程序員如何認識圖靈

❶ 程序員要供祖師爺的話該供誰

圖靈

圖靈是現代計算機設計思想的創始人,1936年，圖靈向倫敦權威的數學雜志投了一篇論文，題為《論數字計算在決斷難題中的應用》。在這篇開創性的論文中，圖靈給「可計算性」下了一個嚴格的數學定義，並提出著名的「圖靈機」(Turing Machine)的設想。「圖靈機」不是一種具體的機器，而是一種思想模型,這一理論奠定了整個現代計算機的理論基礎。

另外，計算機界最高獎就是圖靈獎。

❷ 圖靈程序設計叢書 怎麼樣

首先，這是本好書。
本書有相當不錯的易讀性和趣味性，可以作為最入門級別的啟蒙教材。我認為數學和編程是很重要的兩個東西，而這本書可以當成這兩門學問的基礎讀物。
或許對你的水平而言，你已經完全看不上這種水平的內容了。但是還有你的下一輩下一代。想想這本書對那些初學者的作用影響吧。
本書介紹了與編程有關很基礎的數學知識。本書介紹了與編程有關很基礎的數學知識。因為很重要所以說兩遍。對於數學底子好的人，自然有《具體數學》、《演算法導論》和TAOCP等經典等著你們。而本書不是那麼高深的東西。
自高中見了數學題海之後，我就基本對數學失去了興趣。在閱讀本書的時候，感覺還是很不錯的，有趣易懂，內容也的確是程序員所須知的。
個人感覺全書中的不可解問題是非常重要也是全書最難理解的部分。關於不可解，我在知道圖靈的停機問題之前都是沒有一個清晰的認知的。我想還是有許多人跟我是一樣的吧？這一章節告訴程序員，世界上存在不可解的問題，存在數學和程序都不能抵達的邊界。
本書還有一句話感動了我...是感動。
所以求推薦一些有趣的不高深的數學資料，最好是與編程有關或者是統計學方面的~~

❸ 對一個程序員而言，哪些證件含金量高

對一般的程序員來說，畢業證最有含金量。或者是一些bat公司定製市場也認可，其他的什麼計算機等級證書基本上沒有什麼用。
第二個就是圖靈獎，含金量非常高。
還有就是不同的認證，代表了it廠商用人單位和考證這對市場的不同理解。

❹ 世界上第一位程序員，竟然是一名白富美！她背後有著什麼樣的故事

現如今，互聯網已經走入了每家每戶，大家無時無刻都在拿著手機，與世界各地的人能夠瞬間聯繫到，而這一切，除了我們常說的基礎的通訊設施建造之外，還有一項最重要的因素，就是每個網站乃至每個APP背後的程序員，正是他們用二進制代碼，編制出來各種交互動作的程序，才能夠一一實現我們在日常生活中的每一個需要。正所謂吃水不忘挖井人，那我們今天就來說一說，世界上第一位程序員，他的背後究竟有著怎樣的故事？雖然是一位白富美，但他卻將自己的精力，全然撲在了程序這件事上。

在當時，對於程序員的需求是非常大，但由於經濟水平的落後，很少有人接觸到這個行業。在層層選拔時，讓圖靈印象最深刻的便是這個白富美的女孩子艾琳，不僅精通程序編碼，而且一點就透，同時，也是他一路指導圖靈的生活，以及和同事之間的交際關系，才得以保障圖靈在有好的研究環境，來從事密碼破譯和程序編寫的工作，不被外人打擾。雖然在影片的結尾，乃至是真實的歷史當中，最後結局並不那麼美滿，但他對於程序的奉獻，是可以載入歷史的史冊當中。

❺ 對人工智慧的一些不成熟思考

第一，計算的本質與智能的本質。

《類腦智能研究的回顧和展望》指出，現有人工智慧系統通用性較差與其計算理論基礎和系統設計原理有密不可分的關系。計算機的計算本質和基礎架構是圖靈機模型和馮諾伊曼體系結構，其共同的缺點是缺乏自適應性。圖靈計算的本質是使用預定義的規則對一組輸入符號進行處理，規則是限定的，輸入也受限於預定義的形式。圖靈機模型取決於人對物理世界的認知程度，因此人限定了機器描述問題，解決問題的程度。而馮諾伊曼體系結構是存儲程序式計算，程序也是預先設定好的，無法根據外界的變化和需求的變化進行自我演化。總結來看，計算的本質可以用一個數學公式f(x)=y來表達，是問題求解的范疇。

