人工智能读后感（精选5篇）_人工智能书读后感
人工智能读后感（精选5篇）由刀豆文库小编整理，希望给你工作、学习、生活带来方便，猜你可能喜欢“人工智能书读后感”。
第1篇：人工智能读后感
《人工智能》（李开复）读后感
本书内容框架如下：
1.关于人工智能的五种定义 2.人工智能发展的三个阶段 3.人工智能是否会威胁人类 4.人类将如何变革 5.AI行业的创业概况
6.AI时代下的教育和个人发展 一、关于人工智能的五种定义
首先，请抛开人工智能就是人形机器人的固有偏见。
人工智能目前作为一种技术手段，已经成为了不少应用的核心驱动力。
苹果的SIRI、微软的小冰是常见的人工智能助理。当用户与他们对话时，他们会通过事先积累好的人类对话库和互联网资料库中，查找最有可能匹配的回答。
今日头条、淘宝购物推荐，会根据你的浏览习惯、购物历史，学习你的爱好。所以用的越久，它就会越懂你。
人脸识别是目前应用最广泛的机器视觉技术，是人工智能大家庭中的重要分支。用刷脸的方式替代门禁卡，支付宝正在开发的刷脸支付也是依托于人脸识别技术。广义上的机器视觉还包括图像、视频中各种物体识别、场景识别、地点识别乃至语义理解。比如手机中的照片自动分类就是运用了场景识别的功能，还有清理重复照片的功能，也运用到了这个技术。此外，百度中的图片搜索、淘宝中的商品图片搜索，也运用到了人工智能技术。
我们现在用的美图秀秀中的一键P图软件、三生三世画风的一键美妆，都是运用到了人工智能技术。机器通过从大量经典画作中学习到的上色技法、笔触技法、干湿画法、上妆技巧等，来对原始图片进行处理。搜索引擎根据问题给出最直接的答案，也与SIRI的运行原理相类似。
在机器翻译这一块儿上，通过对语言、语言学的学习，得出的翻译结果也具备较强的可读性。甚至可以通过中文与英文的翻译数据、英文与阿拉伯文的翻译数据，自动学习如何从中文翻译到阿拉伯文。
还有目前在商业化方面已经取得长足进展的自动驾驶技术。也是通过数百万里的驾驶里程学习，来完成车速调整、控制转向、避免碰撞等操作。当然，目前相对比较成熟的还是半自动驾驶技术。完全的无人驾驶或许还要等到十年之后。
还有我们经常在电影中看见的机器人行业。快递分拣机器人、无人飞机、工业机器人，都极大的提高了商业效率。但目前机器人还无法做到像人一样具备完整的思维。大家所期待的人形机器人，其实投资人也是不看好的。原因很简单，机器越像人，就越容易被拿来和真人比较。由于人工智能技术尚未达到十分成熟的阶段，这个机器人的蠢笨会暴露的非常彻底。使期望与现实之间的差距加大，因此难以获得市场认可。那讲了这么多现象，到底什么是人工智能？ 目前常见的定义有五种：
第一，人工智能是让人感到不可思议的计算机程序。几十年前的人类，如果能见识到现在手机上常见的人机对战的象棋、跳棋游戏，恐怕会被吓一大跳，甚至怀疑是有人在背后操纵。可现在的人都见怪不了。所以，用这种方法定义，会使得人工智能随着技术的成熟，失去一个客观的标准。
第二，AI就是与人类思考方式相似的计算机程序。这种说法在早期非常流行。本质上与仿生学无异。但弊端在于，人类至今也无法说清楚大脑是如何进行学习、记忆、归纳、推理等思维过程的。因此，也很难教会机器去模拟人脑的运作。再一点就是，通过为程序输入大量专业的知识、常见的思考逻辑，使得计算机应用难以扩展到较为复杂的领域当中。比如面对语言中的歧义和丰富的表达方式，得出的翻译结果往往也是漏洞百出。
第三，AI就是与人类行为相似的计算机程序。这一定义与仿生学派的说法是对立的。实用主义者并不在乎人工智能要遵循什么思考框架，也不在乎计算机到底是如何处理采集到的数据。只要模型可以工作，最终的结果是对的就行。
第四，AI是会学习的计算机程序。最近的这波人工智能热潮里，深度学习作为一种技术手段确实是一枝独秀，几乎垄断了所有流行的技术方向。而在此之前的专家系统、统计模型都未能使人工智能获得如此大的进步。所以，把学习等同于AI，虽然过于狭隘，但也是比较符合时代精神的。但要注意的是，机器的学习方法和人类的学习方法还有很大的差距与不同。如果人工智能是一种会学习的机器，那么需要着重提高的就是其抽象理解能力。
第五，AI就是根据对环境的感知，做出合理的行动，并获得最大收益的计算机程序。不同的定义分别适用于不同的人群和语境。如果非要得出一个看上去比较合理的定义，那也只能是比较模糊的概念。那么这一种就是学术界的教科书式定义，全面均衡，偏重实证。二、人工智能发展的三个阶段
1962年，IBM的阿瑟萨缪尔开发的西洋跳棋程序曾经战胜过一位盲人跳棋高手，1997年IBM深蓝战胜卡斯帕罗夫的那一天，全世界科技爱好者奔走相告，2016年ALPHAGO战胜李世石，就由流传起人工智能将要毁灭人类的言论。
纵观前两次次人工智能潮，每一次都曾让人以为人工智能将会掀起大的变革。但最后回头看，都没有达到人们期望的高度。与其说是人们的心理落差，不如说是人们对机器是否具有智能的判断标准在不断被拔高。那究竟这一次的人工智能热潮，会超出人们的期望吗？
