《深度学习》是一本由[美]特伦斯·谢诺夫斯基（Terrence Sejnowski）著作，中信出版集团出版的精装图书，本书定价：88，页数：400，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。
《深度学习》读后感(一)：深度学习 每天听本书
谢诺夫司机 四院院士 美国只有三个 人工智能发展史：漫长和曲折 智能算法是人工智能的灵魂 达特茅斯1956年 夏季研究计划，马文明斯基。 学习派：大量识别正面和反面的，类似人脑 设计派：程序设计理念，传统计算机算法，积木问题，过于乐观。 感知器：识别坦克，但是阴天有云识别不行。 又一堵墙：马文明斯基：单子识别缺无法形成人类神经网络。破局者：时隔十六年，作者：玻尔兹曼机，可以让感知器连接起来，形成神经网络。 鲁姆哈特：他的论文被转发四万次。 1986年开始成为热门。1995年又遇到问题：学习太慢，恰好摩尔定律，芯片运算能力翻一倍，又遇到了春天，终于可以组建人工神经网络，核心还是智能算法。谷歌人工神经网络有10亿个节点。 未来：并非一帆风顺高歌猛进。下一次人工智能的节点或者说是危机（局限）可能卡在人类这边，人类越来越难解释和看懂，比如阿尔法狗的那一步棋，以后人类可能看不懂它的选择;另一个问题是是人类还不了解自己的大脑，20瓦左右，远低于计算机，对于大脑的工作原理还相当浅，对人类身体就更难了解了；第三个局限可能来自芯片领悟，摩尔定律可能失效，晶体管的数据已经快速逼近这个极限，人脑大约有1000亿个神经元，目前的神经网络通常有几百个左右。
《深度学习》读后感(二)：《深度学习》读后感
这是一本优秀的深度学习发展历程科普书！人工智能的历史说长不长，但说短也不短，上世纪五十年代至今，却历经一波三折！书中介绍了很多人工智能发展过程中的重要突破，一路坎坷到如今当下最火热的研究方向，离不开众多科研人员的孜孜探索。本书讲述了许多对今天深度学习发展有重要贡献的人和事，人名复杂内容太多，看完后，很多细节记不清，部分专业内容有点深也无需深入，通过本书粗略了解当下最火热的话题，挺好～
然而可以看到，在人工智能基础研究发展历程中，中国人的身影几乎没有，正如诺奖一样，国人总是很少见到，很可惜也很无奈！深度学习表明了，学习的重要性，而我们人作为这个大自然中最具有学习力的生物，这注定了人类文明的繁荣昌盛！当下人工智能还处于发展重要阶段，很多突破性研究还有待后人发掘，正如作者预测，50年后，整个人类社会将真正因人工智能而发生翻天覆地的变化！！
如今中国成功搭上人工智能发展快车，中国人善于学习，并积极学以致用，虽然人工智能基础研究中国人的推力较少，但不可否认当下人工智能研究最火热的地方之一就在中国，中国人对隐私没有西方人的那么重视，中国拥有最庞大的数据以及中国人的创造力，这都有利于人工智能在中国这片热土如火如荼开展！也许在不久的将来，人工智能最伟大的公司就将出现在中国，期待国人在这个舞台大放异彩！
《深度学习》读后感(三)：简评超字数限制了
多年前看世界特色建筑就知道了索尔克研究所，几何线条的极简设计，院子直通太平洋，那时候觉得这样的建筑有点不接地气，但其实对一些科学家来说那就是他们日常上班的地方。
