未来派系列
有史以来最好的 6 本机器学习和人工智能书籍（2024 年 XNUMX 月）
由于可用的术语和不同的机器学习算法，人工智能的世界可能会令人生畏。在阅读了 50 多本最受强烈推荐的机器学习书籍后，我编制了个人必读书籍清单。
选择的书籍是基于所介绍的思想类型，以及深度学习、强化学习和遗传算法等不同概念的呈现程度。 最重要的是，该列表基于为未来学家和研究人员构建可证明负责任且可解释的人工智能铺平道路的最佳书籍。
＃6。 人工智能如何运作：从巫术到科学 作者：罗纳德·T·克努塞尔
《人工智能如何工作》是一本简洁明了的书，旨在描述机器学习的核心基础知识。 本书有助于了解机器学习的丰富历史，从遗留人工智能系统的诞生到当代方法论的出现。
历史是分层的，从支持向量机、决策树和随机森林等基础良好的人工智能系统开始。这些早期的系统为突破性的进步铺平了道路，导致了神经网络和卷积神经网络等更复杂方法的发展。本书讨论了大型语言模型 (LLM) 提供的令人难以置信的功能，它是当今最先进的生成式人工智能背后的强大动力。
了解基础知识，例如噪声转图像技术如何复制现有图像，甚至根据看似随机的提示创建新的、前所未有的图像，对于掌握推动当今图像生成器的力量至关重要。 本书精美地阐述了这些基本方面，使读者能够理解图像生成技术的复杂性和基本机制。
作者 Ron Kneusel 在阐明为什么 OpenAI 的 ChatGPT 及其 LLM 模型标志着真正人工智能的开始的观点方面做出了值得称赞的努力。 他细致地介绍了不同的法学硕士如何表现出能够直观地理解心理理论的新兴特性。 根据训练模型的大小，这些新出现的属性似乎变得更加明显和有影响力。 Kneusel 讨论了大量参数通常如何产生最熟练和最成功的 LLM 模型，为这些模型的扩展动态和功效提供了更深入的见解。
对于那些想要更多地了解人工智能世界的人来说，这本书是一盏灯塔，它提供了机器学习技术的进化轨迹的详细而易于理解的概述，从它们的基本形式到当今的开创性实体。无论您是新手还是对该主题有深入了解的人，“人工智能如何工作”旨在让您深入了解持续塑造我们世界的变革性技术。
＃5。 生活3.0 通过马克斯·泰格马克
“生活3.0”有一个雄心勃勃的目标，那就是探索未来我们如何与人工智能共存的可能性。 通用人工智能（AGI）是人工智能的最终和不可避免的结果 智力爆炸论证 英国数学家欧文·古德 (Irving Good) 于 1965 年提出。这一论点规定，超人智能将是能够不断自我改进的机器的结果。 智力爆炸的著名名言如下：
“让超级智能机器被定义为一种能够远远超越任何人（无论多么聪明）的所有智力活动的机器。 由于机器设计是这些智力活动之一，因此超级智能机器可以设计出更好的机器； 毫无疑问，届时将会出现“智力爆炸”，而人类的智力将被远远抛在后面。 因此，第一台超级智能机器是人类需要做出的最后一项发明。”
马克斯·泰格马克（Max Tegmark）将这本书带入了生活在由通用人工智能（AGI）控制的世界中的理论上的未来。 从这一刻起，诸如什么是智力？ 什么是记忆？ 什么是计算？ 并且，什么是学习？ 这些问题和可能的答案如何最终导致机器的范式能够使用各种类型的机器学习来实现实现人类水平智能所需的自我改进突破，以及不可避免的超级智能？
这些都是 Life 3.0 探索的前瞻性思维和重要问题。 生命 1.0 是简单的生命形式，例如细菌，它们只能通过修改其 DNA 的进化来改变。 Life 2.0 是可以重新设计自己的软件的生命形式，例如学习新的语言或技能。 Life 3.0是一个AI，不仅可以修改自己的行为和技能，还可以修改自己的硬件，例如升级机器人自身。
只有当我们了解通用人工智能的优点和缺点时，我们才能开始审查选项，以确保我们构建一个能够与我们的目标保持一致的友好人工智能。 为了做到这一点，我们可能还需要了解什么是意识？ 人工智能意识与我们的意识有何不同？