那智能的本質是什麼？如何表達？著名資訊理論和人工智慧專家鍾義信給了一個探討性的定義：智能一定是在環境的作用下，人跟環境相互作用，不斷的去學習，不斷的去進化，在這個過程當中展開了智能的活動。反之，如果沒有這種主體跟客體的相互作用，如果一切都是十全十美，如果不需要做出任何的改進，那就不需要思考、不需要學習，也就不需要智能。所以，一定要在主體跟客體相互作用過程當中來考察智能才有意義。李衍達院士在《 沿Simon 開拓下去》的報告中探討了智能的功能與智能的機理問題，指出基因的層次沒有鴻溝，人和所有生物的機理是相同的，區別的是進化：自動適應外界變化而優化自身結構的功能。而且人腦在進化過程裡面通過DNA的改變，改變了神經元的連接，這個連接既記錄了學習的結果，又優化了學習演算法。既簡化了所需要的元件，又節省了能耗，非常巧妙。

第二，關於程序員轉型。

和第一個問題有關，我們都是學習圖靈機模型和馮諾伊曼架構長大的，思維方式相對固定。深度學習今年非常火爆，程序員又要開始轉型。關於轉型，我注意到幾個論調：

以上我都不太認同，人類是萬物之靈，遇到新問題，學習新東西，再正常不過的事情，何來轉型之說？如果非要說有什麼需要轉變，我覺得是到思維方式的轉變：

第三，腦復雜？還是環境復雜？

傅小蘭在《Simon與認知科學研究》報告中提到了《分布式認知》，指出認知現象在認知主體和環境間分布的本質：認知既分布於個體內與個體間，也分布於媒介、環境、文化、社會和時間等之中（Cole & Engestrom, 1993）。Herbert A. Simon 也指出，一個人，若視作行為系統，是很簡單的。他的行為隨時間而表現出的表面復雜性主要是他所處環境的復雜性的反映。人——或至少人的智力要素——也許是比較簡單的，人的行為的復雜性也許大半來自人的環境，來自人對優秀設計的搜索，因此，「在相當大的程度上，要研究人類便要研究設計科學。它不僅是技術教育的專業要素，也是每個知書識字人的核心學科」。

第四，從上而下還是從下而上？

人工智慧從上而下研究的開創者和代表人物是Herbert A. Simon，他當時想到，人的大腦活動是分層次的，在底層的機理沒有搞清楚時，他認為也不妨礙對於高層概念、推理、問題求解層次進行研究。符號學派就是自上而下的典型代表，但至今符號學派一直受到自下而上的連接主義壓制。自下而上的代表是日本的第五代計算機計劃，東京大學元崗達教授提出「第五代計算機的構想」，隨後日本制定了研製五代機的十年計劃，總預算達4.3億美元。以淵一博為所長的「新一代計算機技術研究所」苦苦奮戰了近十年，他們幾乎沒有回過家，近乎玩命式的拼搏；然而，由於沒有突破關鍵性技術難題，無法實現自然語言人機對話，程序自動生成等目標，最終於1992年宣告失敗！這或許也是圖靈機模型和馮諾伊曼架構的失敗。然而，峰迴路轉，得益於分布式計算和大數據時代，深度學習成為主流的自下而上方法。近五年來，深度學習在「視」、「聽」、「說」等領域取得了的巨大成功，但這還不能表明自下而上的勝利或者神經網路模型的正確。神經網路只是從下而上對大腦的粗糙模擬和抽象，是否是正確的大腦學習隱喻還不得而知。但神經網路的成功又引發了一些自下而上的嘗試，據稱IBM有一個名為「突觸」的項目，研究晶元級類腦計算設備，支持低頻率，低功耗，和大量鏈接等神經網路功能。

