1.       计算的极限1.1.         光靠速度是无法给我们带来人工智能的1.1.1.           在速度更快的计算机上运行糟糕的算法并不会使算法变得更优秀，这只意味着你会更快地得到错误的答案1.1.2.           数据越多，错误答案出现的机会就越大1.2.         物理学对计算机的能力还有什么限制吗？1.2.1.           答案是肯定的1.3.         这些限制会妨碍我们拥有足够的计算能力来创造真正的人工智能吗？1.3.1.           答案是否定的1.3.2.           限制是存在的，但是这些限制不可能阻止我们创造真正的人工智能1.4.         估算了笔记本电脑的极限1.4.1.           每秒10^51次运算，10^30字节的内存1.5.         除了物理上的限制外，计算机的能力还受到其他限制，这些限制源于计算机科学家的工作1.5.1.           图灵证明了有些问题是任何计算机都无法判定的：这些问题定义明确，有答案，但是不存在总能找到答案的算法1.5.2.           停机问题1.5.2.1.            一个算法能否判定一个给定的程序是否会陷入无法结束运行的“死循环”？1.5.2.2.            图灵证明了，没有算法可以解决停机问题，这对数学基础来说是非常重要的，但它与“计算机是否可以实现智能”这个问题无关1.6.         专注于可判定的问题并没有对人工智能施加任何真正的限制1.6.1.           可判定并不意味着容易1.7.         计算机科学家花费大量时间思考问题的复杂性，也就是思考，用最有效的方法解决一个问题需要多少计算量1.7.1.           线性复杂度1.7.1.1.            这意味着它非常容易1.7.2.           在最坏的情况下，许多问题具有指数复杂度1.7.2.1.            我们所知道的所有算法都需要指数时间，即解决某些问题所需要的时间根据输入资料的大小而呈指数级增长1.7.2.2.            理论计算机科学家非常确定不存在更有效的算法1.7.2.3.            难度的指数级增长意味着问题在理论上或许是可解决的1.7.2.3.1.             它们肯定是可判定的1.7.2.3.2.             有时在实践中无法解决，我们称这些问题为难解问题1.7.2.3.2.1.              我们也没有理由认为人类能解决难解问题1.7.2.3.2.2.              量子计算有所帮助（无论是在机器中还是在大脑中），但不足以改变基本结论1.8.         判定给定地图是否可以仅用三种颜色着色，使得任意两个相邻区域都是不同的颜色1.8.1.           众所周知，用四种不同的颜色着色总是可能的1.8.2.           在100万个区域中，可能存在一些情况（不是所有情况，而是某些情况）需要大约2^1000个计算步骤才能找到答案1.8.2.1.            在Summit超级计算机上运行这些计算大约需要10^275年1.8.2.2.            在塞思·劳埃德的终极物理笔记本电脑上需要10^242年1.8.2.3.            宇宙的年龄大约是10^10年1.9.         复杂性意味着现实世界的决策问题1.9.1.           在人生的每一刻决定现在做什么的问题，是非常难的，所以人类和计算机都无法找到完美的解决方案1.9.2.           我们预计，在大多数情况下，现实世界的决策充其量只能算是勉强过得去，远谈不上最优1.9.3.           我们预计人类和计算机的许多“思维体系结构”——其决策过程的实际运作方式，将被设计成尽可能地克服复杂性，也就是说，虽然世界极其复杂，但我们仍有可能找到一些还算过得去的答案1.9.4.           无论未来的机器有多智能、多强大，我们都预计上述两点仍然是正确的1.9.4.1.            机器的能力可能比我们强大得多，但仍远非绝对理性2.       智能计算机2.1.         17世纪伟大的法国数学家布莱兹·帕斯卡是第一个研制出真正实用的机械计算器的人2.2.         19世纪，科技取得了巨大的飞跃，英国数学家、发明家查尔斯·巴贝奇（Charles

