豆瓣
扫码直接下载
又是一本偏商业的综述。有几章像是深度学习的简略教程，但我认为有必要 - 相反，脱离技术而对人工智能夸夸其谈是可耻的，这一点值得警惕。
非常实在 清晰明了 基本上只是大数据匹配和模式挖掘
人工智能应对不同领域的发展状况，算法与思维方式，数据收集方式。仍需解决的问题，是否需要担忧，中规中矩，入门可以。 期待过高。
作者很详细的介绍了人工智能从提出到至今发展的历程和取得的成果。深度学习，卷积神经网络，虚拟现实，语音助理，自动驾驶，alphago等等之前耳熟能详的词语终于彻底了解了是怎么回事。内容也不太难，深度也合适，很棒的一本书。
没想到是侯世达的学生的作品，是我找到的最清晰的关于AI内容的科普和祛魅，至少让我简单理解了何为卷积神经网络，递归神经网络，自然语言处理的基础Transformer其中的encoder和decoder，至少在很多地方能够帮助自己做了很多的祛魅，问题可能就是对我来说还不能理解类似Q-Learning和深度强化学习这样的算法，但我觉得其中打开的一扇门很适合通向例如侯世达例如其他的内容。
自学机器学习的时候看的，对我这种门外汉来说，是个很好的科普书
和侯世达一样，米歇尔也已经out of fashion了，如果你想从这本书里得到AI或者深度学习领域的最新理念，出门右转并感谢这条评论帮你节省的时间。
我是翻译从业者，从目前AI在翻译领域的应用来看，确实是从TM系统到基于规则的机器翻译系统（几乎无帮助），再到基于统计的机器翻译系统（节约20%的工作量），最后到现在基于深度学习的机器翻译系统（节约三分之一的工作量），能看到非常大的进步，但是确实离取代人工翻译还有无限长距离。
人工智能祛魅之书
现在是2025年，这本书其实已经可以当成ai发展至今的一个历史成长史来看了
通俗易懂地总结和分析了人工智能领域的发展历程、既有成果、缺憾问题和前景方向，有很多观点具有启发性，尤其是其中提到的问题确实是AI现在的软肋，比如迁移学习能力、对常识和抽象概念的理解力等。
很不错的书，能感受到作者对读者的贴心，帮助get到了一些计算机黑话（叉腰）。PS：比起研究AI，我对研究人的兴趣好像更大些（挠头）。
我唯一找到的用自然语言表述深度学习的书。除关于理解的俗套外，介绍了卷积神经网络，监督学习，强化学习，蒙特卡洛树，递归神经网络。我一度以为卷积神经网络可以靠反向传播法调整所有程序，但隐含层的层数，权重的调节度都需要人工参与，训练集还需要人工标注。强化学习的奖励值如果可以回调，初始游戏规则它自己也改不了，而语言游戏总促使人间规则的改变（自动驾驶看起来成了重点）。这让我基本放弃了AI可能达成思辨实在论愿望的想法。与其说它自己建模再探索，不如说它只能探索人类建的模。作者认为AI研究依旧是笛卡尔式的，没有真正考虑具身认知和大数据的区别（反过来说明如今斯蒂格勒比德勒兹更好使）。阿尔法狗的倾向性不等于情感，后者应影响初始规则而非模型内部调参，建模反而害了它。当然现象学依然是笛卡尔式的，还望英美多读马里翁。
作为科普真的很好，通俗地讲解了“人工智能”、“神经网络”、“奇点”等概念，而且每一项重要技术都很耐心地讲解。在作者看来，狭义上的人工智能离真正意义上的通用人工智能还很遥远，而我们对后者的想象不仅依赖一些科幻作品，还有一些商业营销套路（对人工智能的“捧杀”吧）。目前看来，“智能”一词还需多多考虑。
说了，又好像啥也没说
很好的科普+发展史。也算是另一个方面了解了神经系统和脑科学。
人工智能集大成之作 内容丰富 深入浅出 如果只推荐一本ai相关 绝对是这本
水分太多。 估计十几页就够了
好书的两个显著标准： 1 书名根本不重要，内容足以支撑一切； 2 我想要看作者的所有作品；
4.5/5 比Nexus好，网络上关于AI绝大部分的问题和顾虑在本书都有论述，且还不过时
> AI 3.0
35 有用 BlaCk 2021-04-27 21:57:12
又是一本偏商业的综述。有几章像是深度学习的简略教程，但我认为有必要 - 相反，脱离技术而对人工智能夸夸其谈是可耻的，这一点值得警惕。
19 有用 hx 2021-02-18 10:38:52
非常实在 清晰明了 基本上只是大数据匹配和模式挖掘
11 有用 Rachel.ZZZ 2021-03-16 19:30:40
人工智能应对不同领域的发展状况，算法与思维方式，数据收集方式。仍需解决的问题，是否需要担忧，中规中矩，入门可以。 期待过高。
21 有用 诺坎普的朝圣者 2021-04-08 20:33:20
