人工智能的历史可追溯至古代技术发展，如算盘，现代AI则复制并自动化人类认知能力。战后AI研究始于“符号”范式，试图在软件中模拟逻辑、知识等人类能力，但面临重大限制。随后，机器学习通过优化算法模拟心智效果，初期受限于数据和计算能力，但互联网和GPU技术的发展推动了其突破。2011年，科学家设计了神经网络，推动了AI的进一步发展。

人工智能的困惑与炒作

人工智能（AI）的发展历史可以追溯到古代，类似于算盘，今天的AI机器复制并自动化了我们的认知能力，尽管在更高的层次上。AI研究正式始于战后，以“符号主义”范式为主导，试图在软件架构中编程人类的逻辑、知识、本体和语义能力。然而，这一方法遇到了重大的逻辑和概念限制，到20世纪末逐渐停滞。

与之竞争的是机器学习方法，通过大量数据优化，机器学习算法似乎复制了人类思维的一些基本效果。起初，这一范式受限于数据和计算能力的不足，但随着互联网的普及和图形处理单元（GPU）的应用，这些瓶颈在新千年被打破。

2011年，计算机科学家Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton设计了一个神经网络模型，成功在ImageNet竞赛中取得了85%的准确率，这一突破迅速将AI研究的资源转向了这一领域，最终推动了社交媒体、搜索引擎和电子商务的发展。

2015年，OpenAI由Sutskever、Elon Musk和Sam Altman等人创立。2022年，OpenAI发布了ChatGPT，将生成式AI引入公众视野。如今，生成式AI无处不在，OpenAI的估值高达3000亿美元。

然而，AI的发展并非一帆风顺。普林斯顿大学的Arvind Narayanan和Sayash Kapoor在《AI蛇油》一书中指出，公众对AI的理解存在混淆，尤其是在生成式AI和预测式AI之间。生成式AI通过概率响应生成内容，而预测式AI则声称能准确预测结果。尽管生成式AI产品“不成熟、不可靠且容易被滥用”，预测式AI“不仅今天无效，未来也可能永远无效”。

AI的炒作不仅限于技术领域，还涉及文化和政治。许多AI预言家对技术本身并不熟悉，却通过夸大其词和模糊概念来操纵公众。例如，Yuval Noah Harari在《Nexus》一书中错误地将机器学习与人类学习相类比，忽视了机器学习需要大量数据训练的事实。

OpenAI的Sam Altman等人则通过夸大AI的“存在性风险”来吸引投资和规避监管。Narayanan和Kapoor认为，这种炒作不仅夸大了AI的能力，还忽视了其局限性，分散了公众对AI实际危害的注意力。

总的来说，AI的发展充满了困惑和炒作。尽管AI在某些领域取得了显著进展，但其真正的应用和影响仍需冷静评估。公众应警惕那些通过夸大和模糊概念来操纵市场的行为，关注AI技术在实际生活中的应用和潜在风险。

评论内容总结：

1. 书籍推荐与讨论：

   • 评论1列出了四本关于AI的书籍：《AI Snake Oil》、《Nexus》、《Genesis》和《The Singularity Is Nearer》。
   • 评论6指出《Machines Who Think》未被提及。
   • 评论4推荐了《Brainmakers》，尽管它忽略了欧洲和东方在AI历史中的贡献。
   • 评论5推荐了《The Thinking Machine》，认为它有助于理解Nvidia的成功。

2. 专家与观点争议：

   • 评论2认为Arvind Narayanan是唯一有资格被称为专家的人。
   • 评论7对某些书籍和观点提出了强烈批评，认为它们存在误导性和偏见，特别是对AI的定义和预测能力的质疑。
     • "Narayanan and Kapoor are particularly worried about the conflation of generative AI and predictive AI."
     • "The idea that using ML to predict outcomes 'does not work' is so obviously wrong."

3. 历史与哲学背景：

   • 评论3对出版物的历史和哲学立场表示好奇，认为其标题暗示了强烈的哲学立场。
   • 评论8建议AI的历史应从18世纪的Pierre-Simon Laplace开始。

4. 个人阅读体验：

   • 评论9表示通过评论寻找书籍下载，但发现已经拥有其中两本。

总结：评论主要围绕几本关于AI的书籍展开，涉及书籍推荐、专家观点、历史背景和个人阅读体验。其中，对某些书籍和观点的争议较大，特别是对AI定义和预测能力的质疑。