人工智能能否支配人类?人工智能哪本书比较好?

人工智能是永远也取代不了人类，理由如下：1、人是高级生物，拥有智慧和思想。而机器是不具备这个能力的，电脑只能执行人类预设的指令。2、之所以说电脑具有“智力”，例如下棋比人都厉害，是因为人类已经提前通过互联网上海量大数据收集，不断训练，“教”会了电脑具备各种棋局的最佳判断，因此这不是电脑的智力，是电脑的海量存储和处理能力的优势决定的，因此人工智能是不可能取代人类的。3、人工智能只能在固定领域处理某一类特定的问题，实质还是按照人类的预置的固定算法通过比对由人工提前标记好的数据来工作的。

不会完全取代，未来将有47％的工作被机器人取代。

和人脑相比，人工智能算法应对数值和符号计算更加精确快速，稳定可靠。特别是对于有确定规则的计算问题，人工智能可以远远超出人脑的计算速度，也更容易找到最优的解答。比如，在数值计算，图形、语音、生物特征、行为姿态等方面的识别，甚至更加复杂的预测推理任务方面，人工智能都有超越人脑的优秀表现。

人工智能不具备感性思维，无法跨越到意识领域。当前的计算机架构和编程模式具有本质上的劣势，使得人工智能无法实现与人脑情感、意志、心态、情绪、经验等方面的自然交互。本质上，人工智能仅仅是物质世界范畴的概念，无法跨越到意识领域。

在一个真正实现人工智能的工作场景中，传统劳动者也并未被‘下岗’，只是改变了角色而已。仍然需要人类对人工智能的表现进行监控，进行情报采集与分析，以及开展预测性的实验与评估，引导性的过程管理与控制。

相信将来人类90%以上的工作是由人工智能提供的，就像今天我们大多数的工作是由计算机和各种其它机器提供的一样。

作者：刘明河

近期，警惕人工智能的文章和报道越来越多，甚至有人宣称“随着计算机运算能力增强，强人工智能将在我们的有生之年出现，给人类文明带来前所未有的冲击”，这些看似有理有据的观点深入人心，很多人甚至心生恐惧，担忧起了自己的未来。

人工智能真的会对人类产生如此大的威胁吗？

【困难重重】

对于人工智能这个过于庞大的概念，我们将它区分成弱人工智能（weak AI，或Narrow AI）和强人工智能（Strong AI或General AI）。

弱人工智能是处理特定问题的人工智能，AlphaGo就是一个专门下围棋的弱人工智能，iPhone里的Siri是一个专门语音识别的人工智能，Google的搜索框里也藏着一个专门提供搜索建议的人工智能——多亏了如今盛极一时的“人工神经网络”，我们已经愉快地发现，弱人工智能表现得非常出色，在某些时候真的比人类还要高效。

与之对应的，强人工智能模拟了完整的人类心智，我们通常会用能否通过“图灵测试”看作强人工智能的判断标准，但这样的人工智能直到今天仍未实现。另外，我们还进一步遐想了“超人工智能”这个概念，顾名思义，就是比人还睿智的人工智能，也就是科幻艺术和大众媒体中最担心的那种情形——但在人工智能的实践上，我们恐怕要说这更接近盲目乐观，追求的强人工智能的征途绝不像一些未来展望者那样，近在咫尺，迫在眉睫，数不清的艰难问题还等着我们攻克。

我们遭遇的第一个问题就是计算机的运算能力。

细胞虽小，却异常复杂，神经元尤其如此。在最微小的尺度上，一个神经元有成千上万个突触与其它细胞连接，释放或接受神经递质，识别数百种独立的活动，随后发出高速传导的神经兴奋，在整个大脑内激起复杂而不确定的反馈，有些突触还可以直接向脑脊液中释放递质和激素，在全身范围内引发更大尺度的反应——时至今日，人类发现细胞已近400年，即便动用最强大的超级计算机，也只是静态地构建出了一个突触的微观结构，真要模拟它完整的活动还无能为力——而人脑大约有860亿个神经元。

