这场年度“烧脑挑战”,赢家非你莫属

䶮虓
2019-07-12 看过

想不想做1%的那类人?

回答这个问题之前,咱们先来看两个数据:

抖音月活用户已经超过了5亿,

微信月活用户更是突破了11亿,

但有一本书,我们相信能读懂的人,

不超过上述人群总数的1%。

这就是要推荐给你的年度超级硬书——

《为什么》

不服?

来看!

内容简介

在本书中,人工智能领域的权威专家朱迪亚·珀尔及其同事领导的因果关系革命突破多年的迷雾,厘清了知识的本质,确立了因果关系研究在科学探索中的核心地位。

而因果关系科学真正重要的应用则体现在人工智能领域。作者在本书中回答的核心问题是:如何让智能机器像人一样思考?换言之,“强人工智能”可以实现吗?借助因果关系之梯的三个层级逐步深入地揭示因果推理的本质,并据此构建出相应的自动化处理工具和数学分析范式,作者给出了一个肯定的答案。作者认为,今天为我们所熟知的大部分机器学习技术,都建基于相关关系,而非因果关系。要实现强人工智能,乃至将智能机器转变为具有道德意识的有机体,我们就必须让机器学会问“为什么”,也就是要让机器学会因果推理,理解因果关系。或许,这正是我们能对准备接管我们未来生活的智能机器所做的最有意义的工作。

作者简介

朱迪亚·珀尓(Judea Pearl), 美国以色列裔计算机科学家和哲学家,现加州大学洛杉矶分校计算机科学教授,“贝叶斯网络”之父, 因其人工智能概率方法的杰出成绩和贝氏网络的研发而知名。2011年,他因通过概率和因果推理的算法研发在人工智能取得的杰出贡献而获得图灵奖。 同时也是美国国家科学院院士,IEEE智能系统名人堂第一批10位入选者之一。

朱迪亚·珀尔是记者丹尼尔·珀尔的父亲。2002年,因为丹尼尔是美国人和犹太人,他在巴基斯坦被基地组织和国际伊斯兰阵线涉嫌的武装部队所劫持和杀害。

目前已出版3本关于因果关系科学的经典著作,分别为《启发法》(1984)、《智能系统中的概率推理》(1988)和《因果论:模型、论证、推理 》(2009)。他还获得过多项顶级科学荣誉,包括认知科学领域的鲁梅哈特奖、物理学及技术领域的富兰克林奖章以及科学哲学领域的拉卡托斯奖。

达纳·麦肯齐(Dana Mackenzie),普林斯顿大学数学博士,自由科学记者,知名科普作家,著有《无言的宇宙》等作品,其学术论文多次收录于《科学》《新科学家》《科学美国》《探索》等重量级期刊。

推荐理由:

1.难得的脑力体操

这本书从哲学家休谟讲到科学家高尔顿,从贝叶斯法则讲到回归平均,从原始人狩猎讲到强人工智能……你在阅读时,如同乘坐一部思维的过山车,横穿各个领域,异常过瘾。如果你自认智商高,或者对烧脑的内容感兴趣,这本书一定不要错过。

2. 学问很新

你肯定知道“相关不是因果”,那什么是因果?怎么用科学方法确定因果关系?到底能不能在复杂世界中找到各种事情的“为什么”?这是一门过去30年刚刚发展壮大的新学问,可以说是一场科学革命。这本书第一次把这个成果系统展示在你面前。

3.作者实力够硬

朱迪亚·珀尔,81岁,计算机科学家和哲学家。2011年图灵奖获得者,人工智能界的一面大旗。他早年“单挑”学术界,是机器学习这门技术的开山鼻祖之一,现在又是这个技术最激烈的批评者。他的目标是让机器理解“因果”,获得真正的智能。

看这本书你能见识到的不仅是知识,更是人类所能到达的、意志和智识的新高度。

4.书的学术地位极高

作者把自己的毕生所学,都写进了这本书中。他把书名起为“THE BOOK OF WHY”而不是“A BOOK OF WHY”,就是为了证明这本书不是对因果的“一种解释”,而是唯一“确定的解释”,足见其雄心。

可以说,这是目前全球出版市场上唯一一本关于因果科学的科普著作。它在因果科学领域的地位,堪比《时间简史》于物理界,《自私的基因》于生物界。

5. 聪明人都在读

这本书的英文版刚面世,万维钢老师就在《精英日课》里专门用了8期解读,并说:“看完这本书,你收获的,将是认识世界和改变世界的高级套路。”

著名经济学者、「得到」作者何帆老师也评价:“这本书和卡尼曼的《思考,快与慢》一样,是石破天惊、开辟鸿蒙的巨作。”

6. 重新理解因果关系

普通人眼中的因果关系,是第一层“观察”,即看到一件事发生,会想这件事是否会引起另一件事发生。但光知道这个还不够,还有两个更深的层次,第二层是“干预”:我采取这个行动,会有什么后果;第三层是“想象”:如果当初我没有这么做,现在会怎样。如何把这三层关系运用到生活中,做熟知因果的高手?你不妨到书中寻找答案。

人工智能: 是学习还是描述?