读到的这本《深度学习》就是在索尔克研究所的美国“四院院士”对人工智能的介绍，从大众熟知的阿尔法狗、自动驾驶汽车到谷歌翻译、以及华尔街最赚钱的新兴投资机构（数学家创立的），当前的应用到的技术在三十年前就研究出来了，这是应用比理论发展得更快的科学技术，某些人声称的机器不能制造艺术可能也要加问号了，因为训练出来的对抗网络可以输出合成的感官很真实的照片、输出已过世的演员的视频片段、输出机器设计出来的服装款式…通过本书还可以看到人类的大脑前额皮层（在人脑额头里面的部位，主要进行决策）要到成年初期才会停止发育，所以中国古人面相术说的“天庭饱满”是有道理的，而大脑在出生到成年的时间里的这些发育会影响DNA，所以整个人类的智商都是在缓慢提高。这种无意识的自我进化，其路径和方式之微妙科学家们还没搞清楚。
其中很有意思的一点是提到不管是针对性的个性化学习模式还是强行灌输式的学习，效果没有区别。所以如果什么课程以个性化课程设计为噱头的话，你很可能只是多付了钱。
自动驾驶汽车在技术上可能已经没什么大的障碍了，等社会和法律层面的问题解决后，我们的生活可能会有很大的变化，包括未来建筑的形态。
这本书并不好读，里面虽然只是简单介绍了人工智能的发展，但还是有太多泛化、表征、分量、分布、无监督之类的词语，理解起来并不容易，但是，肯定比一般的微信公众号更值得一读。
《深度学习》读后感(四)：三月读书笔记《深度学习》
这是上周末刚刚拿到手的一本书，这是我看的最快的一本书，用了两天时间快速读完。这是一本超出我的知识面的书籍，还好作者思路清晰，让我能够简单理解这本书的最表层内容。学术部分直接忽略吧。（安慰一下自己，给自己一个博览群书的理由。如果你只读每个人都读的书，你也只能想到每个人都想到的事）
这本书作者是美国人特伦斯.谢诺夫斯基（看名字像前苏联的），世界十大AI科学家之一，美国四院院士，全球AI专业会议NIPS基金会主席。这本书我可以理解为一本讲解人工智能的专业书籍。内容主要是讲述了计算机通过深度学习，在飞速进化，目前在各领域中的应用所带给我们的便捷，同时也大大降低了人类工作中的错误率。例如：医疗、自动驾驶、金融、语音识别……
同时，这本书作者通过计算机发展重大事件年表主线条，从1949年唐纳德.赫布的赫布定律写到2017年ALPHaGo 击败韩国围棋冠军和中国围棋小将。这一切都是在叙述计算机通过大数据、算法等多维度可以深度学习，在细分领域超越人类，将工作更准确的完成任务。个人认为特别是在医疗方面，通过对大数据的深度学习，能够更快速更精准的分析出病因和解决方案。
这本书里重点讲述通过神经学对计算机智能化的推进中的重要作用，同时书中用到了非常多的名词和专业术语：算法、贝叶斯规则、过度拟合……让我能够粗浅的认识人工智能深度学习的原理。
书中最后写到，人类还在不断寻找智能最高形态的核心概念。
人工智能已经走入我们的生活，我们要用一颗包容的心去接受TA，让TA更好的服务于我们。
理解有限度，就写这么多吧。晚安！
《深度学习》读后感(五)：人類可能會越來越看不懂深度學習
作者特倫斯·謝諾夫斯基是全球人工智能十大科學家之一、深度學習先驅及奠基者，美國四大國家學院（國家科學院、國家醫學院、國家工程院、國家藝術與科學學院）在世僅 3 位的「四院院士」之一，全球 AI 專業會議 NIPS 基金會主席。
人工智能發展到今天，不到60年的時間，就至少經歷了三次嚴重的危機。
研究人工智能的先驅們，分成了兩個派別。
一派我們可以稱之為「設計派」。設計派認為，人工智能是可以自上而下設計出來的。只要給出明確的符號、規則和方法，編寫程序輸入計算機，就能讓計算機擁有理性思考的能力。
