AGI之路

叢興滋

AGI之路

商品描述

本書由一位擁有38 年行業實踐經驗的 技術 執筆，是專為AI 從業者與決策者撰寫的 指南，旨在廓清AI 技術演進中的迷思，揭示其本質內涵與發展趨勢。本書突破對生成式AI 的單一關註，系統闡釋驅動AI 發展的三大技術支柱——基礎性AI、生成式AI 與因果型AI——的核心能力與發展邊界。作者以審慎務實的態度指出，當前AI 仍處於“狹義智能”階段，實現具備自主理解與因果推理能力的通用人工智能（AGI）仍面臨根本性挑戰，其發展歷程遠比公眾所認知的 為漫長。全書的核心創見在於論證：唯有通過“覆合型AI”融合三大技術支柱的互補優勢，才能突破單一技術的性能瓶頸。這一觀點不僅為通往AGI 描繪出切實可行的技術路徑，也為讀者理解並參與塑造未來科技栺局提供了關鍵認知框架與戰略路線圖。

作者簡介

約翰? K. 湯普森（John K. Thompson）數據分析與人工智能領域的 專家，擁有逾38年的深厚行業經驗。現任密歇根大學信息學院（UMSI）客座教授，並曾先後領導安永（EY）、某 TOP 2制藥公司及戴爾科技集團等 機構的AI戰略與業務， 了從生成式AI、基礎性AI到因果型AI的全譜系解決方案在 業務中的落地應用。技術專長橫跨 分析與信息管理全域，精通描述性、預測性與規範性分析，人工智能、深度學習、認知計算、大數據、模擬仿真及高性能計算等前沿領域。作為一名 的技術 ，他熟稔企業各運營職能，尤其擅長戰略制定、產品創新、業務增長與 運營，致力於推動 AI技術轉化為可衡量的商業價值。

目錄大綱

譯者序
獻詞
致謝
序
前言
第1章 數據與AI的發展根基
1.1 我們要什麼？數據！什麼時候要？現在就要！
1.1.1 數據——分析與AI四大時代的先決條件
1.1.2 認知模式研判：高管的數據意識與關註點
1.1.3 數據戰略規劃：明確應收集數據的範圍
1.1.4 數據戰略實施：數據保留與使用的政策
1.1.5 數據運營誤區：從預設加工到按需精煉
1.1.6 數據協作困局：典型但低效的數據請求
1.2 有效獲取數據的破局之法
1.2.1 數據更新周期
1.2.2 結構化數據
1.2.3 非結構化數據
1.2.4 內部數據：由企業日常擁有並管理
1.2.5 外部數據：字面意義上的全世界數據
1.2.6 合成數據：突破獲取限制的“新大陸”
1.3 索求全部數據的深層原因
1.4 唯變不變驅動預測常態化
1.5 概率時代與後決定論世界
1.6 本章小結
1.7 參考文獻
第2章 基礎性AI的發展歷史
2.1 總覽：四大AI時代的藍圖
2.2 反思：我們是否誤入歧途？
2.3 啟航：AI發展的第一個盛夏
2.4 受挫：AI發展的第一次寒冬
2.5 覆蘇：AI發展的第二個盛夏
2.6 再挫：AI發展的第二次寒冬
2.7 親歷：我與AI伴行的四十年
2.8 回歸：AI的強勢歸來與屹立
2.9 覆興：AI發展寒冬前的深秋
2.10 探究：基礎性AI的基本內涵
2.10.1 機器學習
2.10.2 深度學習
2.10.3 強化學習
2.10.4 監督學習
2.10.5 半監督學習
2.10.6 無監督學習
2.10.7 自然語言處理
2.11 本章小結
2.12 參考文獻
第3章 基礎性AI的深遠影響
3.1 經濟影響
3.2 就業影響
3.3 社會影響
3.3.1 積極影響（正面貢獻）
3.3.2 消極影響（負面後果）
3.4 技術演進
3.5 本章小結
3.6 參考文獻
第4章 基礎性AI的未來展望
4.1 符號AI（SAI）
4.1.1 符號AI系統的局限性
4.1.2 符號AI系統的未來
4.2 多元方法
4.3 負責任的AI（RAI）
4.4 覆合型AI應用程序
4.5 基礎性AI創新展望
4.6 本章小結
4.7 參考文獻
第5章 生成式AI的發展歷史
5.1 生成式 AI 的奠基時刻
5.2 生成式 AI 的早期創新
5.3 生成式 AI 的持續演進
5.3.1 基礎模型與大語言模型的基本操作
5.3.2 生成式 AI的非確定性
5.3.3 抑制幻覺的模型接地技術
5.3.4 系統提示詞
5.3.5 提示操作或提示工程
5.3.6 用戶提示詞
5.3.7 檢索增強生成
5.3.8 模型微調
5.4 領域語言模型與小語言模型
5.5 模型微調的實施要點
5.6 大語言模型護欄
5.7 長上下文窗口
5.8 生成式AI真的具有如此影響力嗎？
5.9 生成式AI的獨到之處
5.10 生成式AI的基礎概念
5.10.1 生成式AI的根基
5.10.2 數據管理的民主化
5.10.3 數據可得性的突破
5.11 生成式AI的發現之路
5.12 本章小結
5.13 參考文獻
第6章 生成式AI的深遠影響
6.1 早期探索的價值
6.2 令人振奮的原因
6.3 經濟影響
6.4 就業影響
6.5 社會影響
6.6 技術影響
6.7 教育影響
6.8 藝術影響
6.9 本章小結
6.10 參考文獻
第7章 生成式AI的未來展望
7.1 生成式AI模型技術展望
7.1.1 模型集成
7.1.2 模型接地
7.1.3 上下文窗口
7.1.4 模型編排
7.2 生成式AI的智能體應用
7.2.1 智能體的基本概念
7.2.2 我的專屬旅行助理
7.2.3 智能體的常見實例
7.2.4 智能體的演化路徑
7.3 智能體生態系統的組成
7.3.1 開發框架
7.3.2 治理框架
7.3.3 角色演進
7.4 本章小結
7.5 參考文獻
第8章 因果型AI簡史及要素
8.1 從亞裏士多德到珀爾
8.2 因果關系的易理解性
8.3 因果模型的化繁為簡
8.4 因果建模的獨到之處
8.5 結果導向法因果建模
8.6 結構因果建模
8.7 結構因果建模的要素
8.7.1 節點（Node）
8.7.2 變量（Variable）
8.7.3 反事實變量（Counterfactual Variable）
8.7.4 混雜變量（Confounding Variable）
8.7.5 碰撞變量（Collider Variable）
8.7.6 中介變量（Mediator Variable）
8.7.7 中介分析（Mediation Analysis）
8.8 技術模型的驗證方法
8.8.1 d-分離
8.8.2 敏感性分析與穩健性檢驗
8.8.3 無關額外混雜因子
8.8.4 添加未觀測共同原因變量
8.8.5 安慰劑處理
8.8.6 隨機替換
8.8.7 虛擬結果證偽
8.8.8 子集驗證
8.8.9 業務驗證
8.8.10 關系與路徑
8.8.11 連接未觀測變量的路徑
8.8.12 前門路徑
8.8.13 後門路徑
8.9 恰到好處地化繁為簡
8.10 權重
8.11 模型
8.12 歷史數據的高效利用
8.13 本

類似商品