当然，神经科学与计算机科学的交叉处也的确有了些令人瞩目的成果，比如为人称道的，我们标记了隐杆秀丽线虫（Caenorhabditis elegans）302个神经元的连接方式，大约在2014构建了一个“开放蠕虫”的项目，试图用计算机模拟出一个等效于实体的虚拟线虫——但这个项目才刚刚起步，尚未收获成果，而且这个研究对象也是出奇的简单：它雌雄同体，全身固定有959个细胞，每个细胞的行为都专一且固定，神经活动非常单调，我们因此得以详细地观察它，用现在的手段模拟它们。

但是如果因为这一点星光就以为破晓来临，以为秀丽线虫的神经节与人类的大脑只是神经元的数目有所差异，只要计算速度够快就能实现质的飞跃——那就未免太天真了。

我们还会遇到动力学参数的壁垒。

如我们提醒过的，以现在的技术，我们还不能模拟神经元的完整活动，让它们在虚拟世界里自主地运动起来。只是在这个项目中，我们既然已经知道了线虫神经的连接方式，就能人为地给这些连接赋予动力学的参数，让这些虚拟神经元活动起来，逼真地模拟一条线虫。就像做题虽然不会，但是拿着答案倒推，也能猜个八九不离十——所以我们称这种做法是自底向上。

然而在目前阶段，不但我们还是个相当差的学生，离开了答案就寸步难行；而且我们遇到的问题也是空前的难题，根本没有现成的答案。

线虫的神经与人类的大脑，就像口中呼气和超级台风，它们之间绝不只是数量的差异。当基本单元通过种种联系形成复杂的系统，就会在更大的尺度上展现出新的结构。我们很早就对小尺度上的流体运动有了清晰的认识，但这并不代表我们可以从中推导出台风的运动规律。

首先的，线虫的个体差异极小，不同个体的细胞排列方式完全一样，所以作为一种全身透明的实验动物，我们很早就弄清楚了它们神经连接的方式。但人脑完全不是这样，我们拥有数量巨大的神经元，个体差异很大，而且可塑性极强，这令每个人大脑内的神经元连接方式都不一样——换句话说，一个具体的神经元怎样连接不重要，重要的是数量巨大的神经元如何组织成一个复杂的机体。

然而1个神经元、10个神经元、100个神经元、1000个神经元……每增加一个数量级，神经元的活动都会涌现出新的运动规律，从最小层面上神经元处理兴奋的方式，到不同递质的通路的组合方式，到处理不同信息的细胞构成功能模块，到大脑中不同功能区域的协作方式，都是我们必须面对的难题，虽然这些动力学的研究也正在热火朝天的研究中，但这样的研究不可能达到“指数上升”的速度，我们重建人脑的进程也就不能达到指数上升的速度。

所以先不论计算机科学能否一马平川地进步下去，即便计算机运算速度真的能指数上升，也无法在可以预见迅速地模拟出一个人脑：在神经科学和脑科学臻于高度成熟之前，大脑永远是一个黑盒子，我们要想知道大脑在具体的智力活动中在不同层面各自发生了怎样的事情，还困难重重。而且更加现实的情况是，随着我们对人脑的认识逐渐扩大，我们会发现越来越多的新问题。

我们知道的越多，就越发现自己无知，然而糟糕的是，真正的难题还在前方虎视眈眈——我们需要新的计算机原理。

必须意识到，在能否实现“智力”这个巨大的问题上，计算机的运算速度并不是决定性的。以当今的动物界而论，非洲象、长肢领航鲸，它们的大脑都比人的更重，神经元的数量也更多，为何偏偏缺乏智力？在相同的解剖基础上尚且如此，原理完全不同的电路元件，又该如何？

电路元件以金属和半导体为元件，获得了接近光速的信号传递速度，这比起神经元的冲动的确快多了，但也单调多了。电路元件的任何一次反应都只能得到固定的结果，只能在和、或、且的基础上展开一阶逻辑演算，今天，以及未来可以预见的一切计算机程序，都是不同复杂程度的一阶逻辑演算。

“一阶逻辑”已经非常强大，给今天的人类带来了整个21世纪的信息时代，但它只能从几个初始数据开始，根据预存的指令步步推导，绝不越雷池一步。这给计算机带来了那种可贵的可靠性，但也令它失去了更可贵的抽象、推理、创造——我们必须能够定义谓词的二阶和高阶逻辑。

