松尾豐，作者簡介：東京大學院工學系研究科副教授，1997年畢業於東京大學工學部電子信息工學科。2002年完成了該大學的博士課程，成為工程博士。同年任產業技術綜合研究所研究員。2005年起任斯坦福大學客座研究員。2007起至今任工學系研究科副教授，兼任新加坡國立大學客座副教授。專業領域為人工智能、網絡信息挖掘、大數據分析。日本人工智能專家之一，曾獲人工智能學會頒發“論文獎”（2002年）、“創立20周年紀念事業獎”（2006年）、“現場創新獎”（2011年）、“功勞獎”（2013年）等獎項。先后在人工智能學會任多職；2012年起任編輯委員長、理事；2014年任倫理委員長。編著有《大智能時代套裝》（機器人的未來、機器人新時代、機器人革命、數字法則、大智能時代）。
書中對人工智能的三次人工智能的浪潮進行闡述，對三次人工智能浪潮的主要技術進行了介紹，還有各大科技公司面對人工智能浪潮采取的應對措施。當第三次人工智能浪潮來臨時，我們的生活會變成什么樣，如果都想人工智能專家想像中的那樣，90%的事情都可以交給帶有人工智能機器去完成，那我們人類剩余出來的時間又該做什么？以及針對人工智能是否會有情感，帶有情感的人工智能是否意味着人類的滅亡，作者都進行了詳細的分析。
首先我們要擺平我們的心態：人工智能並未實現，但是沒理由不實現！探索人類智能的原理，並通過工程學的方法對其進行實現和利用，這樣的人工智能還沒有實現。人類對於物理世界的研究從微觀的原子到浩瀚的宇宙都有的較為本質上的認識，大型的強子碰撞機，宇宙飛船都是對物理世界認識的產物。然而，人類的大腦能力深奧無比、遙不可及，科學家對其探索的腳步從未停止，然而利用計算機對其進行的模型也未能實現。
人工智能是什么？一下是專家給出的定義；
1. 人工智能是“采用人工方法制作的、具有智能的實體，或者是以創造智能為目的的、對智能本身進項研究的領域”。
2. 把類似我們很自然地接觸寵物或者其他人的那種充滿感情和幽默的相互作用，在與物理定律無關或者相逆的條件下，用人工方法制造出來的系統，定義為“人工智能”，這種系統采用的不是分析性的理解方法，而是通過對話等交流方式進行的交談性理解。這就是人工智能。
3. 以模仿、支持、超越人類的智能行為為目的的建構性(通過制作來進行理解)系統。與建構性對應的詞是分析性，舉個例子，從事體育運動的是運動員從事的是建構性理解，而體育評論家則是分析性理解。
4. 采用人工方法制造的類人智能，以及其制造技術，類人指的是具有“發現和察覺功能”的計算機，即能夠從數據中生成特征量。
對於我們非人工智能研究着而言，人工智能分為四個級別：
1.把單純的控制程序稱作“人工智能”，比如：空調，全自動洗衣機等；
2.傳統人工智能(引入了推理及搜索，或者知識庫)，比如可以下棋的程序，智力問題求解等；
3.引入機器學習的人工智能，機器學習以樣本數據為基礎、對規則和知識的自學習；
·4.引入深度學習的人工智能，能夠對機器學習時的數據表示所用變量(特征量)本身進行學習的人工智能。
強人工智能：具備正確的輸入與輸出、被施與合理程序化的計算機，與擁有心智的人是沒有任何區別的，即它也是有心智的。
弱人工智能：計算機沒有必要擁有心智，只要能夠通過其有限的智能解決一些智力問題即可。
第一次人工智能浪潮：
時間：20世紀50年代------20世紀60年代
概括：第一次人工智能浪潮是推理和搜索的時代
代表事件：
1.用搜索樹搜索迷宮
方法：搜索樹
寬度優先搜索，能夠找到距離目標最短的路徑，但是需要的存儲量大；