从高德纳咨询公司的技术成熟曲线来看，每一项技术在早期阶段，都会被公众追捧，被媒体大肆报道，最终走向一个充满泡沫的膨胀期。
随着盲目追捧者的激增，跟风的公司越来越多。但随着技术遇到瓶颈，市场供过于求，大量没有核心竞争力的公司不是被兼并，就是倒闭。
行业跌入低谷后，迎来了第二轮、第三轮投资，技术上的突破使得第二代、第三代产品得到了普罗大众的认可。投资得到了回报。
20世纪50年代到60年代，随着通用电子计算机的诞生，人工智能悄然兴起，比如一些简单的象棋程序设想。但由于当年计算机的运算水平远远达不到要求，很多东西只能停留在纸上谈兵的层面。
20世纪80年代到90年代，基于统计模型的技术悄然兴起，并在语音识别、机器翻译等领域取得了不俗的进展。人工神经网络也在模式识别应用等领域开始有所建树。但还是不足以超过人类的预期。
那么这一次的人工智能复兴的最大特点就是AI在多个领域达到了人们心中“有用”的标准，在商业领域被广泛的应用。
从心理学上说，人们接受一件新事物，就像人们接受外界刺激一样，是有一个阈值的。只有当外界刺激的强度超过了一个人能感知的最小刺激量，人们才会注意到它。而这个人们能感知到的最小刺激量，就是心理学上的绝对阈值。
这一次的AI热潮，正是达到了人们的心理阈值才得到了广泛的关注。就拿人脸识别来说，之前的准确率可能只有20%不到，根本不具备实用价值，只能停留在实验室当中，自然就没有达到人们的心理阈值。但现如今就不一样了。
所以，我们说人工智能来了，其实是说人工智能或深度学习真的可以解决实际问题了。在机器视觉、语音识别、数据挖掘、自动驾驶等方面都获得了长足的进步。而这一切，都离不开深度学习。
今天的人工智能研究者，几乎无人不谈深度学习。很多人甚至喊出了“人工智能=深度学习”的口号。但毋庸讳言，深度学习绝对不是人工智能领域解决的唯一方案，二者之间不能划上等号。但说深度学习是未来很长一段时间内，推动人工智能进步的核心技术，则一点都不为过。
深度学习依赖海量的大数据和强大的计算能力。对于计算机来说，想让它成功识别猫这个物种。需要其学习一千万段视频才行。
三、人工智能是否会威胁人类
人工智能真的足够聪明以至于会超出人类的控制范围，最终威胁到人类吗？
要回到这个问题，首先要理清不同层级人工智能的定义。
弱人工智能：限制领域人工智能，指的是专注于且智能解决某一特定领域问题的人工智能。目前看到的所有人工智能都属于这个范畴。例如AlphaGo。人们更多的是将其看作一种工具，而不是威胁。当然了，同其他所有工具，如汽车、飞机等一样，都是存在风险的。
强人工智能：指可以胜任人类所有工作的人工智能。就是人可以做什么，人工智能就可以做什么。谈及这个层面，就不得不面对强人工智能是否有必要具备“意识”这个问题。一旦牵涉到“意识”，强人工智能的定义和评判标准就会变得十分复杂。
超人工智能：比人类还有天赋、还要聪明的人工智能。目前更多的是从哲学以及科幻的角度加以解析。没有办法和经验去预测这种智能究竟是否存在。
目前大众忧心的人工智能威胁论，主要指的是强人工智能和超人工智能。那么他们会以远超我们预料的速度降临吗？
目前大多数对于这类威胁的论述都是基于“人类科技发展是越来越快，呈现出不断加速的势头”。但这个假设是否正确，也很难给出明确的答复。
但作者更相信：特定的科技如人工智能，经历一段时间的加速度发展后，会遇到难以攻克的技术瓶颈。客观的分析看，人类威胁还相当遥远。问题的根源可能在于人类总习惯把人工智能人格化。人工智能的危险，本质上还是和其他工具一样具备无法避免的弊端，这是我们需要防范的，而并非担心智能机器会像人类一样思考。“智能”二字本身就是缺乏一个客观的、可量化的定义的。单从计算能力看，人工智能确实超出人类很多。如果仅根据这种限定范畴的技术能力去推测，确实很可怕。但如果综合考虑人工智能的跨领域推理能力、常识和感性、理解抽象概念的能力等，其实人工智能还很难给人类造成威胁。今天的人工智能还不能做什么：
1.跨领域推理：比如使用比喻句。人类强大的跨领域联想、类比能力是跨领域推理的基础。但显然智能机器是不具备的。在今天，迁移学习的概念正在兴起，指的是将人工智能在某一领域取得的经验，通过某种形式的变换，迁移到另一个陌生的领域。2.抽象能力：目前的深度学习技术都需要大量的数据来支撑。不像人类可以通过少量样本就总结出规律。3.探索原因：人工智能做出行为的原因很简单，就是依赖于设定的一个程序。而不会去追求为什么要设定这个程序。譬如看到苹果落地，智能机器看一万遍也不会去思考背后的原因。
4.常识：即无须仔细思考就能直接使用的知识、方法和经验。比如虽然小朋友没学习过牛顿定理，但也知道东西会下落。人工智能只能靠人类设定的规则来完成常识的积累，丰富性还不足。5.自我意识：这种能力智能机器很难在短时间内拥有。也很难推测有没有拥有的可能。
