相關主題
商品描述
翻開這本書，開啟一場穿越人工智能百年歷史的硬核探索之旅！從算盤與圖靈機的早期智慧萌芽，到專家系統與神經網絡的技術交鋒，再到機器學習、語音識別、機器視覺的落地突破，一步步解鎖大語言模型、具身智能的核心密碼。本書不堆砌碎片化知識，而是沿著清晰的技術演進脈絡，拆解每一個AI核心技術的底層邏輯，站在科技先驅的角度思考問題， 直擊AI理解世界的本質，深入探討人機博弈的未來命題。它能讓你在沈浸式探索中，搭建起歷史、知識、思辨相融的完整Al認知體系，讀懂AI的進化之路，看清智能時代的未來走向。本書特色適配青少年認知，硬核知識趣味化：緊扣青少年理解能力，將圖靈機、神經網絡、大語言模型等晦澀的AI知識，轉化為層層遞進的通俗講解，不堆砌概念，讓青少年真正理解AI的“思考”方式。時空縱貫式敘事，沈浸式漫遊AI百年：以時間為軸串聯AI發展全脈絡，從算盤、圖靈機的早期探索，到大語言模型、具身智能的前沿突破，沈浸式體驗每一次技術變革與關鍵節點，告別枯燥理論羅列。拒 碎片堆砌，搭建三維認知體系：打破傳統AI圖書的知識碎片化問題，構建“歷史脈絡+技術知識+深度思辨”的立體思維框架，讓青少年不只懂AI是什麼， 懂AI為何發展和將向何方發展。邏輯閉環，層層遞進培養人工智能思維：從基礎概念到前沿應用，從技術演進到趨勢預判，各章節環環相扣、由淺入深，既梳理清晰的知識體系，又引導青少年自主思考，全面培養人工智能素養和核心競爭力。家校生多維適配，一站式AI學習工具書：孩子可自主學習打基礎，教師可積累教學素材備課，家長可陪同共讀做輔導，滿足不同場景AI學習需求。隨書解鎖作者親授專屬視頻課程：視頻課程由專業團隊精心打磨，緊扣人工智能知識點精講，幫助孩子理解AI背後的核心思維方式，掌握與AI協作的能力，建立批判性思維，規劃AI時代的職業發展路徑。
作者簡介
田達瑋，中國科普作家協會會員， 海洋研究所環境科學碩士。擁有10年科普內容創作經驗，果殼網、丁香醫生前科學編輯，少年得到課程前主編。科普中國、科學大院、中國科普博覽特約作者，撰寫科普內容超百萬字。著有《人工智能:人類的智能》《漫話人工智能：從二進制到未來智能社會》。<br />秦曾昌，布裏斯托大學人工智能方向博士、加州大學伯克利分校博士後。曾兼任Keep、編程貓等企業的首席科學家。已出版《漫話人工智能：從二進制到未來智能社會》《給孩子的編程思維課》等著作，並多次參與央視科普節目，致力於向青少年普及人工智能技術。
目錄大綱
前言 寫給未來世界的主人
第1章 人工智能：機器能思考嗎
1.1 計算機器：算盤、機械齒輪和圖靈機
1.1.1 撥算盤是誰在思考
1.1.2 300多年前的計算器
1.1.3 巴貝奇讓機械齒輪思考起來
1.1.4 超越時代的設想
1.1.5 圖靈機：人就是一臺思考的機器
1.2 為計算機設計一套智力測試
1.2.1 圖靈測試：計算機的“模仿遊戲”
1.2.2 “中文房間”裏的反對者
1.2.3 機器人通過圖靈測試啦
1.2.4 怎樣證明你是真人
1.2.5 讓AI逐漸成長
1.3 人工智能怎麼那麼多“父親”
1.3.1 達特茅斯會議：開開會出了人工智能
1.3.2 符號主義：萬物皆可符號化
1.3.3 聯結主義：構建一顆人工大腦吧
1.3.4 行為主義：想得好不如做得好
第2章 專家系統與神經網絡：刻板專家和人造大腦
2.1 專家系統：人工智能專家能幹啥
2.1.1 雄心勃勃但被“潑了冷水”
2.1.2 從規則推演中誕生的“專家”
2.1.3 用專家系統掙大錢吧
2.1.4 專家系統怎麼就“沒落”了
2.2 神經網絡：人造大腦怎樣思考
2.2.1 大腦：最精巧的思考機器
2.2.2 M-P模型：神經網絡的基本單元
2.2.3 赫布規則：刺激越多連接越強
2.2.4 感知器興起與“被判死刑”