本书探讨了许多热门话题，对于任何真正希望了解通用人工智能如何构成潜在威胁以及如何成为人类文明未来潜在生命线的人来说，这本书都应该是必读之作。
＃4。 人类兼容：人工智能和控制问题 作者：斯图尔特·拉塞尔
如果我们成功构建一个智能代理，能够感知、行动并且比其创造者更智能，会发生什么？ 我们如何说服机器实现我们的目标而不是他们自己的目标？
以上是本书最重要的概念之一“人类兼容：人工智能和控制问题正如诺伯特·维纳（Norbert Wiener）曾经说过的那样，我们必须避免“为机器赋予目的”。 过于确定其固定目标的智能机器是危险人工智能的终极类型。 换句话说，如果人工智能不愿意考虑其在执行其预先编程的目的和功能时出错的可能性，那么人工智能系统就不可能自行关闭。
斯图尔特·拉塞尔 (Stuart Russell) 概述的困难在于指示人工智能/机器人不惜任何代价实现任何指示命令。 为了喝一杯咖啡而牺牲人的生命，或者为了提供午餐而烤猫，都是不可以的。 必须明白，“尽快带我去机场”并不意味着可能违反超速法规，即使这一指示并不明确。 如果人工智能犯了上述错误，那么故障保险就是一定程度的预编程不确定性。 由于存在一定的不确定性，人工智能可以在完成任务之前挑战自己，或许寻求口头确认。
在 1965 年的一篇题为“关于第一台超级智能机器的猜测”，与阿兰·图灵一起工作的杰出数学家 IJ Good 说道：“人类的生存取决于超智能机器的早期建造”。 为了使自己免遭生态、生物和人道主义灾难，我们完全有可能必须构建最先进的人工智能。
这篇开创性的论文解释了智能爆炸，该理论认为超级智能机器可以在每次迭代中设计出更好、更卓越的机器，这不可避免地导致通用人工智能的诞生。 虽然通用人工智能最初可能具有与人类同等的智力，但它会在短时间内迅速超越人类。 由于这个既定的结论，人工智能开发人员必须实现本书中分享的核心原则，并学习如何安全地将它们应用于设计人工智能系统，这些系统不仅能够服务人类，而且能够拯救人类自身。
正如 Stuart Russell 所言，退出人工智能研究不是一种选择，我们必须继续前进。 本书是指导我们设计安全、负责任且可证明有益的人工智能系统的路线图。
＃3。 如何创造心灵 雷·库兹韦尔
雷·库兹韦尔是 他是世界领先的发明家、思想家和未来学家之一，被称为 被《华尔街日报》称为“永不停歇的天才”，被《福布斯》杂志称为“终极思维机器”。 他也是奇点大学的联合创始人，并以其开创性的著作《奇点临近》而闻名。 “如何创造心灵” 较少解决指数增长的问题，而指数增长是他其他工作的标志，相反，它关注的是我们需要如何理解人脑，以便对其进行逆向工程以创建终极思维机器。
这项开创性工作中概述的核心原理之一是模式识别在人脑中的工作原理。 人类如何识别日常生活中的模式？ 这些连接是如何在大脑中形成的？ 本书从理解层次思维开始，这是理解由多种元素组成的结构，这些元素以某种模式排列，然后这种排列代表一个符号，例如字母或字符，然后进一步排列成更高级的模式例如一个单词，最后是一个句子。 最终这些模式形成想法，而这些想法又转化为人类负责构建的产品。
既然这是一本雷·库兹韦尔的书，当然很快就会介绍指数思维。 这 ”加速回报法则”是这本开创性著作的一个标志。 该定律展示了技术和加速的步伐是如何加速的，因为进步有自我发展的趋势，从而进一步提高了进步的速度。 然后，这种想法可以应用于我们学习理解和逆向工程人类大脑的速度。 这种对人脑模式识别系统的加速理解可以应用于构建 AGI 系统。
这本书对人工智能的未来具有巨大的变革性，以至于埃里克·施密特 (Eric Schmidt) 在读完这本开创性的书后聘请雷·库兹韦尔 (Ray Kurzweil) 从事人工智能项目的工作。 不可能在一篇短文中概述所有讨论的想法和概念，尽管如此，它是一本必须阅读的工具书，可以帮助您更好地理解人类神经网络的工作原理，从而设计出先进的神经网络。 人工神经网络.
