2026 年九月 读人工智能，护眼 3 本
内容提要
作者评介三本书：《AI 3.0》梳理深度神经网络在视觉、博弈、语言等领域的进展，指出其易受对抗样本攻击、并不真正理解内容，大语言模型还依赖大数据与算力；《人工智能（第3版）》系统介绍搜索、知识表示、机器学习等算法与应用版图；《大国护眼之策》讲解近视成因与防控，强调增加户外活动、养成良好用眼习惯并建立屈光档案。
延伸解读
两本AI书为何仍值得读
作者指出，2023年前的书未覆盖大模型，但大语言模型的底层仍是深度神经网络，因此《AI 3.0》和《人工智能（第3版）》有助于理解大模型出现前的算法谱系。同时，大模型还依赖大数据、算力和并行计算，许多问题已超出学术实验室，需在工业环境中解决。这提醒读者：读旧书可补算法基础，但需结合工程视角看大模型。
“对抗样本”揭示的智能边界
文章借侯世达的观点强调，DNN模型易受对抗样本攻击：在可识别样本中加入噪点或重排元素，人类难以识别，算法却会误判。作者由此指出，会画画或下棋的模型并不真正理解自己在做什么，因此不算智能。这一批评为理解当前AI的能力边界提供了具体角度，也说明“表现像智能”与“真正具备能力”并不等同。
近视防控：户外活动是重点
书中区分假性与真性近视：假性近视可缓解甚至恢复，真性近视因视轴变长无法恢复，但应减缓其变长趋势。作者结合自身情况指出，预防最重要的是每日2～3小时户外阳光下远视活动，多数孩子难以做到；已有近视后，策略转为减缓度数增加、防止病理性近视，并培养良好用眼习惯、建立屈光档案。
Q&A
《AI 3.0》这本书主要讲了什么？
《AI 3.0》原题是《Artificial Intelligence: A guide for Thinking Humans》，作者梅拉妮·米歇尔。本书梳理了深度神经网络（DNN）在视觉识别、博弈游戏、自然语言理解与翻译、虚拟助理等领域的进展，并指出DNN容易受到对抗样本攻击，并不真正理解所处理的内容。
为什么说深度神经网络并不真正理解它生成的内容？
书中引用侯世达的观点，认为AI并不真的理解它所产生图像或文字，证据是“对抗样本”攻击：在模型能准确识别的样本中加入噪点或混淆重排样本元素，人类无法识别，但算法会误判。这说明会画画的模型并不知道自己在画画，会玩游戏的模型也不知道自己在玩游戏，因此它们并不是智能。
大语言模型的出现主要依赖哪些条件？
大语言模型并非算法上的突破，其本身仍可算是DNN的变种和发展。带来大语言模型时代的，不仅是算法，还有大数据和算力（芯片、数据中心、电力等）的集中。现在很少有大学实验室能搞大模型，推进必须有工业界的算力和资本支持。
《人工智能（第3版）》涵盖了哪些主要内容？
本书英文版《Artificial Intelligence in the 21st Century》出版于2022年，是计算机系高年级或研究生的教材。内容涵盖人工智能的历史、思维和智能之辩、图灵测试、搜索、博弈、知识表示、产生式系统、专家系统、机器学习、深度学习、自然语言处理、自动规划、遗传算法、模糊控制、安全等，并附有专家小传。
人工智能中常用的搜索方法有哪些？
搜索分为盲目搜索和知情搜索（启发式搜索）。常见盲目搜索算法有广度优先、深度优先、迭代加深的深度优先算法；常见知情搜索有爬山法、最佳优先搜索和集束搜索，A*搜索也是启发式算法。博弈问题可看作搜索制胜局面的搜索问题，常用极小化极大算法配合剪枝算法。
如何预防和延缓孩子近视的发展？
预防近视最重要的方式是增加户外阳光下的远视活动时间，每日2～3小时。治疗与校正方面，最重要的是增加户外时间和远望时间，培养良好用眼习惯（保证良好阅读写字姿势、充足光源）。还可采用哺光仪、雾视治疗（周边近视离焦镜/OK镜）、调节力训练、读写镜、阿托品、食疗等。同时应给孩子建立屈光档案，追踪眼部健康状况。
