《智能简史：从大爆炸到元宇宙》作者是于非，2022年6月出版，英文标题为：
A Brief History of Intelligence: From the Big Bang to the Metaverse
于非：博士生导师,加拿大工程院院士(Fellow of the CanadianAcademy of Engineering)，加拿大工程研究院院士(Fellow of the Engineering Institute of Canada)，IEEEFellow，IET Fellow，IEEE杰出报告人，IEEE车载技术学会理事(2016年至今)、副主席(2017—2019年)，科睿唯安计算机科学领域全球“高被引科学家”(2019—2021年)。发表学术论文700余篇，Google学术引用20000余次，H指数(H-index)为90+。研究领域包括智能网联、区块链、自动驾驶及无线网络。
这本书，总结了宇宙从大爆炸开始的不稳定状态，以及智能现象如何自然地出现在宇宙稳定化的过程中，强调了智能现象在宇宙各层次（物理、化学、生物、人类和机器）中的普遍性和重要性。作者通过跨学科的视角，探讨智能的本质和发展历程。全书共分为九章，以下是每章内容的详细总结：
第1章 引言
- 探讨智能的起源、发展以及非生物、植物、非人类动物到人类的智能进化。
- 提出人类是否能够制造出超越人类的机器智能的问题。
- 讨论了人工智能（AI）的发展如何激发人们对智能现象和智能本质的兴趣。
近年来，AI技术取得了显著的进步，特别是在机器学习、深度学习和强化学习等领域。这些进步使得机器在特定任务上的表现超越了人类，例如在围棋、象棋和某些类型的图像识别任务中。
那么，到底什么是智能？
智能的定义在不同的领域和研究者之间存在差异。一些研究者认为，智能不仅仅是解决问题的能力，还包括理解、学习、推理、规划、创造力和批判性思维等能力。从这个角度来看，目前的AI系统尚未达到人类智能的全面水平。
作者认为，智能的一些特征如下：
适应性：智能通常被视为一种适应性，它使得个体能够在不断变化的环境中生存和繁衍。这种适应性不仅体现在生物学上的进化，也体现在个体学习和解决问题的能力上。
信息处理：智能涉及信息的获取、处理和使用。在人类和动物中，这通常涉及到感知、记忆、学习、推理和决策等认知过程。在机器中，这可能涉及到算法、数据处理和模式识别。
自组织：智能系统往往展现出自组织的特性，能够在没有外部指导的情况下形成有序的结构和行为。这种自组织能力在物理学中的耗散结构、化学中的自组装分子以及生物学中的细胞和生态系统中都有体现。
目标导向：智能行为通常是为了实现特定目标。无论是生物寻找食物、逃避捕食者，还是人类追求知识、创造艺术，智能都表现为一种有目的的活动。
创新和创造力：智能还与创新和创造力相关，这使得个体能够产生新的想法、发明和解决方案，以应对新的挑战和机遇。
社会互动：在人类和某些动物中，智能还体现在社会互动和沟通中。这包括语言、文化、合作和竞争等复杂的社会行为。
自我改进：智能体能够通过经验学习和适应，不断改进自己的行为和策略，以更好地适应环境。
作者提出，智能现象可能是宇宙为了缓解能量、物质、信息不平衡而自然产生的。智能体通过其行为有助于宇宙向更稳定状态的演化。
通用人工智能：通用人工智能（AGI）是指能够执行任何人类智能任务的机器。目前，尽管在特定领域取得了进展，但实现真正的AGI仍然是一个巨大的挑战。AGI需要能够理解、学习和适应各种不同的任务和环境，这超出了当前AI技术的能力。