第五，魯棒性？可解釋性？魔術性？

這幾個問題是現在機器學習，特別是深度學習面臨的主要問題。人類犯錯：水平從九段降到八段，機器犯錯：水平從九段降到業余，這就是魯棒性。魯棒性要求，「好的時候」要好，「壞的時候」不能太壞。在封閉靜態環境中，重要因素大多是「定」的，而在開放動態環境中，一切都是變的，開放環境的魯棒性，這也是自動駕駛面臨的困難所在。關於可解釋性，也被稱為深度學習的黑箱模型。若學習器不能給出治療理由，則難以說服患者接受昂貴的治療方案。若學習器不能給出停機檢測的理由，則難以判斷停機檢測的風險和代價。這些案例都需要機器學習的模型給出解釋，否則難以應用到難以用於高風險應用。而機器學習魔術性是指即便相同數據，普通用戶很難獲得機器學習專家級性能。就是專家之間，是特別考驗團隊實力的，也有一點運氣在裡面。門派都一樣，功力不一般。

第六，目前的研究熱點和我的方向。

深度學習是很火的，不過周志華說的很中肯：「深度學習中間還有很多困難而又重要的問題值得深入研究，但這些真正值得研究的問題，就我看到的情況而言，好像做的人非常少。大多數人在干什麼呢？拿它做做應用，調調參數，性能刷幾個點，然後發幾篇文章。這樣雖然容易發表文章，但恐怕很難產生有影響的成果。」 另外，周志華在引領集成學習的發展方向，CCAI17可以看到一些方向，香港科技大學計算機系主任楊強談到的遷移學習，日本理化學研究所杉山將談到的弱監督機器學習等。我的計劃是，從歷史中觀其大略；感知機，神經網路，反向傳播，深度學習是一條線，已經是必備的基礎了；然後向增強學習發力；在技術上打通分布式系統，大數據和機器學習；在業務和需求上結合金融場景。

第七，已知和未知。

我們參考神經生理學，研製了神經網路和深度學習，並且取得了良好的效果。有人指出，大腦的生物物理結構，機制和功能只是大腦處理信息過程中的印記，其中很少一部分可用於有意識的思想（認知）。在學習未知的過程中，我們對學習到底了解了多少？在未知的區域里，既有要學習的對象，也有學習本身。

參考文獻：

《人工智慧走向2.0》 潘雲鶴

《類腦智能研究的回顧與展望》曾毅等

《腦啟發計算》蘇中

《機器學習》序言 陸汝鈐

《機器學習：發展與未來》周志華

《H. A. Simon學術生平》林建祥

《Simon的認知科學思想》傅小蘭

《人工智慧--螺旋上升的60年》高文院士

《沿Simon 開拓下去》李衍達

《塞蒙終生學術經歷簡介》林建祥

《人工智慧的歷史》中國人工智慧學會

《司馬賀的創新之路》史忠植

《弘揚Simon學術思想 》鍾義信

《探尋大師足跡，一覽馬文•明斯基學術風采》史忠植

《站在巨人的肩膀上，從人工智慧與認知商務》蘇中

《弘揚 Simon的源頭創新精神開拓「AI」的新理念新路徑》鍾義信

《獨家 | 周志華：深度學習很有用，但過度追捧就有危險了》AI科技大本營

❻ 第一個給計算機寫程序的人是那個 急。。快點回答 謝了

阿達·洛芙萊斯。

阿達·洛芙萊斯，計算機程序創始人，建立了循環和子程序概念。為計算程序擬定「演算法」，寫作的第一份「程序設計流程圖」，被珍視為「第一位給計算機寫程序的人」。

為了紀念阿達·奧古斯塔對現代電腦與軟體工程所產生的重大影響，美國國防部將耗費巨資、歷時近20年研製成功的高級程序語言命名為Ada語言，它被公認為是第四代計算機語言的主要代表。Ada語言的使用可大大改善軟體系統的清晰性，可靠性，有效性，可維護性。

Ada的出現，標志著軟體工程成功地進入了國家和國際的規模。

(6)程序員如何認識圖靈擴展閱讀：

計算機程序的三種基本結構：

1、順序結構

程序中各個操作按照在源代碼中的排列順序，自上而下，依次執行。

2、選擇結構

根據某個特定的條件進行判斷後，選擇其中一支執行。

3、循環結構

在程序中需要反復執行某個或某些操作，直到條件為假或為真時才停止循環。

❼ 聊天機器人概述

聊天機器人，是一種通過自然語言模擬人類，進而與人進行對話的程序。

1950年，圖靈（Alan M. Turing）在 Mind 期刊上發表的文章 Computer Machinery and Intelligence ，這篇文章開篇就提出了「機器能思考嗎？(Can machines think?)」的設問，提出了經典的 圖靈測試（Turing Test） 。通過圖靈測試被認為是人工智慧研究的終極目標，圖靈本人也因而被稱為 「人工智慧之父」 。

