1. 全球层面的智能1.1. 仅仅为了阅读完当前世界上所有的出版物（更不用说过去所有的书面材料）就需要20万名全职人员，收听当前的广播则还需要6万名全职人员1.1.1. 监听世界上所有的电话也是可能的（这项工作需要大约2000万人）1.2. 这样一个系统，如果它能提取简单的事实性陈述，并能跨所有语言整合所有这些信息，那么它就会成为令人难以置信的回答问题和揭示模式的资源，可能比目前价值约1万亿美元的搜索引擎还强大得多1.2.1. 它对历史学和社会学等领域的研究价值将是不可估量的1.3. 机器可以利用的另一种“超级力量”是瞬间看到整个世界1.3.1. 卫星每天以每像素约50厘米的平均分辨率拍摄整个世界1.3.2. 计算机视觉算法可以处理所有这些数据，生成一个每天更新的可搜索的全球数据库，还能生成经济活动、植被变化、动物迁徙和人口流动、气候变化影响等的可视化和可预测模型1.3.3. 像Planet（星球）和DigitalGlobe（数字地球）这样的卫星公司正忙着把这一想法变成现实1.4. 随着全球层面的感知成为可能，全球层面的决策也在成为可能1.4.1. “智慧城市”控制系统1.4.1.1. 它旨在优化交通管理、运输、垃圾收集、道路维修、环境保护和其他造福市民的功能，这些可能会拓展到国家层面1.5. 随之而来的可能是全球范围内的隐私侵犯和社会控制2. 超级人工智能何时到来2.1. 历史上预测出错的情况经常出现2.2. 超级人工智能将要跨越的门槛并不明确2.2.1. 机器在某些领域已经超越了人类的能力2.3. 超级人工智能何时到来在本质上是不可预测的2.3.1. 卢瑟福宣布链式核反应完全不可能的几个小时后，西拉德就发明了链式核反应一样不可预测2.4. 大多数活跃的研究人员预计人类水平的人工智能将在21世纪中叶到来2.5. 现在和超级人工智能之间还隔着好几个重大突破，而不仅仅是一个2.5.1. 解决这一问题不能靠把钱花在更多的工程师、更多的数据和更强大的计算机上2.6. 一些未来学家根据摩尔定律绘制图表，预测了未来计算能力的指数级增长，展示出机器将超越昆虫大脑、老鼠大脑、人类大脑，以及所有人类大脑的日期等2.6.1. 速度更快的机器只会更快地给出错误的答案2.7. 如果将人工智能领域的领先专家聚集到一个拥有无限资源的团队中，目标是通过整合我们所有最好的想法来创建一个集成的、人类级别的智能系统，那么结果必将是失败2.7.1. 这个系统会在现实世界中崩溃2.7.2. 它不明白发生了什么，无法预测其行为的后果，无法理解人们在任意特定情况下想要什么，因此它会做蠢事3. 语言和常识3.1. 没有知识的智能就像没有燃料的发动机3.1.1. 人类从他人那里获得了大量的知识，知识以语言的形式代代相传3.2. 大量的知识存在于语言本身，存在于它所提供的概念之中3.3. 一台真正理解人类语言的机器将能够迅速获取大量的人类知识，从而绕过在地球上生活过的1000多亿人在几万年之中的学习过程3.3.1. 期待一台机器从原始的感官数据开始，从头开始重新发现这一切似乎是不切实际的3.3.2. 自然语言技术还不能胜任阅读和理解数百万本书的任务，其中许多书甚至会难倒一个受过良好教育的人3.4. 阅读需要知识，而知识（在很大程度上）来自阅读3.5. 希望采用自助算法让系统读取一些简单的文本，获得一些知识，然后使用这些知识来读取更复杂的文本，获得更多的知识等3.5.1. 发生的情况通常恰恰相反：系统所获得的知识大多是错误的，这会导致阅读错误，从而导致更多的错误知识等3.6. NELL3.6.1. Never-Ending Language Learning，无止境语言学习3.6.2. 