超级人工智能：超级人工智能（ASI）是指在所有领域都超越人类智能的机器。这通常被认为是一个更远大的目标，因为它不仅需要广泛的智能能力，还需要能够自我改进和创新。目前，ASI仍然是一个理论上的概念，距离实现还有很长的路要走。
即使技术上可能实现超越人类的机器智能，也存在许多安全和伦理问题需要解决。例如，如何确保这样的智能系统不会对人类社会造成威胁，以及如何确保它们的行为符合人类的价值观和道德标准。
尽管目前还没有实现超越人类的机器智能，但未来的技术发展可能会使得这一目标逐渐接近。作者鼓励读者思考智能的本质，并关注AI领域的最新进展。
第2章 稳定宇宙
- 描述了宇宙的起源、物质、能量和空间的形成。
尽管宇宙浩瀚而复杂，但事实证明，要建造一个宇宙，只需要三种成分：物质、能量和空间。
物质是有质量的东西。物质无处不在，在我们的房间里，在我们脚下，在太空中，如地球上的水、岩石和空气。巨大的恒星螺旋，延伸到令人难以置信的距离。
建造宇宙所需的第二个要素是能量。我们每天都离不开能量，做饭、给手机充电和开车都是在使用能量。在阳光明媚的日子里，我们可以感受到9300万英里（1英里～1.61千米）外的太阳所产生的能量。能量渗透到宇宙中，推动着宇宙动态过程的不断变化。
建造宇宙需要的第三个要素是空间，很多空间。无论从哪里看宇宙，我们都会看到向各个方向伸展的空间。
根据爱因斯坦的相对论，质量和能量是同一个物理实体，可以在他著名的方程E=mc2中相互转化，其中E是能量，m 是质量，c是光速。
- 讨论了宇宙的动态变化，以及这些变化如何促进宇宙的稳定。
- 介绍了重力在物理学中的作用，以及暗能量对宇宙稳定的影响。
熵，用来衡量无序，就是一个东西有多乱。一个系统内在的混乱程度。有序的概率小，无序的概率大。熵越大，意味着发生的可能性越大。智能是在稳定宇宙的过程中自然出现的，就像石头从高处滚下和冰块融化成水一样自然。
第3章 物理学中的智能
- 探讨了物理学中的智能现象，包括重力、量子纠缠和最小作用原理。
- 讨论了物理学中的智能如何通过自然现象（如岩石滚动和冰融化）来促进宇宙的稳定。
第4章 化学中的智能
- 回顾了化学发展的历史，以及化学如何通过自组织结构和熵增原理来展示智能。
- 介绍了贝纳德对流和贝洛索夫-扎博津斯基反应等化学中的智能现象。
第5章 生物学中的智能
- 探讨了生命的定义、生命存在的原因，以及微生物、植物和动物中的智能现象。
- 讨论了生命如何通过自复制和分形几何等特性来促进宇宙的稳定。
生命，是有序的开放系统，可以自组织、自我复制。
微生物智能：比如黏菌，没有大脑，没有神经，但是很智能。黏菌能够解决迷宫问题。在实验中，黏菌被放置在一个迷宫中，它们能够找到并沿着最短路径到达迷宫的出口，这表明它们具有空间导航和路径规划的能力。黏菌能够通过经验学习。例如，它们可以在多次尝试后记住哪些路径是有效的，哪些是无效的，从而在未来的探索中避免无效路径。黏菌能够优化其网络结构以提高效率。在一项实验中，黏菌被用来模拟东京铁路网络的设计。黏菌通过生长和连接燕麦片（作为食物来源）来形成一个网络，最终形成的网络与实际的东京铁路网络有着惊人的相似性，显示出黏菌在网络优化方面的智能。黏菌网络具有自我修复的能力。如果网络的一部分被移除，黏菌能够重新组织其结构，以维持网络的连通性和效率。黏菌能够根据环境条件调整其行为。例如，它们可以根据食物的分布和环境的光照条件来调整其生长模式。