而另一派我們可以稱之為「學習派」。學習派認為，在大部分實際問題中，我們其實很難找到「設計派」想要的那種明確的符號、規則和方法，所以我們可以借助大量的樣本，讓計算機通過不斷學習的方式，慢慢擁有智能。
在人工智能的早期時代，大多數研究人工智能的先驅，不太關心人類大腦是如何工作的，他們更傾向於設計派。
直到 2016 年，「積木問題」才通過深度學習算法被解決。
經過了這樣的挫折，學習派才開始慢慢被重視。因為任何人工智能領域的難題，自然界都已經通過進化解決了。不管是搭積木還是打乒乓球，我們的大腦已經有了一套高效處理的程序，所以，人工智能只要通過模仿人類學習的過程，就一定能找到一種行得通的算法。
根據目前的人工智能的發展來看，下一次人工智能的危機，很有可能問題不會出在計算機那邊，而是出現在我們人類這裡。因為人類可能會越來越看不懂深度學習。深度學習越來越像是「煉丹」。我們知道計算機能給我們一個好結果，可是這樣的結果是怎麼出來的，越來越難以解釋。既然連解釋都很難，想要調整參數、定向優化就更難。這可能是人工智能的下一次危機，當我們越來越不理解人工智能的結果時，我們就不敢將人工智能放到更多的領域。
《深度学习》读后感(六)：深度学习八卦简史
看到王勇老师的朋友圈的推荐买了这本书，在人工智能深度学习领域炽热的今天读这本书倒比较应景，约汉森顿，杨卫坤和约书亚获得了2018年的图灵奖，为深度学习在人工领域的高潮添加了一颗明珠。作为和约汉森顿交流合作颇多的作者而言，出这本书颇合时宜。
去年读了一本人工智能诸多流派的书，其中符号逻辑学拍派马文明斯基是绕不过去门槛，在60年代马文明斯基的《传感器》冷冻了神经网络领域的研究长达30年之久，在这条道路上探索的专家和学者几乎看不到希望，即使现在，也有学者对生物仿真类的神经元建模嗤之以鼻，而专注于符号逻辑学派，这之间的争论，即使在深度学习火热的今天也未能停歇。
在关于人工智能是否会超越人类，而带来人类危险这件事上，我去年基于一本书上的观点，笃定在人类构建的代码和规则面前，人工智能在规定的框架内运行，几无超越的可能，读完这本书，我从另外一个角度理解了学界对该事情的担忧，神经网络的算法，借鉴了生物学进化的观点，存在学习产生的不确定性，在目前的专项应用算法中，深度学习已经超越人类目前对指定规则下未知领域的创新探索，给出创新的模式，这种不确定性，会带来什么，是否存在超越逻辑的风险，至少以我目前的理解，是会的。
深度学习是跨越生物学，化学，数学的学科，不单纯的从语言，符号，逻辑，数学进行推理，而是关注生物学感知过程和信号传播，处理过程，从仿生学的角度进行隐喻构建，从感知器，玻尔兹曼机到卷积神经等算法，无不体现处理的机制和原理模拟，伴随计算能力的提升和算法的优化，在感知层面的视觉，听觉处理上，深度学习已经达到和超越人类的处理水平，例如图像识别，文字翻译，语义分析等。
从马文明斯基的观点来看，专用智能领域的进步与通用人工智能有天堑之别，深度学习在专用领域的成功，针对具体问题的解决方案，与通用人工智能关联不大。虽然，深度学习取得长足的进步，但确实仍有漫长的道路要走。
作者有点自传体深度学习发展史，在理清传承脉络的同时也不乏八卦趋势，偶尔读到不免呵呵一笑，当然30年的蛰伏以及漫长枯燥的探索 ，不仅是板凳要做十年冷的问题，看到研究具体算法和某一领域几十年如一日的学者成功令人艳羡，应该也有不少默默无闻，一生无人问津，学术就是个漫长独行的道路，坚持下来的都值得尊敬。
