读人机沟通法则：理解数字世界的设计与形成03机器是有生命的

1. 有没有生命

1.1. 看到一个物体在运动是判断其有生命的第一条线索
1.2. 智能手机和自动驾驶汽车出现之前就存在的技术：自动客服代表
1.3. 过去，人们很容易认为计算机很笨，因为它做任何事情都要花很长时间

• 1.3.1. 过去的交互技术很简单，缺少许多必要的组成部分，只能缓慢地响应我们的输入
  

1.4. 现在，我们认为计算机可能比我们更聪明

• 1.4.1. 因为它对我们给它的刺激做出的反应是如此之快，这让它看起来不但有生命，而且非常聪明
  

1.5. 这个物体的反应越快，我们可能会认为它越聪明，因为它实在是太快了

• 1.5.1. 如果它的耐力比我们强，我们就会开始感到有点担心和不安，因为，出于生存本能的原因，我们不喜欢被超越
  
• 1.5.2. 尤其是被我们创造出来为我们服务的另一个物种超越
  

1.6. 循环的力量可以防止计算机在访问无限的云功能时感到疲倦
1.7. 更愿意成为那些能够区分人类和机器人的人，无论机器人变得多么栩栩如生

• 1.7.1. 至少争取一个区分它们的机会
  

2. 仿生科学

2.1. 约瑟夫·魏森鲍姆博士

• 2.1.1. 20世纪60年代著名的Eliza程序—第一个模拟英语对话的计算机程序的发明者
  
• 2.1.2. Eliza的核心是“以人为本疗法”(person-centered therapy)的一种简化模拟，它鼓励患者使用当时还比较原始的人工智能方法找到自己的解决方案
  
• 2.1.3. 这个程序是由一个无限循环驱动的，它会坐在你身边，永无休止地听你说话，很像你耐心的父母或其他亲人
  
  
  
  • 2.1.3.1. 当有人花时间认真地倾听你时，你会想回报他们
    
  • 2.1.3.2. 我们喜欢被人倾听，因为这意味着我们的存在得到了尊重和承认
    
  • 2.1.3.3. 即使这种尊重和承认是由机器传达的
    
  
  
• 2.1.4. 总有一天，计算机不仅能熟练地模仿人类的言谈举止，还能通过了解与之交谈的人的一切成功地在交谈中冒充一个真正的人
  

2.2. 计算机可以如此轻易地愚弄人类同胞
2.3. 三个障碍

• 2.3.1. 需要一种方法来收集有关个人的所有信息，以便人工智能做出令人信服的回应
  
• 2.3.2. 需要一种方法来收集许多与他人的对话，以便人工智能学习新的模式
  
• 2.3.3. 随着智能手机的出现，我们克服了前两个障碍
  
  
  
  • 2.3.3.1. 由于我们使用的设备具有成瘾性，云很容易持续、密切地观察我们所有的行为
    
  
  
• 2.3.4. 需要一种新的方法来处理所有收集到的信息，而当时符号计算还无法做到这一点
  
  
  
  • 2.3.4.1. 解决方案是“人工神经网络”​，这是一种几乎与符号计算同时诞生的计算技术
    
  • 2.3.4.2. 神经网络在20世纪60年代一场激烈的研究经费之争中落败，但如今它驱动了我们越来越习以为常的计算机异常精确、逼真的语音和文字输出
    

    2.3.4.2.1. 神经：与大脑中的神经元有关
    

    2.3.4.2.2. 网络：关于神经元之间的相互连接
    

    2.3.4.2.3. 神经网络不同于符号计算，因为它不涉及由代码的符号语句定义的一系列逻辑步骤
    

    2.3.4.2.4. 更像输入和输出之间的数字“原始”关系，通过一组相互连接的类似神经元的元素在数学上建模，就像大脑中的神经元网络
    

    2.3.4.2.5. 神经网络不能像传统的计算机程序那样被简单地分解为带有符号的逻辑语句，而是包含在合成神经元之间反复传递直到“学习”到一种模式的原始数字
    

    2.3.4.2.6. 神经网络是一种对我们可能拥有的“直觉”进行编码的方法，这些直觉不能被写成简单易操作的食谱，并且与长期以来我们广泛接受的由字母和数字符号编写计算机代码的方式截然不同
    

