1. AI是驅動第四次工業革命的通用技術

1.1. AI不僅被用作科學家的實驗工具，而且開始廣泛滲透到日常生活中，重塑著我們的工作、教育、社交、健康乃至情感體驗

1.2. 著眼于構建公平、透明且負責任的AI系統，確保技術進步惠及每一個人，尤其是那些在傳統社會結構中常被忽視的群體

1.3. AI不再是遙不可及的科技夢，而是一個切實可行的工具，它已深度滲透到我們生活的方方面面

1.4. AI作為一項通用技術，具有顯著提升生產效率、應對全球緊迫挑戰的潛力

• 1.4.1. 因其自身的復雜性、無形性，以及關于其能力與風險的諸多誤解，AI又與電力、計算機等早期通用技術有著明顯的區別

1.5. 在技術高速發展的浪潮下，很多人對未來充滿了焦慮和不確定感

• 1.5.1. AI并不是一場災難，而是一次重大的機遇

• 1.5.2. AI作為強大的信息工具，不僅可以通過優化醫療和教育資源來提升人類的健康水平，還能通過情感智能和人際交互的設計，改善人與人之間的溝通和關系，進而增進社會整體的和諧

1.6. 與其他任何關鍵技術一樣，它兼具利弊

• 1.6.1. 當前，公眾討論大多聚焦于其負面影響

1.7. AI已為改善我們的日常生活帶來了諸多積極影響，包括降低各類風險，提升社會安全水平

2. 機器學習驅動的AI

2.1. AI的核心價值在于機器學習

2.2. 在機器學習這一AI分支中，存在描述性分析、預測性分析、因果性分析和規范性分析這四大基礎支柱，為不同應用場景提供底層支撐，比如在線約會、現代健康管理應用、電影推薦，以及為求職者搭建職業網絡等

2.3. 一個普遍存在的認知誤區：人們常常認為機器學習僅與預測有關，而不涉及因果推斷或解釋性分析，更無須深入探究變化背后的因果機制

• 2.3.1. 因果性分析是AI的重要組成部分

2.4. 無監督學習、監督學習、深度學習和強化學習在她們背后默默發揮著作用

2.5. 無監督機器學習算法

• 2.5.1. 異常檢測技術（anomaly detection）

• 2.5.2. 多維相似性（multidimensional similarity）

• 2.5.2.1. 勾股定理

>  2.5.2.1.1. 無監督機器學習算法保障日常交易安全的原理，其背后的核心機制竟然源自古希臘數學家畢達哥拉斯的距離公式

• 2.5.2.2. 在機器學習算法中，如果交易數據之間相似，算法就會忽略這筆交易；但如果差異顯著，交易就可能會被拒絕

2.6. 監督機器學習（supervised machine learning）

• 2.6.1. 預測未來疾病的發生是有明確目標的

• 2.6.2. 機器從數據中“學習”的過程受到嚴格監督，并由其特定目標（基于當前人口統計學特征、基因數據及相關醫學指標預測未來疾病）引導

• 2.6.3. 監督機器學習的預測應用已經滲透到各個領域

• 2.6.4. 計算超空間中數據點的距離差異

• 2.6.5. 監督機器學習的典型特征，即通過預設的結果標簽來指導模型訓

• 2.6.6. 用于自動篩選簡歷，也應用于影視推薦、約會對象匹配以及商品推送中

• 2.6.7. 既塑造社交平臺上的人際關系網絡，也生成個性化的運動提醒

• 2.6.8. 既決定數字廣告的定向投放策略，也承擔著預測人體這臺最精密“機器”出現故障風險的重任

2.7. 深度學習

• 2.7.1. 為解決通過心電圖診斷心臟病等復雜難題，我們需借助深度學習技術

• 2.7.2. 作為AI領域蓬勃發展的分支，深度學習擅長處理圖像、語音、視頻以及多語言文本等富含細節的感知數據

• 2.7.3. 不同于傳統模型只能處理表格中的數字，深度學習模型可以直接加工原始形態的復雜信息，比如圖像中的像素點、樂曲的聲波

• 2.7.4. 如今，深度學習模型已廣泛應用于各個領域

2.8. 強化學習

• 2.8.1. 強化學習的任務是收集艾莉莎在多個數字平臺，如YouTube、TikTok、領英、推特（X）?、亞馬遜、臉書、網飛和Instagram等產生的數據，比如觀看某條視頻的時長，分析她的行為情境，然后根據她的歷史記錄和興趣偏好，推送精心搭配的內容組合與定向廣告