6.审美：审美缺少量化的标准，是非常主观的东西。那种体验到美好事物之后的情感，人工智能也难以领会。
7.情感：推测判断人类的表情目前是可以实现的。但至于说让人工智能自己具备情感，可能还有很远的路要走。
四、人工智能将如何变革
人工智能不仅是技术层面的一次革命。由于人工智能会对生产效率有大幅的提升，也必然会触及社会、政治、经济、文化层面的变革。
这其中热议最多的就是关于失业的问题。从短期看，必然会造成某些行业、局部地区的失业阵痛。但从长期看，会刺激大量工作转变为新的工作类型，从而为生产力的进一步解放、人类生活的进一步提升打下基础。
这里有一个“5秒钟”准则：如果人可以在5秒钟内对工作中需要思考和决策的问题作出相应的决定，那么就很有可能被取代。反之，如果涉及缜密的推理和复杂的决策，就很难被取代。
例如，照着课本讲课的老师可能会被取代，但可以重塑知识架构体系，创造性的方法为学生授课的老师则不会被取代。
因此，一些简单的重复性工作将被取代，但也会催生更多新型的、需要判断力、创造力、情感交流以及审美和艺术创作的工作类型。如设计师、架构师、艺术家、文学创作者。人的独特性会体现出来：思考、创造、沟通、情感交流；人与人的依恋、归属感和协作精神；好奇、热情、志同道合的驱动力。
五、人工智能的创业方向
第一阶段，AI会率先在哪些在线化程度高的行业开始应用，在数据段、媒体端实现自动化。
第二阶段，随着感知技术、传感器和机器人技术的发展，AI会延伸到实体世界，并率先在专业领域、行业应用、生产力端实现线下业务自动化。工业机器人、仓储机器人等将大范围普及。第三阶段，AI会延伸到个人场景，全面自动化时代终将到来。AI创业的五大前提：
第一，清晰的领域界限，例如仓储、物流、扫地机器人。第二，闭环、自动标注的数据。第三，千万级的数据量。
第四，超大规模的计算机能力。目前一些空调马力不足的机房，甚至会购买冰块儿散热。第五，AI技术专家。六、一些感想
人工智能是一种提高生产效率的技术手段，在未来会大范围的使用。未来人的价值会被无限放大，越独特，越有思想的人就越值钱。当然了，没什么思想的也可以活，毕竟生产效率的提高会使得物资价格有大幅的降低。但在娱乐体验方面，可能就需要支付较高的费用。
第2篇：人工智能读后感
---人类的心灵，人类能否对机器人产生感情，人类抛弃有感情的机器人是否有道德过失。但是，当我看完电影之后，我明白了，这部电影的编剧比我想象的高明的多，之前我设想的电影结尾，只能算是这部电影的开始，真正的故事发生在机器人小孩被抛弃之后。故事中机器人小孩叫做大卫，同他一起被人类母亲抛弃的还有一只叫做泰迪的小熊，一个拥有低级人工智能的玩偶。大卫知道他为什么被抛弃，是因为他不是真的小孩，所以他就一心想找到蓝仙女，想让她把自己变成一个真正的小孩。大卫不知道，人类的童话是虚构的，只是人类美好的幻想，童话中将木偶人匹诺曹变成真人的蓝仙女在现实中是不存在的。所以，他心里对母亲的爱让他千辛万苦历尽磨难，他的目的只有一个，变成真小孩，回到他曾经的家，回到母亲的身边。当然，如果单单是一个简单的小蝌蚪找妈妈的故事，顶多会让我感动，却不能让我震撼。正是大卫在寻找蓝仙女的过程---泰迪小熊却不是人类的毁灭对象，虽然它自己从不承认自己是一个玩偶，或者说，人类对于非人类外形的人工智能视而不见。所以，他们对于机器人的仇视，大抵是因为“人”，而非“智能”。就像很多的政治斗争一样，同一领域内，可能超越自己的人都是敌人，都要毁灭。而对于其他领域的，对自己完全没有威胁的，即使再优秀，也可以置之不理。残忍镜头二：大卫和乔逃出杀戮场，在一片光影斑驳的树林中前行，泰迪小熊说他看到了月亮，但两人一熊却实在看不出那是真月亮还是假月亮，而假月亮正是捕杀机器人的飞行器的外观。本来大卫要朝着那个方向走的，虽然天空挂着的明月清澈明亮，但他却不敢走下去，返身朝另一个方向走去。月亮往往是美好梦想的象征，想想《e。t。》结尾时那明亮的月光，是多么的美丽寂静，但到了这里，那美丽的圆月反而成了恐惧的象征。这是大卫对于前路的迷茫和对通向梦想的道路的恐惧。残忍镜头三：在曼哈顿----
第3篇：人工智能读后感
本书内容框架如下： 1.关于人工智能的五种定义 2.人工智能发展的三个阶段 3.人工智能是否会威胁人类 4.人类将如何变革 行业的创业概况 时代下的教育和个人发展
一、关于人工智能的五种定义
首先，请抛开人工智能就是人形机器人的固有偏见。
人工智能目前作为一种技术手段，已经成为了不少应用的核心驱动力。
苹果的SIRI、微软的小冰是常见的人工智能助理。当用户与他们对话时，他们会通过事先积累好的人类对话库和互联网资料库中，查找最有可能匹配的回答。
今日头条、淘宝购物推荐，会根据你的浏览习惯、购物历史，学习你的爱好。所以用的越久，它就会越懂你。