    2.3.4.2.7. 黑匣子内部是一个粗略的数学模型，用电流的形式模拟了大脑中的神经元是如何工作的，当受到正确的刺激时，这个数学模型可以利用投喂给它的原始数字数据制造自己的火花、连接和关联来学习模式
    

    
    
  • 2.3.4.3. 一种特殊的硬件—图形处理器（Graphics Processing Unit，以下简称GPU）打破，设计它是为了让狂热玩家的计算机上的游戏运行得更快，并且画面更逼真
    

    2.3.4.3.1. GPU无法帮你加速运行计算机所需的标准数据处理任务
    

    2.3.4.3.2. 对传统计算机用户而言，日益强大的GPU的作用最终超过了它们本身的价值和需求量
    

    2.3.4.3.3. GPU是实现“神经网络”这一有点年头的人工智能概念所需的数字密集处理的完美廉价加速器，这一概念在人工智能的讨论中被轻蔑地忽视了50年，到21世纪又被重新唤醒
    

    
    
  • 2.3.4.4. 一组中央处理器（Central Processing Unit，以下简称CPU）可以自行处理的烦琐操作，但随着时间的推移，人们认为一种特殊的“协同处理器”可以有助于处理屏幕上出现的所有内容
    

    2.3.4.4.1. 摩尔定律奇迹般地为我们带来了几乎可以计算一切的强大算力
    

    2.3.4.4.2. 摩尔定律让通用CPU变得更快，推动了甚至更快的专用GPU的发展
    

    2.3.4.4.3. 符号计算方法在让计算机变得更加智能方面遇到了瓶颈
    

    
    
  
  

2.4. 深度学习是一种应用于机器学习的技术

• 2.4.1. 机器学习(Machine Learning)
  
• 2.4.2. 深度学习(Deep Learning)
  
• 2.4.3. 深度学习使用了脑模型—尤其是脑神经网络—来教计算机如何通过观察期望的行为来思考，并通过分析重复的行为模式来学习技能
  

3. 酵母

3.1. 天然酵母面包(pain au levain)

• 3.1.1. 天然酵母面包是用天然酵母制作的
  
• 3.1.2. 天然酵母有一股酸味
  

3.2. 工业酵母面包(pain à la levure)

• 3.2.1. 工业酵母面包是用工业酵母制作的
  
• 3.2.2. 工业酵母没有酸味
  

3.3. 区别的一个简单的助记符是“天然酵母”的法语(levain)以n结尾，而“天然”的英语(natural)以n开始
3.4. 由神经网络驱动的人工智能新方法是以一种新的、合成的方式制造出来的，类似工业酵母
3.5. 循环的、无限大的计算机器激发了一种仿佛有生命的物质，像永不疲倦的僵尸那样行动，人工智能是一种没有思想的机器人，它根据它的“大脑”接触到的模式来执行我们的命令
3.6. 新的工业酵母“活机器”远比过去的机器聪明，因为摩尔定律带我们走了如此之远，以至于意想不到的事情发生了

• 3.6.1. 工业酵母人工智能已到来，它没有过去天然酵母人工智能的酸味
  

3.7. 由于摩尔定律的发展，区分真人的反应和机器的反应似乎也会不可避免地变得越来越难

• 3.7.1. 在2012年之前，图像识别的平均错误率为28%，语音识别的平均错误率为26%
  
• 3.7.2. 在机器学习方法开始流行后，图像识别的平均错误率为7%，语音识别的平均错误率为4%
  
• 3.7.3. 如果云继续从我们的活动中吸收更多的数据，如果僵尸继续复制我们的所有动作还不需要午休，我们终将无法分辨人工智能和人类
  

3.8. 与上一个10年相比，你身边的计算体验有所不同

• 3.8.1. 这就是天然酵母计算和工业酵母计算之间的区别
  

4. 艺术家的视角

4.1. STEAM是比STEM更好的策略
4.2. 艺术不仅仅是你能看到或感觉到的东西，艺术是关于去发现表象之下的东西—理解任何事物的本质核心
4.3. “规则30”的计算机算法

• 4.3.1. 著名计算机科学家斯蒂芬·沃尔夫勒姆(Stephen Wolfram)
  
