1. 仙女蜂1.1. Megaphragma mymaripenne1.2. 一种微小的蜂类1.3. 人类已知第三小的昆虫1.4. 大脑仅由7400个神经元组成，比大型昆虫的大脑小了好几个数量级1.5. 微小的身体里没有空间容纳这些神经元，所以在生长的最后阶段，它把每个神经元内最重要的细胞核剥离出来以节省空间1.6. 我们还无法理解如此少的神经元如何能够实现如此复杂的感知和控制1.7. 它的感知机制似乎比今天的人工智能简单得多1.7.1. 我们的人工智能往往是借助大量的数据、成千上万的人工神经元和巨大的计算能力，用蛮力训练出来的1.7.2. 小小的仙女蜂告诉我们，自然界其实还有很多更优雅、更简单的方法来感知世界1.7.3. 其能力是任何机器人都无法比拟的2. 感知2.1. 感知是人工智能的一个重要方面2.1.1. 传感器是极其重要的，但它只是感知的第一步2.1.2. 面对连续不断流入其数字大脑的数据，人工智能也必须连续不断地分辨出意义2.2. 如果没有感知外部世界的能力，我们的人工智能就只能活在数字宇宙中，用数据进行神秘晦涩的思考，却与现实毫无关联2.2.1. 感官将它们与我们的世界联系起来2.2.2. 摄像机给了它们视觉2.2.3. 麦克风给了它们听觉2.2.4. 压力传感器提供了触觉2.2.5. 加速计提供了方向感2.2.6. 各种奇奇怪怪的、通常用于科学和工程的传感器2.2.7. 化学传感器能够比我们的鼻子或舌头更准确地检测化学物质2.3. 无人驾驶车辆2.3.1. 激光雷达（三维激光扫描）来检测周围的物体和它们的位置，而不用顾虑光线的强弱2.3.2. 相机可以看到我们肉眼无法看到的光的频率，人工智能可以借此看到热辐射或无线电波2.3.3. 嵌入车辆马达的传感器，以及通过手机信号塔和Wi-Fi信号进行运算的三角测量技术和GPS能帮助人工智能准确了解车子在地球上的位置，以及自己目前运动的速度3. 学会看见3.1. 计算机视觉的早期工作3.1.1. 将图像分解为组成元素，类似于当时公认的人类眼睛的工作方式3.1.2. 许多巧妙的算法来检测几何形状，然后将图像分割成清晰可辨的区域3.1.3. 用于在立体摄像机的图像中估算物体间的距离3.1.4. 用于跟踪移动的物体3.1.5. 借助从不同角度拍摄的若干图像，构建场景的三维内部模型3.2. 坎尼边缘检测法3.2.1. 创造者约翰·坎尼3.2.2. 计算机视觉中最流行也最常用的方法之一3.2.3. 精准的检测3.2.3.1. 应该发现真正的边缘，而尽量避免错报3.2.4. 精准的定位3.2.4.1. 应该正确地找出边缘的确切位置3.2.5. 正确的边缘计数3.2.5.1. 每条实际的边缘应该检测为一条边缘，而不是多条边缘3.3. 使用统计方法，创造了一类算法，通过一组“平均脸部特征”（基图像，或称本征脸）来识别人脸3.4. 机器人现在能有更强大的自信四处走动，是因为人工智能现在可以识别简单的形状并跟踪物体的运动3.4.1. 在照明不足的情况下，或在传感器数据不够完善时，仍然表现不佳3.5. 计算机视觉系统来发现制造过程中的错漏以进行质量控制，而回收厂则利用它对垃圾进行适当的分类4. 神经网络4.1. 人工神经网络是一种成熟且非常成功的人工智能类型4.2. 其原理是把生物大脑的工作方式高度简化，得到一种模型，由此在计算机中运行4.3. 神经网络通过改变神经元之间连接的权重来进行学习，它会根据不同的输入，让一些连接变得更重要，而让另一些连接变得不那么重要4.4. 训练神经网络的最大问题之一是正确的数据4.5. 前馈式4.5.1. 每一层的神经元只与下一层相连，而不会反向连接4.6. 反向传播4.6.1. 计算机从输出神经元开始，通过各层神经元反向逐层更新权重和偏置，最终让输出的误差降到最小4.6.2. 训练这种前馈式神经网络的常用方法4.7. 卷积神经网络4.7.1. 视网膜上的感光细胞（人眼的视杆或视锥）并不直接连接到单个神经元上，而是会有一整片区域的神经元与每一个感光细胞相连接4.7.2. 与传统的前馈式神经网络的全连接层相比，这是一种截然不同的神经网络布线方式4.7.3. 一种常用于计算机视觉的深度学习网络4.7.4. 所谓“深度”，正是因为它有很多层神经元4.7.5. 大数据时代使得给这些神经网络喂数据变得容易得很4.7.5.1. 有数以百万计的几乎任何种类的图像例子4.7.6. 2012年，计算机视觉已经超越了人类视觉，它们能以超人的精度识别图像中的物体4.7.7. 卷积深度神经网络现在已经变得非常聪明，我们不再需要预先计算图像的特征4.7.7.1. 神经网络自己就能完成这一切4.8. 胶囊神经网络4.8.1. 为卷积神经网络增加了更多的由生物体启发的层次结构，把神经网络改进得更加强大5. 种族主义5.1. 偏见在我们的社会中普遍存在，因此同样的偏见传播到人工智能领域也就不足为奇了5.1.1. 技术反映了我们的内心以及我们的偏见5.1.2. 不公的偏见可能会导致对某些群体的识别结果出现偏差5.1.3. 在监督学习中，人工智能的表现只能是我们训练出来的表现5.2. 人工智能通常主要用浅肤色男性的图像进行训练，而不是其他性别或肤色的人5.3. 面部识别的人工智能可能在浅肤色男性图像上表现出色，但面对深肤色女性的图像时却容易出错5.4. 来自业界领先的公司IBM、微软和亚马逊的人工智能系统都给奥普拉·温弗瑞、米歇尔·奥巴马和塞琳娜·威廉姆斯的脸做出了错误分类，而面对白人男性的脸则完全没有问题6. 伪造6.1. 训练偏差并不是计算机视觉的唯一问题6.2. 深度伪造算法可以在视频中将一个人的脸无缝替换成另一个人的脸6.2.1. 广泛用于色情业6.2.2. 用于歪曲政治家6.2.3. 进行诈骗6.2.4. 区分事实与虚构从未如此困难6.3. 恶意深度伪造禁止法6.3.1. 在2018年6.4. 深度伪造问责法6.4.1. 在2019年