譯者序

今天的人們可能很難想象，1950年的加拿大人是如何在加拿大多倫多舉行的國家展覽會上排著長隊，等待和會下井字棋的人工智能（AI）機器“大腦伯蒂”（Bertie the Brain）進行博弈的。“大腦伯蒂”是人類發明的第一臺在屏幕上有視覺展示的電子游戲機器，也是最早的能和人對弈并打得有來有回的人工智能產品。光陰荏苒，“大腦伯蒂”也許早已被人們遺忘，但它的繼承者們仍延續著人工智能的輝煌。1997年，IBM研發的超級計算機“深藍”，以一局的微弱優勢擊敗俄羅斯國際象棋冠軍卡斯帕羅夫，成為第一臺在標準賽制內擊敗國際象棋世界冠軍的計算機。2016年，谷歌DeepMind團隊開發的AlphaGo以四勝一敗的成績擊敗韓國職業九段棋士李世石，從此在圍棋世界獨孤求敗。從“大腦伯蒂”到AlphaGo，人工智能發生了翻天覆地的變化。如果說1950年“大腦伯蒂”以真空管硬件和簡單算法為載體實現的人工智能相當于還在蹣跚學步的人類嬰兒，1997年“深藍”以超級計算機的算力和枚舉分析為支撐實現的人工智能相當于開始奔跑的人類青年，那么AlphaGo用深度神經網絡、強化學習和分布式計算實現的人工智能無疑已經學會飛翔了。

在從“大腦伯蒂”到AlphaGo的近七十年中，人工智能的教育與應用也發生了根本性的變化。它從只有象牙塔中少數專家才有機會接觸到的艱深研究領域，演變為21世紀幾乎人人都應該了解甚至學習的基礎知識。在不知不覺中，它的影響力已經遍及社會的每一個角落，小到生活中一個快遞包裹的路線規劃，大到影響數十億人的搜索引擎和自動駕駛，它幾乎無處不在。正如本書作者所說，它已經影響且將繼續影響能源、醫療、物流、教育、安全、就業、娛樂和商業等諸多領域的方方面面。在各大領域實際需求的驅動下，人工智能的應用技術必將變得更易學、更易用并且更大眾化。這也意味著相應的教育媒介——無論是在線教育還是紙質書籍的內容都會變得更加切合實際需求。尤其是對于人工智能領域的入門教育資源而言，不應該只停留在紙上談兵，而應在講解理論的同時，輔以具有現實意義的案例，甚至配上可修改、可運行、可互動的人工智能程序。

值得慶幸的是，本書恰恰是這樣一本理論與實踐兼備的書。與很多“百科全書式”的人工智能書籍不同，本書并沒有將人工智能涉及的各類模型、算法與術語平鋪在一張龐大的知識地圖上，然后帶著讀者一個一個地遍覽地圖上的每個景點。與此相反，本書從這張地圖上規劃出一條目的明確、路線清晰的道路。沿著這條道路，讀者雖然不一定能看清人工智能和其子領域——機器學習的全貌，但是一定能深刻體會到機器學習，尤其是強化學習和深度神經網絡這兩個子領域為什么如此重要，以及如何將相關技術應用到物流、能源、自動駕駛，甚至游戲領域。從最初的湯普森采樣模型，到Q學習模型，再到深度Q學習模型，直到最后的深度卷積Q學習模型，作者循序漸進地帶領讀者逐步邁向更復雜的機器學習理論與編程知識，直至最后到達上述應用領域對應的目的地。

還有一點與很多人工智能書籍不同，本書的用語非常平實直接，并且使用了一種近乎“樸素”的“3+1”式敘述方法。這里的“3”指的是介紹一個人工智能模型共分三步：第一步永遠是簡短地描述模型；第二步是講解模型背后的基礎數學理論；最后一步是用Python編程語言實現模型?！?1”是指，在對模型進行過上述三步講解后，會再針對一個實際商業案例，更具體地定義問題，并用Python編程語言為其實現一個實際可用的模型。之所以這么做，是因為作者非常重視建立對知識的直覺認知，并將這視為建立理論認知的基石。除此之外，本書的一大特點是在某些概念細節上的刻意重復，尤其是穿插在各章節間的回顧內容。這可能和作者作為在線教育平臺導師的豐富經驗有關。正如作者所說，事實證明“回顧總是有益的”。

本書盡管篇幅不長，但涉及很多人工智能領域常用的工具。比如Python編程語言、TensorFlow機器學習平臺的Keras API以及PyTorch框架。在使用這些工具時，作者幾乎對每一行代碼都配有講解，并詳細地解釋了線上運行代碼和本地運行的不同。對于零編程經驗的讀者而言，這無疑是個好消息。同時，對于有一定編程經驗，并且立志成為人工智能行業從業者的讀者而言，這也有助于豐富其對不同平臺及工具的使用經驗。

和“大腦伯蒂”的時代相比，今天的我們已經朝人工智能真正的普及邁出了一大步。正如本書中展示的，用Python編程語言和Keras API可以用寥寥數行代碼創建一個深度神經網絡。同時，云計算平臺的發展，以及計算機硬件（例如神經網絡芯片）的進步，使模型可以使用遠超1997年“深藍”的超級計算機的算力進行學習。然而，我們要解決的問題也變得更為復雜。能源、醫療、物流、安全等領域比以往任何時候都更需要智能的解決方案。閱讀完本書后，希望你能如作者所說：選擇一個最能與自己產生共鳴的領域，并為其做出自己的貢獻！

程澤

2020年春于成都