1. 有沒有生命

1.1. 看到一個物體在運動是判斷其有生命的第一條線索

1.2. 智能手機和自動駕駛汽車出現之前就存在的技術：自動客服代表

1.3. 過去，人們很容易認為計算機很笨，因為它做任何事情都要花很長時間

• 1.3.1. 過去的交互技術很簡單，缺少許多必要的組成部分，只能緩慢地響應我們的輸入

1.4. 現在，我們認為計算機可能比我們更聰明

• 1.4.1. 因為它對我們給它的刺激做出的反應是如此之快，這讓它看起來不但有生命，而且非常聰明

1.5. 這個物體的反應越快，我們可能會認為它越聰明，因為它實在是太快了

• 1.5.1. 如果它的耐力比我們強，我們就會開始感到有點擔心和不安，因為，出於生存本能的原因，我們不喜歡被超越

• 1.5.2. 尤其是被我們創造出來為我們服務的另一個物種超越

1.6. 循環的力量可以防止計算機在訪問無限的雲功能時感到疲倦

1.7. 更願意成為那些能夠區分人類和機器人的人，無論機器人變得多麼栩栩如生

• 1.7.1. 至少爭取一個區分它們的機會

2. 仿生科學

2.1. 約瑟夫·魏森鮑姆博士

• 2.1.1. 20世紀60年代著名的Eliza程序—第一個模擬英語對話的計算機程序的發明者

• 2.1.2. Eliza的核心是“以人為本療法”(person-centered therapy)的一種簡化模擬，它鼓勵患者使用當時還比較原始的人工智能方法找到自己的解決方案

• 2.1.3. 這個程序是由一個無限循環驅動的，它會坐在你身邊，永無休止地聽你説話，很像你耐心的父母或其他親人

  • 2.1.3.1. 當有人花時間認真地傾聽你時，你會想回報他們

  • 2.1.3.2. 我們喜歡被人傾聽，因為這意味着我們的存在得到了尊重和承認

  • 2.1.3.3. 即使這種尊重和承認是由機器傳達的

• 2.1.4. 總有一天，計算機不僅能熟練地模仿人類的言談舉止，還能通過了解與之交談的人的一切成功地在交談中冒充一個真正的人

2.2. 計算機可以如此輕易地愚弄人類同胞

2.3. 三個障礙

• 2.3.1. 需要一種方法來收集有關個人的所有信息，以便人工智能做出令人信服的迴應

• 2.3.2. 需要一種方法來收集許多與他人的對話，以便人工智能學習新的模式

• 2.3.3. 隨着智能手機的出現，我們克服了前兩個障礙

  • 2.3.3.1. 由於我們使用的設備具有成癮性，雲很容易持續、密切地觀察我們所有的行為

• 2.3.4. 需要一種新的方法來處理所有收集到的信息，而當時符號計算還無法做到這一點

  • 2.3.4.1. 解決方案是“人工神經網絡”​，這是一種幾乎與符號計算同時誕生的計算技術

  • 2.3.4.2. 神經網絡在20世紀60年代一場激烈的研究經費之爭中落敗，但如今它驅動了我們越來越習以為常的計算機異常精確、逼真的語音和文字輸出

    2.3.4.2.1. 神經：與大腦中的神經元有關

    2.3.4.2.2. 網絡：關於神經元之間的相互連接

    2.3.4.2.3. 神經網絡不同於符號計算，因為它不涉及由代碼的符號語句定義的一系列邏輯步驟

    2.3.4.2.4. 更像輸入和輸出之間的數字“原始”關係，通過一組相互連接的類似神經元的元素在數學上建模，就像大腦中的神經元網絡

    2.3.4.2.5. 神經網絡不能像傳統的計算機程序那樣被簡單地分解為帶有符號的邏輯語句，而是包含在合成神經元之間反覆傳遞直到“學習”到一種模式的原始數字

    2.3.4.2.6. 神經網絡是一種對我們可能擁有的“直覺”進行編碼的方法，這些直覺不能被寫成簡單易操作的食譜，並且與長期以來我們廣泛接受的由字母和數字符號編寫計算機代碼的方式截然不同