举个例子，面对“a+b”这样的命令，计算机只会按照加法的规则，把a和b加起来，但是对于具有二阶逻辑的人，我们还会思考加法的意义，询问“加法是怎样一种运算？”，接着，我们还会能在三阶逻辑中思考“运算”的意义，询问“怎样规定一类运算？”，进一步的，我们又会在四阶逻辑中思考“规定”的意义，询问“数学上什么样的行为称得上规定？”。

这样的追问可以无穷地回溯下去，理论上，人类的思维可以实现“无穷高阶逻辑”，我们已经在整个哲学史上持续不断地展现了这种能力。对于普通人，我们也可以尝试一个计算机无论如何做不到的思维游戏：随便思考一件事，然后思考“我正在思考这件事”，然后思考“我正在思考‘我正在思考这件事’”，然后思考‘我正在思考“我正在思考‘我正在思考这件事’”’……虽然很费脑子，但我们在理论上也可以无穷地递归下去。

是的，如今所有的计算机都是一阶逻辑，或许在某些实验室里还有二阶逻辑的尝试，但无论怎样，高阶逻辑问题不能规约成低阶逻辑——我们绝不能用加法本身说明什么是加法，这就好像在电视机上做电视机的广告。

也就是说，我们即便动用了空前的计算能力，以不可思议的工作量找到了大脑中的每一个参数，但只要计算机原理不变，就是在用低阶逻辑模拟高阶逻辑——这在数学上不可能，程序员们会发现某些关键的参数无法定义，那个辛苦模拟出来的大脑仍然是个弱人工智能。

这是一个尖锐的问题，即便在另外一些规划中的道路上，用进化算法也好，用其它方式建模也好，它都会横亘在我们的前途中。我们需要一种革命性的计算机，能够实现高阶逻辑的演算，但是在所有已知的事物中，就只有大脑能做到这件事，这就带来一种新的困境：要模拟大脑需要新的计算机，要研究新的计算机就要深入了解大脑。这当然不是无法解决的问题，就好像制造新的机器需要新的材料，合成新的材料需要新的机器，我们在科技进步史上已经邂逅了无数次，没有理由认为我们会败给这一次，但也要做好思想准备，因为这将是一条漫长的路。

这样或者那样的问题会接踵而至，人工智能作为这时代最复杂的应用科学，没有理由认为我们能以逸待劳地只凭计算机科学的进步就让一切问题迎刃而解，更何况退一万步，我们还有一个更加现实的问题要面对。

【伦理障碍】

对与任何革命性的新技术，伦理都是最现实的问题，我们此前目睹了避孕措施对伦理的冲击，就以为伦理在技术面前不堪一击，这就未免太低估了伦理的力量，像“知情权”这样毫无意义的概念被煽动家利用起来蛊惑人心，都可以在食品安全领域掀起巨大的波澜，那么从今天开始数十年乃至上百年对人工智能的担忧积累起来，无论合理还是不合理，都会形成强大的伦理氛围，阻遏强人工智能的研究。

先不论“人工智能灭绝人类”这样惊悚的事情，就以最现实的问题来说，公众一定会关心强人工智能是否具有情感，是不是有了心脏的铁皮人，然而这却是强人工智能的定义中不曾提及的问题。

与其它意识活动不同，人类丰富而细腻的感情是人类作为一种社会动物，协调群体关系时的进化产物，并非智力的必需品。一个强人工智能未必真的具备这些特质，但他一定可以理解这种行为：想象成一个人先天性地没有任何感情，但以细致的观察和精湛的模仿成为了一个无可挑剔的表演家，在舞台上无论是哭是笑，心中都绝无一丝涟漪，犹如用肢体和表情肌完成了最复杂的体操——这大约就是电影《机械姬》中的情形。

长期以来，感情被认为是自由意志最关键的特质，所以我们不得不想象在那样的未来，分辨强人工智能是真的拥有感情还是在逢场作戏，抑或这两种情况并没有区别，都将会成为人工智能领域最重大的课题，也是人类面对自己时最深刻的拷问——无论哪一种结局成真，都意味着一个旧伦理的世界不复存在：我们要不要承认它是一个人？进一步的，“他”是否适用实体法，可以拥有最基本的人权？我们还能不能把“他”囚禁在实验室里？