• 2.8.2. 其核心邏輯在于實現探索與利用的平衡

• 2.8.3. 鑒于算法決策公平性的重大意義，以及“探索-利用”策略在豐富人類生活體驗方面的廣泛應用，強化學習在未來數字生態系統中，必然會扮演更為關鍵的角色

3. AI之屋框架

3.1. 2023年9月20日，生成式AI已能穩定通過圖靈測試，在多種場景下表現出與人類相當的智能水平，被譽為下一代通用技術

• 3.1.1. 有望像IT（信息技術）和自動化生產一樣，通過替代部分工業勞動和增強人類能力來重塑產業格局，變革白領知識工作

• 3.1.2. 生成式AI有助于提升高端管理咨詢行業的生產力水平

3.2. AI不僅是通用技術，更是新型社會級操作系統，能夠帶來深遠的積極影響

3.3. 當前，圍繞AI的負面敘事失之偏頗，公共領域的討論往往以偏概全

• 3.3.1. 這種失衡的輿論態勢賦予了科技巨頭過大的權力，使其影響著立法進程，主導著政治辯論，還鞏固了利己主義的意識形態

3.4. 真正的問題在于近年來某些機構和部分學者對AI與大型科技公司的片面解讀

• 3.4.1. 如果你想沉浸在AI的反烏托邦敘事中，如今已經形成了一條專門迎合此類需求的“產業鏈”?

3.5. “AI教父”

• 3.5.1. 杰弗里·辛頓

• 3.5.1.1. 對AI的未來表達了深刻的擔憂，認為其可能引發災難性后果，甚至為自己的研究感到后悔

• 3.5.2. 楊立昆

• 3.5.2.1. 對AI在商業和社會領域的廣泛應用充滿熱情

3.6. 探索AI世界的第一步，便是區分事實與炒作

• 3.6.1. 德國科堡癲癇發作的女性

• 3.6.1.1. 她手機的安卓ELS（緊急定位服務）系統迅速將其位置信息發送給了調度員

• 3.6.1.2. 這一事件僅被安卓官方用于宣傳其ELS系統，其他媒體卻鮮有報道

• 3.6.2. 在新冠疫情最嚴峻的時期，智能手機的精準定位追蹤技術，協助各國政府開展接觸者追蹤與社交距離分析，這一舉措可能挽救了數百萬條生命

3.7. 技術無罪，這是人類社會的問題

• 3.7.1. 在沒有AI介入的傳統醫學領域，人類放射科醫生同樣對少數族裔女性乳腺癌存在更高的漏診率，這是因為醫生的培訓數據主要來源于白人患者的影像資料

• 3.7.2. 當黑人新生兒由黑人醫生照料時，存活率是由白人醫生照料時的兩倍，因為黑人醫生更熟悉這些新生兒的生理特征

• 3.7.3. 我們身處的社會本就復雜且不公平，與其將所有的問題歸咎于AI算法偏見，不如先自我反思

3.8. 目標是以基于數據和研究的方式讓你了解AI的運作原理

• 3.8.1. 關注重點不在于嚴格意義上的強AI（也稱通用人工智能，即AGI）?，也就是機器完全復刻人類行為

• 3.8.2. 主要討論弱AI（Weak AI）?，并延伸至生成式AI的應用領域

3.9. 兩類任務

• 3.9.1. 人類因專業知識不足或資源匱乏難以完成的任務

• 3.9.1.1. 在撒哈拉以南的非洲地區，心臟病專家極度稀缺，此時利用深度學習技術能夠實時解讀心電圖（ECG）?，從而診斷心臟病

• 3.9.2. 機器更擅長處理的復雜計算

• 3.9.2.1. OkCupid等在線約會平臺，能夠通過數百個維度篩選候選人并預測出某位特定對象是否可能成為理想的約會伴侶

• 3.9.2.2. 推薦可能改變一個人的人生軌跡，畢竟選擇伴侶是人生中最重要的決定之一

3.10. 這個框架以數據工程為根基，涵蓋因果性分析、規范性分析、生成式AI、決策類型的系統化分類，以及倫理公平準則，通過合理轉化分析結果，為社會帶來福祉

• 3.10.1. 旨在幫助普通大眾成為AI討論中的知情參與者

• 3.10.2. 工程師近七成的時間都花費在數據工程這一環節

• 3.10.3. 要為四類機器學習篩選適配的數據源，隨后通過清洗、聚合、整合與轉換，將原始數據轉化為可用資產

3.11. “AI之屋”框架建立在數據分析的四大支柱之上：描述性分析、預測性分析、因果性分析和規范性分析

3.12. 描述性分析

• 3.12.1. 依托無監督機器學習技術，通過挖掘高維數據中的隱藏模式來增強人類智能，彌補人類在識別復雜模式上的短板

• 3.12.2. 人類通常難以想象三維以上的數據空間

3.13. 預測性分析

• 3.13.1. 其核心命題在于：?“未來會發生什么？?”

• 3.13.2. 預測性分析的關鍵就在于預判未來走向

• 3.13.3. 通過科學的數據挖掘手段，結合監督學習技術，讓算法從這些歷史數據中自主學習，最終構建出業界領先的風險評估模型，精準測算出新貸款申請的違約概率

3.14. 因果性分析

• 3.14.1. 其致力于解答“X是否導致Y”這一核心問題

• 3.14.2. 對于大多數決策者而言，這是一項挑戰，因為他們需要跳出既有數據框架，運用反事實思維，提出“如果……會怎樣”的假設，進而推演出其他不同的情境

3.15. 規范性分析

• 3.15.1. 常常融合前三大支柱的核心要素，幫助我們在組織約束的條件下構建決策模型，回答“我們應該如何應對？?”這一關鍵問題