    2.3.4.2.7. 黑匣子內部是一個粗略的數學模型，用電流的形式模擬了大腦中的神經元是如何工作的，當受到正確的刺激時，這個數學模型可以利用投餵給它的原始數字數據製造自己的火花、連接和關聯來學習模式

  • 2.3.4.3. 一種特殊的硬件—圖形處理器（Graphics Processing Unit，以下簡稱GPU）打破，設計它是為了讓狂熱玩家的計算機上的遊戲運行得更快，並且畫面更逼真

    2.3.4.3.1. GPU無法幫你加速運行計算機所需的標準數據處理任務

    2.3.4.3.2. 對傳統計算機用户而言，日益強大的GPU的作用最終超過了它們本身的價值和需求量

    2.3.4.3.3. GPU是實現“神經網絡”這一有點年頭的人工智能概念所需的數字密集處理的完美廉價加速器，這一概念在人工智能的討論中被輕蔑地忽視了50年，到21世紀又被重新喚醒

  • 2.3.4.4. 一組中央處理器（Central Processing Unit，以下簡稱CPU）可以自行處理的煩瑣操作，但隨着時間的推移，人們認為一種特殊的“協同處理器”可以有助於處理屏幕上出現的所有內容

    2.3.4.4.1. 摩爾定律奇蹟般地為我們帶來了幾乎可以計算一切的強大算力

    2.3.4.4.2. 摩爾定律讓通用CPU變得更快，推動了甚至更快的專用GPU的發展

    2.3.4.4.3. 符號計算方法在讓計算機變得更加智能方面遇到了瓶頸

2.4. 深度學習是一種應用於機器學習的技術

• 2.4.1. 機器學習(Machine Learning)

• 2.4.2. 深度學習(Deep Learning)

• 2.4.3. 深度學習使用了腦模型—尤其是腦神經網絡—來教計算機如何通過觀察期望的行為來思考，並通過分析重複的行為模式來學習技能

3. 酵母

3.1. 天然酵母麪包(pain au levain)

• 3.1.1. 天然酵母麪包是用天然酵母製作的

• 3.1.2. 天然酵母有一股酸味

3.2. 工業酵母麪包(pain à la levure)

• 3.2.1. 工業酵母麪包是用工業酵母製作的

• 3.2.2. 工業酵母沒有酸味

3.3. 區別的一個簡單的助記符是“天然酵母”的法語(levain)以n結尾，而“天然”的英語(natural)以n開始

3.4. 由神經網絡驅動的人工智能新方法是以一種新的、合成的方式製造出來的，類似工業酵母

3.5. 循環的、無限大的計算機器激發了一種彷彿有生命的物質，像永不疲倦的殭屍那樣行動，人工智能是一種沒有思想的機器人，它根據它的“大腦”接觸到的模式來執行我們的命令

3.6. 新的工業酵母“活機器”遠比過去的機器聰明，因為摩爾定律帶我們走了如此之遠，以至於意想不到的事情發生了

• 3.6.1. 工業酵母人工智能已到來，它沒有過去天然酵母人工智能的酸味

3.7. 由於摩爾定律的發展，區分真人的反應和機器的反應似乎也會不可避免地變得越來越難

• 3.7.1. 在2012年之前，圖像識別的平均錯誤率為28%，語音識別的平均錯誤率為26%

• 3.7.2. 在機器學習方法開始流行後，圖像識別的平均錯誤率為7%，語音識別的平均錯誤率為4%

• 3.7.3. 如果雲繼續從我們的活動中吸收更多的數據，如果殭屍繼續複製我們的所有動作還不需要午休，我們終將無法分辨人工智能和人類

3.8. 與上一個10年相比，你身邊的計算體驗有所不同

• 3.8.1. 這就是天然酵母計算和工業酵母計算之間的區別

4. 藝術家的視角

4.1. STEAM是比STEM更好的策略

4.2. 藝術不僅僅是你能看到或感覺到的東西，藝術是關於去發現表象之下的東西—理解任何事物的本質核心

4.3. “規則30”的計算機算法

• 4.3.1. 著名計算機科學家斯蒂芬·沃爾夫勒姆(Stephen Wolfram)

