6 nejlepších knih o strojovém učení a umělé inteligenci všech dob (květen 2024)

Svět umělé inteligence může být zastrašující kvůli terminologii a různým dostupným algoritmům strojového učení. Poté, co jsem přečetl více než 50 nejvíce doporučených knih o strojovém učení, sestavil jsem svůj osobní seznam knih, které si musíte přečíst.

Knihy, které byly vybrány, jsou založeny na typech myšlenek, které jsou představeny, a na tom, jak dobře jsou prezentovány různé koncepty, jako je hluboké učení, posílení učení a genetické algoritmy. Nejdůležitější je, že seznam je založen na knihách, které nejlépe dláždí cestu futuristům a výzkumníkům k budování prokazatelně odpovědné a vysvětlitelné umělé inteligence.

# 6. Jak funguje AI: Od čarodějnictví k vědě od Ronalda T. Kneusela

„How AI Works“ je stručná a jasná kniha navržená tak, aby nastínila základní základy strojového učení. Tato kniha usnadňuje poznávání bohaté historie strojového učení, od počátků starších systémů umělé inteligence až po příchod současných metodologií.

Historie je vrstvená, počínaje dobře založenými systémy umělé inteligence, jako jsou podpůrné vektorové stroje, rozhodovací stromy a náhodné lesy. Tyto dřívější systémy vydláždily cestu k převratným pokrokům, vedoucím k vývoji sofistikovanějších přístupů, jako jsou neuronové sítě a konvoluční neuronové sítě. Kniha pojednává o neuvěřitelných možnostech, které nabízejí velké jazykové modely (LLM), které jsou hnacím motorem dnešní nejmodernější generativní umělé inteligence.

Pochopení základů, jako je například to, jak technologie šumu na obrázek může replikovat stávající snímky a dokonce vytvářet nové, bezprecedentní snímky ze zdánlivě náhodných výzev, je zásadní pro pochopení sil, které pohánějí dnešní generátory obrázků. Tato kniha krásně vysvětluje tyto základní aspekty a umožňuje čtenářům porozumět složitosti a základnímu mechanismu technologií generování obrazu.

Ron Kneusel, autor, demonstruje chvályhodné úsilí při objasnění svých pohledů na to, proč ChatGPT OpenAI a jeho LLM model znamenají začátek skutečné umělé inteligence. Pečlivě prezentuje, jak odlišné LLM vykazují emergentní vlastnosti schopné intuitivně porozumět teorii mysli. Zdá se, že tyto vznikající vlastnosti se stávají výraznějšími a vlivnějšími na základě velikosti tréninkového modelu. Kneusel diskutuje o tom, jak větší množství parametrů obvykle vede k nejúspěšnějším a nejúspěšnějším modelům LLM, a poskytuje hlubší vhled do škálovací dynamiky a účinnosti těchto modelů.

Tato kniha je majákem pro ty, kteří se chtějí dozvědět více o světě umělé inteligence, nabízí podrobný, ale srozumitelný přehled evoluční trajektorie technologií strojového učení, od jejich primitivních forem až po průkopnické entity dneška. Bez ohledu na to, zda jste nováček nebo někdo, kdo toto téma dobře chápe, je „Jak funguje umělá inteligence“ navržena tak, aby vám poskytla vytříbené porozumění transformativním technologiím, které nadále utvářejí náš svět.

# 5. Život 3.0 od Maxe Tegmarka

"Život 3.0“ má ambiciózní cíl, a to prozkoumat možnosti, jak budeme v budoucnu koexistovat s AI. Umělá všeobecná inteligence (AGI) je konečným a nevyhnutelným důsledkem argument exploze inteligence vytvořil britský matematik Irving Good v roce 1965. Tento argument stanoví, že nadlidská inteligence bude výsledkem stroje, který se dokáže neustále zlepšovat. Slavný citát pro zpravodajskou explozi je následující:

„Ultrainteligentní stroj nechť je definován jako stroj, který může daleko předčít všechny intelektuální aktivity každého člověka, jakkoli chytrého. Protože konstrukce strojů je jednou z těchto intelektuálních činností, ultrainteligentní stroj by mohl navrhnout ještě lepší stroje; pak by nepochybně došlo k „exploze inteligence“ a inteligence člověka by zůstala daleko pozadu. První ultrainteligentní stroj je tedy posledním vynálezem, který člověk kdy musel vyrobit.

