6 bästa maskininlärnings- och AI-böcker genom tiderna (maj 2024)

AI-världen kan vara skrämmande på grund av terminologin och olika maskininlärningsalgoritmer som är tillgängliga. Efter att ha läst över 50 av de mest rekommenderade böckerna om maskininlärning har jag sammanställt min personliga lista över måste läsa böcker.

Böckerna som valdes ut är baserade på de typer av idéer som introduceras, och hur väl olika begrepp som djupinlärning, förstärkningsinlärning och genetiska algoritmer presenteras. Viktigast av allt är listan baserad på de böcker som bäst banar vägen framåt för futurister och forskare mot att bygga bevisligen ansvarsfull och förklarlig AI.

# 6. Hur AI fungerar: från trolldom till vetenskap av Ronald T. Kneusel

"How AI Works" är en kortfattad och tydlig bok designad för att avgränsa grunderna för maskininlärning. Den här boken gör det lättare att lära sig om maskininlärningens rika historia, från starten av äldre AI-system till tillkomsten av samtida metoder.

Historien är skiktad, med början med de välgrundade AI-systemen som stödvektormaskiner, beslutsträd och slumpmässiga skogar. Dessa tidigare system banade väg för banbrytande framsteg, vilket ledde till utvecklingen av mer sofistikerade metoder som neurala nätverk och konvolutionella neurala nätverk. Boken diskuterar de otroliga funktionerna som erbjuds av Large Language Models (LLM), som är kraftpaketet bakom dagens toppmoderna Generative AI.

Att förstå grunderna, som hur brus-till-bild-teknik kan replikera befintliga bilder och till och med skapa nya, aldrig tidigare skådade bilder från till synes slumpmässiga uppmaningar, är avgörande för att förstå krafterna som driver fram dagens bildgeneratorer. Den här boken förklarar på ett vackert sätt dessa grundläggande aspekter, vilket gör att läsarna kan förstå krångligheterna och underliggande mekaniken i bildgenereringsteknik.

Ron Kneusel, författaren, visar en lovvärd insats för att klargöra sina perspektiv på varför OpenAI:s ChatGPT och dess LLM-modell betyder början på sann AI. Han presenterar minutiöst hur distinkta LLM:er uppvisar framväxande egenskaper som kan intuitivt förstå teorin om sinnet. Dessa framväxande egenskaper verkar bli mer uttalade och inflytelserika baserat på storleken på träningsmodellen. Kneusel diskuterar hur en större mängd parametrar vanligtvis resulterar i de mest skickliga och framgångsrika LLM-modellerna, vilket ger djupare insikter i skalningsdynamiken och effektiviteten hos dessa modeller.

Den här boken är en ledstjärna för dem som vill lära sig mer om AI-världen, och erbjuder en detaljerad men ändå begriplig översikt av maskininlärningsteknikens evolutionära bana, från deras rudimentära former till dagens banbrytande enheter. Oavsett om du är nybörjare eller någon som har ett stort grepp om ämnet, är "How AI Works" utformad för att ge dig en förfinad förståelse för de transformativa teknologier som fortsätter att forma vår värld.

# 5. Livet 3.0 av Max Tegmark

"Livet 3.0” har ett ambitiöst mål och det är att utforska möjligheterna för hur vi kommer att samexistera med AI i framtiden. Artificiell allmän intelligens (AGI) är den slutliga och oundvikliga konsekvensen av underrättelseexplosionsargument gjord av den brittiske matematikern Irving Good redan 1965. Detta argument stipulerar att övermänsklig intelligens kommer att vara resultatet av en maskin som kontinuerligt kan förbättra sig själv. Det berömda citatet för underrättelseexplosionen är följande:

"Låt en ultraintelligent maskin definieras som en maskin som vida kan överträffa alla intellektuella aktiviteter hos vilken man än är smart. Eftersom design av maskiner är en av dessa intellektuella aktiviteter, skulle en ultraintelligent maskin kunna designa ännu bättre maskiner; det skulle då utan tvekan bli en "intelligensexplosion", och människans intelligens skulle lämnas långt bakom. Således är den första ultraintelligenta maskinen den sista uppfinningen som människan någonsin behöver göra.”

