封面
前折页
书名页
版权
本书翻译组
译者序
献词
致谢
序
前言
第1章 数据与AI的发展根基
 1.1 我们要什么？数据！什么时候要？现在就要！
  1.1.1 数据——分析与AI四大时代的先决条件
  1.1.2 认知模式研判：高管的数据意识与关注点
  1.1.3 数据战略规划：明确应收集数据的范围
  1.1.4 数据战略实施：数据保留与使用的政策
  1.1.5 数据运营误区：从预设加工到按需精炼
  1.1.6 数据协作困局：典型但低效的数据请求
 1.2 有效获取数据的破局之法
  1.2.1 数据更新周期
  1.2.2 结构化数据
  1.2.3 非结构化数据
  1.2.4 内部数据：由企业日常拥有并管理
  1.2.5 外部数据：字面意义上的全世界数据
  1.2.6 合成数据：突破获取限制的“新大陆”
 1.3 索求全部数据的深层原因
 1.4 唯变不变驱动预测常态化
 1.5 概率时代与后决定论世界
 1.6 本章小结
 1.7 参考文献
第2章 基础性AI的发展历史
 2.1 总览：四大AI时代的蓝图
 2.2 反思：我们是否误入歧途？
 2.3 启航：AI发展的第一个盛夏
 2.4 受挫：AI发展的第一次寒冬
 2.5 复苏：AI发展的第二个盛夏
 2.6 再挫：AI发展的第二次寒冬
 2.7 亲历：我与AI伴行的四十年
 2.8 回归：AI的强势归来与屹立
 2.9 复兴：AI发展寒冬前的深秋
 2.10 探究：基础性AI的基本内涵
  2.10.1 机器学习
  2.10.2 深度学习
  2.10.3 强化学习
  2.10.4 监督学习
  2.10.5 半监督学习
  2.10.6 无监督学习
  2.10.7 自然语言处理
 2.11 本章小结
 2.12 参考文献
第3章 基础性AI的深远影响
 3.1 经济影响
 3.2 就业影响
 3.3 社会影响
  3.3.1 积极影响（正面贡献）
  3.3.2 消极影响（负面后果）
 3.4 技术演进
 3.5 本章小结
 3.6 参考文献
第4章 基础性AI的未来展望
 4.1 符号AI（SAI）
  4.1.1 符号AI系统的局限性
  4.1.2 符号AI系统的未来
 4.2 多元方法
 4.3 负责任的AI（RAI）
 4.4 复合型AI应用程序
 4.5 基础性AI创新展望
 4.6 本章小结
 4.7 参考文献
第5章 生成式AI的发展历史
 5.1 生成式AI的奠基时刻
 5.2 生成式AI的早期创新
 5.3 生成式AI的持续演进
  5.3.1 基础模型与大语言模型的基本操作
  5.3.2 生成式AI的非确定性
  5.3.3 抑制幻觉的模型接地技术
  5.3.4 系统提示词
  5.3.5 提示操作或提示工程
  5.3.6 用户提示词
  5.3.7 检索增强生成
  5.3.8 模型微调
 5.4 领域语言模型与小语言模型
 5.5 模型微调的实施要点
 5.6 大语言模型护栏
 5.7 长上下文窗口
 5.8 生成式AI真的具有如此影响力吗？
 5.9 生成式AI的独到之处
 5.10 生成式AI的基础概念
  5.10.1 生成式AI的根基
  5.10.2 数据管理的民主化
  5.10.3 数据可得性的突破
 5.11 生成式AI的发现之路
 5.12 本章小结
 5.13 参考文献
第6章 生成式AI的深远影响
 6.1 早期探索的价值
 6.2 令人振奋的原因
 6.3 经济影响
 6.4 就业影响
 6.5 社会影响
 6.6 技术影响
 6.7 教育影响
 6.8 艺术影响
 6.9 本章小结
 6.10 参考文献
第7章 生成式AI的未来展望
 7.1 生成式AI模型技术展望
  7.1.1 模型集成
  7.1.2 模型接地
  7.1.3 上下文窗口
  7.1.4 模型编排
 7.2 生成式AI的智能体应用
  7.2.1 智能体的基本概念
  7.2.2 我的专属旅行助理
  7.2.3 智能体的常见实例