• 4.3.2. 展示了我們有機的物質現實與看不見的計算世界之間驚人的聯繫

• 4.3.3. 在計算機上編寫的看似不近人情的算法，可能比我們想象得更人性化、更自然

• 4.3.4. 工作原理

  • 4.3.4.1. 將一行數字設為零

  • 4.3.4.2. 規則1：如果存在序列000，那麼將中央數字變為0。

規則2：如果存在序列111，那麼將中央數字變為0。
規則3：如果存在序列110，那麼將中央數字變為0。
規則4：如果存在序列101，那麼將中央數字變為0。
規則5：如果存在序列100，那麼將中央數字變為1。
規則6：如果存在序列011，那麼將中央數字變為1。
規則7：如果存在序列010，那麼將中央數字變為1。
規則8：如果存在序列001，那麼將中央數字變為1。

• 4.3.4.3. 當我們把這行數字設為0時，結果會很無聊

• 4.3.4.4. 如果我們在這行數字中設置一個數字為1，隨着算法的運行我們會看到一些變化

• 4.3.4.5. 一個由1和0組成的模式正在增長，如果你要循環幾百個週期，你會得到一個有波峯和波谷的模式

4.4. 康威的生命遊戲

• 4.4.1. 並不是為了好玩而設計的，它更像數學遊戲

  • 4.4.1.1. 你只有對數學感興趣才會覺得有趣

• 4.4.2. 在一個類似沃爾夫勒姆的“規則30”的網格上進行，但使用的是二維單元格

• 4.4.3. 只有4條數學規則，每條規則都是一個過分簡化的模型，用來模擬一個生命形式如何與“生活”在網格上的相鄰生命形式進行交互

  • 4.4.3.1. 規則1：如果一個活單元格只有一個活着的鄰居，它將因孤獨而死亡。

規則2：如果一個活單元格有一些活着的鄰居，那麼它是穩定的，將繼續存活。
規則3：如果一個活單元格有太多活着的鄰居，它將因過度擁擠而死亡。
規則4：如果一個單元格是空的，並且它有一些活着的鄰居，那麼交配將導致一個新的活單元格誕生。

• 4.4.4. 僅僅把4條規則應用於一個單元格和與它相鄰的單元格之間的關係，就能以某種方式創造羣體行為，讓許多獨立的單元格像一個整體那樣行動

• 4.4.5. 康威的規則中沒有單元格羣體的概念，所以一羣單元格分裂出來並開始像一個整體那樣行動是意料之外的結果

4.5. 科技行業和投資界都在努力推動這些強大無比的系統的發展，這些系統不像製造它們的冷冰冰的計算材料，它們利用了藝術家的觀察和自己對人類及其環境的深刻理解

4.6. 計算機器擅長模仿我們的行為，擅長相互協作，也擅長處理大規模的任務和精確的細節

5. 連接

5.1. 設計師（和開發人員）在起步階段會把自己定位為“做事人”

5.2. 無論是在現實世界還是在計算世界中，連接工作都是一種催化劑，它能讓改變在比個體能做的工作更大的範圍內發生

5.3. 早期計算機本身不過是高級計算器，煩人地霸佔了電視機的屏幕只為了讓自己工作，但後來，隨着互聯網的出現，計算機通過與其他機器相連而變得令人驚歎

5.4. 當我們一起工作時，我們會獲得個人無法擁有的能力，從而獲得集體利益

5.5. 在鳥類和魚類中看到類似的涌現行為，它們相互配合形成美麗的羣體結構

5.6. 自然界中這些羣體行為的目的不是創造美，而是確保更多同類的生存，就像諺語所説的“一捆難斷”​

6. 沃倫·巴菲特法則

6.1. 複利是巴菲特投資成功的關鍵因素

6.2. 複利規則的背後是一個簡單的想法：你存的錢越多，隨着時間推移你賺的錢就越多

6.3. 即使在低利率的時候你可能只有相應的低收益，如果你將這些收益不斷地加到你的本金中，你賺取的利息也將隨着時間的推移而疊加