《A Brief History of Intelligence》是一篇引人入胜的文章，探讨了智能的演化历史。从人类的智力进化到人工智能的发展，文章揭示了智能在不同时期的重要性和影响。通过对智能的起源和进化的描述，文章提醒我们要珍惜并善于利用智能的力量，同时也警示了智能可能带来的挑战和问题。这篇文章给我们带来了对智能的全新思考和启发。
A Brief History of Intelligence读后感第一篇
01.情感和「只是对刺激做反应」的区别是，情感会在刺激消失之后，仍然持续一段时间，就像被捕食者追捕的线虫（世界上最早的“两侧对称动物”）
→捕食者来抓线虫，线虫立即逃跑，你可以说这只是对刺激的反应。但捕食者很快就走远了，可这个线虫还是惊慌失措，还在逃跑，这就是情感——情感能让我们的行为更有持续性与惯性。
这是自然选择的结果
01.AI能够通过卷积网络实现部分模式识别，但是人类和动物天生就有这样的能力 02.“试错”学习比“模仿”更基础，试错是学习最基本的手段，以此衍生出了强化学习中的“时序拆分学习” 03.哺乳动物乃至人类，仅仅是因为满足好奇心就能产生多巴胺，这就是“斯金纳箱”的原理（也是为什么人类喜欢随机，喜欢赌博），同样，对好奇心的奖赏，或者说其他隐性因素的奖赏，也应该被应用在AI的强化学习中 个人思考→像是电子游戏，BOSS的设计不是为了击败玩家，而是为了让玩家击败的，所以不能把BOSS设计成为PVP一样的博弈，训练boss的AI的时候，招式的破绽和华丽性也应该被计入奖励分 04.人类和现在的主流AI（比如GPT）都是通过“无监督学习”来摸索的，我们的大脑和ai一样，不能在读取信息的时候同时生成信息——就像你平时不能一边吸收书里面的知识一遍想象自己在吃饭一样
A Brief History of Intelligence读后感第二篇
Overview
* 看书名以为是个 easy read，没想到 专业术语 + 长句子 + 无数缩写 = 助眠效果极佳
* 写 AI 的部分和其他部分衔接有点生硬
* 书没有提出新的理论，作者不是学术出身，侧重归纳整理
* 从人类大脑进化开始讲起，探讨 1. 历史上几个出名的 AI 算法和现在流行的 LLM 2. 好多AI 模型是从生物和神经研究中得到启发 3. 这些模型到底和人类大脑运行的方式有什么相似和不同
* 书中提到的人类大脑发展的五个突破：Steering (导航), Reinforcing (强化), Simulating (模拟), Mentalizing (想象), Speaking (说)
* 在作者归纳的五个阶段中， GPT3 & GPT4 缺少的部分是 simulating 和 mentalizing，作者总结的是 “words without inner worlds”。巨量的训练数据和服务群计算能力在一定程度上弥补了这两个元素的缺失，但是也限制了 LLM 最终发展
* 作者的预测是，LLM 不会是 humanlike AI，这类模型只是一扇窗，让人瞥见未来一隅
* 语言是知识能够发生代际传承的基石，人类文明在语言文字出现之后，开始爆炸式的发展
* 人类婴儿九个月出生，主要的限制是婴儿的头部体积已经已经达到了母亲的产道的极限
A Brief History of Intelligence读后感第三篇
a brief history of intelligence
1. p.45 太阳蒸腾海水 火山爆发 果然是随机大力出奇迹做出有机汤含有dna 火山、大海是生命之母
2. p56 与光合作用生物只需要二氧化碳不同 动物、真菌除了氧气还需要糖来转化出能量 所以需要狩猎 所以需要智能
3. p73 神经元内部是靠电信号互相传导信息（传的是开或者关 类似0、1信号 而不是持续的电流 rate有讲究）那和ai芯片又近了一步 （但神经元之间是靠神经介质进行化学反应）
4. p85 neuron的adaption能力 体现了经验的重要性（反复练习） 因此也可以在较窄的频谱里加载海量信息
5. p95 分前后有方向 嘴巴和屁股分开 于是只需要前进和调整左右角度 就能steer了 然后就有了脑子
6. p98 302 neuron的生物 也有复杂的行为和运动模式 所以也许意识只是数量堆起来之后scaling law了 大力出奇迹？（85billion 人脑）
7. p99 用smell食物浓度的增减来turn来觅食 （躲避危险同理）和判断下一个单词的llm很像了 都work （和蚁群的小节点简单连接构成大尺度上复杂任务完成类似）roomba和蚊子也是这样
8. p116 trade-off思维 在情况半好半坏的时候如何抉择（基于其他条件） 这种能力可能是智能开端
9. p164 association 看vibe就能大概知道这个人咋样 是否靠谱 不要把自己或者重要的人往negative的事情上沾
10. p167 如果之前的association被慢慢打破 反射会逐渐减少 但偶尔会不期而至 而且如果association重新建立 再次习得的速度非常快（但如果偶尔不期而至了之后还是没反应 可能就永久失效了）
11. p203脊椎动物可以通过trial and error强化学习 一招鲜 学会超复杂内容
12. p225 多巴胺的多寡是看和预期之间的delta （temporal difference learning signal）因此多巴胺是一个reinforcement signal
13. 好奇是random尝试（基因突变） 和reinforced learning配合 威力无穷 （也是人们喜欢在预期为负的情况下gamble的原因）
14. p386 对过去的记忆有时候也是一种 relive的simulation 所以编的谎言 不make sense的容易被看出来因为不能add up
15. p421 路径依赖 如果做得太多 就算没有奖励 也会继续做 病态打螺丝
16. p457 aPFC是怎么选几条比较可能靠谱的candidate的？ （注意力机制）还是靠之前的经验嘛？
17. p527 mirror neuron 所以说看辛那动作 科比投篮 会潜意识自己内化学习
18. p545 自动驾驶 学习的是人类如何应对类似情况（学习他们的意图）而非ingeuine自己找应对方法
