1. “学”出来的仇怨与偏见
1.1. 在咱们的职责场合，不同种族及男女之间都存在显着的不对等
1.1.1. 不对等的部分原因在于咱们作念出判断的容貌存在偏见
1.1.2. 咱们可爱价值不雅和我方相似的东说念主，而这些东说念主时常也与咱们存在共同之处
1.2. 咱们在作念判断的时候会遭逢很大的局限性
1.2.1. 东说念主类把柄肤色、年纪、性别、国籍等属性判断他东说念主，这些是咱们用来迷惑刻板印象的信号，恰是这些信号让咱们误入邪途
1.2.2. 纵不雅寰宇历史，咱们不乏顺之者昌的风光，也不乏窃取他东说念主职责效果、不劳而获的精英阶级
1.2.3. 咱们有过性别仇怨，也有过种族仇怨
1.2.4. 寰宇上每个东说念主都可能是性别仇怨者和种族宗旨者
1.3. 咱们时常意志不到我方的偏见
1.4. 内隐逸想测试
1.4.1. 该测试把柄咱们的反适时辰来识别咱们在词汇逸想中的内隐偏见
1.4.2. 哈佛大学的究诘东说念主员瞎想并扩充内隐逸想测试，并不是要告诉人人咱们都是种族宗旨者和及其狂，而是但愿交流咱们剖析我方潜意志里的偏见
1.4.3. 外显偏见水平与咱们的内隐偏见度之间莫得或委果没相关联
1.5. 咱们的大脑中存在纵横交错的逻辑关系，咱们对笔墨的内隐反应与咱们的童年、成长环境和职责履历交汇在一王人
1.5.1. 与咱们我方的大脑不同，算法空间维度中的性别仇怨是不错被咱们计帐掉的
1.5.2. 它们可能在不受监督的情况放学习咱们的数据，但事实讲明，弄明晰算法里面究竟在发生着什么并改变它们产生的结果是可能的
2. 算法决策
2.1. 拼集东说念主类偏见的办法
2.1.1. 使用蓄意机管束的测试和评分系统来放置咱们的偏见
2.2. 措置词汇类比问题，有一个很容易意象但较为烦琐的要领，那即是要领员我方创建一个表格，列出每种雌性动物和雄性动物所对应的词汇，然后使用算法在列表中查询它要找的词语
2.3. GloVe算法
2.3.1. global vectors for word representation
2.3.2. 即全面词向量默示，这种算法通过阅读大都文原来学习
2.3.3. 学习了整套维基百科(Wikipedia)上的通盘本体，那时维基百科共有 16亿个单词和记号
2.3.4. 稽查GloVe学习了第五版的Gigaword数据集，这一数据集包含了 43亿个从寰宇各地的新闻网站高下载的单词和记号
2.3.5. GloVe对数据进行拉伸、压缩和旋转，直到找到描画维基百科和Gigaword中通盘 40万个不同单词和记号所需的尽可能少的不同主见
2.3.6. 管事琢磨词与男性名字的距离比它们与女性名字的距离更小
2.3.7. 女性名字比男性名字距离家庭琢磨词更近
2.3.8. GloVe算法结果都确认，在给词汇定位时存在内隐的性别仇怨
2.4. 无监督学习把算法变成“坏学生”
2.4.1. GloVe算法不仅存在内隐的性别仇怨，还存在内隐的种族仇怨
2.4.2. GloVe和谷歌使用的Word2vec等算法只是地说念的时刻，它们作念的只是是对词语进行计数和分拨权重
2.4.2.1. 这些算法只是对词汇是如安在咱们的文化中被使用的进行了量化辛勤
2.5. GloVe算法是科学家口中的“无监督学习”的一个例子
2.5.1. GloVe算法不受监督，是因为当它学习咱们提供的数据时，莫得得到任何来自东说念主类的反馈
2.5.2. 若是不领先措置种族仇怨和性别仇怨的问题，就莫得信得过的要领来措置由无监督学习变成的问题
2.6. 算法不受监督，它们阅读、学习咱们所写的本体，但它们的要领本人并莫得被写入带有偏见的代码
2.6.1. 当咱们究诘它们学习到了相关咱们的什么本体时，它们只是响应了咱们所生涯的社会环境中存在的偏见
2.6.2. 任何向咱们学习的算法都会和咱们一样产生偏见
2.6.2.1. 算法全盘秉承咱们的仇怨履历，况且触及的畛域相等广
2.6.2.2. 咱们不行王人备深信蓄意机能够准确地评估咱们
2.6.2.3. 在莫得监管的情况下，咱们不行王人备信任它