植物智能：以捕绳草为例。捕绳草的叶片具有特殊的触觉感应机制。当昆虫触碰到叶片上的触发毛时，捕绳草能够迅速关闭其叶片，捕捉并困住猎物。这种快速反应展示了植物对环境刺激的敏感性和适应性。捕绳草能够区分不同类型的触碰。它们通常对非猎物的触碰（如雨滴或风吹动的物体）不予理会，但对潜在猎物的触碰则会迅速作出反应。这种区分能力体现了捕绳草的智能行为。捕绳草的捕食行为是能量效率的体现。它们不会对所有触碰都作出反应，而是通过选择性捕食来最大化能量的利用，这与智能体在资源有限的情况下做出最优决策的行为相似。捕绳草在捕捉到猎物后，能够分泌消化液来分解猎物，并将营养吸收到自身。这个过程展示了捕绳草在生物学层面上的智能，即能够有效地利用环境中的资源。捕绳草的这些特性是长期进化的结果，它们适应了特定的生境和生存策略。这种适应性进化本身就是一种智能的体现，因为它涉及到对环境变化的响应和生存策略的优化。
动物智能：黑猩猩会社交，鸟类使用工具，海豚有语言
第6章 人类智能
- 描述了人类大脑的新皮层结构，以及人类特有的思考方式。
- 讨论了人类大脑理论，包括贝叶斯大脑假说、高效编码原则和自由能原理。
- 探讨了信息过载和人类信息茧房现象。
人类大脑就是一个大模型，不断的获取外部信息数据，然后进行解释预测和决策。
信息过载时代，要么改变信息源，要么改变大脑内部模型。
第7章 机器智能
- 回顾了人工智能的历史，包括符号主义、连接主义和行为主义的发展。
在构建智能机器时，通常主要有三个学派：符号主义、联结主义、行为主义。符号人工智能努力模仿大脑的高级概念，联结主义人工智能努力模仿大脑中的低级神经联结，行为主义努力模仿动物与环境的交互。近年来，一些比较成功的深度网络（如卷积神经网络）的结构模仿了大脑的某些部分，这些部分是根据神经科学的发现进行建模的。尽管人工智能最近取得了进展，但许多专家认为，通用人工智能还很遥远。原因之一是对智能本身缺乏了解。
- 讨论了机器学习、深度学习、强化学习等技术，以及它们如何模拟和实现智能。
受大脑启发的联结主义人工智能的第一个例子是感知机，由心理学家弗兰克·罗森布拉特（Frank Rosenblatt)在20世纪50年代发明。它的灵感来自神经元处理大脑中信息的方式。一个神经元接收来自其他神经元的电或化学输入。如果所有输入的总和达到某个阈值，神经元就会触发。在计算其输入的总和时，神经元为来自更强联结的输入赋予更多权重。调整神经元之间的联结强度是在大脑中学习的关键。类似于神经元，感知机计算其输入的加权总和，如果总和达到某个阈值，则输出1。如何确定感知中的权重和阈值？与符号主义人工智能不同，后者具有明确的规则设置程序员，感知机通过训练示例自行学习这些值。在训练中，如果结果正确，则给予奖励，否则将受到惩罚。
神经网络通过更新其权重和阈值来学习。执行此操作的标准学习算法称为"梯度下降"。梯度只是距离（如能量、质量、温度、信息等）差异的度量。由于"自然界憎恶梯度"，梯度意味着不稳定，因此可以通过减小梯度来稳定系统。我们在物理、化学、生物和人类现象中讨论过这个过程。智能就出现在这个过程中。
机器学习中的梯度是机器的实际输出与机器的预期输出之间的差异。例如，假设你想设计一个识别猫的智能机器，如果给机器一张猫的照片，预期的输出是"这是一只猫"；如果机器的实际输出是"这是一只狗"，这不是一个正确的答案，这就出现了梯度。梯度下降算法用于最小化梯度，使真实输出与预期输出相同。
梯度下降算法和岩石从山谷的斜坡上滚下有一个很好的类比。这也是作者认为智能在稳定宇宙的过程中自然出现的原因之一，就像滚石一样自然。预期输出和实际输出之间的差异可以建模为一个函数，称为代价函数（有时称为损失函数或目标函数）。我们可以把这个代价函数看作山谷，神经网络的参数（权重和阈值）决定了岩石的位置。我们为球随机选择一个起点，然后模拟岩石滚下山坡时的运动。
