以技术人员为叙述对象的AI发展史。匆匆一读，人物太多，勉强混个脸熟。书末附有时间线，从1960年到2020年。
高科技公司的人才竞争让人印象深刻。百度、微软、谷歌、Deepmind四方秘密竞拍杰夫-辛顿的团队，百度和谷歌一起报价到最后，后来是辛顿主动叫停，选择了谷歌。我想百度吃亏在软实力，它自己的和中国的。
AI的整个发展史都离不开技术共享，更开放更合作对中国仍然很重要。
AI的技术人员主要聚集在三种地方：大学、科技巨头公司、自主创业。大学里的成果是公开的；大公司涉及商业机密；自主创业则因人而异，像OpenAI就是主张全人类共享。特朗普上台后的政策对科技界获得他国人才的通道有阻碍。像硅谷这种几乎是最顶尖的技术共享孵化地，仍然在呼吁更开放。
AI的架构主要分为两种：神经网络和符号人工智能。前者试图模仿人脑的架构，但现有科学对人脑其实不是特别清楚（神经科学）；后者是把人类常识一条条编译进去，我猜：如何全面地输入常识，并使其顺畅运行，恐怕也是很困难的。
由于神经网络需要非常多的材料才能学会一种简单的技能，所以有一种说法认为神经网络并没有真正模仿到人脑，或者人脑并不完全靠后天学习，先天遗传所占比例比我们原来预想的更高。
在时间成本上，符号人工智能都几乎使出了愚公移山的精神，预计需要耗费特别长的时间，比如几个世纪这样。神经网络学习很简单的东西可能就需要几万个小时。但是，神经网络的学习过程基本是机器自主进行，由于芯片的并行运算，所以机器世界和人类世界的时间流速不一样。于是在人类看来，神经网络的学习速度远超符号人工智能。更进一步的生成对抗网络（GAN），由神经网络与神经网络互相对抗学习，速度翻倍。
在发展潜力上，神经网络的机器自主学习会更客观，从与人类不同的角度，跳脱出人类社会的桎梏。正是这一点，既造成意想不到的错误，也会展现意想不到的天才。前者令人恐惧，毕竟有时机器错误，对人类是致命的；后者就是让人惊叹的发展潜力，比如：人工智能打败人类围棋手后，与之对弈的人类围棋手都打开思路取得进步。
在安全程度上，由于符号人工智能是由人工一条条编绎，看似可控；而神经网络大部分是输入大量材料，由机器自行比较分析，看似不可控。其实前者编绎错误可能性也很高，后者目前的问题至少有一半是输入材料的问题。
神经网络最不安全最不可控的部分，是打造通用人工智能，套用书中的一个例子，通用人工智能就类似于你的牙医，还能跟你讨论棒球比赛。但这似乎不是必要的，如果神经网络人工智能只局限于某个专业，会更为安全可控，同样对人类有用。打造通用人工智能，更像是人类的一种无谓的野心，就像造巴别塔。
还有一个问题是：如果全球合作倾力打造同一个神经网络，没有彼此竞争的急迫感，可能会更审慎地选择数据材料，花更长的时间在一个封闭的网络中实验观察来消除隐患，似乎会更加安全。但这不是目前神经网络的发展方式。
这两种架构最初是符号人工智能占优势，现在是神经网络占优势。神经网络不仅是由计算机方面的技术人员打造，脑神经科学的人员也参与其中，但这本书似乎没有提到哲学、社会学等人员的参与，我觉得很奇怪。符号人工智能就有语言学家的参与。
我有个可能很不现实的脑洞：1.先天遗传这点，或者可以通过两种架构的融合，比如把必要的规则以符号人工智能的方式先行嵌入。2.关于遗传，人类是代代遗传，但机器是永生的，也就是说：它是自己遗传自己。假如神经网络持续训练一百年，大概会相当人类社会几千年？它会不会自己产生一套更完美的哲学、管理学等人文科学。而且随着芯片、算法的改进，脑神经科学的进步，可能不需要一百年这么久。