我们接着就会设想，强人工智能如何利用自己的感情获取人类的信任，争取平等的对待，争取公民权的运动。强人工智能的感情或许只是一层伪装，但人类心底那种与生俱来的同情和善良却是毫无争议的事实，在这样的未来图景之下，强人工智能的研究几乎必然招致严格的限制，就像我们如今对待克隆技术时的做法：我们在上个世纪就掌握了克隆哺乳动物的技巧，但是在可以预见的未来里，这个世界上都不会有克隆人降世。

或者更武断地说，无论技术是否成熟，我们都不会允许一个拥有完全心智的强人工智能轻易问世，我们可能会在全球最重要的实验室里有限额地研发几个被严重削弱的强人工智能，成为认知科学和计算机科学的珍惜样本，如果要想象强人工智能诞生在民用领域，就像《机械公敌》或者《西部世界》那样，就未免不切实际了。

最后，我们要再次反省一下预测未来这件事：一个平静的社会大概激不起人们什么兴趣，所以我们总是在变革的浪潮中“高瞻远瞩”，但是我们忘了，科学革命或许加快了人类探索和改变世界的速度，但人类的认知过程从来都不是一帆风顺。旁观者赞美收获时的成就，却很少理会耕耘时的艰辛，盲目乐观是他们永远无法摆脱的缺陷。

人工智能是不能够取代人类的，因为人工智能是由人类所创造的，他不能够取代人类。

如果人工智能最终取代人类。那一定走的是一条「必经路径」，也就是这种发展趋势是不可避免的。所以人类也不必过于紧张了。因为紧张是没用的。
就好像社会的发展，封建社会的灭亡，罗马帝国的衰亡。你以为统治阶层没紧张过吗，没想过「如何防止社会进步淘汰我们」吗？他们想过好吧。但是没用的。必经之路。必须朝这个方向发展。
那么，人工智能取代人类的必经之路是什么。
首先是因为需求。人类需要人工智能。AI首先是一个工具，而且这个工具强大到你不可能舍弃它。它能够在天文、气候、医学每一个角度帮助你，让人类生活更加美好，它带来巨大的经济价值。甚至于你现在地图导航也有机器学习的程序在帮忙。所以AI必将存在而且发展下去。
然后第二步是主导权的逐步移交。
由于 AI越来越深入的介入你的生活，而且运行越来越稳定。你很难不朝这个方向发展，就是将社会的主导权慢慢的逐步移交给它。
比如AI管理了你家的冰箱，他知道你的牛奶何时喝完，知道水果什么时候吃完，知道什么时候该补充鸡蛋了，它就自动送货上门，甚至把鸡蛋放进冰箱，然后通知你已经在信用卡扣费。这种服务如此贴心，你没法拒绝它。但你没有意识到，这是你生活的基本服务已经依赖它在运行。

