名师高徒
人工智能简史，对于小白相当友好。没有因担心不够通俗而回避重点的观点和原理，尽量用连贯的逻辑来解释原理，用大师大事来阐述观点和实践过程。不晦涩，对小白形成全局印象，和小深度理解，很有帮助。
整体的感受，人工智能就是一群顶尖科学家贡献人类智慧，从不同路径不同观念出发，训练一个潜力无限的小弟，让其拥有智力。（智力的定义是人类所认为的推演/总结/应用能力，搜索汇总不是智力。）
首先，把人类语言翻译成机器语言输入
人类要把模糊问题拆解成有边界感可表达的问题。将开放式问题，拆解成，既定规则下的计算问题，多个，很多个，超级多个，都可以。拆解后，运行得出结果，再上收归纳。
由此，人类不会至少短时间不会被机器替代的能力，是提问和拆分的能力。 其次，机器学习
人类天生拥有推演能力，擅长使用因为所以，但机器真正的优势不是推演，而是经验学习，就如同规范和实证两个研究路径。人类擅长规范，提出问题，细化问题，分析问题，解决问题。机器是从经验（数据）开始，总结规律，给出解决方案。将运作机制看成黑匣子，从输入和输出两端观察，寻找数据特征，形成判断。
机器学习过程中需要人类不断调试，在不同阶段喂给它相应阶段性数据，才能将信息流在既定框架中流转。
再次，让机器语言翻译成人类语言。
机器会用海量的数据流，跑出各式各样的结果，这个结果是好是坏，数据样本是合理还是有偏差，这个需要人类加以判断。所以在机器学习过程中，需要给予逻辑赋值。将特征进行归类。打上好坏的标签。再输出，输出的判断性语言叠加数据，才是人类可理解的语言。
人类也会设置让人工智能不断选择优化结果去自我进化。优化本身也是指标衡量，衡量标准也是人类在做大面的设置。
当然人工智能这么多年，绝不是这几句话，能总结。
它是一系列的模拟，推演。结合脑科学神经网络的研究去深化。
整个探索过程非常有趣，充满了永恒的争辩和实践，被替代，被证明。没有哪一条路被证明是对的，也没有任何一条路被证明是错的。
当人类将思维过程总结为，聚焦，移动两个词的时候，真的感到非常非常地震撼。光标随着注意力走向一个点，再给出下一步路径。这是人的思考过程，也是计算机可以实现的计算过程。
当神经网络将分层传递研究明白，计算机也借鉴形成多层聚合整理分发，计算机计算过程模拟神经元的拓延，它不用化学物质传递，而是用芯片数据传递。
看这本书时，一次又一次惊叹于大师们从纷杂中找到的本质。
按照作者的理解，无论现在人工智能看起来多么强大，但其实都是在弱人工智能道路上的深化，它的使命不是替代人作为人的属性，而是替代人作为工具的属性。强人工智能其实并没有开启真正的探索之旅，这是不是代表未来不会开启，并不可知，但至少在可预见的未来并不会出现面世的成果。
（非专业人士，主要聚焦于感触，表述错漏敬请谅解）
PS:摘录
智慧的疆界应是指人类探寻智能奥秘过程中，“已知”与“未知”之间的界线。以代表计算能力的图灵机为起点，以掌握了意识和思维奥秘的终极智能为终点，在这条路上人类摸索前行，现在还不知道距离终点有多远，只是走得越久，知道得越多，看见的未知风景越多。这段探索奥秘的历程，当然值得我们去记录、学习。 智慧的疆界应是指“人类智能”与“人工智能”中间，那条迄今看来仍无法逾越的鸿沟。模仿、学习并最终掌握人类得以拥有智能的本质原理，跨越这条鸿沟，得以用智慧制造出智慧是人工智能的最终目标，经过六十余年，甚至可以说是两三百年的探索，终于找到了一些可能可行的路径，总结了一些也许是正确的方法，做出了一点阶段性但足以改变世界的成果，也遇到过不少令人望而生畏的巨大困难和挫折。这些跨越这条鸿沟，实现人工智能终极目标的方法、理论、成功与失败，当然值得我们去记录、学习。 人工智能迄今为止经历了三次高潮和两个大的低谷，目前处于第三次高潮的顶峰，这次高潮是由机器学习，尤其是深度学习、深度神经网络引领的。 既然图灵机这样一个并不复杂的计算模型就可以抽象人类逻辑和计算能力，而逻辑和计算又是人类最具代表性的智能表现之一，那“思考”能力，也就是“智能”是否也可以被一个模型所承载抽象，并且被机器所实现呢？图灵机是否也可以扩展为概括所有智能活动的模型？如果图灵机不足以成为这种模型的话，是否有其他抽象模型可以代替，成为人造智能的基石呢？ （如果计算和逻辑，是最初的，我们理解，人类与机器的区别，而现在不再呈现明显的区别，那么人类和机器的区别，在现在这个时点看，是什么呢？打开脑洞一下，是人类的意识，这个是离开了想法，悬浮于上的，我是谁，我在哪里，当下是什么，的这一类的东西。） 损失函数 函数理论值和实际值差异，损失函数最小化就是模型最优 误差来源 误差（Error）＝偏差（Bias）+方差（Variance）+噪声（Noise） 机器学习建模过程的所有步骤，从数据采集、预处理、选取特征、确定损失函数、解决欠拟合和过拟合，到最后通过优化算法获得模型 误差反向传播算法”的训练方法，可以很好地解决多层神经网络的训练问题了。 假若我们换一种理解方式来看待神经网络，把网络的每一层都使用一个函数符号来表示的话，那不难发现，多层的神经网络就等价于多个函数的逐层嵌套。求嵌套函数导数的方法，在计算机领域是已经有了成熟解决方案的：数学和计算机代数中的自动微分（有时称作“演算式微分”）就是一种有着固定迭代步骤，可以借由计算机程序运行的嵌套函数导数的计算方法。误差反向传播算法，在思路上其实是自动微分技术在反向积累模式的特例。