Max Tegmark lanserar boken i en teoretisk framtid att leva i en värld som kontrolleras av en AGI. Från och med detta ögonblick och framåt ställs explosiva frågor som vad är intelligens? Vad är minne? Vad är beräkning? och vad är lärande? Hur leder dessa frågor och möjliga svar så småningom till paradigmet för en maskin som kan använda olika typer av maskininlärning för att uppnå de genombrott i självförbättring som behövs för att uppnå intelligens på mänsklig nivå, och den oundvikliga resulterande superintelligensen?

Det här är den typen av framåtanda och viktiga frågor som Life 3.0 utforskar. Life 1.0 är enkla livsformer som bakterier som bara kan förändras genom evolution som modifierar dess DNA. Life 2.0 är livsformer som kan designa om sin egen programvara som att lära sig ett nytt språk eller en ny färdighet. Life 3.0 är en AI som inte bara kan modifiera sitt eget beteende och sina färdigheter, utan också kan modifiera sin egen hårdvara, till exempel uppgradera sitt robotjag.

Först när vi förstår fördelarna och fallgroparna med en AGI kan vi sedan börja granska alternativen för att säkerställa att vi bygger en vänlig AI som kan anpassas till våra mål. För att göra detta kan vi också behöva förstå vad medvetande är? Och hur kommer AI-medvetandet att skilja sig från vårt eget?

Det finns många heta ämnen som utforskas i den här boken, och den borde vara obligatorisk läsning för alla som verkligen vill förstå hur AGI är ett potentiellt hot, samt vara en potentiell livlina för den mänskliga civilisationens framtid.

# 4. Människokompatibel: artificiell intelligens och problemet med kontroll av Stuart Russell

Vad händer om vi lyckas bygga en intelligent agent, något som uppfattar, som agerar och som är mer intelligent än dess skapare? Hur ska vi övertyga maskinerna att uppnå våra mål istället för sina egna mål?

Ovanstående är det som leder till ett av de viktigaste begreppen i boken "Människokompatibel: artificiell intelligens och problemet med kontroll” är att vi måste undvika att ”sätta ett syfte i maskinen”, som Norbert Wiener en gång sa. En intelligent maskin som är för säker på sina fasta mål är den ultimata typen av farlig AI. Med andra ord om AI:n blir ovillig att överväga möjligheten att den har fel i att utföra sitt förprogrammerade syfte och funktion, då kan det vara omöjligt att få AI-systemet att stänga av sig självt.

Svårigheten som skisserats av Stuart Russell är att instruera AI/roboten att inget instruerat kommando är avsett att uppnås till varje pris. Det är inte okej att offra människoliv för att hämta en kaffe, eller att grilla katten för att ge lunch. Det måste förstås att "ta mig till flygplatsen så fort som möjligt", inte innebär att fortkörningslagar kan brytas, även om denna instruktion inte är explicit. Skulle AI:n få ovanstående fel, då är fail safen en viss förprogrammerad osäkerhetsnivå. Med viss osäkerhet kan AI:n utmana sig själv innan man slutför en uppgift, för att kanske söka verbal bekräftelse.

I en tidning från 1965 med titeln "Spekulationer angående den första ultraintelligensmaskinen", IJ Good, en briljant matematiker som arbetade tillsammans med Alan Turing, sa: "Människans överlevnad beror på den tidiga konstruktionen av en ultraintelligent maskin". Det är fullt möjligt att för att rädda oss själva från ekologiska, biologiska och humanitära katastrofer måste vi bygga den mest avancerade AI som vi kan.

Det här framträdande dokumentet förklarar intelligensexplosionen, denna teori är att en ultraintelligent maskin kan designa ännu bättre och överlägsna maskiner med varje iteration, och detta leder oundvikligen till skapandet av en AGI. Även om AGI initialt kan ha samma intelligens som en människa, skulle den snabbt överträffa människor inom en kort tidsperiod. På grund av denna förutsedda slutsats är det viktigt för AI-utvecklare att aktualisera kärnprinciperna som delas i den här boken och lära sig hur man på ett säkert sätt kan tillämpa dem för att designa AI-system som inte bara kan tjäna människor utan att rädda människor från sig själva .