机器学习
Programming Collective Intelligence
本书以机器学习与计算统计为主题背景，专门讲述如何挖掘和分析Web上的数据和资源，如何分析用户体验、市场营销、个人品味等诸多信息，并得出有用的结论，通过复杂的算法来从Web网站获取、收集并分析用户的数据和反馈信息，以便创造新的用户价值和商业价值。
全书内容翔实，包括协作过滤技术（实现关联产品推荐功能）、集群数据分析（在大规模数据集中发掘相似的数据子集）、搜索引擎核心技术（爬虫、索引、查询引擎、PageRank算法等）、搜索海量信息并进行分析统计得出结论的优化算法、贝叶斯过滤技术（垃圾邮件过滤、文本过滤）、用决策树技术实现预测和决策建模功能、社交网络的信息匹配技术、机器学习和人工智能应用等。本书是Web开发者、架构师、应用工程师等的绝佳选择。
Machine Learning for Hackers
Machine Learning for Hackers （中文译名：机器学习-实用案例解析）通过实例讲解机器学习算法，用R实现的，可以一边学习机器学习一边学习R。这是一本实操型的书，重点放在讲怎么用R做数据挖掘，机器学习的算法更多的是通过黑箱的方式来讲，强调input,output含义，弱化机器学习算法细节。文中基本都是通过case来讲述怎么去解决问题，并且提供了原始数据供自己分析。适合两种人：
（1）有过机器学习的一些理论，缺少案例练习
（2）只需掌握怎么用通用的机器学习解决问题的人，只希望知道机器学习算法的大致思想，不想详细学习机器学习中的算法。
Machine Learning by Tom M Mitchell
《Machine Learning》展示了机器学习中核心的算法和理论，并阐明了算法的运行过程。《Machine Learning》综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。《机器学习》可作为计算机专业 本科生、研究生教材，也可作为相关领域研究人员、教师的参考书。
The Elements of Statistical Learning
《The Elements of Statistical Learning》介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《The Elements of Statistical Learning》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。
计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。
Learning from Data
这是一门机器学习（ML）的入门课程，涵盖其基本理论、算法及应用。机器学习是大数据及金融、医药、商业及科研应用的关键技术。机器学习使得计算系统能够自动学习如何通过数据中提取的信息执行目标任务。机器学习现已成为当下最热门的研究领域之一，也是加州理工学院15个不同专业的本科生和研究生的研修课程。本课程在理论和实践中保持平衡，并涵盖了数学与启发式方法。
Pattern Recognition and Machine Learning
这本书是机器学习的神作之一，必读经典！
人工智能
Artificial Intelligence: A Modern Approach
《Artificial Intelligence: A Modern Approach》以详尽和丰富的资料，从理性智能体的角度，全面阐述了人工智能领域的核心内容，并深入介绍了各个主要的研究方向，是一本难得的综合性教材。
Artificial Intelligence for Humans
这本书阐释了基本的人工智能算法，如维度、距离度量、聚类、误差计算和线性回归等，用了丰富的案例进行阐释。需要较好的数学基础。
Paradigm of Artificial Intelligence Programming
本书介绍了出色的编程范式和基本的AI理论，是致力于人工智能领域的小伙伴的必读之作。
Artificial Intelligence: A New Synthesis
本书提出了统一人工智能理论的新的集成方法，涵盖了诸如神经网络，计算机视觉，启发式搜索，贝叶斯网络等。进阶选手必读。
The Emotion Machine: Commonsense Thinking, Artificial Intelligence and the Future of Human Mind
在这部让人脑洞大开的图书中，科技先锋马文·明斯基继续了他极具创造力的研究，给我们呈现了一个全新的不可思议的人类大脑运转模式。
Artificial Intelligence (3rd Edition)
这是一本关于人工智能的入门书。没有编程基础的人也可以很容易地理解其中的解释和概念。化繁为简，但也包含了高层次的人工智能领域的探讨。

如果你对人工智能感兴趣，那么要涉猎很多学科，比如控制论、心理学、行为学、信息论、生物学等，现在很多人工智能的书籍大多局限于各种算法的讨论，而并没有涉及到人工智能的实质，比如：人的思维的本质和意识的本质等等。如果你想看书的话，可以先看看很多大学或者研究生用的《人工智能》教材，这样的教材很多，也不贵。随着知识面的扩展，各种基础理论都要看一下。

欢迎到百度“人工智能”贴吧，那里有对人工智能深刻而富有启发的思想。

主要有以下书籍：

1.《人工智能》（美）尼尔森 郑扣根译 机械工业出版社
2. 人工智能智能系统指南（英文版·第2版） （澳）尼格内维特斯基（Negnevitsky,M.） 机械工业出版社
3.《人工智能：理论与实践》（美）迪安 等著，顾国昌 等译 电子工业出版社
4.《人工智能：复杂问题求解的结构和策略》（美）George F.Luger 著，史忠植，张银奎 等译 机械工业出版社
5.《游戏编程中的人工智能技术》（美）布克兰德　著，吴祖增，沙鹰　翻译 清华大学出版社
6.《人工智能游戏编程真言》（美）拉比（Rabin,S.） 主编，庄越挺，吴飞 译清华大学出版社

