兜兜转转几个星期，今天还是静下心来将《第五范式-AI4S》第一章读完了。第一章是对科学发展五个范式阶段的概括介绍，内容并没有很深奥，但是还是有诸多启发思考的地方——尤其是对于向我这样对这方面涉猎很少的小白而言。接下来我将会对每一章读完之后都进行一个小的个人总结和概述，目的是为了记录自己读书思考的过程，以及未来快速抓住书中重点省去重读过程——当然重读是一件好事，每次重读一本书都是会有新的收获的，但是毕竟书有那么多，不是每一本都要重读回味的。
第一章整个读下来对我的启发思考的地方如下：
1、异化效应
其实我对于这个概念有印象，但仔细思考确实没有任何相关定义和理解。经过查询之后才明白大抵是在学习马原的时候听过该名词，主要是出自“劳动异化”这个概念——这个词主要是讲劳动者通过劳动创造出来的产物反过来命令和压迫劳动者，导致劳动者的身份从原本的主体异化为客体了。现在看来，生活中异化效应的现象屡见不鲜，最常见的就是上班族的KPI之类的制度，制度创造出来的初衷是为了激励人们努力工作，从而增加公司收益，但是在长期的异化效应下，这种制度反而成为了压榨劳动者，甚至有损公司长远发展利益的制度，大量无意义的劳动和精力成本在这个过程中浪费，公司文化也在这个过程中逐渐变味。
书中提到的这一点主要是对技术的高速发展，尤其是AI的迅猛发展的忧虑恶，但是AI完全取代人类——因为当前有许多岗位都遭遇裁员，进而采用AI进行替代从而提高效率和产能。但实际上，每个新技术的突破都会创造许多新的岗位，只是说新的岗位要求人们进行新的学习、获得新的知识，但是大部分普通群众随着年龄的增长逐渐趋于守成保守派，而学习新的东西是一个需要长时间、高精力投入的事情，所以导致很多年龄偏大的打工人被辞退之后无法找到新的职位，乍一看就像是由于技术发展导致自己生活的不幸。但是发展愈发迅猛是不可逆的时代浪潮，在这样一个瞬息万变的时代，一成不变就意味着落后，只有主动突破才能柳暗花明。故而我认为当前担心AI会替代人类为时过早，也是杞人忧天——强人工智能的发展还是一段很长的路。
2、经验归纳
书中提到的第二个范式便是经验归纳范式，以亚里士多德为代表。这一阶段所展现出来的主要是基于对自然现象大量观察和归纳得出共通性结论，而早期的AI在很大程度上就是这样的一种“思维方式”——通过对人类过往经验的海量学习和归纳来形成所谓的“智能”。但这样得到的其实还是一个更高级的检索工具，而非真正意义上的AI。最重要的是这样造成的“信息茧房”将会桎梏其发展的上限和能力——而当前先进AI仍然是基于海量数据的训练，同样存在类似问题。
当然人类本身的发展，包括现在人类的成长，也是一个从周围身边数据学起的过程——就像AI当前的发展阶段，只是说AI凭借其强大的计算性能学习海量数据的能力十分强大——所以说当前AI的发展还是处于一个初级阶段，还没有突破到从单纯的模仿学习到真正的智能思考——但是现在AI在多个领域取得的成就证明其也在不断的发展，尤其是基于人脑模式的神经网络，现在的AI已经从海量数据表层的浅规律深入到内部的潜规律了。
3、符号神经网络
本人原本对于AI领域就涉猎较为粗浅，所以还是第一次听说符号神经网络，结果经过查询才发现，符号神经网络的发展早在20世纪90年代就已经发展起来了，只是后来被纯数据驱动的神经网络的成功给边缘化了，当然在近些年来由于纯神经网络的黑箱问题，为了提高可解释性，当前也是出现了一些关于将符号主义和连接主义进一步结合的工作——符号主义本身可解释性强、推理链路清晰，但是面对复杂问题计算量爆炸。
个人也是做好了标记，打算有空去进一步了解一下符号神经网络历史及其相关工作。
4、量子计算
这是书中提到的神经网络相关的一个重要领域，但是目前发现相关理论有些复杂，所以只能先做标记，等待推免事宜彻底落地之后再来思考研究。
5、因果性和关联性
书中举到了一个例子，是本世纪10年代谷歌启动了Google Flu Trends的项目（简称GFT），借助人们在google上检索“发烧”、“感冒”之类的词语来预测流感的爆发，初期其成果是十分显著的，比传统监测方法快了将近两周的时间，但是在2013年却是出现了预测流感人数是实际人数的两倍的错误，研究人员的分析是系统过于依赖历史数据模式而没有考虑人们的行为动态变化（比如说如果新闻报道流感，那么检索流感相关词汇的人数会增加）。
总的来说就是因果性和关联性的问题。当然目前大多数预测类模型都存在这种问题——将关联性当作因果性去进行预测，导致在某个时间点会出现致命错误——甚至说现在的大多数大模型都是有这样的问题，没能理解数据之间的因果性关系，而是表层的关联性关系，这会导致其鲁棒和泛化能力的缺失，尤其是在某些突变场合和时间节点。
当前我也一直在思考如何能够真正有效的提取出事物之间的因果性而非关联性，但是当前的主流方法其实都是十分局限的；而近期读宋老师课题组一篇工业故障检测方面的论文，也是关于通过因果图增强工业检测过程中的可解释性和可靠性的。所以说因果性到底该如何更深刻的进行表示，这种符号主义下的因果图是否能够有效和现有突出结果进一步结合，这些都是需要我去思考和探究的问题。