Som Stuart Russell beskrev att dra sig tillbaka från AI-forskning är inte ett alternativ, vi måste gå framåt. Den här boken är en färdplan för att vägleda oss mot att designa säkra, ansvarsfulla och bevisligen fördelaktiga AI-system.

# 3. Hur man skapar ett sinne av Ray Kurzweil

Ray Kurzweil är en av världens ledande uppfinnare, tänkare och futurister, har han kallats "det rastlösa geniet" av The Wall Street Journal och "the ultimate thinking machine" av Forbes magazine. Han är också en av grundarna av Singularity University, och han är mest känd för sin banbrytande bok "The Singularity is Near". "Hur man skapar ett sinne” tacklar mindre frågorna om exponentiell tillväxt som är kännetecken för hans andra arbete, istället fokuserar det på hur vi behöver förstå den mänskliga hjärnan för att omvända den för att skapa den ultimata tänkande maskinen.

En av de centrala principerna som beskrivs i detta avgörande arbete är hur mönsterigenkänning fungerar i den mänskliga hjärnan. Hur känner människor igen mönster i vardagen? Hur bildas dessa kopplingar i hjärnan? Boken börjar med att förstå hierarkiskt tänkande, detta är att förstå en struktur som är sammansatt av olika element som är arrangerade i ett mönster, detta arrangemang representerar sedan en symbol som en bokstav eller ett tecken, och sedan arrangeras detta ytterligare till ett mer avancerat mönster som ett ord och så småningom en mening. Så småningom bildar dessa mönster idéer, och dessa idéer omvandlas till de produkter som människor är ansvariga för att bygga.

Eftersom det är en Ray Kurzweil-bok tar det naturligtvis inte lång tid innan exponentiellt tänkande introduceras. den "Lagen om accelererande avkastning' är ett kännetecken för denna framstående bok. Denna lag visar hur teknik och accelerationstakten accelererar på grund av tendensen för framsteg att livnära sig på sig själva, vilket ytterligare ökar framstegshastigheten. Detta tänkande kan sedan appliceras på hur snabbt vi lär oss att förstå och omvänd konstruera den mänskliga hjärnan. Denna accelererade förståelse av mönsterigenkänningssystem i den mänskliga hjärnan kan sedan användas för att bygga ett AGI-system.

Den här boken var så transformerande för AI:s framtid att Eric Schmidt rekryterade Ray Kurzweil för att arbeta med AI-projekt efter att han läst klart denna framstående bok. Det är omöjligt att beskriva alla idéer och begrepp som diskuteras i en kort artikel, men det är ändå en viktig bok som måste läsas för att bättre förstå hur mänskliga neurala nätverk fungerar för att designa en avancerad artificiellt neuralt nätverk.

Mönsterigenkänning är nyckelelementet för djupt lärande, och den här boken illustrerar varför.

# 2. Masteralgoritmen av Pedro Domingos

Den centrala hypotesen om Masteralgoritmen är att all kunskap – dåtid, nutid och framtid – kan härledas från data genom en enda, universell inlärningsalgoritm som är kvantifierad som en Master Algorithm. Boken beskriver några av de bästa maskininlärningsmetoderna, den ger detaljerade förklaringar av hur olika algoritmer fungerar, hur de kan optimeras och hur de kan arbeta tillsammans för att uppnå det slutliga målet att skapa Master-algoritmen. Detta är en algoritm som kan lösa alla problem som vi matar den, och detta inkluderar att bota cancer.