人脸识别是目前应用最广泛的机器视觉技术，是人工智能大家庭中的重要分支。用刷脸的方式替代门禁卡，支付宝正在开发的刷脸支付也是依托于人脸识别技术。广义上的机器视觉还包括图像、视频中各种物体识别、场景识别、地点识别乃至语义理解。比如手机中的照片自动分类就是运用了场景识别的功能，还有清理重复照片的功能，也运用到了这个技术。此外，百度中的图片搜索、淘宝中的商品图片搜索，也运用到了人工智能技术。
我们现在用的美图秀秀中的一键P图软件、三生三世画风的一键美妆，都是运用到了人工智能技术。机器通过从大量经典画作中学习到的上色技法、笔触技法、干湿画法、上妆技巧等，来对原始图片进行处理。搜索引擎根据问题给出最直接的答案，也与SIRI的运行原理相类似。
在机器翻译这一块儿上，通过对语言、语言学的学习，得出的翻译结果也具备较强的可读性。甚至可以通过中文与英文的翻译数据、英文与阿拉伯文的翻译数据，自动学习如何从中文翻译到阿拉伯文。
还有目前在商业化方面已经取得长足进展的自动驾驶技术。也是通过数百万里的驾驶里程学习，来完成车速调整、控制转向、避免碰撞等操作。当然，目前相对比较成熟的还是半自动驾驶技术。完全的无人驾驶或许还要等到十年之后。
还有我们经常在电影中看见的机器人行业。快递分拣机器人、无人飞机、工业机器人，都极大的提高了商业效率。但目前机器人还无法做到像人一样具备完整的思维。大家所期待的人形机器人，其实投资人也是不看好的。原因很简单，机器越像人，就越容易被拿来和真人比较。由于人工智能技术尚未达到十分成熟的阶段，这个机器人的蠢笨会暴露的非常彻底。使期望与现实之间的差距加大，因此难以获得市场认可。
那讲了这么多现象，到底什么是人工智能？ 目前常见的定义有五种：
第一，人工智能是让人感到不可思议的计算机程序。几十年前的人类，如果能见识到现在手机上常见的人机对战的象棋、跳棋游戏，恐怕会被吓一大跳，甚至怀疑是有人在背后操纵。可现在的人都见怪不了。所以，用这种方法定义，会使得人工智能随着技术的成熟，失去一个客观的标准。
第二，AI就是与人类思考方式相似的计算机程序。这种说法在早期非常流行。本质上与仿生学无异。但弊端在于，人类至今也无法说清楚大脑是如何进行学习、记忆、归纳、推理等思维过程的。因此，也很难教会机器去模拟人脑的运作。再一点就是，通过为程序输入大量专业的知识、常见的思考逻辑，使得计算机应用难以扩展到较为复杂的领域当中。比如面对语言中的歧义和丰富的表达方式，得出的翻译结果往往也是漏洞百出。
第三，AI就是与人类行为相似的计算机程序。这一定义与仿生学派的说法是对立的。实用主义者并不在乎人工智能要遵循什么思考框架，也不在乎计算机到底是如何处理采集到的数据。只要模型可以工作，最终的结果是对的就行。
第四，AI是会学习的计算机程序。最近的这波人工智能热潮里，深度学习作为一种技术手段确实是一枝独秀，几乎垄断了所有流行的技术方向。而在此之前的专家系统、统计模型都未能使人工智能获得如此大的进步。所以，把学习等同于AI，虽然过于狭隘，但也是比较符合时代精神的。但要注意的是，机器的学习方法和人类的学习方法还有很大的差距与不同。如果人工智能是一种会学习的机器，那么需要着重提高的就是其抽象理解能力。
第五，AI就是根据对环境的感知，做出合理的行动，并获得最大收益的计算机程序。不同的定义分别适用于不同的人群和语境。如果非要得出一个看上去比较合理的定义，那也只能是比较模糊的概念。那么这一种就是学术界的教科书式定义，全面均衡，偏重实证。
二、人工智能发展的三个阶段
1962年，IBM的阿瑟萨缪尔开发的西洋跳棋程序曾经战胜过一位盲人跳棋高手，1997年IBM深蓝战胜卡斯帕罗夫的那一天，全世界科技爱好者奔走相告，2016年ALPHAGO战胜李世石，就由流传起人工智能将要毁灭人类的言论。
纵观前两次次人工智能潮，每一次都曾让人以为人工智能将会掀起大的变革。但最后回头看，都没有达到人们期望的高度。与其说是人们的心理落差，不如说是人们对机器是否具有智能的判断标准在不断被拔高。
那究竟这一次的人工智能热潮，会超出人们的期望吗？
从高德纳咨询公司的技术成熟曲线来看，每一项技术在早期阶段，都会被公众追捧，被媒体大肆报道，最终走向一个充满泡沫的膨胀期。
随着盲目追捧者的激增，跟风的公司越来越多。但随着技术遇到瓶颈，市场供过于求，大量没有核心竞争力的公司不是被兼并，就是倒闭。
行业跌入低谷后，迎来了第二轮、第三轮投资，技术上的突破使得第二代、第三代产品得到了普罗大众的认可。投资得到了回报。
20世纪50年代到60年代，随着通用电子计算机的诞生，人工智能悄然兴起，比如一些简单的象棋程序设想。但由于当年计算机的运算水平远远达不到要求，很多东西只能停留在纸上谈兵的层面。
20世纪80年代到90年代，基于统计模型的技术悄然兴起，并在语音识别、机器翻译等领域取得了不俗的进展。人工神经网络也在模式识别应用等领域开始有所建树。但还是不足以超过人类的预期。
那么这一次的人工智能复兴的最大特点就是AI在多个领域达到了人们心中“有用”的标准，在商业领域被广泛的应用。