ips大会的热度越来预热，不知是否有机会现场观摩一次，以为记。
《深度学习》读后感(七)：纯阳书评二百八十七之《深度学习》
智能来自于哪里，是设计而来，还是学习演化而来？这个问题可能不好回答，所以把它拆解为两个更容易回答的小问题。第一个是人类智能来自于哪里，是设计而来，还是学习演化而来？长期以来，宗教不断告诉人们，既然人是上帝等神秘力量造出来的，人的智能当然也是拜其所赐，这些强大的神秘力量在造人之前即使没有花几个月详细设计，肯定也是认真思考过该给人类赋予什么能力这个问题的，所以人类智能应该说来自于设计。而达尔文等进化论学者则通过有力的古化石证据打脸了前述“设计派”，尽管看起来简直难以想象，但是如此复杂的人类智能居然事实上是由古生物细胞学习演化而来。
相应的，第二个问题是人工智能来自于哪里，是设计而来，还是学习演化而来？这本书将会告诉我们这个问题的答案和答案演化的逻辑与上一个问题几乎如出一辙。这个问题的演化之初也是“设计派”占了主导地位，人们出于本能直觉和对逻辑的热望，想当然的以为人工智能应该是逻辑和规则的产物，认为只要把逻辑和规则定义清楚，然后对机器倾囊相授，那么机器就可以智能起来了。但是人们很快就发现困难接踵而至，逻辑和规则没有想象中那么清晰，在规则的迷城中人们自己都会左右为难，更何况人们还寄希望于用规则去打造一种人工的迷城。所以人工智能研究很快就进入了死胡同，直到人们师法于生物学，向脑神经科学学习，发明人工神经网络算法，并在算力极大飞跃和数据极大丰富出现的时候，人工智能才真正迎来了自己的春天，实现了巨大的飞跃和真正意义上的突破。而这种飞跃和突破也反过来证明了人工智能不是像人们想象的一样来自于设计，而是来自于学习，来自于就像婴儿一样的学习。
这本书叫深度学习，或者按照英文原名叫深度学习的演化，其实从内容上看完全可以称得上一本人工智能简史。作者通过对人工智能中重要事件、组织和人物的描述，给读者勾画出了一幅脉络清晰的人工智能发展历史缩影和趋势路径。在深度学习演化史上的里程牌性突破颇下了一番笔墨，进行了较有深度的讲述，这一点对于读者了解人工智能，构建一个科学的人工智能知识结构很有帮助。除此之外，作者还点破了一个更大的题目，即人工智能和人类智能研究将会在未来形成一种什么样的关系？尽管说人工智能的突破得益于对人类智能的研究，但是人类智能的研究尚不高明，而且处于举步维艰的阶段，换句话说，我们人类对自己的智能也知之甚少，远没有我们想当然的那么多，而且很难知道更多。老师都想不明白了，作为学生的人工智能怎么办？能自己主动扛起拓展知识新边界的大旗，并反过来拉老师一把吗？很显然按照作者的逻辑，未来的人工智能和人类智能研究必将是互为学生，互为老师的关系，将在未来的认知探索中肩并肩手拉手。
e
《深度学习》读后感(八)：从八卦中看AI传奇
《深度学习》是AI传奇人物特伦斯的一本准回忆录。特伦斯和Hinton一起发明了玻尔兹曼机，帮助神经网络社区走出1980年代的寒冬。他又是NIPS的主席。作为行业顶级会议，NIPS对AI的发展方向有着举足轻重的影响。因此，我们能从这本书中看到AI的真实发展历程。
