导读：
中国已经成为机器人大国，“人工智能”搜索次数早已远超互联网思维、大数据等热词，一波人工智能狂潮已经来袭！想了解哪些行业即将消失，哪些行业高枕无忧？想准确把握时代的浪潮与未来的脉动？人工智能正在飞速进化，在很多方面已经跨越了人类。它终将成为“人类的最后一个发明”吗？针对人们的种种担忧和迷茫，日本人工智能大师松尾丰将带领读者遍览人工智能的前世今生。书中对人工智能历史上的三次浪潮做了详述，也解释了第三次浪潮为何被称为“狂潮”，“深度学习”的颠覆性在哪里，其中难逢的发展机遇在何处？
目录：
第一章：人工智能的过去式：机器人一步步突破瓶颈
第二章：人工智能的进行式：看机器人如何逆天
第三章：人工智能的将来式：我们如何应对未来的人工智能时代
第一章：人工智能的过去式：机器人一步步突破瓶颈
人工智能在历史上的三次智能狂潮可以简单概括为：
1：推理和搜索的时代
2：知识的时代
3：机器学习的时代
关于第一次人工智能狂潮：推理与搜索
“人工智能”这个术语第一次提出是在1956年夏天在美国东部达特茅斯召开的一次学术会议上。在那里，人们首次决定将像人类那样的思考的机器人称为“人工智能“。
就在这个会议10年前，第一台多用途、使用了1.7万个真空管的巨型计算机ENIAC诞生，人类第一次看到了计算机无比强大的计算能力，所以我们有理由相信将来的某一天，机器人终将变得比我们人类更加聪明，其能力也将在人类之上，于是人类展开了一个又一个野心勃勃的研究计划。
在这个时期，“推理“和”搜索“成了主角，推理将人的思维过程用符号来表示，然后加以运行的方法，从处理方法讲，与搜索很接近。简单来讲，计算机通过运算将就是一件事情的无数种可能性罗列在人们面前，让人们选择。
凭借强大的推理和搜索能力，第一次人工智能的浪潮在20世纪60年代大放异彩。一个个需要智慧的课题，都被计算机一个个破解，于是人们感叹“计算机真的太聪明了“。
但当人们冷静下来思考，当前的计算机能解决的问题其实很有限。计算机对于求解迷宫、解决疑难定理等问题，我们可以通过设定一定的规则来让计算机完成，但是对于解决生活中的实际问题，计算机的能力还是有限的。比如有人生病了，需要用什么药才能治疗等这些问题无法用当时的计算机运算能力解决。
关于第二次人工智能狂潮：知识
人类意识到第一次人工智能只能解决一些所谓的“玩具问题“，而非真正的实际问题，所以相关的研究在70年代显得有些萧条。但是到了80年代，人工智能再次卷土重来，与之前不同的是，这次它开始应用于生产车间和现实产业领域。与利用搜索和推理的简单人工智能相比，第二次人工智能真正是依靠”知识“来解决问题。通过给计算机输入大量的”知识“，它可以通过输入的”知识“来处理比如诊疗或者法律等真实案例，这看起来比之前的计算机更加聪明了。
但是对于一些比较固定和模式化的答案来说，当时的人工智能可以带来解决方案，但是对于一些模糊的或者更为广泛的领域，计算机就显得无能为力了，比如，总感觉肚子疼或者胃痛，对于这些比较模糊的的输入，计算机就显得无所适从，没办法按照固定的模式给出答案。因为对于这样的模糊问题，我们需要输入海量的辅助数据或者知识来帮助计算机判断，但是输入这样海量的数据在当时是无法实现的，因为人类拥有这样普遍性的知识太多了。这一定程度上催生了第三次人工智能浪潮的到来。
关于第三次人工智能狂潮：机器学习和深度学习
对于第二次人工智能时代，我们需要输入足够多的数据来帮助计算机处理，但是这恰恰是局限，因为计算机解决问题的能力会受我们输入信息的量所限制。因为我们无法真正做到海量数据的输入。
这样有一种技术逐步发展起来，那就是“机器学习“，为什么机器学习可以发展起来呢？这要归功于在文字识别等模式识别领域长期积累的基础技术与不断增加的海量数据。
1990年，互联网网页出现，最早的浏览器Mosaic出现于1993年，1998年谷歌搜索引擎诞生，用户数据挖掘变得开始盛行，相关国际性组织也在1998年诞生。并随着多年的积累，我们多年的用户海量数据终于让机器学习登上了历史舞台。
学习的主要工作是进行“区分”，即对某一事物进行判断和识别。出于生物本性，我自身会对事物进行识别和判断，比如判断某些食物是否能吃；对面的人事朋友还是敌人扥等，因为人类拥有更高度的智能，所以对世界的分化处理更细致，有时细得甚至让人觉得没有意义。人类涉及的识别及判断，基本都可以看着是回答“YES/NO问题”。对这些问题回答正确率的提升就是我们学习能力的表现。