从心理学上说，人们接受一件新事物，就像人们接受外界刺激一样，是有一个阈值的。只有当外界刺激的强度超过了一个人能感知的最小刺激量，人们才会注意到它。而这个人们能感知到的最小刺激量，就是心理学上的绝对阈值。
这一次的AI热潮，正是达到了人们的心理阈值才得到了广泛的关注。就拿人脸识别来说，之前的准确率可能只有20%不到，根本不具备实用价值，只能停留在实验室当中，自然就没有达到人们的心理阈值。但现如今就不一样了。
所以，我们说人工智能来了，其实是说人工智能或深度学习真的可以解决实际问题了。在机器视觉、语音识别、数据挖掘、自动驾驶等方面都获得了长足的进步。
而这一切，都离不开深度学习。
今天的人工智能研究者，几乎无人不谈深度学习。很多人甚至喊出了“人工智能=深度学习”的口号。但毋庸讳言，深度学习绝对不是人工智能领域解决的唯一方案，二者之间不能划上等号。但说深度学习是未来很长一段时间内，推动人工智能进步的核心技术，则一点都不为过。
深度学习依赖海量的大数据和强大的计算能力。对于计算机来说，想让它成功识别猫这个物种。需要其学习一千万段视频才行。
三、人工智能是否会威胁人类
人工智能真的足够聪明以至于会超出人类的控制范围，最终威胁到人类吗？
要回到这个问题，首先要理清不同层级人工智能的定义。
弱人工智能：限制领域人工智能，指的是专注于且智能解决某一特定领域问题的人工智能。目前看到的所有人工智能都属于这个范畴。例如AlphaGo。人们更多的是将其看作一种工具，而不是威胁。当然了，同其他所有工具，如汽车、飞机等一样，都是存在风险的。强人工智能：指可以胜任人类所有工作的人工智能。就是人可以做什么，人工智能就可以做什么。谈及这个层面，就不得不面对强人工智能是否有必要具备“意识”这个问题。一旦牵涉到“意识”，强人工智能的定义和评判标准就会变得十分复杂。
超人工智能：比人类还有天赋、还要聪明的人工智能。目前更多的是从哲学以及科幻的角度加以解析。没有办法和经验去预测这种智能究竟是否存在。
目前大众忧心的人工智能威胁论，主要指的是强人工智能和超人工智能。那么他们会以远超我们预料的速度降临吗？
目前大多数对于这类威胁的论述都是基于“人类科技发展是越来越快，呈现出不断加速的势头”。但这个假设是否正确，也很难给出明确的答复。
但作者更相信：特定的科技如人工智能，经历一段时间的加速度发展后，会遇到难以攻克的技术瓶颈。
客观的分析看，人类威胁还相当遥远。问题的根源可能在于人类总习惯把人工智能人格化。人工智能的危险，本质上还是和其他工具一样具备无法避免的弊端，这是我们需要防范的，而并非担心智能机器会像人类一样思考。
“智能”二字本身就是缺乏一个客观的、可量化的定义的。单从计算能力看，人工智能确实超出人类很多。如果仅根据这种限定范畴的技术能力去推测，确实很可怕。但如果综合考虑人工智能的跨领域推理能力、常识和感性、理解抽象概念的能力等，其实人工智能还很难给人类造成威胁。
今天的人工智能还不能做什么：
1.跨领域推理：比如使用比喻句。人类强大的跨领域联想、类比能力是跨领域推理的基础。但显然智能机器是不具备的。在今天，迁移学习的概念正在兴起，指的是将人工智能在某一领域取得的经验，通过某种形式的变换，迁移到另一个陌生的领域。
2.抽象能力：目前的深度学习技术都需要大量的数据来支撑。不像人类可以通过少量样本就总结出规律。
3.探索原因：人工智能做出行为的原因很简单，就是依赖于设定的一个程序。而不会去追求为什么要设定这个程序。譬如看到苹果落地，智能机器看一万遍也不会去思考背后的原因。
4.常识：即无须仔细思考就能直接使用的知识、方法和经验。比如虽然小朋友没学习过牛顿定理，但也知道东西会下落。人工智能只能靠人类设定的规则来完成常识的积累，丰富性还不足。
5.自我意识：这种能力智能机器很难在短时间内拥有。也很难推测有没有拥有的可能。6.审美：审美缺少量化的标准，是非常主观的东西。那种体验到美好事物之后的情感，人工智能也难以领会。
7.情感：推测判断人类的表情目前是可以实现的。但至于说让人工智能自己具备情感，可能还有很远的路要走。
四、人工智能将如何变革
人工智能不仅是技术层面的一次革命。由于人工智能会对生产效率有大幅的提升，也必然会触及社会、政治、经济、文化层面的变革。
这其中热议最多的就是关于失业的问题。从短期看，必然会造成某些行业、局部地区的失业阵痛。但从长期看，会刺激大量工作转变为新的工作类型，从而为生产力的进一步解放、人类生活的进一步提升打下基础。这里有一个“5秒钟”准则：如果人可以在5秒钟内对工作中需要思考和决策的问题作出相应的决定，那么就很有可能被取代。反之，如果涉及缜密的推理和复杂的决策，就很难被取代。
例如，照着课本讲课的老师可能会被取代，但可以重塑知识架构体系，创造性的方法为学生授课的老师则不会被取代。