模式识别是深度学习的关键要素，本书阐释了其中的原因。
＃2。 主算法 佩德罗·多明戈斯
中心假设为 主算法 所有知识——过去、现在和未来——都可以通过单一的、通用的学习算法从数据中导出，该算法被量化为终极算法。 本书详细介绍了一些顶级的机器学习方法，详细解释了不同算法的工作原理、如何优化它们以及它们如何协作以实现创建主算法的最终目标。 这是一种能够解决我们输入的任何问题的算法，其中包括治疗癌症。
读者将从了解 朴素贝叶斯，一种可以用一个简单方程解释的简单算法。 从这里开始，它全速加速进入更有趣的机器学习技术。 为了了解加速我们实现这一主算法的技术，我们学习了收敛基础知识。 首先，我们从神经科学中了解大脑的可塑性，即人类神经网络。 其次，我们在课程中转向自然选择，以了解如何设计模拟进化和自然选择的遗传算法。 通过遗传算法，每一代中的一组假设都会交叉和变异，从那里最适合的算法产生下一代。 这种进化提供了终极的自我完善。
其他论据来自物理学、统计学，当然还有计算机科学的精华。 由于本书为构建终极算法奠定了框架，因此不可能全面回顾本书涉及的所有不同方面。 正是这个框架将这本书推到了第二位，因为所有其他机器学习书籍都以某种形式或形式建立在这个框架之上。
＃1。 千人之脑 作者：杰夫·霍金斯
“千人之脑”建立在杰夫·霍金斯上一本书《论情报》中讨论的概念之上。 “论智能”探索了理解人类智能如何运作的框架，以及如何将这些概念应用于构建最终的人工智能和通用人工智能系统。 它从根本上分析了我们的大脑如何在我们经历之前预测我们将要经历的事情。
虽然《一千个大脑》是一本很棒的独立书，但如果“论情报”首先被读到。
“一千个大脑”建立在杰夫·霍金斯及其创立的公司的最新研究之上 努门塔。 Numenta 的主要目标是开发关于新皮质如何工作的理论，次要目标是如何将这种大脑理论应用于机器学习和机器智能。
Numenta 2010 年的第一个重大发现涉及神经元如何进行预测，2016 年的第二个发现涉及新皮质中的地图状参考系。 这本书首先详细介绍了“千脑理论”是什么，参考框架是什么，以及该理论如何在现实世界中发挥作用。 该理论背后最基本的组成部分之一是了解新皮质如何进化到目前的大小。
新皮质一开始很小，与其他哺乳动物类似，但它呈指数级增长（仅受产道大小限制），不是通过创造任何新东西，而是通过重复复制基本回路。 从本质上讲，人类的区别不在于大脑的有机物质，而在于形成新皮质的相同元素的副本数量。
该理论进一步发展为新皮质是如何由大约 150,000 个皮质柱形成的，这些皮质柱在显微镜下是不可见的，因为它们之间没有可见的边界。 这些皮质柱如何相互通信，是一种基本算法的实现，该算法负责感知和智力的各个方面。
更重要的是，这本书揭示了如何将该理论应用于构建智能机器，以及未来可能对社会产生的影响。 例如，大脑通过观察输入如何随时间变化（尤其是在应用运动时）来学习世界模型。 皮质柱需要一个固定在物体上的参考系，这些参考系允许皮质柱学习定义物体现实的特征的位置。 本质上，参考框架可以组织任何类型的知识。 这就引出了这本开创性著作中最重要的部分：参考框架是否可能成为构建更先进的人工智能甚至通用人工智能系统的重要缺失环节？ 杰夫本人相信，当通用人工智能将使用类似于新皮质的地图式参考框架来学习世界模型时，这是不可避免的，并且他出色地解释了为什么他相信这一点。