Läsaren börjar med att lära sig om Naiva Bayes, en enkel algoritm som kan förklaras i en enkel ekvation. Därifrån accelererar den full fart till mer intressanta maskininlärningstekniker. För att förstå de teknologier som accelererar oss mot denna masteralgoritm lär vi oss om konvergerande grunder. Först, från neurovetenskapen lär vi oss om hjärnans plasticitet, mänskliga neurala nätverk. För det andra går vi vidare till naturligt urval i en lektion för att förstå hur man designar en genetisk algoritm som simulerar evolution och naturligt urval. Med en genetisk algoritm korsar en population av hypoteser i varje generation och muterar, därifrån producerar de starkaste algoritmerna nästa generation. Denna utveckling erbjuder det ultimata inom självförbättring.

Andra argument kommer från fysik, statistik och naturligtvis det bästa inom datavetenskap. Det är omöjligt att heltäckande granska alla de olika aspekterna som denna bok berör, på grund av böckernas ambitiösa räckvidd för att lägga ut ramarna för att bygga Master Algorithm. Det är detta ramverk som har drivit den här boken till andra plats, eftersom alla andra maskininlärningsböcker bygger på detta i någon form eller form.

# 1. Tusen hjärnor av Jeff Hawkins

"Tusen hjärnor” bygger på begreppen som diskuteras i den tidigare boken av Jeff Hawkins med titeln ”On Intelligence”. "On Intelligence" utforskade ramverket för att förstå hur mänsklig intelligens fungerar, och hur dessa koncept sedan kan tillämpas för att bygga de ultimata AI- och AGI-systemen. Den analyserar i grunden hur våra hjärnor förutsäger vad vi kommer att uppleva innan vi upplever det.

Även om "Tusen hjärnor" är en fantastisk fristående bok, kommer den att uppskattas och uppskattas bäst om "Om intelligens” läses först.

"A Thousand Brains" bygger på den senaste forskningen av Jeff Hawkins och företaget som han grundade kallade numenta. Numenta har ett primärt mål att utveckla en teori om hur neocortex fungerar, det sekundära målet är hur denna teori om hjärnan kan tillämpas på maskininlärning och maskinintelligens.

Numentas första stora upptäckt 2010 handlar om hur neuroner gör förutsägelser, och den andra upptäckten 2016 involverade kartliknande referensramar i neocortex. Boken beskriver först och främst vad "Thousand Brains theory" är, vilka referensramar som är och hur teorin fungerar i den verkliga världen. En av de mest grundläggande komponenterna bakom denna teori är att förstå hur neocortex utvecklades till sin nuvarande storlek.

Neocortex började smått, likt andra däggdjur, men den blev exponentiellt större (endast begränsad av storleken på födelsekanalen) inte genom att skapa något nytt, utan genom att kopiera en grundläggande krets upprepade gånger. I grund och botten är det som skiljer människor inte det organiska materialet i hjärnan utan antalet kopior av de identiska elementen som bildar neocortex.

Teorin utvecklas vidare till hur neocortex bildas med cirka 150,000 XNUMX kortikala kolonner som inte är synliga i mikroskop eftersom det inte finns några synliga gränser mellan dem. Hur dessa kortikala kolumner kommunicerar med varandra är implementeringen av en grundläggande algoritm som är ansvarig för varje aspekt av perception och intelligens.

Ännu viktigare är att boken avslöjar hur denna teori kan tillämpas för att bygga intelligenta maskiner och de möjliga framtida konsekvenserna för samhället. Till exempel lär sig hjärnan en modell av världen genom att observera hur input förändras över tiden, särskilt när rörelse tillämpas. De kortikala kolumnerna kräver en referensram som är fixerad till ett objekt, dessa referensramar tillåter en kortikal kolumn att lära sig placeringen av funktioner som definierar ett objekts verklighet. I huvudsak kan referensramar organisera vilken typ av kunskap som helst. Detta leder till den viktigaste delen av denna nyskapande bok, kan referensramar potentiellt vara den avgörande felande länken för att bygga en mer avancerad AI eller till och med ett AGI-system? Jeff tror själv på en oundviklig framtid när en AGI kommer att lära sig modeller av världen med hjälp av kartliknande referensramar som liknar neocortex, och han gör ett anmärkningsvärt jobb som illustrerar varför han tror på detta.