作者很详细的介绍了人工智能从提出到至今发展的历程和取得的成果。深度学习，卷积神经网络，虚拟现实，语音助理，自动驾驶，alphago等等之前耳熟能详的词语终于彻底了解了是怎么回事。内容也不太难，深度也合适，很棒的一本书。
9 有用 一休 2021-04-07 22:54:06
没想到是侯世达的学生的作品，是我找到的最清晰的关于AI内容的科普和祛魅，至少让我简单理解了何为卷积神经网络，递归神经网络，自然语言处理的基础Transformer其中的encoder和decoder，至少在很多地方能够帮助自己做了很多的祛魅，问题可能就是对我来说还不能理解类似Q-Learning和深度强化学习这样的算法，但我觉得其中打开的一扇门很适合通向例如侯世达例如其他的内容。
4 有用 逐梦的孩子 2021-05-01 20:20:49
自学机器学习的时候看的，对我这种门外汉来说，是个很好的科普书
2 有用 C 2023-01-26 09:27:21 新疆
和侯世达一样，米歇尔也已经out of fashion了，如果你想从这本书里得到AI或者深度学习领域的最新理念，出门右转并感谢这条评论帮你节省的时间。
2 有用 寒山 2024-12-04 10:28:35 江苏
我是翻译从业者，从目前AI在翻译领域的应用来看，确实是从TM系统到基于规则的机器翻译系统（几乎无帮助），再到基于统计的机器翻译系统（节约20%的工作量），最后到现在基于深度学习的机器翻译系统（节约三分之一的工作量），能看到非常大的进步，但是确实离取代人工翻译还有无限长距离。
4 有用 惊鸿 2021-04-14 21:03:08
人工智能祛魅之书
3 有用 我不是33 2025-01-14 14:27:28 陕西
现在是2025年，这本书其实已经可以当成ai发展至今的一个历史成长史来看了
2 有用 刺幻者 2024-03-23 10:48:21 新疆
通俗易懂地总结和分析了人工智能领域的发展历程、既有成果、缺憾问题和前景方向，有很多观点具有启发性，尤其是其中提到的问题确实是AI现在的软肋，比如迁移学习能力、对常识和抽象概念的理解力等。
2 有用 Rosecanoe 2021-11-12 17:16:05
很不错的书，能感受到作者对读者的贴心，帮助get到了一些计算机黑话（叉腰）。PS：比起研究AI，我对研究人的兴趣好像更大些（挠头）。
1 有用 一次买够作用子 2023-01-29 20:04:48 重庆
我唯一找到的用自然语言表述深度学习的书。除关于理解的俗套外，介绍了卷积神经网络，监督学习，强化学习，蒙特卡洛树，递归神经网络。我一度以为卷积神经网络可以靠反向传播法调整所有程序，但隐含层的层数，权重的调节度都需要人工参与，训练集还需要人工标注。强化学习的奖励值如果可以回调，初始游戏规则它自己也改不了，而语言游戏总促使人间规则的改变（自动驾驶看起来成了重点）。这让我基本放弃了AI可能达成思辨实在论愿望的想法。与其说它自己建模再探索，不如说它只能探索人类建的模。作者认为AI研究依旧是笛卡尔式的，没有真正考虑具身认知和大数据的区别（反过来说明如今斯蒂格勒比德勒兹更好使）。阿尔法狗的倾向性不等于情感，后者应影响初始规则而非模型内部调参，建模反而害了它。当然现象学依然是笛卡尔式的，还望英美多读马里翁。
1 有用 April 2022-03-16 21:46:44
作为科普真的很好，通俗地讲解了“人工智能”、“神经网络”、“奇点”等概念，而且每一项重要技术都很耐心地讲解。在作者看来，狭义上的人工智能离真正意义上的通用人工智能还很遥远，而我们对后者的想象不仅依赖一些科幻作品，还有一些商业营销套路（对人工智能的“捧杀”吧）。目前看来，“智能”一词还需多多考虑。
2 有用 凌波微步 2022-01-29 15:04:24
说了，又好像啥也没说
2 有用 白色的蓝 2021-03-27 22:54:07
很好的科普+发展史。也算是另一个方面了解了神经系统和脑科学。
3 有用 冰与火的誓言 2021-03-13 00:36:48
人工智能集大成之作 内容丰富 深入浅出 如果只推荐一本ai相关 绝对是这本
3 有用 Kuaibun 2021-03-21 16:14:40
水分太多。 估计十几页就够了
2 有用 armman 2021-06-16 16:28:26
好书的两个显著标准： 1 书名根本不重要，内容足以支撑一切； 2 我想要看作者的所有作品；
0 有用 桑 2024-12-19 18:08:03 爱尔兰
4.5/5 比Nexus好，网络上关于AI绝大部分的问题和顾虑在本书都有论述，且还不过时