错觉

前三分之二太啰嗦了，大意是通过挖掘数据和模型来倒推解释和结论，会导致误判很多只是短暂相关的情况，即便和选用的数据吻合，也无法预测未来。 最后三分之一提到在招聘、犯罪学、军事等领域完全依赖人工智能会导致的歧视（黑匣子）、隐私侵犯、摆弄系统等问题，这部分的反思（尤其是歧视）还挺有意思的。

原来只要量大，无意义的随机数中也可以很容易地发现相关性较高的关系-_-

#数据挖掘、模型、机器学习算法会误导的根本原因：意义本身来自人自身，这是机器目前或者永远不能给的。当然作为工具它们可以做我们的🚴‍♀️，用处很大，作者说的金融工程师4种类型，非常实在。 #沃森没被爆出来玩不下去前一直被我当作一个鉴别杠杆：能理解IBM某种程度是欺诈的，迟早玩不下去的一般技术理解力还是在线的。 #比较不能苟同的是：作者认为计算机做的这些都不是真正的智能。做人还是要实在一点，不能每次计算机解决了什么问题，就把这个问题说成“不是真正的智能”，是的，也许不是AGI，但是人类中知识也有很大一部分完全是概率性、知识性的，并不能说机器发现的知识都是偶然。

感觉数据挖掘想挖掘一些人类无法发现的现象，但是又无法通过具体显示原因解释，所以就不断堕入谬论。全书从头到尾都在举不同的例子说明，计算机的算法无法理解现实的真正意义。有一点很奇怪的是，难道数据能模拟出市场的随机性就说明市场是不可预测的么？书里用的例子似乎好几年前的，当时没有特别完善的数据挖掘技术，理论和计算能力也还不足，但是不能否认今天的技术已经进步很多，虽然还并不能完全像人类一样。

感觉一般般

1、目前的人工智能其实并不“智能” 截止目前为止，计算机只是比人类计算更快、记忆力更好。但是，最大的问题，目前的人工智能在常识性、自动识别、逻辑推理能力方面，都还很弱。 计算机的算法，都是人工设计的，也因为如此，不管有意无意，这些算法会存在漏洞或考虑不周，而这些问题，在非正常情况下，会造成和预期不一样的结果。某些情况下，如自动驾驶时，这些结果可能导致严重的后果，如撞车。如自动翻译，由于缺少上下文的理解，有时会有啼笑皆非的翻译结果。 2、人类趋利的本性导致技术的错误使用 其一，得州神枪手谬误1：瞄准数百个目标，只报告那些击中的情况。 其二，得州神枪手谬误2：找到一个模式，然后为其编造解释。

没什么深入的东西，作者主要试图对ai过热的外行崇拜进行降温；后半部分经济学的内容比较多。阐述相关性和因果性案例的部分可以看看。 @2021-05-04 17:56:05 @2021-12-24 15:04:38 @2022-02-23 22:16:19

有的例子比如开篇的阿达耽误希拉里的问题，我对真实性比较怀疑🤨不过计算机本质还是计算，只是算的快慢多少的差别而已，而决策这种事儿确实有很多不可控因素。

读完的感觉是人傻了，看看下次听课有什么可以和本书联系的观点再评论吧，原来逼着自己看一些书如此难受😣！

内容有一些老旧。对于最近几年内CV和NLP领域的发展刻意忽略掉了，这些既包括视觉领域中人们对于样本增强的理解（包括对模糊不清的东西的判断和对数字的拉直，变形等操作），也包括语义理解中动态词向量对语境的把握和self attention对上下文的理解。 这本书可以用来辅助反思AI的弱点，但是很多内容已经缺少前瞻性了。