但是，机器学习也有弱点，它们没有办法区分那些因素重要或者不重要，选取什么样的特征量将决定预测精准度的高低。换句话说，选取什么的特征量，即读取什么变量，将很大程度上决定预测的精确度。
所以，如何选取特征量是机器学习的关键点。另外，视觉信息处理方面，即便计算机进行机器学习，它也无法找到合适的特征，因而也就无法实现真正的学习。
2012年，人工智能领域，在图像识别领域的国际大赛ILSVRC（大型视觉识别挑战赛）上，机器人的图像识别能力，凭借研究者丰富的经验和技能，机器学习的算法和特征量设计有一点点进步。多伦多大学提供的人工智能计算机将错误率降低到了15%，这领先于其他选手10%以上，其原因主要是该大学的杰弗里.欣顿教授研发的新式机器学习“深度学习”。
深度学习的原理是以数据为基础，让计算机自动生成特征量，它不需要由人来设计特征量，而是计算机自动获取高层特征量，并由此来对图像进行分类。深度学习是人工智能研究50年来的重大突破。
在大数据海洋中，通过预测然后再确定答案，反反复复进行这样的操作从而发现各种特征量；之后不久就会发现“妈妈”这个概念，进而发现周围的各种“事物”，并学习它们之间的关系，就这样，他一点点地去对这个世界进行学习。
第二章：人工智能的进行式：看机器人如何逆天
人类和人工智能在正各个领域上演对决。前不久谷歌的研发的智能机器人阿尔法战胜韩国围棋冠军李世石。成为一个人工智能战胜人类的标志性事件。
另外，人工智能的机器人也被广泛应用于各行各业，尤其是制造业。2014年日本举办了一场料理品尝大会，其所有料理均有IBM研发的智能机器人“沃森大厨”设计食谱、由顶级西餐大厨亲自掌勺。2016年是人工智能的元年，各种人工智能的机器人在各个领域大放异彩。同时机器人在学习人类情感的课题上也不断进步，开始尝试着理解人类的复杂情感。
第三章：人工智能的将来式：我们如何应对未来的人工智能时代
人工智能已经经历了三次狂潮，那么它到底会进化成什么样呢？
2014年底。著名的科学家霍金说：人工智能发明是人类历史上的一个里程碑，但是同时，它也可能成为历史上最后一个里程碑。我们将这样的言论称之为奇点论。
所谓奇点，就是人工智能能够自动地制造出超越自身能力的新人工机器人的那个时间点。机器人能反复制造出能比自身更聪明的机器人后，通过这样的反复，最终就能产生具有压倒性优势的全新机器人，这便是奇点的大概理论。
那为什么现阶段人工智能还不能超越人类呢？因为目前的人工智能还存在较多局限。
首先，在我们所说的深度学习阶段，计算机所制造出的“概念”可能与人类所持有的“概念”可能并不相同。
另外，当人看到画面，并使用语法向别人描述画面和传递信息时，用的是一种与生俱来的方法，并不是有深度学习那样的数学合理性。我们无法将这一的天生的方法输入给计算机，那么计算机将很难获取与人类相同的语法。
还有一个重要的东西就是“本能”。在人类获取的概念里，除了单纯地将还原错误最小化，还有很多是根据情感和本能来决定的，计算机获取这些跟本能相关的概念非常困难。这些概念都与人类长期进化中所制造出来的本能有密切的关系。
所以想让人工智能机器人，解决“特征量”、“语法”、和“本能”这些关键问题后，跟人类完全无障碍沟通是非常困难的。
另外，本书还谈到了人工智能对于个体的影响，也就是，人工智能机器人是否可以代替人类做很多工作，抢走我们的“饭碗”。
从短期（15年内）来看，不会发生特别大的变化，或许人工智能和大数据可能会迅速引入到会计及法律等领域。另外，介于它们的大数据分析能力，它们可能在营销里面得到大量的应用。
从中期（今年5-10年）来看，在生产管理和设计等领域，人们的工作可能会产生很大的变化，人工智能的能力将有很大的提升，在这个阶段，除了一些例外或者特殊的需要创造性的工作必须要人来完成，其他大部分工作可能被机器人代替。
从长期（15年以后）来看，需要由人来完成的工作大致分为两类。一类是需要站在大局层面，样本数量非常少且需要作出艰难判断的业务，比如管理者的工作。另外，与人相连接的界面还是有人来做比较合适，有些工作会因此保留下来，比如治疗师或者餐厅服务员等。未来有可能由人来完成的工作会变得非常昂贵。
总之，从短期和中期来看，掌握数据分析及人工智能的知识和技能非常重要，从长期来看，一部分工作会被人工智能取代，因为要么学习如何做出那些只有人才能完成的具有判断性和创造性的工作，要么索性专心于人打交道的工作。