从技术方面，这本书对神经网络的发展有一个相对清晰的梳理，从最开始的感知器这样的线性工具，到后来的多层网络，再到反向传播算法。随后的卷积学习和奖励学习横空出世，彻底改变了人们对于神经网络的态度。卷积学习广泛应用于图像识别相关的问题，让计算机在解决相关问题时，表现出超越人类的能力。在我的工作中，就会用卷积神经网络来做猪只的识别、盘点和估重。神经网络的准确性和稳定性，都是传统计算机算法无法企及的。奖励学习更不用说，AlphaGo就是经过奖励学习训练出来的。不过，特伦斯在写这本书时，显示没把书当做一本教材来写，对于技术的细节都是一笔带过。因此，对于缺乏AI算法基础的人来说，这本书在技术方面会显得有些晦涩。
这本书独特的地方，当然是特伦斯讲到的一个又一个故事。神经网络曾经在1980年代遇冷，萎缩成一个很小的社区。现在我们耳熟能详的AI大神们，都来自这个小圈子。特伦斯是这个小圈子的关键一员，因此能讲出不少故事，比如Hinton怎样获得研究基金，比如Yann LeCun心直口快的态度。特伦斯提到所谓“邋遢”的神经网络。很多时候，神经网络运转起来了，都还没有人能说清它的原理。这导致了很多“整洁”派科学家对神经网络的抵触。有的人说深度学习缺乏严谨性，甚至说深度学习是“炼金术”。然而，就像特伦斯的回应，当年也是在蒸汽机发明很多年后，才有了热力学定律来系统解释蒸汽机。先有实践，再有理论工具，确实在科学中常有发生。
特伦斯特别记录了一件事。1970年代，马文·明斯基的《感知器》一书，把神经网络推入寒冬。明斯基对多层感知器做出悲观判断，让整整一代研究者对神经网络望而却步。特伦斯坚持了在这一领域的研究，因此可以说是受益者。但他还是忍不住在2006年的一个宴会上问明斯基：你是上世纪70年代制造神经网络萧条的魔鬼吗？明斯基犹豫了片刻，承认了。即便如此，明斯基在2016年去世前，还是坚持神经网络的局限性。即使在学术领域，很多人都无法接受深度学习的成功。或许在很多年后，有一个严格的数学理论能说明深度学习为什么能完成它所擅长的任务时，萦绕在这一学科的“炼金术”论断，才有可能消散。
不过，特伦斯尝试给深度学习的成功做出一个生物学解释。要知道，他的博士背景是物理，后面转去神经科学。因此，特伦斯不会简单地把深度学习看做一大段计算机代码。在整本书中，特伦斯都在类比计算机神经网络和大脑神经的相似之处。在特伦斯看来，这两个系统都是基于简单的神经元搭建起来的复杂系统。在自然界中，这种基于简单单元的神经系统可以处理令人惊叹的视觉和语言任务。在计算机上运行的神经网络，其实是对大脑神经系统的一个模仿。既然自然已经证明这一方式有效，那深度学习的成功一点都不意外。特伦斯后来的研究经历中，也越来越偏向于认知方面的工作。计算机世界的深度学习，同样启发了他对人类智慧的研究。这一感悟，是全书最独到的一点。
《深度学习》读后感(九)：这本书很硬，但我终于弄懂了：人工智能之道在于道法自然
当下，人工智能已经成为新一轮产业变革的核心驱动力，在全球范围内蓬勃兴起，正在深刻改变人们的生产生活方式，对世界经济、社会进步和人类生活产生极为深远的影响。掀起这股变革大潮的，正是大名鼎鼎的深度学习技术。这项技术可以追溯到人工智能诞生的20世纪50年代，虽然经历过低谷，但依然无法掩盖其璀璨的光芒，一旦时机成熟便大放异彩，产生深远影响。
众多关于深度学习技术的作品中，特伦斯·谢诺夫斯基的这本《深度学习》最具有说服力。作为深度学习技术的先驱和领军人物，他不但见证了深度学习的发展，更参与到神经网络的研究，与他人一起发明的玻尔兹曼机引发了神经网络研究热潮，将深度学习从边缘课题变成了核心技术，推动了人工智能井喷式的发展。
在谢诺夫斯基看来，深度学习技术虽然始终处于前沿科技，但始终是以人为本，建立在对人类自身的研究之上的。