2.2.5 反向傳播算法：讓神經網絡自行調整
2.2.6 一波三折的神經網絡
第3章 機器學習：都成機器了，還要學習
3.1 機器學習到底怎麼學
3.1.1 令人崩潰的垃圾郵件
3.1.2 “聰明”的垃圾郵件識別器
3.1.3 塞繆爾的跳棋程序
3.1.4 西洋跳棋程序怎麼學習
3.2 監督學習：機器學習誰來教
3.2.1 如何認出一只貓
3.2.2 ImageNet：給AI編寫一套“教材”吧
3.2.3 監督學習都有啥“科目”
3.2.4 回歸這門“課”有啥用
3.3 無監督學習：沒有老師，怎樣無師自通
3.3.1 什麼是無監督學習
3.3.2 水果分類背後的聰明思想
3.3.3 聚類分析：水果、新聞，再到恒星
3.3.4 關聯：發現隱藏的關系
3.4 強化學習：實踐是最好的老師
3.4.1 讓機器人走起來吧
3.4.2 探索嘗試，給點獎勵
3.4.3 沒有實體也能“探索”
3.4.4 AlphaGo：從學習到超越
3.4.5 AlphaGo Zero：讓人類不再抱有幻想
第4章 語音識別：做一個“聽話”的AI
4.1 100多年前就有語音識別玩具了
4.1.1 聲控雷克斯怎樣識別聲音
4.1.2 “奧黛麗”與“鞋盒”開啟正式篇章
4.1.3 Harpy：音素編織的知識網
4.2 數據驅動，鋪墊語音識別的“進階之路”
4.2.1 解雇語言學家能提升語音識別效果
4.2.2 隱馬爾可夫模型怎麼個“隱”法
4.2.3 隱馬爾可夫模型怎樣做語音識別
4.2.4 隱馬爾可夫時代的“明星”
4.2.5 語音識別的新“統治者”
第5章 機器視覺：我來了，我看見，我識別
5.1 視覺傳感器：怎樣讓計算機看見世界
5.1.1 像素：看見世界的基礎
5.1.2 CCD：視覺傳感器的核心
5.1.3 從像素點到物體輪廓
5.2 特征識別：怎樣從像素點中認出物體
5.2.1 從線條輪廓到形狀特征
5.2.2 SIFT算法：特征點“偵探”
5.2.3 HOG算法：“描邊大師”
5.3 貓咪怎樣改變了機器視覺
5.3.1 SVM：畫一條分界線
5.3.2 貓咪大腦中的“秘籍”
5.3.3 神經認知機：層層提取，識別覆雜特征
5.3.4 LeNet：卷積神經網絡的“首秀”
5.3.5 AlexNet：卷積神經網絡一戰成名
第6章 自然語言處理：60多年前就有聊天AI了
6.1 如何教AI“說人話”
6.1.1 自然語言是什麼
6.1.2 能翻譯60多個句子的“翻譯大師”
6.1.3 Eliza：幾十年前的“心理醫生”
6.1.4 馬爾可夫模型：AI的“看詞填空”
6.2 AI能理解文字背後的意思嗎
6.2.1 信息量極低的“獨熱編碼”
6.2.2 怎樣讓詞向量“簡單又深邃”
6.2.3 “愛忘事”的神經網絡
6.2.4 Seq2Seq遭遇瓶頸
6.2.5 註意力機制來救場
第7章 大語言模型：大就是好
7.1 Transformer：讓註意力發揮更大的作用吧
7.1.1 嵌入層：整理工作其實很重要
7.1.2 編碼器：關註自己才能做得更好
7.1.3 解碼器：“註意”再“註意”
7.2 大語言模型到底有多大
7.2.1 超大規模的參數和訓練樣本
7.2.2 名副其實的“超級吞金獸”
7.2.3 湧現：還沒教怎麼就會了
7.2.4 思維鏈：讓我們一步一步思考吧
第8章 具身智能：你身邊的智能“夥伴”
8.1 機器人需要做成人形嗎
8.1.1 從傳說到“半個人”
8.1.2 從“半個人”到“完整的人”
8.1.3 “像人”不止一條路
8.1.4 人形機器人是最好的嗎
8.2 自動駕駛：500多年前就有自動駕駛汽車了
8.2.1 彈簧齒輪，造就自動駕駛三輪車
8.2.2 讓公路來“開車”
8.2.3 從“一步一停”到“橫穿美國”
8.2.4 自動駕駛汽車的“眼”
8.2.5 自動駕駛汽車的“腦”和“四