个人推荐《人工智能》的原因：
第一，该书言简意赅比较容易读懂。
第二，有很多例子穿插在在课文中，帮助读者能将每种人工智能的方法应用于只见众。第三，算法或者数据结构的解释被巧妙地阐释出来，而不是对一大堆资料的冗长的总结。最后，编程章节让学生能更深刻地理解资料，同时也穿插着许多对实现细节的参考。

不可能的。
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。

人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。

Peter Norvig 的《AI, Modern Approach 2nd》（无争议的领域经典）
Bishop, 《Pattern Recognition and Machine Learning》. 没有影印的，但是网上能下到。经典中的经典。Pattern Classification 和这本书是两本必读之书。《Pattern Recognition and Machine Learning》是很新（07年），深入浅出，手不释卷。

推荐两本有意思的书，
一本是《Simple Heuristics that Makes Us Smart》
另一本是《Bounded Rationality: The Adaptive Toolbox》

———————————————————————
<从CSDN上转载的>

机器学习与人工智能学习资源导引

我经常在 TopLanguage 讨论组上推荐一些书籍，也经常问里面的牛人们搜罗一些有关的资料，人工智能、机器学习、自然语言处理、知识发现（特别地，数据挖掘）、信息检索这些无疑是 CS 领域最好玩的分支了（也是互相紧密联系的），这里将最近有关机器学习和人工智能相关的一些学习资源归一个类：

首先是两个非常棒的 Wikipedia 条目，我也算是 wikipedia 的重度用户了，学习一门东西的时候常常发现是始于 wikipedia 中间经过若干次 google ，然后止于某一本或几本著作。

第一个是“人工智能的历史”（History of Artificial Intelligence），我在讨论组上写道：

而今天看到的这篇文章是我在 wikipedia 浏览至今觉得最好的。文章名为《人工智能的历史》，顺着 AI 发展时间线娓娓道来，中间穿插无数牛人故事，且一波三折大气磅礴，可谓”事实比想象更令人惊讶”。人工智能始于哲学思辨，中间经历了一个没有心理学（尤其是认知神经科学的）的帮助的阶段，仅通过牛人对人类思维的外在表现的归纳、内省，以及数学工具进行探索，其间最令人激动的是 Herbert Simon （决策理论之父，诺奖，跨领域牛人）写的一个自动证明机，证明了罗素的数学原理中的二十几个定理，其中有一个定理比原书中的还要优雅，Simon 的程序用的是启发式搜索，因为公理系统中的证明可以简化为从条件到结论的树状搜索（但由于组合爆炸，所以必须使用启发式剪枝）。后来 Simon 又写了 GPS （General Problem Solver），据说能解决一些能良好形式化的问题，如汉诺塔。但说到底 Simon 的研究毕竟只触及了人类思维的一个很小很小的方面 —— Formal Logic，甚至更狭义一点 Deductive Reasoning （即不包含 Inductive Reasoning , Transductive Reasoning (俗称 analogic thinking）。还有诸多比如 Common Sense、Vision、尤其是最为复杂的 Language 、Consciousness 都还谜团未解。还有一个比较有趣的就是有人认为 AI 问题必须要以一个物理的 Body 为支撑，一个能够感受这个世界的物理规则的身体本身就是一个强大的信息来源，基于这个信息来源，人类能够自身与时俱进地总结所谓的 Common-Sense Knowledge （这个就是所谓的 Emboddied Mind 理论。 ），否则像一些老兄直接手动构建 Common-Sense Knowledge Base ，就很傻很天真了，须知人根据感知系统从自然界获取知识是一个动态的自动更新的系统，而手动构建常识库则无异于古老的 Expert System 的做法。当然，以上只总结了很小一部分我个人觉得比较有趣或新颖的，每个人看到的有趣的地方不一样，比如里面相当详细地介绍了神经网络理论的兴衰。所以我强烈建议你看自己一遍，别忘了里面链接到其他地方的链接。

顺便一说，徐宥同学打算找时间把这个条目翻译出来，这是一个相当长的条目，看不动 E 文的等着看翻译吧:)