Max Tegmark uvádí knihu do teoretické budoucnosti života ve světě, který je řízen AGI. Od této chvíle se kladou výbušné otázky, jako například co je to inteligence? co je paměť? Co je to počítání? a co je učení? Jak tyto otázky a možné odpovědi nakonec vedou k paradigmatu stroje, který může používat různé typy strojového učení k dosažení průlomů v sebezdokonalování, které jsou potřebné k dosažení inteligence na lidské úrovni, a nevyhnutelně výsledné superinteligence?

Toto je typ myšlení dopředu a důležité otázky, které Life 3.0 zkoumá. Life 1.0 jsou jednoduché formy života, jako jsou bakterie, které se mohou změnit pouze evolucí, která modifikuje jejich DNA. Life 2.0 jsou formy života, které mohou přepracovat svůj vlastní software, například naučit se nový jazyk nebo dovednost. Life 3.0 je umělá inteligence, která dokáže nejen upravit své vlastní chování a dovednosti, ale může také upravit svůj vlastní hardware, například upgradovat své robotické já.

Teprve když pochopíme výhody a úskalí AGI, můžeme pak začít přezkoumávat možnosti, abychom zajistili, že vytvoříme přátelskou AI, která bude v souladu s našimi cíli. Abychom toho dosáhli, možná také potřebujeme pochopit, co je vědomí? A jak se bude vědomí umělé inteligence lišit od našeho vlastního?

V této knize je prozkoumáno mnoho horkých témat a měla by být povinnou četbou pro každého, kdo si skutečně přeje pochopit, jak je AGI potenciální hrozbou a zároveň potenciálním záchranným lanem pro budoucnost lidské civilizace.

# 4. Human Compatible: Umělá inteligence a problém kontroly od Stuarta Russella

Co se stane, když se nám podaří vybudovat inteligentního agenta, něco, co vnímá, co jedná a co je inteligentnější než jeho tvůrci? Jak přesvědčíme stroje, aby dosáhly našich cílů místo svých vlastních cílů?

Výše uvedené vede k jednomu z nejdůležitějších konceptů knihy „Human Compatible: Umělá inteligence a problém kontroly“ je, že se musíme vyvarovat „vkládání účelu do stroje“, jak jednou řekl Norbert Wiener. Inteligentní stroj, který si je příliš jistý svými pevnými cíli, je konečným typem nebezpečné umělé inteligence. Jinými slovy, pokud AI přestane být ochotná vzít v úvahu možnost, že při provádění svého předem naprogramovaného účelu a funkce chybuje, pak může být nemožné, aby se systém AI sám vypnul.

Obtížnost, kterou nastínil Stuart Russell, je v instruování AI/robota, že žádný pokyn není zamýšlen za každou cenu. Není v pořádku obětovat lidský život, abyste přinesli kávu, nebo ugrilovat kočku jako zásobu oběda. Je třeba chápat, že „odvezte mě co nejrychleji na letiště“ neznamená, že mohou být porušeny zákony o překročení rychlosti, i když tento pokyn není výslovný. Pokud by se umělá inteligence mýlila, pak je zabezpečení proti selhání určitou předem naprogramovanou úrovní nejistoty. S jistou nejistotou se AI může před dokončením úkolu vyzvat, aby možná hledala verbální potvrzení.

V novinách z roku 1965 s názvem „Spekulace týkající se prvního ultrainteligentního strojeIJ Good, brilantní matematik, který pracoval po boku Alana Turinga, prohlásil: "Přežití člověka závisí na rané konstrukci ultrainteligentního stroje." Je zcela možné, že abychom se zachránili před ekologickou, biologickou a humanitární katastrofou, musíme vybudovat nejpokročilejší AI, jakou můžeme.

Tento klíčový dokument vysvětluje explozi inteligence, tato teorie říká, že ultrainteligentní stroj může navrhnout ještě lepší a dokonalejší stroje s každou iterací, a to nevyhnutelně vede k vytvoření AGI. Zatímco AGI může mít zpočátku stejnou inteligenci jako člověk, v krátké době by rychle předčil lidi. Vzhledem k výše uvedenému závěru je pro vývojáře umělé inteligence důležité aktualizovat základní principy sdílené v této knize a naučit se, jak je bezpečně aplikovat při navrhování systémů umělé inteligence, které jsou schopny nejen sloužit lidem, ale také zachraňovat lidi před sebou samými. .