人工智能研究人员正在讨论的一个新问题是,当前的机器和深度学习技术究竟是一种全新的算法推理形式,还是仅仅是描述性统计和曲线拟合等长期数学技术的延伸。

朱迪亚·珀尔站在后者阵营中,他在这本新书《因果科学》(the new science of cause and effect)引发了一场关于人工智能未来以及深度学习是否会导致接近一般人类智能的讨论。

珀尔在最近的一次采访中提出了一些犀利的见解。他在采访中阐述了自己书中的观点和对人工智能软件现状的看法,包括当前人工智能无法执行因果推理是一个严重的缺陷。他对深度学习的评价是毫不留情的,也是有启发性的(强调补充)。

“在我深入研究深度学习的过程中,我发现他们都停留在联想层面。曲线拟合。这听起来像是一种亵渎,说深度学习的所有令人印象深刻的成就仅仅是拟合数据的曲线。从数学层次结构的角度来看,无论你多么熟练地操作数据,以及在操作数据时你读进了什么内容,它仍然是一个曲线拟合的练习,尽管非常复杂和重要。

“从本质上讲,尽管深度学习算法具有大脑的灵感,但它们也可以算作另一种强大的数据分析工具,尤其是擅长处理大量非结构化数据。

“然而,深度学习是一种非常通用和强大的曲线拟合技术,它可以识别以前隐藏的模式,推断出趋势,并预测出各种问题的结果。曲线拟合方法在表示给定数据集方面的一个风险是过度拟合,即算法不能识别出数据中的正常波动,最终会被干扰所迷惑。”

珀尔承认,深度学习的成功甚至让该领域的专家都感到惊讶,但他担心,这可能会让研究人员陷入一种概念上的窠臼,并危及一般形式的人工智能的进展。

“我很感动,因为我们没有想到这么多的问题可以用纯曲线拟合来解决。事实证明他们可以。但我问的是未来——接下来呢?”

人工智能研究人员正与他们的深度学习观点所界定的派系结盟,其中最坚定的支持者不愿接受任何批评。珀尔以这种方式描述了当前的环境。

“人工智能目前在分裂。首先,有些人陶醉于机器学习、深度学习和神经网络的成功。他们不明白我在说什么。他们想继续保持那种曲线。但当你和那些在人工智能领域做过统计学习以外工作的人交谈时,他们马上就会明白。在过去的两个月里,我读过几篇关于机器学习的局限性的论文。”

珀尔认为,除非算法和由它们控制的机器能够推理因果关系,或者至少概念化差异,否则它们的效用和通用性永远不会接近人类。

他说,除非机器人能够模拟人类的直觉,否则不可能与它们进行有意义的对话,这就要求机器人具备理解因果关系以及可能采取的其他行动和结果的能力。简而言之,我们又回到了亚里士多德的名言上。

虽然珀尔可能是少数人,但他并不是唯一一个认识到人工智能需要超越深度学习,才能制造出像人一样思考的机器的人。

麻省理工学院(MIT)研究人员发表的一篇论文指出,创建类人的学习和思考的机器需要他们能够构建出世界的因果模型,能够理解和解释他们的环境,而不仅仅是使用模式识别来解决问题。

该论文还认为,这样的系统必须建立在物理(物理学)和社会(心理学)科学的基础上,才能具备对世界进行直观推理的能力,从而使机器能够“迅速获取知识,并将其推广到新的任务和情况中”。作者以对人工智能研究人员的劝诫作为结尾。

“不要仅仅建设一个识别手写字符,并使用Frostbite引擎或Go语言的系统,我们建议深度学习和其他计算范式的目标是使用尽可能少的训练数据以完成训练任务(因为人们需要),同时评估超出模型训练任务之外的一系列类似人类的模型。”

这种通用人工智能(AGI)是反乌托邦小说的素材,也是科技名人埃隆马斯克(Elon Musk)和比尔盖茨(Bill Gates)的警告。最坏的情况不太可能很快实现,也可能永远不会实现,如果像珀尔所担心的那样,研究人员不断改进现有的技术,而不去扩展他们的概念视野,结果就会如此。

他山之石

来自 diginomica 的 Kurt Marko认为:

虽然我们经常使用“人工智能”这个词,但它总是有些勉强,不符合约定,没有说服力。

就像物联网和云一样,是同样被滥用和不精确的一个词汇,人工智能是一种被广泛理解的技术的简写,它越来越强大,但从根本上与人类的智慧和理性不同。

虽然我经常使用今天所谓的机器学习和深度学习软件的那些令人印象深刻的应用,但我已经认识到,称它为“智能”有点夸张,也许“适应性”和“自我优化”是更好的术语。即使这些也有警告,因为模型需要对参数和结构进行大量的人工调整,正如我在这里和其他场所所讨论的。

显然,科技行业需要对人工智能技术的现状有一个集体的认识。

是的,应该庆祝它的成功,但要承认,在我们拥有可以被合法地称为“智能”的软件之前,需要对此进行更基础的研究。

尽管珀尔已经提供了必要的数学体系,可以使用贝叶斯网络来描述因果关系(他称之为“Do-Calculus”),但要教机器因果关系,仍有很多工作要做。

同时,使用各种机器学习工具的用户必须意识到它们的局限性,不能从特定问题和数据集的结果中进行分类和推断。

亲爱的朋友:想了解人工智能,首先应该理性的弄清楚其定义,清楚其能做什么,不能做什么。才能让我们在爆炸的信息中有自己的判断,不至于妄自菲薄。有在巨头企业工作的朋友曾调侃,现在的人工智能真的是“人工”的“智能”,有多少人工,就有多少智能。路漫漫但可期......希望本文能对你有一点启思,欢迎留言探讨。祝安!

5 有用
1 没用
为什么 为什么 8.7分

查看更多豆瓣高分好书

评论 0条

添加回应

为什么的更多书评

推荐为什么的豆列

了解更多图书信息

豆瓣
免费下载 iOS / Android 版客户端