第二个则是“人工智能”（Artificial Intelligence）。当然，还有机器学习等等。从这些条目出发能够找到许多非常有用和靠谱的深入参考资料。

然后是一些书籍

书籍：

1. 《Programming Collective Intelligence》，近年出的入门好书，培养兴趣是最重要的一环，一上来看大部头很容易被吓走的:P

2. Peter Norvig 的《AI, Modern Approach 2nd》（无争议的领域经典）。

3. 《The Elements of Statistical Learning》，数学性比较强，可以做参考了。

4. 《Foundations of Statistical Natural Language Processing》，自然语言处理领域公认经典。

5. 《Data Mining, Concepts and Techniques》，华裔科学家写的书，相当深入浅出。

6. 《Managing Gigabytes》，信息检索好书。

7. 《Information Theory：Inference and Learning Algorithms》，参考书吧，比较深。

相关数学基础（参考书，不适合拿来通读）：

1. 线性代数：这个参考书就不列了，很多。

2. 矩阵数学：《矩阵分析》，Roger Horn。矩阵分析领域无争议的经典。

3. 概率论与统计：《概率论及其应用》，威廉·费勒。也是极牛的书，可数学味道太重，不适合做机器学习的。于是讨论组里的 Du Lei 同学推荐了《All Of Statistics》并说到

机器学习这个方向，统计学也一样非常重要。推荐All of statistics，这是CMU的一本很简洁的教科书，注重概念，简化计算，简化与Machine Learning无关的概念和统计内容，可以说是很好的快速入门材料。

4. 最优化方法：《Nonlinear Programming, 2nd》非线性规划的参考书。《Convex Optimization》凸优化的参考书。此外还有一些书可以参考 wikipedia 上的最优化方法条目。要深入理解机器学习方法的技术细节很多时候（如SVM）需要最优化方法作为铺垫。

王宁同学推荐了好几本书：

《Machine Learning, Tom Michell》, 1997.
老书，牛人。现在看来内容并不算深，很多章节有点到为止的感觉，但是很适合新手（当然，不能”新”到连算法和概率都不知道）入门。比如决策树部分就很精彩，并且这几年没有特别大的进展，所以并不过时。另外，这本书算是对97年前数十年机器学习工作的大综述，参考文献列表极有价值。国内有翻译和影印版，不知道绝版否。

《Modern Information Retrieval, Ricardo Baeza-Yates et al》. 1999
老书，牛人。貌似第一本完整讲述IR的书。可惜IR这些年进展迅猛，这本书略有些过时了。翻翻做参考还是不错的。另外，Ricardo同学现在是Yahoo Research for Europe and Latin Ameria的头头。

《Pattern Classification (2ed)》, Richard O. Duda, Peter E. Hart, David G. Stork
大约也是01年左右的大块头，有影印版，彩色。没读完，但如果想深入学习ML和IR，前三章（介绍，贝叶斯学习，线性分类器）必修。

还有些经典与我只有一面之缘，没有资格评价。另外还有两本小册子，论文集性质的，倒是讲到了了不少前沿和细节，诸如索引如何压缩之类。可惜忘了名字，又被我压在箱底，下次搬家前怕是难见天日了。

（呵呵，想起来一本：《Mining the Web – Discovering Knowledge from Hypertext Data》 ）

说一本名气很大的书：《Data Mining: Practical Machine Learning Tools and Techniques》。Weka 的作者写的。可惜内容一般。理论部分太单薄，而实践部分也很脱离实际。DM的入门书已经不少，这一本应该可以不看了。如果要学习了解 Weka ，看文档就好。第二版已经出了，没读过，不清楚。

信息检索方面，Du Lei 同学再次推荐：

信息检索方面的书现在建议看Stanford的那本《Introduction to Information Retrieval》，这书刚刚正式出版，内容当然up to date。另外信息检索第一大牛Croft老爷也正在写教科书，应该很快就要面世了。据说是非常pratical的一本书。

对信息检索有兴趣的同学，强烈推荐翟成祥博士在北大的暑期学校课程，这里有全slides和阅读材料：http://net.pku.edu.cn/~course/cs410/schedule.html

maximzhao 同学推荐了一本机器学习：

加一本书：Bishop, 《Pattern Recognition and Machine Learning》. 没有影印的，但是网上能下到。经典中的经典。Pattern Classification 和这本书是两本必读之书。《Pattern Recognition and Machine Learning》是很新（07年），深入浅出，手不释卷。