  7.2.4 智能体的演化路径
 7.3 智能体生态系统的组成
  7.3.1 开发框架
  7.3.2 治理框架
  7.3.3 角色演进
 7.4 本章小结
 7.5 参考文献
第8章 因果型AI简史及要素
 8.1 从亚里士多德到珀尔
 8.2 因果关系的易理解性
 8.3 因果模型的化繁为简
 8.4 因果建模的独到之处
 8.5 结果导向法因果建模
 8.6 结构因果建模
 8.7 结构因果建模的要素
  8.7.1 节点（Node）
  8.7.2 变量（Variable）
  8.7.3 反事实变量（Counterfactual Variable）
  8.7.4 混杂变量（Confounding Variable）
  8.7.5 碰撞变量（Collider Variable）
  8.7.6 中介变量（Mediator Variable）
  8.7.7 中介分析（Mediation Analysis）
 8.8 技术模型的验证方法
  8.8.1 d-分离
  8.8.2 敏感性分析与稳健性检验
  8.8.3 无关额外混杂因子
  8.8.4 添加未观测共同原因变量
  8.8.5 安慰剂处理
  8.8.6 随机替换
  8.8.7 虚拟结果证伪
  8.8.8 子集验证
  8.8.9 业务验证
  8.8.10 关系与路径
  8.8.11 连接未观测变量的路径
  8.8.12 前门路径
  8.8.13 后门路径
 8.9 恰到好处地化繁为简
 8.10 权重
 8.11 模型
 8.12 历史数据的高效利用
 8.13 本章小结
 8.14 参考文献
第9章 因果型AI的深远影响
 9.1 因果型AI的现状
 9.2 令人振奋的原因
 9.3 经济影响
  9.3.1 医疗健康领域
  9.3.2 金融服务领域
  9.3.3 制造业领域
  9.3.4 营销与客户体验领域
  9.3.5 经济影响量化分析
 9.4 就业影响
 9.5 技术影响
 9.6 从数学到模型的演进
 9.7 推动因果型AI的可及性
 9.8 因果型AI的数据基础
 9.9 本章小结
 9.10 参考文献
第10章 因果型AI的未来展望
 10.1 历史韵律的今日重现
 10.2 因果型AI的生态格局
 10.3 因果型AI的采用情况
 10.4 因果型AI技术的未来
 10.5 本章小结
 10.6 参考文献
第11章 AI的未来亦即AGI之路
 11.1 AGI的实现时间预测
 11.2 AGI可能带来的影响
 11.3 AGI概念与内涵辨析
  11.3.1 业界对AGI的定义
  11.3.2 我理解的AGI定义
  11.3.3 模型并不是人类
 11.4 AGI与智能体的治理与管控
 11.5 AGI引发的常见恐惧
  11.5.1 经济层面的担忧
  11.5.2 对AGI的存在性恐惧
  11.5.3 其他忧虑与恐惧
 11.6 复合型AI的基本框架
  11.6.1 AI的未来生态系统
  11.6.2 复合型AI的近期路线
  11.6.3 复合型AI的基本内涵
  11.6.4 复合型AI的实现方式
 11.7 AI三支柱无法单独实现AGI
  11.7.1 基础性AI的局限性
  11.7.2 生成式AI的局限性
  11.7.3 因果型AI的局限性
 11.8 复合型AI是统一的未来之路
 11.9 AI的现状与未来展望
 11.10 突飞猛进的AI生态
  11.10.1 模型集成
  11.10.2 神经符号AI
 11.11 智能体
  11.11.1 独立智能体
  11.11.2 智能体的编排
  11.11.3 基础型智能体
  11.11.4 智能型智能体
  11.11.5 多态型智能体
  11.11.6 变革的催化剂
 11.12 量子计算
 11.13 计算硬件
 11.14 智能可否超越数据与计算？
 11.15 本章小结
 11.16 参考文献
后折页
封底