《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》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！
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。
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。
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。
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(五)：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(六)：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(七)：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(八)：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？
《深度学习》读后感(九)：深度学习的哲学基础和成长之路
深度学习的哲学基础和三次革命
深度学习（神经网络）的轮回大概是30年一次，在1950年代的雏形形成、1980年代的算法突破之后，我们在2010年代迎来了深度学习的第三次革命。
说这番话的不是别人，正是杰弗里·辛顿齐名的特伦斯·谢诺夫斯基，美国的杰出科学家，一位神经网络的先驱人物。
特伦斯回头看来，这几句话虽然简单，但却精准的勾勒出了这一学科发展的时间历程，当然也着实透露出一门学科从诞生到成为显学的辛酸过程。今天，当我们动辄就要提深度学习和人工智能的时候，我们经常以为这些东西都是一下子蹦出来的，殊不知这一概念的兴起可以追溯到半个世纪之前，而我们今天使用的大多数神经网络算法（包括最为著名的反向传播），都是上世纪80年的理论结晶。
人工智能的定义一直无法规范，原因在于各个流派对于何为人工智能一直莫衷一是。但从历史的发展角度来说，人工智能可以简单分为两大派别（类似于笑傲江湖的剑宗和气宗）：
一派是自上而下的，即认为给出符号、规则和方法，可以让机器具有人的理性思考能力，这有点像告诉一个孩子这是一个杯子，然后让孩子知道其他能够装水的可能都叫杯子；
另一派则可能喜欢自内而外，他们认为机器可以学习大脑的原理，靠自己理解事物，继而便可以具有人类的智能。后者的思想往往会被称为联结主义。
特伦斯秉承联结主义的思想，但他的思考结晶——《深度学习》一书，显然不是一部联结主义史，所以他的叙述未必如词条般谨慎，而是更多具有个人色彩。在他看来，人类对大脑工作原理的理解乃是这种联结主义人工智能思想的根源：简而言之，搞懂大脑，我们就可以模仿之。
这样的思想显然不止千年，但若要说到真正落实，则肯定要从20世纪开始说起，尤其是图灵式机器与智能关系的探讨，更是开启了新的历程。
特伦斯生于上世纪五十年代，最早的那一段显然与他无关，但他还是对他之前的深度学习起源——那些对他影响至深的人和物做了梳理。而关于初期的重要人物，他重点提到了两个人：Selfridge和Rosenblatt。
下面的这幅图就比较有意思。这图叫做鬼蜮，乃是Oliver Gordon Selfridge所提出的一种认知模型。 Oliver Gordon Selfridge 我们似乎并不熟悉，但其实他是人工智能的先驱之一，是维纳的学生，也是马文·明斯基的一位导师。
鬼蜮这个图非常简单，它把人对世界的感知分成了四部分。首先是输入，之后开始辨认特征，然后是进行认知，最后是一个决策输出。这个模型的核心特征，在于它将人类的思维理解为一个先部分后整体的处理过程，即设想人类大脑对任何外部输入的处理，都是先部分认识，分辨，最后进行组合。很显然，这种思想为后世的联结主义者（神经网络学者）带来了很大的启示。