• 4.3.2. 展示了我们有机的物质现实与看不见的计算世界之间惊人的联系
  
• 4.3.3. 在计算机上编写的看似不近人情的算法，可能比我们想象得更人性化、更自然
  
• 4.3.4. 工作原理
  
  
  
  • 4.3.4.1. 将一行数字设为零
    
  • 4.3.4.2. 规则1：如果存在序列000，那么将中央数字变为0。
    
  
  

规则2：如果存在序列111，那么将中央数字变为0。
规则3：如果存在序列110，那么将中央数字变为0。
规则4：如果存在序列101，那么将中央数字变为0。
规则5：如果存在序列100，那么将中央数字变为1。
规则6：如果存在序列011，那么将中央数字变为1。
规则7：如果存在序列010，那么将中央数字变为1。
规则8：如果存在序列001，那么将中央数字变为1。

• 4.3.4.3. 当我们把这行数字设为0时，结果会很无聊
  
• 4.3.4.4. 如果我们在这行数字中设置一个数字为1，随着算法的运行我们会看到一些变化
  
• 4.3.4.5. 一个由1和0组成的模式正在增长，如果你要循环几百个周期，你会得到一个有波峰和波谷的模式
  

4.4. 康威的生命游戏

• 4.4.1. 并不是为了好玩而设计的，它更像数学游戏
  
  
  
  • 4.4.1.1. 你只有对数学感兴趣才会觉得有趣
    
  
  
• 4.4.2. 在一个类似沃尔夫勒姆的“规则30”的网格上进行，但使用的是二维单元格
  
• 4.4.3. 只有4条数学规则，每条规则都是一个过分简化的模型，用来模拟一个生命形式如何与“生活”在网格上的相邻生命形式进行交互
  
  
  
  • 4.4.3.1. 规则1：如果一个活单元格只有一个活着的邻居，它将因孤独而死亡。
    
  
  

规则2：如果一个活单元格有一些活着的邻居，那么它是稳定的，将继续存活。
规则3：如果一个活单元格有太多活着的邻居，它将因过度拥挤而死亡。
规则4：如果一个单元格是空的，并且它有一些活着的邻居，那么交配将导致一个新的活单元格诞生。

• 4.4.4. 仅仅把4条规则应用于一个单元格和与它相邻的单元格之间的关系，就能以某种方式创造群体行为，让许多独立的单元格像一个整体那样行动
  
• 4.4.5. 康威的规则中没有单元格群体的概念，所以一群单元格分裂出来并开始像一个整体那样行动是意料之外的结果
  

4.5. 科技行业和投资界都在努力推动这些强大无比的系统的发展，这些系统不像制造它们的冷冰冰的计算材料，它们利用了艺术家的观察和自己对人类及其环境的深刻理解
4.6. 计算机器擅长模仿我们的行为，擅长相互协作，也擅长处理大规模的任务和精确的细节
5. 连接

5.1. 设计师（和开发人员）在起步阶段会把自己定位为“做事人”
5.2. 无论是在现实世界还是在计算世界中，连接工作都是一种催化剂，它能让改变在比个体能做的工作更大的范围内发生
5.3. 早期计算机本身不过是高级计算器，烦人地霸占了电视机的屏幕只为了让自己工作，但后来，随着互联网的出现，计算机通过与其他机器相连而变得令人惊叹
5.4. 当我们一起工作时，我们会获得个人无法拥有的能力，从而获得集体利益
5.5. 在鸟类和鱼类中看到类似的涌现行为，它们相互配合形成美丽的群体结构
5.6. 自然界中这些群体行为的目的不是创造美，而是确保更多同类的生存，就像谚语所说的“一捆难断”​
6. 沃伦·巴菲特法则

6.1. 复利是巴菲特投资成功的关键因素
6.2. 复利规则的背后是一个简单的想法：你存的钱越多，随着时间推移你赚的钱就越多
6.3. 即使在低利率的时候你可能只有相应的低收益，如果你将这些收益不断地加到你的本金中，你赚取的利息也将随着时间的推移而叠加

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！