卡内基–梅隆大学的“NELL”项目可能是目前正在进行的最雄心勃勃的采用自助算法的语言项目3.6.3. NELL仅对其3%的知识点有信心，它还要依靠人类专家定期清除错误或无意义的知识点3.6.3.1. 它认为“尼泊尔是一个国家，也被称为美国”和“价值是一种农产品，通常被分割成基础”3.7. 单一的突破不可能将恶性循环变成良性循环3.8. 一个知道足够多事实的程序可以找出一个新句子所指的事实，从而学习一种新的表达事实的文本形式，然后让它发现更多事实，因此这个过程会继续下去4. 概念和理论的累积学习4.1. 成千上万的人在数百年的观察和研究中积累和交流了知识与概念4.2. 从米利都的泰勒斯用羊毛摩擦琥珀并观察静电荷的积累，到伽利略从比萨斜塔投下小球，再到牛顿看到苹果从树上落下，经过成千上万次的观察，人类逐渐积累了一层又一层的概念、理论和装置4.2.1. 质量4.2.2. 速度4.2.3. 速度4.2.4. 力4.2.5. 牛顿运动定律和万有引力定律4.2.6. 轨迹方程4.2.7. 电现象4.2.8. 原子4.2.9. 电子4.2.10. 电场4.2.11. 磁场4.2.12. 电磁波4.2.13. 狭义相对论4.2.14. 广义相对论4.2.15. 量子力学4.2.16. 半导体4.2.17. 激光4.2.18. 计算机4.3. 物理学的先验知识，加上仪器的观测数据，使得科学家能够推断黑洞融合事件的发生4.3.1. 这种先验知识本身就是用先验知识进行学习的结果，以此类推，一直可以追溯到遥远的历史4.4. 累积下来的图景就是实际发生的事情，也就是说，科学家一直在书和论文中写下他们的发现和理论4.4.1. 后来的科学家只能接触这些形式的显性知识，而无法接触更早的、早已过世的几代人的原始感官体验4.5. 深度学习系统主要是数据驱动的，我们充其量只能在网络结构中“连接”一些非常弱的先验知识形式4.6. 纯数据驱动的学习观4.6.1. 输入的是数据，输出的是假设，中间是黑盒子4.6.2. 如果人们能够做到这一点，那将是“大数据、大网络”深度学习方法的典范，但这是不可能做到的4.7. 概率编程系统的确允许在学习过程中加入先验知识，正如概率知识库的结构和词汇表所表达的那样，但我们还没有有效的方法来生成新的概念和关系，并使用它们来拓展这类知识库4.8. 主智能体进行学习所需要的4.8.1. 进行预测所需要的“数据”应该包括什么？4.8.1.1. 因为我们人类已经对引力波、交通、视觉图像和古董有所了解4.8.1.2. 所谓的“特征工程”，要做好这一点，我们需要对特定的预测问题有很好的理解4.8.1.3. 真正的智能机器需要学习新知识时，不能依赖于每次都有人类特征工程师4.8.1.4. 它必须自己找出，是什么构成了这个问题的合理假设空间4.8.2. 新概念的累积生成4.8.2.1. 如质量、加速度、电荷、电子和引力等4.8.2.2. 事实上，一切科学发现都依赖于一层又一层的概念，这些概念可以追溯至历史和人类经验4.8.2.3. 在科学哲学中，特别是在20世纪初，新概念的发现经常归因于三个妙不可言的“I”4.8.2.3.1. 直觉（intuition）4.8.2.3.2. 洞察力（insight）4.8.2.3.3. 灵感（inspiration）4.8.2.3.4. 所有这些都被认为是对一切理性或算法解释的抵触4.8.2.4. 如果机器学习算法能够在假设空间中进行搜索，可以为输入中不存在的新术语添加定义，那么该算法就可以发现新概念4.8.2.5. 我们知道如何在相对简单的情况下做到这一点，但是对更复杂的理论而言，引入的新概念的数量可能变得非常庞大4.8.2.6. 即使深度网络使用的是非常简单的学习算法，深度网络通常能够成功地找到有用的中间特征4.8.2.6.1. 比如眼睛、腿、条纹和拐角