深度優先搜索，需要的存儲量小，但是搜索時間不定，可能會很小，也可能會很大；
2. 梵塔問題
方法：搜索樹
3.機器人行動過程規划
方法：搜索樹
4.博弈(棋類游戲)
棋類游戲的組合是非常大的，對目前的計算機來說，如果采用直接搜索的方法無疑是很難滿足需求的。那現在的計算機可以戰勝人類的秘訣又是在哪里呢？
1.能夠發現更好的特征量
2.“蒙特卡洛法”改變評估機制
第二次人工智能浪潮：
時間：20世紀80年代------1995年左右
概括：第一次人工智能浪潮是知識(“專家系統”)的時代
“專家系統”本身是一種程序，通過引入某個專業領域的知識，在經過推理，計算機便能夠像該領域的專家一樣出色地開展工作。
什么是“知識表示”？
對於我們每個人都熟知的知識，怎樣表達才能讓計算機易於處理？在這方面的基礎性研究，被稱為“知識表示”研究。
本體研究？
“本體“相當於撰寫知識時的規格說明書。本體研究分為“重量級本體”和“輕量級本體”兩個派別，重量級本體的支持者認為研究者需要認真考慮該怎么描述知識，並研究為此應該怎么做；輕量級本體的支持者認為，把數據輸進計算機里面，並讓計算機自己尋找概念之間的相關性。輕量級本體的一個極致例子就是由IBM開發的“沃森”。
作者在此提到了“機器翻譯”、“框架問題”和“符號接地問題”三個問題。利用導入知識的人工智能進行機器翻譯，但是導入知識的機器翻譯盡管可以較好地理解語言的語法，但是，精確地從語法分析往往會產生語義上的歧義，而語義的理解正是機器翻譯的難點所在。“框架問題”，就是在執行某項任務時“僅僅提取出與它相關的知識並對其加以運用”，這對人類來講很簡單，但是對機器來說非常困難。“符號問題”，是否能將符號（詞句、語言 ）與它表示的意義連接起來的問題，計算機以為不懂得符號的意義，所以不能把符號與其所表示的意義結合起來。
第三次人工智能浪潮：
時間：2000年以后至今
概括：第一次人工智能浪潮是機器學習與特征表示學習的時代
什么是機器學習？機器學習指人工智能程序自身進行自身學習的機理。那怎樣才算是學到東西呢？學習的主要工作是進行“區分”，對某一事物進行判斷和識別，就可以理解它，還能根據對該事物的判斷而采取相應的行動。機器學習分為“有監督學習”和“無監督學習”，有監督學習，指的是事先需要准備好輸入與正確輸出想配套的訓練數據，讓計算機進行學習，以便當它被輸入某個數據時能夠得到正確的輸出；無監督學習，指僅提供輸入用數據、需要計算機自己找出數據內在結構的場合，目的是讓計算機從數據中抽取出其中所包含的模式及規則。
常用的五種“分類”方法：
1.最近鄰分類算法
2.朴素貝葉斯算法
3.決策樹
4.支持向量機
5.人工神經網絡
機器學習的難點（弱點）是特征工程，即特征量的設計。計算機並不能做出選取特征量的判斷。提高機器學習的精確度的關鍵在於“輸入何種特征量”，然而這只有靠人用大腦思維來解決。到目前為止人工智能之所以尚未實現，就是因為人工智能在“從這個世界里面應該關注何種特征並提取信息”這點上，還必須借助人的力量。如果計算機能夠從被導入的數據里面找出應該關注的特征，並得到表示這種特征程度的特征量，那么機器學習的“特征量設計”問題也將被解決。深度學習，恰好可以解決這個問題。
深度學習
深度學習以數據為基礎，由計算機自動生成特征量，它不需要由人來設計特征量，而是由計算機自動獲取高層特征量。
自動編碼器：輸入與輸出相同