梯度下降算法的工作方式是计算代价函数的梯度，由此可以找到山坡的"向下"方向，然后将岩石向下移动（即改变神经网络的参数）。通过重复应用这个更新规则，我们可以将岩石"滚下山坡"，并希望找到成本函数的最小值。换句话说，这是一个可用于在神经网络中学习的规则，直到达到底部（即局部最小值）。
梯度下降的另一个挑战是如何有效地计算代价函数的梯度。如果网络中有100万个权重，这意味着计算梯度需要计算代价函数100万次，需要100万次前向通过网络（每个训练示例）。反向传播算法避免了重复子表达式，从而有效地计算代价函数的梯度。
在反向传播算法中，根据前一次运行获得的错误率对神经网络的权值进行微调。正确地采用这种方法可以降低错误率，每次前馈通过网络后，该算法根据权值和偏差进行后向传递，调整模型的参数，提高模型的可靠性。
具体地说，神经网络输出中的错误向后传播，以将适当的归咎于神经网络中的权重。通过逐渐修改权重，随着训练样本越来越多，输出误差可以最小化到接近于零。反向传播算法出现在20世纪70年代，但长时间内没有流行，直到大卫、鲁梅尔哈特、杰弗里·辛顿（Geoffrey Hinton）和罗纳德·威廉姆斯（Ronald Williams）在1986年发表了一篇著名的论文，该论文描述了几个神经网络，其中算法的工作速度比早期的学习方法要快。因此，可以使用神经网来解决以前不可能解决的问题。今天，反向传播算法是神经网络学习的主力军。
训练数据对深度学习有重大影响。原则上，给定无限数据，深度学习系统足够强大，可以表示任何给定输入集和相应输出集之间的任何有限确定性"映射"。
由于缺乏统一理论，目前的人工智能就像化学学科出现之前的炼丹术，空气动力学出现之前的仿鸟飞行。
第8章 物质、能量、信息和智能
- 探讨了人类如何通过发明技术来促进物质、能量和信息的网络化，以及这些技术如何帮助人类合作和宇宙的稳定。
- 讨论了智能网络的概念，以及区块链技术如何增强智能网络的安全性和隐私保护。
人类社会的基本成分：信息，数据，智能。
物质联网：交通网、物联网，物流
能源网联：能源网，电网
信息联网：互联网
智能网络（Intelligence Networking）是书中提出的一个概念，它指的是一种新兴的网络范式，旨在实现智能的高效获取、共享和应用。这个概念建立在现有的物质网络（如交通网络）、能量网络（如电力网）和信息网络（如互联网）的基础上，进一步发展出一种能够促进智能流动和利用的网络结构。
智能网络的核心特点包括：
智能共享：智能网络允许智能体（如人类、机器、AI系统）之间共享知识和智能，以解决复杂问题或提高决策效率。
集体学习：通过智能网络，可以促进集体学习，使得智能体能够从彼此的经验中学习，加速知识的积累和创新。
去中心化智能：智能网络支持去中心化的智能分布，这意味着智能不仅仅集中在单一的中心节点，而是分布在网络的多个节点上。
决策信任：智能网络可以提供一种机制，使得智能体在做出决策时能够依赖于网络中的其他智能体，从而提高决策的可靠性和信任度。
安全性和隐私保护：智能网络需要考虑安全性和隐私保护，确保在共享智能时不会泄露敏感信息。
智能网络的愿景是将智能作为一种资源，像物质、能量和信息一样，可以被高效地获取和利用。这将有助于推动人工智能技术的发展，促进人类社会的进步，并可能在多个领域产生深远的影响。
第9章 元宇宙与现实世界宇宙
- 介绍了元宇宙的概念、特点和技术，以及它如何影响现实世界的宇宙。
- 探讨了元宇宙的发展趋势，以及它如何可能促进现实世界宇宙的稳定。
这本书深入浅出的解释了很多AI概念和原理，非常适合非专业人员作为AI的入门科普读物。