（注：数字序号后为摘抄，笔记是个人批注，数字是实体书页码）

1、仔细琢磨各种信息然后再作出“经营判断”，这应该是留给人们最后的重要工作。

笔记：人工智能依赖大数据，然而人不 依赖大数据。AI将来必然也要走到不依赖大数据和海量计算力这一阶段。

2、把学习及判断作为独立的事物来看待，将其进行自由配置所产生的价值，难道不是不可限量吗？

人工智能将征服人类这种无稽之谈毫无用处，我们需要做的是将社会中一直以来处于植于人类中的学习及判断，分散设置于世界上有需要的地方，以此来建设更为美好的社会系统。这才是人工智能发展的巨大潜能吧。

3、互联网引起信息流通领域的革命，在过去没有信息流通的地方出现了信息。一直以来，信息流通与组织社会系统是紧密结合在一起的一个整体，但是从它被剥离出来的那一瞬间起，就产生了与组织及社会系统无关的信息流，从而产生了新的附加价值。信息的传递，已经不再局限于从老师到学生，从上司到下属，从大众媒体到普通大众这类固定的途径。

笔记：极为精彩的论点。二十一世纪是互联网的世纪，这个世纪最大的革命是互联网革命，一切都围绕互联网来运转，互联网是当今人类社会的核心和主导力量。

4、核方法，Kernel Methods

5、笔记：智能是一种具有具有生命的感官意识，可自我复制、发展壮大。生命的产生，与它拥有智能，这二者之间拥有巨大的鸿沟。

我觉得，智能与生命是不能分割的一个概念的两面。没有智能，便没有生命，没有生命，便没有智能。人工智能与人工生命是脱不了干系的，至少人工智能必须具有相当多的人工生命的特征。

6、奇点之后，人不劳动，社会生产率也会提高，那么人又该去干什么呢？人的生存价值又在哪里呢？

笔记：基于人文主义的思想，这个问题很难回答。难道人工智能会成为新上帝？

7、人工智能、遗传基因工程学、纳米技术这三项技术的组合将实现与生命融合的人工智能。 --库兹韦尔 151

笔记：生命的含义：能自我复制的事物

8、也许，在我们所生活的这个世界上，解决复杂问题的方法，实际上可能只有选择与淘汰，即遗传性的进化算法这一种。

也许个人与组织、种群之间的关系比我们想象的还要密切，并且，它们之所以存在也是为了“系统的存在这个目的” 150

9、人类作为种群整体所做的事情，以及个体所做事情的抽象化，能够用一个统一的视角来理解--即“从世界发现特征量，并将其运用于自身的生存”  149

笔记：与达尔文进化论有异曲同工之妙 

10、强化学习：奖励|愉快 不愉快

笔记：可以设计奖励的机制，也可以设计惩罚的机制，与人类社会生活一样

11、创造力：日常生活中的创造力，社会性的创造力

啊哈效应，a-ha experience

笔记：人们只有通过实验、观察、总结、思考才会逐渐了解事物的性质、属性，进而促进科学发展。

12、深度学习今后的研究及相关领域

深度学习今后的研究关联领域

从图像获得特征表示及概念图像识别精确度的提高

获取更多模态的特征表示及概念环境识别、行动预测

获取“行动与结果”的特征表示及结果规划、框架问题

通过一系列行动从现实世界中提取特征量推论、本体论

语言与概念的接地符号接地、语言理解

通过语言的知识获取（将超越人类？）知识获取瓶颈、高层次社会预测

13、玻尔兹曼机（RMB）原理与自动编码机几乎相同。

14、深度学习是特征表示学习的一种。表示学习，representation learning

15、人类智能完全有理由通过程序来实现。

笔记：现阶段深度学习所依赖的计算机资源是庞大的，有赖于计算机领域的革新来解决这一问题(如量子计算机）

16、符号：概念与符号标记的结合体

17、深度学习所做的事情，也只不过是将主成分分析进行非线性化，变成分层结构而已。也就是说，它只是从数据中发现特征量或者概念，然后使用这个聚合块，再去发现更大的聚合块，仅此而已。

谷歌猫脸识别

18、主成分分析：将多个变量缩减成较少个数的 无相关合成变量的方法，在营销领域常用到

19、深度学习：以数据为基础，由计算机自动生成特征量，特征表示学习，计算机自动获取特征表示

hearistic 经验技能|启发式算法

20、人工智能未能实现的若干原因：1 知识输入无穷尽 2 框架问题 3 符号接地问题 4 特征量的选取必须由人来决定 从这个世界里应该关注何种特征量并提取信息，人工智能无法自动获得概念

21、机器学习的难点：特征工程（feature engineering）：即特征量的设计。机器学习在输入时所使用的变量，对对象特征的定量表示。选什么作特征量，对预测精确度有较大的影响。

22、分类法:

1 最邻近分类法：nearest neighbor

2 朴素贝叶斯算法对数据按其各种特征分属类别的可能性进行加总

3 决策树：通过某个属性是否符合某个值进行划分

4 支持向量机（support vector machine），划分时需要使用间隔（margin）最大化

5 人工神经网络（neural network) minst数据集，误差反向传播

23、有监督学习，无监督学习：聚类；频繁模式挖掘

24、符号接地问题：能否将符号与它所表示的意义连接起来的问题

25、框架问题：执行任务时仅提取相关知识并加以应用

知识获取瓶颈

26、重量级本体论：人考虑：基于哲学性、对对象世界的理性探索

；轻量级本体论：计算机考虑：基于信息论观点的利用效率

27、本体研究：上位概念（属），下位概念（种）

CYC计划：输入人类所有的一般性知识

笔记：语言的，非语言的，空白（沉默）》》》语言的，非语言的，空白（沉默）

brute force 蛮力 穷举法，toy problem 玩具问题

28、极小极大原理

搜索树：深度优先搜索:时间；宽度优先搜素：内存资源大

笔记：

判断视觉：时间，空间，运动状态；维度：绝对时间（空间、运动）

视觉：记忆中储存的，直觉感知的：视觉接收，听觉或其他感觉转化；他人描述建立记忆视觉的

松尾丰著 笔记整理精要