全书整体结构
本书中我得到的收获：
1、了解了一些基本的概念和基本的理念，如人工智能的发展历程：
再比如：AI的三个阶段AI分为三类：狭窄人工智能（Artificial Narrow Intelligence）、普遍人工智能（Artificial
General Intelligence）和超级人工智能（ArtificialSuper
Intelligence）。
2、数据和AI之间的关系：数据是AI的基础
当今社会已经不仅仅是AI的发展需要数据作为基础，越来越多的行业、领域都对数据给予了足够高度的重视，当然“数据”也受得起大家给予的重视——它确实能创造价值。但哪些数据，通过怎样的形式产生怎样的价值，是人们要面对的课题。
数据战略应该关注数据的整体生命周期，思考企业的数据从哪里来，有哪些作用，未来到哪里去。企业要更加关注自有数据的价值创新，建设自有数据的网络效应，将其货币化。并且，企业还要一手抓进攻性数据（商业分析），另一手抓防御性数据（安全性），双管齐下，避免数据泄漏。
成功的数据战略应该包含数据资产、数据治理、数据价值创造、人才储备等在内的总体计划，为未来的业务增长奠定基础，提供持续不断的数据动力。
3、涉及AI的讨论，必然会涉及的伦理讨论
欧盟提出了四条核心的伦理原则：第一，人类自治原则，保障人类在使用人工智能时充分、有效的自决权利，确保人类对人工智能系统工作程序的监管；第二，避免伤害原则，确保人工智能系统及使用环境的安全可靠，确保人工智能技术的稳健性，防止恶意利用；第三，公平原则，要求合理分配收益与成本，确保个人与团体不受偏见、歧视和侮辱；第四，可解释性原则，意味着程序透明，公开相关系统的功能与目的。
基于这四大原则，细化并扩展出实现可信人工智能的七条具体要求。未来基于这些原则和要求，各个场景会有配套的法律跟进，进而将人工智能发展纳入可控的轨道。欧盟的经验非常值得借鉴，共同的伦理准则是未来人工智能产业全球协作的基础，甚至关系到政治军事的合作和信任。
就人工智能活动的具体执行方面，艾伦·图灵研究所针对人工智能研发提出“FAST”原则：即公平（fairness）、责任（accountability）、持续（sustainability）和透明（transparency）。
公平原则，指的是无性别、种族、群体歧视，在数据收集、数据分析、结果呈现上必须考虑无歧视，实现公平。公平原则既要从国家、民族等宏观处考虑，也应在产品与行业的微观处有所体现。责任原则，指的是我们正在进入分布式智能时代，要了解哪些任务和决策可以委托给人工智能，以及如何区分责任。1979年，德国学者汉斯·伦克（Hans
Lenk）第一次提出“责任伦理学”的概念，深化了科技伦理问题的探讨。除了自动驾驶领域的责任归属，诸如伴侣机器人、餐厅机器人、医疗机器人等各类机器人若发生意外，也应该有相应的责任归属。持续原则，指的是人工智能的产品要稳健、安全、可控制，系统在设计时要考虑到产品对人和社会的影响，使用过程可控。透明原则，指的是过程、原因、结果可解释、可追踪，既有利于查询追溯，也能方便迭代与修订。
最后，我喜欢作者直截了当地谈到“后续我们应该如何”，我更喜欢“认知悲观、行动积极”的风格。不论是AI还是对其他事情，我一直觉得即便认知是悲观的，也应该采取积极的行动去直面所有的可能！普通人更多的还是要考虑非重复性的工作、人工智能做不了的工作。当然对于从业AI的人来讲，除了了解基本的规律、基本的逻辑，行业发展趋势、商机等等以外，一直不能忘记的是“人工智能受人启发，由人创造，人工智能的价值观就是人类的价值观，需要采用‘以人为本’的原则来开发人工智能”。
