好書 : 深度思考

此書為前蘇聯西洋棋王卡斯帕洛夫所寫, 從市圖借來一段時間了, 今早在書架上喵到, 突然想看看到底寫些甚麼, 結果花了大約一小時就翻完了, 不是因為寫得太簡單, 而是描述了很多西洋棋細節, 而我對棋藝沒啥興趣, 就快速翻過去了. 我主要是想知道被 IBM 深藍打敗的卡斯帕洛夫對人工智慧的看法是甚麼. 卡斯帕洛夫不只是棋王而已, 自從敗於深藍後, 對於人工智慧演進也做了相當深入的觀察與研究.

Source : 博客來

摘要如下 :

1. 圖靈夢想的人工智慧, 背後的基本假設是大腦本身就是一種電腦, 而目標是創造出一種可以成功模仿人類行為的機器.
2. 語言翻譯就是機器學習的先驅, Google 翻譯就是機器學習所驅動, 雖然它能處理幾十種語言, 但它對這些語言的規則卻一無所知 (因為它不是 Rule-based, 而是 Statistics-based). 解決像語言這麼 "人類" 的問題, 光靠資料規模與速度就能應付. 一位 Google 翻譯的工程師說 : 當你的訓練範例從一萬筆增加到一百億筆後, 就會開始有用處了, 資料勝過一切.
3. 認知科學家侯世達 (Douglas Hofstadter) 的 1979 年著作 "哥德爾, 艾舍爾, 巴赫 : 集異壁之大成" 影響甚鉅, 他一直忠於理解人類認知的使命, 但人工智慧界追求的卻是立竿見影的成效, 以及可以出售的產品, 因此排擠了他的研究. 目前 AI 界想要處理的是他們能解決的問題 (機器學習), 人類的智能是非常難解的問題, 相較之下, 機器學習卻能快速帶來成效. 
4. 貝爾實驗室的理念是先描述廣義的問題, 再想辦法製造出解決這些問題的機器, 而不是一開始就計畫製造某個特定產品. 但工業界在連續數十年的企業合併與收購後, 這種思維模式已不再盛行. 許多大公司經常假定, 世界上某個地方一定有人在進行某種創意, 等他們發明之後再來收購就好. 
5. 圖靈獎第一屆得主, 電腦先驅佩利 (Alan Pelis) 在 1982 年寫下一系列程式設計相關格言, 其中有一條是 : "最佳化會阻礙演化". 演化的本質並非改良,  而是改變. 演化通常是由簡至繁, 關鍵是會增加多樣性, 改變某個東西的本質. 佩利認為最佳化會使程式碼運作得更快, 但不會改變其本質或是創造新事物. 他認為大膽的目標會朝演化方向推進, 因為這樣會創造出原先未預期的需求與挑戰. 只靠最佳化現有的工具與方法是不足以應付的. 其實這就是機會成本的問題, 過度重視最佳化就不會創造新事物, 因而可能變成停滯不前. 
6. 人工智慧效應是指 "智慧就是機器還沒有達成的事情", 我們一旦找到方法讓電腦做出某種有智慧的事情, 那麼這件事情並不是真正的智慧. 一旦某個東西變成實用, 通用, 這個東西就不再被稱為人工智慧了. 

書中提到了下面兩本書 :

1. 哥德爾, 艾舍爾, 巴赫 : 集異壁之大成
2. 超智慧：出現途徑、可能危機，與我們的因應對策

第一本好像在明儀看過; 第二本 "超智慧" 已借來一段時間, 很厚, 而且不是能跳著快速翻看的那種書, 過年可以來看看.