Jak nastínil Stuart Russell, ústup od výzkumu umělé inteligence není řešením, musíme se prosadit. Tato kniha je plánem, který nás povede k navrhování bezpečných, odpovědných a prokazatelně prospěšných systémů umělé inteligence.

# 3. Jak vytvořit mysl od Raye Kurzweila

Ray Kurzweil je jeden z předních světových vynálezců, myslitelů a futuristů, byl označován jako „neklidný génius“ od The Wall Street Journal a „dokonalý myslící stroj“ od časopisu Forbes. Je také spoluzakladatelem Singularity University a je nejlépe známý pro svou průlomovou knihu „Singularita je blízko“. “Jak vytvořit mysl“ se méně zabývá otázkami exponenciálního růstu, které jsou charakteristické pro jeho další práci, místo toho se zaměřuje na to, jak potřebujeme porozumět lidskému mozku, abychom jej mohli zpětně analyzovat a vytvořit konečný myslící stroj.

Jedním z hlavních principů nastíněných v této klíčové práci je, jak funguje rozpoznávání vzorů v lidském mozku. Jak lidé rozpoznávají vzorce v každodenním životě? Jak se tato spojení tvoří v mozku? Kniha začíná pochopením hierarchického myšlení, to je pochopení struktury, která se skládá z různých prvků, které jsou uspořádány do vzoru, toto uspořádání pak představuje symbol, jako je písmeno nebo znak, a to je dále uspořádáno do pokročilejšího vzoru. jako slovo a nakonec věta. Nakonec tyto vzory tvoří nápady a tyto myšlenky jsou transformovány do produktů, za jejichž stavbu jsou zodpovědní lidé.

Protože se jedná o knihu Raye Kurzweila, samozřejmě netrvá dlouho, než se zavede exponenciální myšlení. "Zákon zrychlujících se návratů“ je charakteristickým znakem této zásadní knihy. Tento zákon ukazuje, jak se technologie a tempo zrychlování zrychlují v důsledku tendence, aby se pokroky živily samy sebou, což dále zvyšuje tempo pokroku. Toto myšlení pak lze aplikovat na to, jak rychle se učíme rozumět lidskému mozku a zpětně jej analyzovat. Toto zrychlené porozumění systémům rozpoznávání vzorů v lidském mozku pak může být použito při budování systému AGI.

Tato kniha byla pro budoucnost AI tak transformační, že Eric Schmidt naverboval Raye Kurzweila, aby pracoval na projektech AI poté, co dočetl tuto klíčovou knihu. Není možné nastínit všechny myšlenky a koncepty, které jsou diskutovány v krátkém článku, nicméně je to instrumentální kniha, kterou si musíte přečíst, abyste lépe pochopili, jak lidské neuronové sítě fungují, abyste mohli navrhnout pokročilé umělá neuronová síť.

Rozpoznávání vzorů je klíčovým prvkem hlubokého učení a tato kniha ilustruje proč.

# 2. Hlavní algoritmus od Pedra Domingose

Ústřední hypotéza Hlavní algoritmus je, že všechny znalosti – minulost, přítomnost a budoucnost – lze odvodit z dat pomocí jediného univerzálního algoritmu učení, který je kvantifikován jako hlavní algoritmus. Kniha podrobně popisuje některé z nejlepších metod strojového učení, poskytuje podrobné vysvětlení toho, jak různé algoritmy fungují, jak je lze optimalizovat a jak mohou spolupracovat na dosažení konečného cíle vytvoření hlavního algoritmu. Toto je algoritmus, který je schopen vyřešit jakýkoli problém, kterým ho krmíme, a to včetně léčby rakoviny.