Babbage）设计了分析机，后来图灵将这种机器定义为可编程通用计算机

2.3.         洛夫莱斯理解了分析机的真正潜力2.4.         图灵在1950年发表的论文《计算机器与智能》是许多关于智能机器可能性的早期作品中最著名的一篇2.5.         模仿游戏2.5.1.           图灵测试2.5.1.1.            图灵测试对人工智能没有什么用处，因为它下的是一个非正式的、高度偶然的定义2.5.1.1.1.             它取决于人类思维极其复杂和在很大程度上未知的特征，这些特征来自生物学和文化2.5.2.           模仿游戏在图灵的论文中扮演了特殊的角色，这是一个反驳那些怀疑者的思想实验，怀疑者认为机器不能出于正确的理由，以正确的方式，用正确的意识来思考3.       智能体和环境3.1.         现代人工智能的核心概念是智能体，即能感知和行动的东西3.2.         智能体是随着时间的推移而发生的过程，从这个意义上讲，它是一个感知输入流被转换成一个动作流的过程3.3.         对国际象棋程序而言，输入大多只是时钟的计时数，它偶尔会收到对手走子和新的棋局开始的通知，而当程序思考时，其动作大多是什么也不做，偶尔选择走一步棋并通知对手3.3.1.           对国际象棋教练而言，学生的想法是与环境相关的一部分3.3.2.           与棋局不同，学生的想法是环境中的一部分，无法被直接观察到3.4.         构建智能体的方式取决于我们面临的问题的性质3.4.1.           智能体的工作环境：棋盘与手机或拥挤的高速公路截然不同3.4.2.           将智能体与环境连接起来的观察和动作：Siri能访问手机的摄像头，它才能“看”3.4.3.           智能体的目标：教对手下棋与赢棋是截然不同的任务3.5.         影响智能体设计问题的特征3.5.1.           环境是完全可观察的（如在国际象棋中，输入提供了对当前环境状态的所有相关方面的信息），还是部分可观察的3.5.2.           环境和动作是独立的（如国际象棋），还是实际上连续的（如驾驶）3.5.3.           环境中包含其他智能体（如国际象棋和驾驶），还是不包含其他智能体（如在地图上查找最短路线）3.5.4.           环境的“规则”和“物理定律”所规定的行动结果是可预测的（如国际象棋），还是不可预测的（如交通和天气），以及这些规则和定律是已知的还是未知的3.5.5.           时间跨度是长还是短。我们要在这个时间跨度里根据目标来衡量决策质量3.6.         某些类型的问题比其他类型的问题更容易3.6.1.           设计一个保持水平飞行的无人驾驶仪是一个短期、连续、动态的问题，这通常属于控制理论的研究范畴3.6.2.           对于较简单的问题类型，人工智能研究人员已经开发出了相当通用且有效的算法，并具有扎实的理论理解3.6.2.1.            机器在这类问题上的表现要优于人类3.6.2.2.            一个算法是通用的，因为我们可以用数学证明它，该算法在整个问题类别中，以合理的计算复杂性给出最优或接近最优的结果，而且因为它在实践中可以很好地解决这类问题，所以不需要针对任何特定问题进行修改4.       电子游戏4.1.         像《星际争霸》这样的电子游戏比棋类游戏要困难一些4.2.         电子游戏包含数百个移动部件和数千个步骤的时间跨度，而且地图在任何给定时间内都只有部分可见4.3.         在每个点上，玩家都可能至少有10^50种选择，而围棋大约有10^2种选择4.4.         电子游戏的规则是已知的，而世界是离散的，只有几种类型的对象4.5.         截至2019年初，机器已经达到了《星际争霸》专业玩家的水平，但还没有准备好挑战最优秀的人类玩家4.5.1.           要达到这一点，机器还需要针对特定问题做大量努力4.5.2.           通用方法还没有为《星际争霸》做好准备