因此，一些简单的重复性工作将被取代，但也会催生更多新型的、需要判断力、创造力、情感交流以及审美和艺术创作的工作类型。如设计师、架构师、艺术家、文学创作者。人的独特性会体现出来：思考、创造、沟通、情感交流；人与人的依恋、归属感和协作精神；好奇、热情、志同道合的驱动力。
五、人工智能的创业方向
第一阶段，AI会率先在哪些在线化程度高的行业开始应用，在数据段、媒体端实现自动化。第二阶段，随着感知技术、传感器和机器人技术的发展，AI会延伸到实体世界，并率先在专业领域、行业应用、生产力端实现线下业务自动化。工业机器人、仓储机器人等将大范围普及。
第三阶段，AI会延伸到个人场景，全面自动化时代终将到来。
AI创业的五大前提：
第一，清晰的领域界限，例如仓储、物流、扫地机器人。第二，闭环、自动标注的数据。第三，千万级的数据量。
第四，超大规模的计算机能力。目前一些空调马力不足的机房，甚至会购买冰块儿散热。第五，AI技术专家。
六、一些感想
人工智能是一种提高生产效率的技术手段，在未来会大范围的使用。未来人的价值会被无限放大，越独特，越有思想的人就越值钱。当然了，没什么思想的也可以活，毕竟生产效率的提高会使得物资价格有大幅的降低。但在娱乐体验方面，可能就需要支付较高的费用。
第4篇：《人工智能》英文读后感
简介The mid-21st century, as a result of climate warming, melting ice caps north and south poles, the Earth many cities have been submerged in a vast expanse of water in the.At this point, the human science and technology has reached a very high level of artificial intelligence is that human beings invented the robot to cope with the worst one of the natural environment of scientific and technological means.观后感 Today finally put admire already a long time in the 2001 science fiction film finished, couldn't help exclaim 1 “god is！!” I don't talk nonsense, plot is too touching!When David abandoned by mother, when he and machine teddy bear together, through the tough time, when he believed in fairy tales, Pinocchio, the blue fairy can turn themselves into reality, so my mother would love him, when he from she fell into the ocean at the end of the world at that moment, when he saw the blue fairy, at the bottom of the sea constantly pray for her, this is two thousand...Two thousand years later, the human existence, as a friendly alien saved him from being frozen sea, he's still pray...Every moment, it is so touching.Every picture is so shock aestheticism, every scene, is so touching...robot of artificial intelligence can actually “love” interpretation so deep, touched, Thorough, incisively and vividly, touching When he saw the real blue fairy illusion(aliens), the blue fairy promised he could put the mother to life, but must have the wreckage, and only a day!This day is the happiest day of David life!