首先，表现在对外在事物的感知上。
对人类来说，我们可以在复杂的背景下，排除光照、远近、位置以及其他物品遮挡的干扰，够轻松辨别出来。但对于之前的计算机来说，几乎是不可能完成的任务。要知道，人类的视觉系统能够在1/10秒内识别出混乱场景中的对象，而计算机无法准确地进行分辨。但是，人类的智慧是无穷的，通过研究人类视觉系统的原理，设计出网络感知器，能够根据物体不同部位的不同特征设置不同的权重比例，在不断地学习中调整优化，从而让计算机学会图案分类。如果有足够的训练样本，而且能够把输出结果和正确答案进行比较，感知器就会进行递进式学习。这就是深度学习的起点。
其次，表现在对信息的存储记忆上。
人类的大脑在接收到外部的信息后，能够通过短期记忆和长期记忆的方式将信息进行存储，以便于在需要的时候进行调用。对于人工智能来说，简单地存储无法发挥作用。依然是通过对人类大脑的深入研究，科学家们找到了解决问题的方法。物理学家约翰·霍普菲尔德开发了霍普菲尔德神经网络，实现“内容可寻址存储”，可以只采用信息内容的一部分进行提取，供整个神经网络使用。这与大脑负责长期记忆的海马体运作模式非常相似，成功实现了对大脑功能的诠释，也为深度学习找到了一条较好的发展路径。
第三，表现在对信息加工处理上。
人类在识别出物体的1/10秒时间里，视觉皮层有100亿个神经元在同时工作。科学家们依然是通过研究大脑神经元的运作原理，开创了认知神经科学，展开了人工智能运行的探索。谢诺夫斯基和同事参照大脑的运行机理，发明了著名的玻尔兹曼机，解决了人工智能的思考问题。玻尔兹曼机是一种随机性的循环神经网络，由多层神经元组成，采取逐层的、没有监督的训练方式，不需要人工参与，只要拥有更多数据，就会产生更准确的结果，这也是深层学习算法崛起的原因之一。目前已经应用于许多机器学习任务中，能够很好地解决一些复杂问题。此外，科学家们还探索出卷积学习、对抗网络、奖励学习等深度学习的方法和思路，让人工智能变得更像大脑。
因此，从某种角度来看，人工智能也属于仿生学的一种，高度模仿了人类大脑的运作模式。因此，我们说，人工智能之道，在于道法自然。现在看来，虽然深度学习已经取得了巨大成功，但是人工智能和人类智能的差距依然是巨大的。人类大脑中有大约1000亿个神经元，总共约有10的15次方那么多的神经链接，而大脑的功耗仅有20瓦。相比之下，一台千万亿次级超级计算机，功耗却是5兆瓦，是大脑功耗的25万倍。但是，我们有理由相信，随着人类对大脑探索程度的不断加深，人工智能的发展也将更加迅速。
特伦斯·谢诺夫斯基在书中指出，当黑猩猩的基因组被首次测序后，我们认为自己能够阅读生命之书。但是很遗憾，书中90%的内容我们都没有能力读懂。自然界有一系列的只能行为，可以让人工系统从中学习。或许，我们可以通过理解深度学习的方法，找出更多的线索，而这些线索，将会把我们带到更高级的科技技术面前。
《深度学习》读后感(十)：回到未来：人工智能是不是潘多拉之盒？
人工智能元年：2016？
对于一个普通大众而言，2016无疑是人工智能元年：阿尔法狗（AlphaGO）对战韩国围棋界18次世界冠军获得者李世石。其后，2017年，阿尔法狗化生Master横扫网络围棋服务器，5月，阿尔法狗连胜柯洁三场。就从那个时候，我身边不少患有中年焦虑症的朋友又有了新的焦虑：人工智能这么厉害，还需要我们这些人干什么？然而，如果当我们真的了解人工智能，或许就如《深度学习》作者所说的，人工智能（神经网络学习）元年要回溯到20世纪50年代，这时候，你是否会重新去思考人工智能的未来呢？