1966年，最早的聊天機器人程序 ELIZA 誕生，由麻省理工（MIT）的約瑟夫·魏澤鮑姆（Joseph Weizenbaum）開發，開發用於臨床模擬羅傑斯心理治療的 BASIC腳本程序 。實現技術僅為對用戶輸入計算機的話語做關鍵詞匹配，並且回復規則是由人工編寫的。

1972年，美國精神病學家肯尼思·科爾比（Kenneth Colby）在斯坦福大學（Standford University）使用 LISP 編寫了模擬偏執型精神分裂症表現的計算機程序 PARRY 。

1988年，英國程序員羅洛·卡彭特（Rollo Carpenter）創建了聊天機器人 Jabberwacky ，項目目標是「以有趣、娛樂和幽默的方式模擬自然的人機聊天」，這個項目也是通過與人類互動創造人工智慧聊天機器人的早期嘗試，但 Jabberwacky 並未被用於執行任何其他功能。技術是使用 上下文模式匹配技術 找到最合適的回復內容。

1988年，加州大學伯克利分校（UC Berkeley）的羅伯特·威林斯基（Robert Wilensky）等人開發了名為UC（UNIX Consultant）的聊天機器人系統。UC聊天機器人目的是幫助用戶學習UNIX操作系統。

1990年，美國科學家兼慈善家休·勒布納（Hugh G. Loebner）設立了人工智慧年度比賽------勒布納獎（Loebner Prize）。勒布納獎旨在藉助交談測試機器的思考能力，它被看做對圖靈測試的一種時間，其比賽的獎項分為金、銀、銅三等。目前為止，尚無參賽程序達到金獎或銀獎標准。

在勒布納獎的推動下，聊天機器人迎來了研究的高潮，其中較有代表性的聊天機器人系統是1995年12月23日誕生的 ALICE（Artificial Linguistic Internet Computer Entity） 。隨著 ALICE 一同發布的 AIML（Artifical Intelligence Markup Language） 目前在移動端虛擬助手的開發中得到了廣泛的應用。

2001年，SmarterChild在簡訊和即時通信工具中廣泛流行，使得聊天機器人第一次被應用在了即時通信領域。2006年，IBM開始研發能夠用自然語言回答問題的最強大腦 Watson ，作為一台基於IBM「深度問答」技術的超級計算機， Watson 能夠採用上百種演算法在3秒內找出特定問題的答案。

2010年，蘋果公司推出了人工智慧助手 Siri ， Siri 的技術來源於美國國防部高級研究規劃局公布的CALO計劃：一個簡化軍方繁復事務，且具備學習、組織及認知能力的虛擬助理。CALO計劃衍生出來的民用版軟體就是 Siri虛擬個人助理 。

此後，微軟小冰、微軟Cortana（小娜）、阿里小蜜、京東JIMI、網易七魚等各類聊天機器人層出不窮，並且這些聊天機器人逐漸滲透進人們生活的各個領域。

2016年，全國各大公司開始推出可用於聊天機器人系統搭建的開放平台或開源架構。

2010年至今，標志性的聊天機器人產品如下圖所示。

總結：隨著人工智慧相關技術「東風」漸起，自然語言處理研究碩果頗豐，聊天機器人相關技術迅速發展。同時，聊天機器人作為一種新穎的人機交互方式，正在成為移動搜索和服務的入口之一，畢竟搜索引擎的最終形態很可能就是 聊天機器人 。眾多人工智慧領域的探索者和開發者都想緊緊抓住並搶占聊天機器人這一新的交互入口。

下面從幾個維度對齊進行分類介紹。

在線客服聊天機器人系統 的主要功能是自動回復用戶提出的與產品或服務相關的問題，以降低企業客服運營成本、提升用戶體驗。代表性的商用在線客服聊天機器人系統有小i機器人、京東JIMI客服機器人、阿里小蜜等。以京東JIMI客服機器人為例，用戶可以通過與JIMI聊天了解商品的具體信息、了解平台的活動信息、反饋購物中存在的問題等。另外，JIMI具有一定的 拒識能力 ，因此可以知道用戶的哪些問題時自己無法回答的，且可以及時將用戶轉向人工客服。阿里巴巴集團在2015年7月24日發布了一款人工智慧購物助理虛擬機器人，取名為「阿里小蜜」，阿里小蜜基於客戶需求所在的垂直領域（服務、導購、助手等），通過「智能+人工」的方式提供良好的客戶體驗。