深度學習與之前的機器學習相比有兩個較大的不同點：一是需要一層一層地逐層學習；二是深度學習使用一種被稱為“自動編碼器”的“信息壓縮器”。自動編碼器所執行的處理與眾不同，它將“輸出”和“輸入”做成相同的數據，與“主成分分析”具有同樣的工作原理，但是自動編碼可以進行“深層”即多層次操作，可以提取出主成分分析無法提取出的高層特征量。下圖為深度學習結構，
從數據里面找出並生成概念，本身是不需要“教師數據”的無監督學習，深度學習在進行無監督學習的時候采用的是有監督學習的方法。自動編碼器，在本來應該有教師提供正解的地方輸入原來的數據，以此對輸入數據本身進行預測，再生成各種各樣的特征量，這就是通過有監督學習的方式進行無監督學習。Google的“貓臉識別”研究，處理1000萬張圖像，使用的神經元之間的鏈接超過100億個的巨型神經網絡，用1000台計算機（16000個處理器）連續運行3天，就是通過“采用有監督的學習方法實現無監督學習”生成特征量，即提取出“貓臉”的概念，此時，再賦予“貓臉”的名稱，即完成了符號（名稱和概念的結合）接地的問題，在最后區分的時候采用有監督的學習的分類方法。
深度學習的關鍵------“魯棒性”
實際上，提取特征量或者概念需要相當長時間的“打造和提煉”過程，只有這樣，才能使所獲取的特征量或者概念具有魯棒性（“健壯性”）。如何做到深度神經網絡的“魯棒性”呢？其實是需要在輸入型號里面加入“噪聲”，通過反復加入噪聲后獲取的概念，就不會因為一點風吹草動就搖擺不定。(聽起來有些矛盾，但又何嘗不是這樣呢)。魯邦性的提高與計算機的處理性能有較大的關系。
增加魯棒性的方法
1.加入噪聲制作“略微不同的過去”的做法；
2.dropout方法，讓神經網絡的一部分神經元停止工作，即讓隱層50%的神經元出現任意性缺損。對特征項目進行最優化處理，以便讓某個特征量能夠覆蓋其他特征量，這樣，特征表示就不會出現過度依賴某一個特征量的情況。過度依賴僅有的某一特征量是非常危險的，讓一部分特征量不能使用，對於發現恰當的特征表示是很有幫助的。
除此之外，還有很多專家在研究各種各樣的針對神經網絡魯棒性的方法，因為如果不使勁“折磨”它，就無法獲取存在於數據背后的“本質特征量”。
深度學習之后的技術發展
1.能夠對圖像特征進行抽象化處理的人工智能，能夠實現多模態抽象化的人工智能，圖像處理相當於人類的視覺，還有聽覺、觸覺等信息待處理；
2.能夠對行動與結果進行抽象化的人工智能，目前人工智能還是停留在對外界事物進行觀察的地步，如何與外界進行交互也是未來的研究方向；
3.能夠通過行動獲取特征量的人工智能，通過與外界的交互作用獲取新的特征量，類似於，人們根據多次的實驗突然間意識到的某個特征量或者竅門，下次遇到同樣的事情就會想到這個竅門；
4.能夠進行語言理解和自動翻譯的人工智能，解決符號落地問題；
5.能夠獲取知識的人工智能，使人工智能具有想像力；
討論了人工智能的技術問題以及未來的發展，就得說說人工智能的社會性問題了。
人工智能是否具有本能？
人工智能是否具有創造力？
人工智能的社會性意義？人類具有群居性的動物，那人工之能呢？
奇點會發生嗎？奇點，指的是人工智能能夠自動地制造出超越自身能力的人工智能的那個時點。
如果人工智能妄想征服分類，有哪些方式？
對於這些問題作者也進行了論述，總結一句話，人工智能必須造福於人類。
人工智能在對人類生產生活的影響：
1.廣告、圖像診斷、網絡企業；
2.個人機器人、安全防范、大數據運用企業；
3.汽車制造、交通、物流、農業；
4.家政、醫療護理、接待及呼叫中心；
5.翻譯及全球化；
6.教學、秘書、白領工作輔助；