2.7. 用算法寰宇的言语来说，咱们应该辘集元气心灵找到要领放置算法中所存在的偏见，而不是斥责这些偏见
2.7.1. 算法使用空间维度来默示咱们，而放置算法偏见的策略之一即是充分欺骗这种要领
其实，就是他们：1962-1972年这十年间出生的一群人。
2.7.2. 由于GloVe在数百个维度上进走运算，因此将它对词语的默契王人备可视化是不可能的，但找出算法的哪些维度与种族或性别相关是可能的
2.7.3. 通过将通盘词语往与偏见违犯的标的挪动，就不错放置偏见
2.7.4. 究诘东说念主员发现，消惊怖性别偏见对谷歌的范例类别测试算法的全体进展影响不大
3. 智能作者
3.1. 演义的价值不在于写在纸面上的东西，而在于读者头脑中形成的念念想和不雅念
3.2. 不同的东说念主，对相似的笔墨的解读不同
3.2.1. 作者在书中倾注的心血和念念想顷刻间从字里行间喷薄而出、照进咱们我方的生涯的那种体会，独一是阅读过典籍的东说念主都懂得
3.3. 自动化作者讲明，一组逻辑门在经过隐微调遣后并纳入惟恐性后，就能掌持言语创造的基本历程中的一些身分
3.4. 水谷
3.4.1. “水谷”是她的创造者史蒂夫·沃斯维克(Steve Worswick)呕精心血的昂然之作
3.4.2. 逻辑规章和惟恐创造力是聊天机器东说念主“水谷”(Mitsuku)的中枢特色，该机器东说念主因最像东说念主类而取得 2016年和 2017年的勒布纳东说念主工智能奖(Loebner prize)
3.5. 恰是对信得过默契言语的能力的追求，鼓吹着脸书和谷歌的东说念主工智能实验室中的言语究诘
3.6. “神经汇集”(neural network)这个术语指的是一系列受东说念主脑职责容貌启发的算法
3.6.1. 东说念主的大脑由相互褪色的神经元(interconnected neurons)构成，迪士尼彩乐园这些神经元通过电信号和化学信号来构建咱们的意志和念念维
3.6.2. 神经汇集是对这一世物学历程的高度抽象和效法
3.6.2.1. 它们以相互褪色的诬捏神经元形成的汇集的体式来默示数据，输入端吸收相关外部寰宇的数据，输出端产生推行某个行为的决定
3.7. “从上至下”构建的这个算法要领只对猫狗互斗文本的生成有效，而“从下到上”的神经汇集则能够基于它所得到的奖励来稽查我方
3.8. 递归神经汇集
3.8.1. 这种汇集非常相宜学习序列数据，就像咱们一字一板地读《干戈与和平》一样
3.8.2. 输入神经元和掩盖神经元与递归神经汇集形成一个“梯子”，这个“梯子”将这些词语“提”到神经汇集顶部，并它们组合起来展望应该产生的下一个词
3.8.3. 递归神经汇集生成的文本时常语法正确，标点记号使用妥当，以致能主持到作者言语作风的精髓方位
3.8.4. 它的输出存在局限性
3.8.5. 当咱们深入究诘递归神经汇集时，咱们也能看到它们存在局限的原因
3.8.5.1. 问题不在于咱们需要提供更大的词语数据库以使它们取得更强的默契力
3.8.5.2. 它们的默契力有限，是因为它们一次只可吸收大致 25个词语
3.9. 天然创作伟大的体裁作品远非递归神经汇集力所能及，但稽查它们掌持更多日常言语是可能的
3.9.1. 很多在线匡助办事照旧罢了了自动化
3.9.2. 脸书旗下的通讯应用Messenger为咱们提供购物机器东说念主，允许咱们点击一系列合股或者发送通俗的短信来购买商品
3.9.3. 苹果的Siri和亚马逊的Alexa不错酬劳问题，还不错胁制家里的迷惑
3.10. 对于大众办事自动化的诠释，诠释将客户办事列为最容易被淘汰的职责之一
4. 托马斯·米科洛夫
4.1. Tomas Mikolov
4.2. 蓄意机言语处理方面的泰斗
4.3. 创造了Word2vec词语默示算法
4.3.1. Word2vec应用平庸，从汇集搜索到翻译，兼容并包
4.4. 委果所相关于神经汇集生成言语的究诘都起始于托马斯的究诘
5. 智能超等玩家
5.1. 东说念主们并莫得平庸合计“深蓝”慑服卡斯帕罗夫是迈向更通用的东说念主工智能的紧要一步