最后，关于人工智能方面（特别地，决策与判断），再推荐两本有意思的书，

一本是《Simple Heuristics that Makes Us Smart》

另一本是《Bounded Rationality: The Adaptive Toolbox》

不同于计算机学界所采用的统计机器学习方法，这两本书更多地着眼于人类实际上所采用的认知方式，以下是我在讨论组上写的简介：

这两本都是德国ABC研究小组（一个由计算机科学家、认知科学家、神经科学家、经济学家、数学家、统计学家等组成的跨学科研究团体）集体写的，都是引起领域内广泛关注的书，尤其是前一本，后一本则是对 Herbert Simon （决策科学之父，诺奖获得者）提出的人类理性模型的扩充研究），可以说是把什么是真正的人类智能这个问题提上了台面。核心思想是，我们的大脑根本不能做大量的统计计算，使用fancy的数学手法去解释和预测这个世界，而是通过简单而鲁棒的启发法来面对不确定的世界（比如第一本书中提到的两个后来非常著名的启发法：再认启发法（cognition heuristics）和选择最佳（Take the Best）。当然，这两本书并没有排斥统计方法就是了，数据量大的时候统计优势就出来了，而数据量小的时候统计方法就变得非常糟糕；人类简单的启发法则充分利用生态环境中的规律性（regularities），都做到计算复杂性小且鲁棒。

关于第二本书的简介：

1. 谁是 Herbert Simon

2. 什么是 Bounded Rationality

3. 这本书讲啥的：

我一直觉得人类的决策与判断是一个非常迷人的问题。这本书简单地说可以看作是《决策与判断》的更全面更理论的版本。系统且理论化地介绍人类决策与判断过程中的各种启发式方法（heuristics）及其利弊（为什么他们是最优化方法在信息不足情况下的快捷且鲁棒的逼近，以及为什么在一些情况下会带来糟糕的后果等，比如学过机器学习的都知道朴素贝叶斯方法在许多情况下往往并不比贝叶斯网络效果差，而且还速度快；比如多项式插值的维数越高越容易 overfit，而基于低阶多项式的分段样条插值却被证明是一个非常鲁棒的方案）。

在此提一个书中提到的例子，非常有意思：两个团队被派去设计一个能够在场上接住抛过来的棒球的机器人。第一组做了详细的数学分析，建立了一个相当复杂的抛物线近似模型（因为还要考虑空气阻力之类的原因，所以并非严格抛物线），用于计算球的落点，以便正确地接到球。显然这个方案耗资巨大，而且实际运算也需要时间，大家都知道生物的神经网络中生物电流传输只有百米每秒之内，所以 computational complexity 对于生物来说是个宝贵资源，所以这个方案虽然可行，但不够好。第二组则采访了真正的运动员，听取他们总结自己到底是如何接球的感受，然后他们做了这样一个机器人：这个机器人在球抛出的一开始一半路程啥也不做，等到比较近了才开始跑动，并在跑动中一直保持眼睛于球之间的视角不变，后者就保证了机器人的跑动路线一定会和球的轨迹有交点；整个过程中这个机器人只做非常粗糙的轨迹估算。体会一下你接球的时候是不是眼睛一直都盯着球，然后根据视线角度来调整跑动方向？实际上人类就是这么干的，这就是 heuristics 的力量。

相对于偏向于心理学以及科普的《决策与判断》来说，这本书的理论性更强，引用文献也很多而经典，而且与人工智能和机器学习都有交叉，里面也有不少数学内容，全书由十几个章节构成，每个章节都是由不同的作者写的，类似于 paper 一样的，很严谨，也没啥废话，跟《Psychology of Problem Solving》类似。比较适合 geeks 阅读哈。

另外，对理论的技术细节看不下去的也建议看看《决策与判断》这类书（以及像《别做正常的傻瓜》这样的傻瓜科普读本），对自己在生活中做决策有莫大的好处。人类决策与判断中使用了很多的 heuristics ，很不幸的是，其中许多都是在适应几十万年前的社会环境中建立起来的，并不适合于现代社会，所以了解这些思维中的缺点、盲点，对自己成为一个良好的决策者有很大的好处，而且这本身也是一个非常有趣的领域。

（完）