作为深度学习先驱及奠基者 ，作者指出：神经网络学习的重大突破每30年就会发生一次。而这三个节点分别为：1.20世纪50年代引入感知器；2.20世纪80年代学习多层感知器算法；3.2010年开始兴起深度学习。其中每一个阶段都经历了一段繁荣期，在短时期内取得飞跃性的进展，随后便是较长时期的缓慢发展。
所以，有鉴于新媒体习惯和热衷于营造焦虑、制造风口，言必谈深度学习、AI、Python，《深度学习》无疑是解毒丸：深度学习或许已经在改变我们的生活，但它不是爆点，不可能一下子把你给赶走，也不可能一下子点石成金。关键是，我们要学会了解过去，畅想未来。
经验还是逻辑？
回到20世纪50年代，关于计算机的应用还处在发展阶段。不过，即便是在发展之初，也遇到了两种不同的思考方式。
假设你这在一个摆满了桌子的课堂里，你现在需要从教室门口走到你坐的座位上。作为一个人，你可以凭自己的经验躲开桌子还有同学做好，有时候你都不需要思考，或者你脑子里还在想着刚刚巧遇的隔壁班上的女孩。不过，对于计算机而言，他每一步都需要计算，遇到一个桌子，左转、右转，于是简单的一个行走，就变成了2的多次幂计算。这也是一直以来人们相信为什么在围棋，计算机永远打不倒人类的原因。
对于一部分科学家而言，他们相信逻辑能决定最后的走向，简而言之，他们希望通过告诉计算机两点之间直接最短来让计算机做出最佳路径的选择。而对于另一部分科学家而言，我只需要告诉计算机经验就可以了。而正是20世纪脑神经学的发展，促成了深度学习的第一次突破——网络感知器。
感知器的目标是确定输入的图案是否属于图像中的某一类别（比如猫），同时通过权重来实现输入单元到输出单元的转换。对于逻辑至上的科学家而言，他们认为只需要告诉计算机：“猫是一种有胡须的四脚爬行动物”，但经至上的科学家则通过样本来训练感知器，比如拿狗、或者老虎作为反面样本，逐个传递给感知器，如果分类错误，算法就会自动对权重进行校正。
而这，也成为一切深度学习的开端：样本够多，计算越准确。所以，不用怀疑，当你在用微信小程序来玩“你画我猜”时，你就是在给计算机喂数据。
二次创新
当然，这本书并不应当简单的作为一本深度学习的历史回顾。尽管有些回忆会颠覆你的想象：相信在关注“柯洁对战AlphaGo”时，很多人或许都会想到20年前的“卡斯帕罗夫对战深蓝”，当时的那场世纪之战已经引发了人们对于计算机技术的恐慌。不过，作者认为，深蓝不过是利用暴力计算法获得胜利，使用特质硬件，比任何人类棋手都能预见更多的可能棋路，而与其同时间默默无闻的战胜双陆棋 TD-Gammon却是通过时间差分学习算法成为了人工智能的分水岭——程序教会了自己如何在一个人类熟稔的领域中掌握复杂的策略。
展望未来，作者认为，新技术改变教育方式，新的学习科学包括了机器学习和神经科学以及来自学历学和教育的见解。我们也不讲进入一个持续学习的状态。更为实际的是，现在不少大公司都已经投入相当多的资本在研究人工智能，问题和机遇并存。
比如自动驾驶汽车，不久将扰乱数百万卡车司机和出租车司机的生计，随着汽车使用时间的增加，那么，或许有一天停车场都可以变为花园，醉驾和疲劳驾驶也将成为历史。
不过，问题也来了，当一辆车即将撞上行人，它是会选择左边的老人，还是右边的青壮年呢？这是否取决于计算机多读了一本 迈克尔·桑德尔 的《公正：该如何做是好？》吗？