Čtenář začne tím, že se něco dozví Naivní Bayes, jednoduchý algoritmus, který lze vysvětlit pomocí jedné jednoduché rovnice. Odtud akceleruje plnou rychlostí do zajímavějších technik strojového učení. Abychom porozuměli technologiím, které nás urychlují směrem k tomuto hlavnímu algoritmu, učíme se o konvergujících základech. Za prvé, z neurovědy se učíme o plasticitě mozku, lidských neuronových sítích. Za druhé, v lekci přejdeme k přirozenému výběru, abychom pochopili, jak navrhnout genetický algoritmus, který simuluje evoluci a přirozený výběr. S genetickým algoritmem se populace hypotéz v každé generaci kříží a mutuje, odtud ty nejvhodnější algoritmy vytvářejí další generaci. Tento vývoj nabízí maximální sebezdokonalování.

Další argumenty pocházejí z fyziky, statistiky a samozřejmě toho nejlepšího z informatiky. Je nemožné komplexně zhodnotit všechny různé aspekty, kterých se tato kniha dotýká, vzhledem k ambicióznímu rozsahu knih, které mají stanovit rámec pro budování hlavního algoritmu. Je to tento rámec, který posunul tuto knihu na druhé místo, protože všechny ostatní knihy o strojovém učení na něm v nějaké podobě nebo formě staví.

# 1. Tisíc mozků od Jeffa Hawkinse

"Tisíc mozků“ staví na konceptech, které jsou diskutovány v předchozí knize Jeffa Hawkinse s názvem „On Intelligence“. „On Intelligence“ prozkoumal rámec pro pochopení toho, jak funguje lidská inteligence a jak lze tyto koncepty následně použít k budování ultimátních systémů AI a AGI. V zásadě analyzuje, jak náš mozek předpovídá, co zažijeme, než to zažijeme.

Přestože je „Tisíc mozků“ skvělá samostatná kniha, nejlépe si ji užijete a oceníte, když „O inteligenci“ se čte jako první.

„Tisíc mozků“ staví na nejnovějším výzkumu Jeffa Hawkinse a společnosti, kterou založil numenta. Numenta má primární cíl vyvinout teorii o tom, jak neokortex funguje, sekundárním cílem je, jak lze tuto teorii mozku aplikovat na strojové učení a strojovou inteligenci.

První velký objev Numenty v roce 2010 se týká toho, jak neurony provádějí předpovědi, a druhý objev v roce 2016 zahrnoval mapovité referenční rámce v neokortexu. Kniha podrobně popisuje především to, co je „teorie tisíce mozků“, co jsou referenční rámce a jak tato teorie funguje v reálném světě. Jednou z nejzákladnějších součástí této teorie je pochopení toho, jak se neokortex vyvinul do své současné velikosti.

Neokortex začínal jako malý, podobně jako u jiných savců, ale exponenciálně se zvětšoval (pouze byl limitován velikostí porodních cest) nikoli vytvářením něčeho nového, ale opakovaným kopírováním základního okruhu. V podstatě to, co lidi odlišuje, není organický materiál mozku, ale počet kopií identických prvků, které tvoří neokortex.

Teorie se dále rozvíjí do toho, jak je neokortex tvořen přibližně 150,000 XNUMX kortikálními sloupci, které nejsou viditelné pod mikroskopem, protože mezi nimi nejsou žádné viditelné hranice. Jak tyto kortikální sloupce mezi sebou komunikují, je implementace základního algoritmu, který je zodpovědný za každý aspekt vnímání a inteligence.

Ještě důležitější je, že kniha odhaluje, jak lze tuto teorii aplikovat na stavbu inteligentních strojů a možné budoucí důsledky pro společnost. Mozek se například učí model světa tím, že sleduje, jak se vstupy mění v průběhu času, zvláště když je aplikován pohyb. Kortikální sloupce vyžadují referenční rámec, který je připevněn k objektu, tyto referenční rámce umožňují kortikálnímu sloupci zjistit umístění prvků, které definují realitu objektu. V podstatě referenční rámce mohou organizovat jakýkoli typ znalostí. To vede k nejdůležitější části této klíčové knihy, mohou být referenční rámce potenciálně životně důležitým chybějícím článkem k budování pokročilejší AI nebo dokonce systému AGI? Sám Jeff věří v nevyhnutelnou budoucnost, kdy se AGI naučí modely světa pomocí mapových referenčních soustav podobných neokortexu, a odvádí pozoruhodnou práci, aby ilustroval, proč tomu věří.