符號義）與名稱（signifiant, 符號具）表裡一致而連結起來的東西[152]
第五章 打破寂靜的「深度學習」：第三次人工智慧熱潮（二之二）[155]
- 深度學習開啟了新時代[156]
- 自動編碼器將輸入等同於輸出[161]
- 一層層逐層學習下去
- 使用自動編碼器（auto encoder）當成「資訊壓縮器」
- "On Intelligence" by Jeffry Hawkins
- 根據日本全國的天氣推敲地區天氣
- 手寫文字中的「資訊量」
- 往深處多挖掘好幾層[172]
- 正中央的隱藏層往上拉
- 輸入層跟輸出曾相同，所以疊合在一起
- 從最下方輸入圖像，愈往上走抽象度愈高，形成高層次的特徵量
- 各種具體的「手寫的3」經過四、五次一再抽象化後，出現的就是「典型的3」，這正是「3的概念」
- 一但掌握了「典型的3」「典型的5」等概念，只要再教它概念的名稱，讓他知道「這是3」「這是5」就行了
- 谷歌（Google）的貓咪辨識
- 根據資料創造出概念，原本該算是不需要教學資料的「無師學習」。但以深度學習來說，卻是採取「有師學習」般的手法來實施「無師學習」
- 最後運用得到的特徵量在分類時，告知「這是貓」「那是狗」，給予正確答案的標籤，又變成有師學習
- 大幅發展的關鍵在於「強固性」[180]
- 深度學習在做的是，只是把主成份分析弄成非線性、弄成多層而已
- 深度學習只是從資料中找出特徵量與概念，再運用這些東西找出更多東西而已
- 運用無師資料提升有師學習之精度的想法很早就有，只是以前的人想法本身沒錯，但做法錯了
- 如何提升強固性[184]
- 加入雜訊
- 讓神經網路部分神經元停止運作，隨機讓隱藏曾失去 50% 的神經元
- 回到基本命題
第六章 人工智慧會超越人類嗎：深度學習之後還有什麼 [191]
- 深度學習起的技術進展 [192]
- 根據圖像得到特徵表達與概念
- in: 圖像資料
- out: 提升圖像辨識的精確度
- 多模式之特徵表達與概念
- 除了視覺外，還結合聽覺、觸覺等五感
- in: 觀測資料（影片＋聲音＋壓力等）
- out: 環境識別、行為預測
- 將「行為與結果」抽象化
- in: 自己的行為資料 + 觀測資料
- out: 規劃、解決框架問題
- 透過一連串行為從現實世界中抽出特徵量 [197]
- in: 嘗試錯誤下的連續行為資料
- out: 推論、本體論，對狀況高度認識
- 讓語言與概念接地
- in: 語言資料
- out: 符號接地問題、語言理解
- 透過語言得到知識
- in: 人類累積下來的大量語言資料
- out: 消除取的知識的瓶頸，高層次社會預測
- 根據圖像得到特徵表達與概念
- 人工智慧不具有本能
- 電腦有創造力嗎？[208]
- 概念的取得，或說特徵量的取得，正是一種創造力
- 智慧的社會意義
- 奇點真的會出現嗎？
- 假如人工智慧征服人類
- 人工智慧必須造福大眾
終章 逐漸轉變的世界：對產業與社會的影響以及戰略
- 逐漸轉變的事物
- 對於產業造成的漣漪效應
- 人工智慧的影響慢慢擴增
- 不久的將來會消失與留存的職業
- 人工智慧催生的新事業
- 人工智慧與軍事
- 「知識轉移」改變了產業結構
- 人工智慧技術遭獨占的可怕之處
- 日本人工智慧發展的課題
- 人才的多寡是逆轉的王牌
- 要對偉大的前輩抱持謝意
