写在前面：
这本书站在更高的角度看待人工智能，对人工智能的理解有提纲挈领的作用。
之前读的智能商业更接地气，了解到当前商业涉及比较多的方向：搜索、广告、推荐。
读罢，觉得自己可以坚守初心，慢慢了解，慢慢进步。
本书读罢觉得对人工智能方向有了更细致的了解，第一追本溯源，从哲学开始将神经网络的来源和将来的发展，站在一定的高度，有助于理解更深刻。第二比较广泛地分析了当前应用行业的现状，有助于对全行业有个全面的了解。
这本书的名字是机器认知如何颠覆商业和社会，主要是说ai对商业、对社会的影响。
下面我们来详细梳理一下这本书：
1、知识的分类
首先我们来了解一下知识的分类
明知识：可以用语言、文字或公式清晰表达和描述的知识；
默知识：个人在感觉上能把握但无法清晰描述的知识；
暗知识：既无法感受又无法表达和描述的暗知识-隐藏在海量数据中的万事万物的关系.
从科学开端说起，随着定居人类数量的增加人类组织变得复杂，但只在希腊半岛诞生了现代科学的奠基石-数学。欧几里得在公元前100年中希腊先哲得数学成果，写出了人类历史上最伟大的书之一《几何原本》，这本书直接影响了从哥白尼到牛顿的科学革命。
谈到科学革命，发轫于16世纪的科学革命的本质是什么？是发现更多的知识吗？不是，科学革命的本质是找到了一个可靠的验证知识的方法。一个典型的例子：天文学家开普勒发现三定律的过程。发现过程有三个步骤：第一积累足够的观测数据，第二提出一个先验的世界模型，第三调整模型的参数直至能够完美拟合已有的数据和新增数据。验证了这个模型有什么用？最大的用处就是可以解释新的数据或做出预测。
仔细想想，和现在的机器学习运用的方法相似。。。
康德对理性主义和经验主义进行了整合，我们通过感官去理解世界，但我们对事物的理解包括这个事物的具体形态和它的抽象概念。
康德整合了经验主义和理性主义，他的一句名言是“没有内容的思维是空洞的，没有概念的感知是盲目的。只有把两者结合我们才能认识世界”。
知识是数据在时空中的关系，对模式的识别就是认知，识别出来的模式就是知识，用模式去预测就是知识的应用。在绝大多数情形下，知识表现为数据间的相关性的集合。
2、机器学习的五大流派从数据中挖掘暗知识的方法以及各自适用的领域
今天的机器可以自己学习两大类明知识：用逻辑表达的判断规则和用概率表达的事物间的相关性。
1）符合学派-机器自己摸索出决策逻辑
2）贝叶斯学派-机器从结果推出原因的概率
3）类推学派-机器学习默知识
4）联结学派-机器发现暗知识
5）进化学派-没有模型，从零开始，不断试错，问题总能解决
3、神经网络学习的原理和在商业上应用最多的几种形态，以及它们的适用范围。
卷积神经网络-图像识别
循环神经网路-机器翻译，目前最广泛使用的是编码器、解码器翻译模型。
研究方向：
非监督学习：例如医疗诊断上面根据不同症状之间的相关性更精确地预测还未发现的疾病。
生成对抗网络：生成数据、检测数据间的对抗
迁移学习
深度学习局限性：
1、需要依赖特定领域的先验知识，也就是需要特定场景下的训练，因为神经网络的学习本质就是对相关性的记忆，也就是说神经网络将训练数据中相关性最高的因素作为判断标准。
2、无法解释结果为什么是这样，因为人类无法理解暗知识，更无法解释。
4、AI的产业形态，AI产业和商业的一个基础理解
AI突破三要素：
算力、数据、算法
辛顿教授在美国《科学》杂志和相关期刊上发表了论文，证明了深度神经网络的能力和实用性，从此，基于多层神经网络的深度学习理论成为本轮人工智能发展的重要推动力。
5、目前没有商业化但可能更深刻影响我们的一些神奇的人工智能应用
1）自动驾驶-将颠覆汽车的制造、销售、本地出行和物流行业；
2）医疗与健康-世界上最有经验的医生；
医学影像、发现新药、诊断与监测、健康管理、医疗语音助理
3）智能金融
银行（审核）、保险（个性化）、证券（交易算法），但传统工作上专注于推销和建立人际关系等岗位还暂时不会被取代。
以及智能投资顾问
6、暗知识奇迹-机器能否超越人类
总体来说，基于神经网络的机器学习的主要功能是记忆和识别，其他一切能力都是建立在这个基础上的。
具有自我意识是灵长类动物和其他动物的本质区别，人类可以从自己的视角观察、认知和理解世界，并最终根据自己的意愿改造世界。除了神经网络能否足以模仿人脑的连接外，最最重要的，人脑中各处充满了随机性，深受外界环境的影响，这种复杂系统中的随机性是产生“涌现”的重要条件。（“涌现”是复杂系统中的一个概念，比如含有足够复杂的无机化合物的一潭死水会在一道闪电的作用下涌现出有机的生命。）