机器比人的最大优势可能是，不需要给自己打鸡血，他们就直接开算了。但是我们是人，我们是写机器学习的人，还是得给自己打鸡血。（这是什么意思，且听下文分析）机器比人的最大劣势，目前以我的粗浅认知来看，是需要人去 train 他的 algorithm。我更倾向于把 AI 看作孩子。（不，你明明都是拿来当老婆）Machine Learning 在我看来，本质是个学习问题。所幸，我学习能力惊人，（于是可以自觉非常有天赋（完全是自觉））。作为一个前设计师（没有作品那种（不，我有设计师的魂）），我翻到了这篇文章，感慨良多，促成我想写这篇废话文。超强的学习能力是怎样练就的？- 知乎
来概括下这篇文章：
学习理论 + 精心设计来提高学习效果 1. 对很多内容大胆说【不】——这不是放弃是策略
忘了是哪本商业畅销书，提过，大意是，核心学习能力是，快速学习新知识的能力。这篇文中，强调，学以致用。但是这是人的学习，因为人的行为和意志力会受到情绪的影响。简单来说，就是学不好（没有结果）就不想学了。扯开说，这也是游戏为何如此引人入胜使人沉迷的原因之一。对机器学习有什么思考启发呢？我还没有开始看论文，只是瞎 jb 胡思乱想，设想有两种 AI，一种全知全能，至少会很多，我能想到的例子是 Her 里面的 OS，Umbrella 里的小女孩，Halo 里的 Cortana，I,Robot 中的 Boss,（这里其实牵涉到一个问题，她是否可以决策）或者；一种，专业精深，比如 AlphaGo，就是围棋下的天下第一。对于人来说，受困于其有限的生命、时间、精力，其背景（出生地域家庭教育成长际遇公司环境等等）与其所处的时代，大部分是一专多博，即专业技能（通常是工作）养活自己，其他都会一点爱好什么的。对于 AI 来说，情况如何？假设有一个超级 AI，她采取分布式?（欢迎反驳我其实并不知道什么是分布式），存在于全世界各地的手机 /PC/ 某些未来存储设备中，至少这解决了存储信息的问题，她的“硬盘（储存信息的单元）”相当的大，她好像可以做任何事？我的意思是，她完全可以是一个决策者。决策很难吗? 政治决策很难了吧，可是政治家如何养成，在我看来是对历史哲学等等的把握。就好像一个站在权利顶端的人，比如比尔盖茨（随便举例），他可能代码写错了，但是他对公司有更大更宏观的把握，他雇佣代码写得好的人。对这个 AI 来说，她需要的具体技术早已打包封装好，调用就行了。Sheldon 不懂人情世故，不，他只是不想懂，或者说作为人，一生太短来不及懂。情商，一样是可以学习的。呵呵，旧时人们获得成功有一种方法，比如樋口泰行《我是这样当上总裁的》，我还没去看这本书，就随便猜测一下，就是从底层做起呗，当然这是和一开始做不了高层（不是官二代富二代），通过从底层做起熟悉公司的业务流程，也积累人脉，主要是从小事，给管理者留下一个“这个人做事靠谱认真负责”的印象，从来逐渐敢把事情交给他，于他也是不断接触人观察人，获得经验，其经验与执行配合他的驱动使他继续行动，产生结果再鞭策自身循环。而对于具体问题，对 AI 来说，是效率的问题。效率如何获得? 纵观历史，是科技（仿佛废话）。取决于数学，物理学，生物学等，AI 的数学是算法，算法是追寻问题的最优解。但是又不是，因为我的理想中，AI 是会自己学习的，有自己的“意识”的，毕竟“意识”只是“a bunch of neuro”。纵观历史，哲学家的最大问题是，思辨于概念定义，但是没有去行动。没有行动，就没有结果。而想象力，在我看来都不算弥足珍贵。创造力也是。在我看来人类所有的知识都是基于已知。想象力不过是，发生了新的联系。创造力也是，只不过带有更多行动。所以我的理想中，AI 是有想象力和创造力的。
引述文中所说到的知识树，其实就是权重了。（玩游戏都要点天赋）。目前我对 AI 的学习才刚到神经网络，在我看来相对的低效是因为，目的性不强，信息冗余??? 比如识别数字，全靠拆成 20*20 的像素网格，拆成几层网络，全凭分析，可是人眼只要学会数字一秒就能看出来到底是为什么？为什么人眼看汽车是一个整体，人甚至可以看电影，电影里元素更多。我想，人会习得概念，模式，模糊的 pattern。这些究竟是如何，还要待我继续学习了，只是阶段性的提点感想。
联想到 Ng 的 ML,So how could you spend your time to improve the accuracy of this classifier?
Collect lots of data (for example “honeypot” project but doesn’t always work)Develop sophisticated features (for example: using email header data in spam emails)Develop algorithms to process your input in different ways (recognizing misspellings in spam).It is difficult to tell which of the options will be most helpful.
It is very important to get error results as a single, numerical value. Otherwise it is difficult to assess your algorithm’s performance. For example if we use stemming, which is the process of treating the same word with different forms (fail/failing/failed) as one word (fail), and get a 3% error rate instead of 5%, then we should definitely add it to our model. However, if we try to distinguish between upper case and lower case letters and end up getting a 3.2% error rate instead of 3%, then we should avoid using this new feature. Hence, we should try new things, get a numerical value for our error rate, and based on our result decide whether we want to keep the new feature or not.
Ng 说过类似于，一开始能跑就行，这也是为什么我说，毕竟写 AI 的是人，得给自己打鸡血。
扯开说，人类的每次技术突破，都让我感觉 fascinating。有空我要扯一篇科学史的文章。也许最难最绝望的不过是大海捞针。
项目导向的学习 - 不是“把学的东西用起来 ”，而是 ” 为了用而学 ”！这个就差不多了还是，作为人的积极性的问题。所以是否设计 AI 的时候，也区分决策层和“工具”层，就像峰后和工蜂。（感觉像个政治问题）其实这里是不需要设计的，我感觉这是发展下去的必然。资源与掠夺，是影响社会发展的（感觉这里要去读下历史与社会学）。AI 的社会学? 所以那些有意识的怎么办，意识到自己作为奴隶的 AI 怎么办，这就是《云图》《银翼杀手 2049》所讨论的内容吧可能 …
令我觉得比较有趣的是
Embodied Learning 理论 —— 身体动起来！
这里可能是类人形 AI, 又要说到 Extinct 了，其实 Alita 也算吧。这种行为传入的就还挺有意思的。生物学上好像是一系列神经元反应。有点不清楚能带给 AI 设计者怎样的思考。
某种意义上说情绪不会困扰 AI 也不对，与人类的相处中，被植入情感体验的 AI，也会有受挫和各种情感。所以情感对于进化究竟是怎样的存在，是否应该植入 AI 呢？也许应该给她整个心理学博士的脑子（至少是备用脑），让她不怕和任何人打交道，能理解很多人，能自我调节情绪。即，高情商。
先碎碎念到这里