第5篇：《人工智能的未来》读后感
如何创造意识、思维，也许是人类认识自然的最后难题，是意识对自己的回归。作为著名发明家、作家、未来主义者，库兹韦尔关于思维的研究和观点独特而惊人。他认为不久的未来，计算机可以实现人类大脑新皮质功能并超越人类，人类将与机器结合成为全新的物种。
假想某个浸泡在营养液中的大脑，用细细的导线与躯干相连。大脑对躯体动作的意识，以及大脑发出的指令，通过导线双向传递——此刻，你会认为这还是一个生物学意义上的“人”吗？
库兹韦尔只是把“奇点”当作一个绝佳的“隐喻”。这个隐喻就是，当智能机器的能力跨越这一临界点之后，人类的知识单元、连接数目、思考能力，将旋即步入令人晕眩的加速喷发状态——一切传统的和习以为常的认识、理念、常识，将统统不复存在，所有的智能装置、新的人机复合体将进入“苏醒”状态。
在库兹韦尔看来，人工智能的关键，并非通过物理手段制造出媲美、超越人脑的“非生物性智能机器”。这条路行不通。他给出的方法简单有效：将人脑与电脑“嫁接”起来。
在本书中，库兹韦尔用4章的篇幅（第3章：大脑新皮质模型；第4章：人类的大脑新皮质；第5章：旧脑；第6章：卓越的能力），精心构筑了支撑他伟大预言的第一块基石。这块基石的目的，就是试图将大脑新皮质作为“新脑”的重要组成部分，与旧脑区别开来。
智能可以超越自然的局限，并依照自身的意志改变世界，这恐怕是世间最了不起的奇迹了。人类智能可以帮助我们克服生物遗传的局限，并在这一进程中改变自我。唯有人类能够做到这一点。
人类智能之所以能够产生与发展，源于这是一个可以对信息进行编码的世界。物理学的标准模型[3]会有数十个常量需要被精准限定，否则无法产生原子，也就不会有所谓的恒星、行星、大脑，更不会有关于大脑的书籍。让人不可思议的是，物理学定律及常数能够精确到如此程度，以至于允许信息自身得以演化发展。
我们的第一个发明是口语，它使我们能够用不同的话语来表达想法。随后发明的书面语言，使我们能够用不同形式来表达我们的想法。书面语言库极大地扩展了我们无外力援助的大脑的能力，使我们能够维持并扩充我们的认知基础，这是一种递归结构化的思想。
我们还开发了其他工具，通过利用这些工具，我们现在能用精确的信息术语来理解我们所属的生物群落。我们正以极快的速度利用逆向工程法分析生物群落的构成信息，包括大脑结构的信息。我们现在拥有以人类基因组形式存在的生命目标代码，这项成就本身也是指数级发展的一个突出实例。
现在有一项涉及成千上万个科学家和工程师的宏伟工程正在进行中，他们正致力于理解智能程序的最好范例——人类大脑。这项工程的目标是精确理解人类大脑的工作机制，然后通过这些已知的方法来更好地了解我们自身，并在必要的时候修复大脑，而与本书最密切相关的，就是创造出更加智能的机器。以前专属于人类智能的许多任务以及活动，现在能完全由电脑控制，更加精确，范围也扩大了。
理解、建模和模拟人类大脑的关键是对大脑新皮质实施逆向工程，而大脑新皮质是我们进行循环分层思维的地方。
大脑也是这样。它有一个类似的巨大的冗余组织，尤其是在新皮质结构中。化繁为简，揭开人脑最基本的力量，包括其基本智力系统如何进行辨识、记忆、预测。这些行为在新皮质里不断重复，产生了各种不同的想法。
01 史上著名的思想实验
这段历史也展现了人类思维的局限性。为什么爱因斯坦能驾乘光束而不至于摔落（虽然他推断实际上不可能驾乘光束），而成千上万其他的观察者和思考者却不能借助这些并不复杂的方式来思考呢？一个共同的障碍就是大多数人难以摒弃并超越同辈人的思维观念。
一个年轻人只需空想和笔纸就足以彻底改变物理学观念，那么对于熟知之物，我们理应能取得更深刻的认识。
02 思考、记忆、联想、记忆成级
03 大脑新皮质负责以分层方式处理信息模式。只有哺乳动物才拥有这种最新进化的大脑结构。大脑新皮质负责感官知觉，认知从视觉物体到抽象概念的各项事物，控制活动，以及从空间定位到理性思考的推理以及语言——主要就是我们所说的“思考”。
灵长类动物在进化中的收获是，大脑顶部的其余部分出现复杂的褶皱，伴随有深脊、凹沟以及褶痕，它们扩大了大脑皮质的表面积。因为有了这些复杂的褶皱，大脑新皮质成为人类大脑的主体，占其重量的80%。智人拥有一个巨大的前额，为拥有更大的大脑新皮质奠定了基础；而我们的额叶则是处理与高层次概念有关的更为抽象模式的场所。
1957年，蒙卡斯尔发现了大脑新皮质的柱状组织。大量的实验揭示，皮层柱的神经元结构中确实存在重复的单元。我的观点是，这种基本单位是模式识别器，同时也是大脑新皮质的基本成分。我认为这些识别器没有具体的物理分界，它们以一种相互交织的方式紧密相连，所以皮层柱只是大量识别器的总和。
人类的大脑新皮质中约有50万个皮质柱，每个皮质柱占据约2毫米高、0.5毫米宽的空间，其中包含约6万个神经元，因此大脑新皮质中总共有大约300亿个神经元。一项粗略的评估表明，皮质柱中的每个识别模式包含大约100个神经元，因此，大脑新皮质大约共3亿个识别模式。
虽然人类只拥有简单的逻辑处理能力，但却拥有模式识别这一强大的核心能力。为了进行逻辑性思考，我们需要借助大脑新皮质，而它本身就是一个最大的模式识别器。
一个精通某一特定领域的人大约掌握了10万个知识点。涵盖人类医学知识的专家系统表明，一个人类医学专家通常掌握了大约10万个其所在领域的知识块。从这个专家系统里识别某一知识块并非易事，因为每当某一个具体的知识点被检索过后，就会呈现略微不同的面貌。