5.2. 只需数周东说念主工智能就能在游戏中打败你
5.3. 20 世纪 90年代用“从上至下”要领创造出来的东说念主工智能安稳退出舞台，统计学拔帜树帜安稳成为当代算法背后的用具
5.4. 2017年 1 月，一个名为Libratus的算法以一敌四，与顶尖专科牌手进行了 12万轮一双一、无穷下注的得州扑克比赛，并夺得冠军
5.5. 尽管算法在棋牌类游戏上取得了让东说念主印象深入的成立，可是它们仍然需要要领员来熏陶它们怎样使用“从上至下”的要领措置问题
5.5.1. 它们对鼓吹“从下到上”的东说念主工智能的发展孝顺不大
5.6. 天外入侵者
5.6.1. Space Invader
5.6.2. 这款雅达利(Atari)的经典游戏与其他游戏有着一丈差九尺，它大略对才略莫得那么高的条款，但它对策略商量、手眼协长入快速反应都有详细条款
5.7. 学着玩雅达利 2600 游戏机上 49 款不同的游戏
5.7.1. 这个神经汇集在其中的 23 款游戏中打败了管事玩家，并在另外 6 款比赛中达到了与平常玩家终点的水平
5.7.2. 它非常擅长《打砖块》(Breakout)这款游戏，游戏的玩法是胁制拍子把通盘的砖块从墙上敲下
5.7.3. 开动时，谷歌工程师莫得告诉他们的神经汇集与这款它随即要玩的游戏相关的任何信息
5.7.3.1. 他们用神经元之间的惟恐褪色迷惑了汇集，这意味着飞船的挪动和射击也或多或少是惟恐的
5.8. 创造出一种东说念主工智能，不错从零开动学习任何一款游戏
5.8.1. 谷歌的措置决策很猛进度上要归功于一种叫作“卷积”(convolution)的数学要领
5.8.2. 最复杂的是游戏的截图
5.9. 卷积神经汇集的主见在 20 世纪 90年代傍边就出现了，但在很长一段时辰里，它都只是很多被合计不错用来匡助蓄意机检测样子的算法中的一种
5.9.1. 2012年的比赛只是卷积神经汇集大放异彩的开动
5.9.2. 无谓奉告卷积神经汇集要措置什么问题，它就能够通过学习来处理问题
5.9.3. 卷积神经汇集在手写和语音识别任务上打败了竞争敌手
5.9.3.1. 它不错识别视频短片中的行为，并展望接下来会发生什么
5.9.4. 跟着卷积神经汇集在视觉问题上取得跳动，轮回神经汇集在言语问题上也取得了近似的成立
5.9.4.1. 通过使用新的神经汇集时刻，谷歌大大擢升了从英文到华文的翻译质料
5.10. 神经汇集在一些游戏中的进展跟瞎玩没什么分袂
5.10.1. 卷积神经汇集根底无法应酬游戏中的这些贫乏
5.10.1.1. 它们只可对咫尺的事物作念出反应：射杀外星东说念主、对拳击手拳打脚踢、跳过六边形等
5.10.1.2. 它们莫得进行商量的能力，即使这个商量针对的长短常短期的改日
5.10.1.3. 该算法在通盘需要提前作念出商量的雅达利游戏中都兴师不利，哪怕这些游戏只需要少量点这方面的能力
5.11. 现在源流进的东说念主工智能能够看到事物独立即作念出反应，但它无法默契我方看到的是什么，也无法制订商量
5.12. 强东说念主工智能技俩的永恒商量是用尽可能少的东说念主工输入来稽查汇集
5.12.1. 若是咱们想让算法展现迁移物或东说念主类的贤惠的特质，那么这些汇集就必须会自学，而不是需要咱们告诉它们应该作念什么或应该扎眼什么
5.12.2. “东说念主对算法插手过多”的问题
5.13. AlphaGo Zero
5.13.1. 机器通过一局又一局的对弈，一齐更生手改动为专家，临了变得不可慑服
5.13.2. 这是一个王人备依靠自学来挑战极复杂游戏的神经汇集
5.14. 对于神经汇集来说，完成这些任务意味选藏新从零开动稽查
5.14.1. 天然科学家对大脑照旧相等了解，但鼓吹算法模拟东说念主类去自愿默契新环境对咱们来说仍然难于登天
5.15. DeepMind
5.15.1. 最终商量是迪士尼彩乐园168，有朝一日让智能机器来制订措置决策，措置工程师、大夫和科学家们苦苦钻研却久攻不下的难题