之后则是感知机的出现。感知机的出现有赖于另外一位著名的先驱 Frank Rosenblatt ——明斯基的室友。 Frank Rosenblatt 引入了单层的感知机，号称可以能够通过感知（例如图片）把猫和狗区分开来。当时这个感知机的出现引起了震动，纽约时报称这是一个能够自学的电子脑，而这也在一定程度上引发了外界对人工智能的狂热遐想，他们以为一个机器替代人类的时代可以马上到来。
Rosenblatt但显然研究者高估了自己的能力。事实上，这种感知机的应用能力有限，它分不出来什么实际的东西。而后来明斯基的《感知机》一书则将这种网络神经的思想彻底判了死刑，也将联结主义这一派的人工智能研究送入了寒冷的冬天。 Frank Rosenblatt 年纪轻轻就死了，有人说是因为研究的失败而自杀，当然特伦斯对此作了澄清。
尽管AI深入寒冬，但像特伦斯这些出身于生物学的大脑神经研究者则在这一过程中一直坚信，对人类大脑神经的研究将继续促进这一学科的发展。搞清楚大脑的原理，然后建立一种新的神经网络模型，就成了一个新任务。
所幸，在1970年代的后期，特伦斯遇见了杰弗里·辛顿。这两个对神经网络都抱有信心的人走到了一起，并且开始为之后的深度学习发展奠定基础。
更为重要的是，在这个时期，研究大脑运作规律的神经科学有了更多的发展，科学家从不同的层面更多的了解了这个神秘器官的工作原理。与此同时，计算机的发展也为神经网络模型更好的实现对大脑的模拟创造出更好的条件。
特伦斯和辛顿一起发明的玻尔兹曼机将神经网络学习向前推进了一步，这种结合了最新神经科学研究成果的方法能够突破先前感知器的局限，实现多层神经网络。当然，在当时的计算机条件下，多层神经网络的实践并不顺畅，而这个时候，以鲁姆哈特为首的另一批先驱（包括辛顿）又恰逢其时推出了反向传播算法，更好的提升了多层网络的效率，实现了算法上的优化。
自此之后，深度学习可以说正式开启了一个新的时代，而接下来的三十年，则变成了深度学习开始从学术走向大众视野和商业应用的新周期——这些我们今日早已耳熟能详。
深度学习的发展历史，正是特伦斯《深度学习》一书的核心。作为深度学习的深度参与者，作者的叙述既有个人感情，但也丝毫不忽视所有人的贡献，正是因此，本书不但比我们目前看到的所有关于深度学习发展历史的描述更加具有人情味（甚至八卦），从某种意义上也颇具客观性。
当然，如果对于技术本身的发展不感兴趣，我想也可以看看本书的后半部分——一个深度学习亲历者对深度学习以及人工智能未来的预测、感知以及期待。作为一个技术的参与者，特伦斯显然是技术乐观派，他毫无疑问的相信深度学习——这种对大脑模拟方法具有光明的未来。大自然当然比我们每个人聪明，但作为一个物种，人类总在不断突破，正因为如此，我们势必也可以进入一个更为智能的时代。
————
221修订，之前错字太多。
《深度学习》读后感(十)：全球人工智能基金会主席：会学习的，不仅仅只有人类的大脑
文 / 董小琳
前几天，在微博上看到这样一则新闻：
回想起自己，曾经夹着三支笔抄作业的情景。不得不说，生在触屏时代的孩子们，简直太幸福了。
那么，在羡慕之余，不知你是否发现了：近两年兴起的人工智能，在成人眼中，是“抢饭碗”的威胁。可到了小朋友那里，却自然地变成了有智慧的伙伴。
这，是人类的进化，还是孩子的无知呢？我们到底该如何看待那些越来越聪明的机器呢？
今天我们不妨就一本书，聊一聊这个话题。
这本书的书名叫《深度学习》。
你可能会想起另外一个新概念，叫——碎片化学习。
随着互联网时代的到来，大量信息涌到我们面前，无线分割着我们的注意力和学习时间。所以，才会出现所谓“碎片化”的概念。
但，我们今天讲的“深度学习”并不是人类提升自身认知的问题，而是关乎机器的智慧。
也就是说，这是一本讲机器学习发展史的书籍。
这本书的作者是世界十大AI（人工智能）科学家之一的特伦斯·谢诺夫斯基。