如果一个专家的核心知识大约为10万个知识“点”（即模式），每个知识点的冗余系数约为100，这就要求我们存储1000万个模式。专家的核心知识以更为普遍、更为广泛的专业知识为基础，因此层级模式的数量可增加到3000万到5000万。我们日常运用到的“常识”的知识量甚至更大,实质上，与“书中智慧”相比，“街头智慧”对大脑新皮质的要求更高。把这项包含进去，再考虑到约为100的冗余系数，总量预计将超过1亿个模式。我们的程序和行动中也包含了模式，同样也存储在大脑皮质区域内，所以我预测人类大脑新皮质的总容量并非只有数亿个模式。我们的程序和行动中也包含了模式，同样也存储在大脑皮质区域内，所以我预测人类大脑新皮质的总容量并非只有数亿个模式。这个粗略的统计与我在上文中做出的约有3亿个模式识别器的估计紧密相关，第三章：大脑新皮质模型
只有具备自联想能力和特征恒常性能力，大脑新皮质才能识别模式。思维模式分两种：无目标思维和导向式思维，做梦就是无目标思维实例。
怀孕6到9个月时，胎儿的大脑新皮质正在学习。他能听到母亲的心跳，这可能是音乐有节奏这一特点普遍存在于人类文化中的一个原因。大脑新皮质不断尝试理解向其呈现的输入。如果一个特定层次不能完全处理并识别模式，就会被发送到相邻更高层次。如果所有层次都不能成功识别某个模式，该模式就会被视为新模式。
在定向思维中，持续的思维风暴会在我们的感官体验和尝试中出现，我们的实际心理体验复杂混乱，由这些触发模式的闪电风暴组成，每秒发生约100次改变。
第四章：人类的大脑新皮质
同一时间激活的细胞会联系在一起，这就是著名的贺布型学习。
内在集合：这些几何都有相似的拓扑结构和突触权重，而且不是由任何特定的经验所塑造。当新皮质的某个区域受损时，新皮质会继续使用原始区域而不选择受损区域附近的区域，因为前者工作效率更高。
有一个普遍算法指引着新皮质工作。可塑性的局限性：使用新皮质的新区域来代替受损区域，重新习得的技能或某种知识会不如原有的好。
人工智能领域并不是尝试复制人脑，而是要达到对等的技术。
第五章：旧脑
丘脑最显著的作用是它与新皮质的持续交流。借助两个大脑半球，我们的工作记忆能够同时跟踪4个条目。虽然我们至今不清楚是丘脑管理着新皮质还是新皮质管理着丘脑，但两者缺一不可。
感官信息流经新皮质，由新皮质判定一种经历是否新颖，然后将其呈现给海马体。新皮质判定经历新颖要么是因为不能识别某一套特定的特征（例如新面孔），要么是因为意识到一种原本熟悉的清形又出现了独特的特质（例如你的配偶戴着假胡子)。借助人造海马体，老鼠们也能很快再次学会这些行为。人造海马体和老鼠的自然海马体一起工作，结果是老鼠们学习新行为的能力提高了。
第七章：仿生数码皮质
动物行为的进化的确是一个学习的过程，但是这种进化是整个物种群体的学习而不是个体的学习。进化的成果通过DNA遗传给下一代。
新皮质进化的意义就在于它大大缩短了学习过程（层次化知识）。某种哺乳动物的一名成员偶然找到解决方法，该方法就会在种群中迅速扩散传播。
可以让模拟大脑——如蓝脑，具备学习能力的方法。第一种：让模拟大脑像人脑新生儿那样学习。研究人员等个10年或20年，让蓝脑达到成人的智力水平。
第二种：将成人脑的新皮质模式复制到模拟大脑中。这要求我们掌握能够处理这个任务、具备足够的时空分辨率的无损伤扫描技术。
第三种：通过构建不同精细程度的功能等同体，我们可以简化分子模型。我们还可以将教育软件植入模拟大脑（利用功能模型）。
非侵入性扫描技术的空间分辨率正在飞速提高。科学家发现新皮质的电路呈现出一种高度规则的网格结构。
对输入信息作出微小、随机的调整也可以提高系统的性能（重启遗传算法），因为这种做法解决了自主系统中著名的“过度契合”难题。否则，这样的系统就会过分局限于试验样品中的特殊例子。通过对输入信息进行随机调整，数据中更稳定的不变特征就会凸显出来，系统也能够提炼出更深层次的语言模式。
Siri使用的是Nuance基于马尔可夫层级模型的语音识别技术。对最常见和特定的语言现象使用规则翻译法，然后学习语言“尾巴”在实际生活中的用法。哺乳动物的大脑掌握一种技术，即先建立很多的可能性连接，然后再剔除那些无用的神经连接。
第八章：计算机思维的4大基础
冯•诺依曼推断说大脑的工作方式不能包含较长的连续算法，否则人在如此慢的神经计算速度下无法快速作出决定。冯•诺依曼正确推断了大脑的出色能力来自于一千亿个细胞可以同时处理信息，因此视觉皮质只需要3到4个神经循环就能作出复杂的视觉判断。大脑极大的可塑性使我们能够进行学习。但计算机的可塑性更大，通过改变软件就可以完全重建它的工作方式。因此，从这点上看，计算机可以仿真大脑，但反过来则不然。人类新皮质的一个限制在于没有排除或复查相互矛盾的思想的程序，这导致很多时候人们的思想缺乏一致性。
设计整个大脑区域反而比设计单个神经元要简单。为了模拟晶体管，我们需要理解半导体的物理特性的细节，而且一个真正的晶体管即使只是基础方程也非常复杂。一个能将两个数字相乘的数字电路需要上百个晶体管，但我们通过一两个公式就能准确模拟这个乘法电路。一个包含上十亿个晶体管的电脑的模拟仅需要指令系统和注册描述，短短几页文本和公式就能包括全部内容。在这些描述中肯定不会出现半导体物理特性的细节或电脑的构造。