早在1986年，特伦斯就与杰弗里·辛顿共同发明了玻尔兹曼机，把神经网络的研究带入到应用层面。从而，将深度学习从边缘课题带入到了互联网科技公司仰赖的核心技术。
也就是说，近两年来井喷式发展的人工智能，与作者的研究工作有着千丝万缕的关系。
那么，我们刚才的疑问，在一手打造发展了AI技术的专家眼里，又会得到怎样的答案呢？
1 AI初体验
说到第一次接触人工智能，恐怕大多数人都是在2016年，阿尔法狗对战世界冠军李世石开始的。后来在2017年5月，阿尔法狗再次连胜柯洁三场。一时间，“人类危险了”的信号，遍布全球。
也正是从那个时候，我们认识了人工智能，同时对自己还能做什么，产生了深深的焦虑。
这和书名中的“深度学习”，又有什么关系呢？
实际上，支撑机器运用自身智慧，战胜人类的，就是一种叫做“深度学习”的算法机制。
简单来说，只有经过深度学习训练的计算机，才能不受人类刻板的指令控制。而更像一个自然进化的生命，自主地从经验中学习，根据现实情况自行做出判断与行为。
2 深度学习并不新
让机器像生物一样进化，自主学习？ 这也太炫了吧？你也许会觉得深度学习很潮，是科技发展的新兴事物。
但是，实际上它已经出现了近百年。
深度学习的轮回大概是30年一次，在1950年代的雏形，1980年代的算法突破之后，我们迎来了2010年代的深度学习革命。如果你看过美剧《了不起的麦瑟尔夫人》的话，是否注意到，女主角的爸爸在贝尔实验室工作时，曾经试图用外孙的儿歌唱片，教会电脑唱歌。后来，也正是因为他把这项研究，解释给了讲脱口秀的女儿，而被实验室解雇。
在上个世纪50年代，教机器学习的技术，还只是一个雏形，是国家最高级别的绝密科研。
而在今天，深度学习的理论和应用，不仅已经实现了全球范围内的协同研究，更被结集成册，就像这本《深度学习》。
在这本书里，作者作为深度学习技术的先驱和奠基者，通过3个部分的讲述，全景展现了几十年来深度学习的发展、演变与应用。从而，让我们在了解其历史的基础上，能更加准确地预测出机器智慧的未来。
3 机器的自我思考
作者说，关于人工智能的构建，曾经有两种截然不同的观点：
一种观点主张基于逻辑和计算机程序；而另一种则主张直接从数据中学习。很明显，第一种是我们常见的编程思维：只要把行动写进程序，后面就交给机器去执行好了。而第二种则是今天的主题——深度学习的雏形。
一个人告诉机器怎么做，一个告诉机器之前的人们怎么做（经验），然后让它自己判断。
而教会机器思考的基础，则是两项技术的飞跃发展。它们分别是：网络感知器和大数据。
所谓感知器，顾名思义，就是人工智能的五官。有了感知器，机器就有了基本的学习能力。
但是，想要成长，光有能力还不够，还需要接触大量学习的素材。
因此，大数据技术为深度学习提供了二次发展。数以万亿的数据样本，被喂投到计算机那颗空荡荡的大脑里，让它吃得饱饱。
所以，才有了今天会下棋的机器人，会模仿各种笔迹的代写工具。
4 我们能做些什么
说到这里，我不禁想到了自己。
一台冷冰冰的机器，尚且能通过深度学习，掌握各种“不可能”的能力。 那么作为天生具有学习能力的我们，又该如何进化呢？刚好前几天，我听了一节关于改善睡眠的课程，不妨和你分享下：
如果你能在每天晚上入睡前，写下当天让自己高兴的三件事情。
注意：每件事情只能用一句话记录。不要详细写来龙去脉，不要分析为什么会感到快乐。只要单纯地记录。
然后，倒头就睡。
坚持一周后，你会发现：第二天早上起来的自己，不仅精神充沛，而且心情愉快。
这和机器不断从样本数据中学习“什么是快乐”，简直太像了。
实际上，这就是我们的大脑在深度学习的过程。
机器，就像一张白纸。
教它们在纸上书写的过程，也是人类在不断自我迭代的过程。
我们的智慧，在教育机器的同时，会与其共同增长。就像，通过给大脑提供样本，让自己睡得更好的人们。
就像，用压岁钱买机器人代写作业的孩子。
正如苹果公司CEO库克所说：科技本身没有好与坏，世界会因为AI而变得更好。
你又和人工智能又有过怎样的亲密接触呢？
欢迎留言。
—END—