娛樂場景下聊天機器人系統 的主要功能是同用戶進行不限定主題的對話（閑聊），從而起到陪伴、慰藉等作用。其應用場景集中在社交媒體、兒童陪伴及娛樂、游戲陪練等領域。有代表作的系統如微軟的「小冰」、微信的「小微」、北京龍泉寺的「賢二機器僧」的等。

教育場景下的聊天機器人系統 可以根據教育內容的不同進一步劃分。這類聊天機器人的應用場景為具備人機交互功能的學習、培訓類產品，以及兒童智能玩具等。

個人助理類 應用可以通過語音或文字與用戶進行交互，實現用戶個人事務的查詢及代辦，如天氣查詢、簡訊手法、定位及路線推薦、鬧鍾及日程提醒、訂餐等，從而讓用戶可以更便捷地處理日常事務。

智能問答類 聊天機器人系統可以回答用戶以自然語言形式提出的事實型問題及其他需要計算和邏輯推理的復雜問題，以滿足用戶的信息需求並起到輔助用戶決策的目的。不僅要考慮如 What、Who、Which、Where、When 等事實型問答，也要考慮如 How、Why 等非事實型問答，因此智能回答的聊天機器人通常作為聊天機器人的一個服務模塊。

從實現的角度來看，聊天機器人可以分為 檢索式 和 生成式 。檢索式聊天機器人的回答是提前定義的，在聊天時機器人使用規則引擎、模式匹配或者機器學習訓練好的分類器從知識庫中挑選一個最佳的回復展示給用戶。生成式聊天機器人不依賴於提前定義的回答，但是在訓練機器人的過程中，需要大量的語料，語料包含上下文聊天信息和回復。

盡管目前在具體生產環境中，提供聊天服務的一般都是基於檢索的聊天機器人系統，但是基於深度學習Seq2Seq模型的出現可能使基於生成的聊天機器人系統成為主流。

基於功能的聊天機器人可以分為問答系統、面向任務的對話系統、閑聊系統和主動推薦系統4種。

目前，對問答系統和主動推薦系統的評價指標較為客觀，評價方式也相對成熟。而面向任務的對話系統和餡料系統，在給定相同輸入的情況下，系統回復形式可以多種多樣，對於用戶的同一輸入，通常有多種合理且數目不固定的回復，這使得很難通過一種客觀的機制對其進行評價，所以在評價時需要加入人的主觀判斷作為評價的依據之一。

通常，一個完整的聊天機器人系統框架如圖，其主要包含自動語音識別、自然語言理解、對話管理、自然語言生成、語音合成5個主要的功能模塊。需要指出的是，並不是所有的聊天機器人系統都需要語音技術。
例如，以文字方式實現人機交互的聊天機器人系統，就不需要自動語音識別模塊和語音合成模塊。

Amazon Lex是一種可以在任何程序中使用語音和文本構建對話界面的服務。Amazon Lex提供可擴展、安全且易於使用的端到端(end2end)解決方案，以構建、發布和監控開發人員發布的機器人。下圖展示了聊天機器人如何通過對話的方式協助用戶完成訂花的需求。

另一個典型的聊天機器人框架是Facebook的Wit.ai。Wit.ai積累了大量高質量的對話數據，有效促進了聊天機器人系統的發展，並通過將人工智慧和人類智能結合，進一步提升了聊天機器人的智能水平。

聊天機器人的4種分類，包括 問答系統、面向任務的對話系統、閑聊系統和主動推薦系統。

Siri被定位為面向任務的對話系統，為用戶提供打電話、訂餐、訂票、放音樂等服務。Siri對接了很多服務，且設置了 「兜底」 操作，當Siri無法理解用戶的輸入時就命令搜索引擎返回相關的服務。Siri的出現引領了移動終端個人事務助理的商業化發展潮流。

下圖是Siri的技術框架：

2011年2月，IBM耗資3000萬美元研發的IBM Watson登上了美國著名智力問答競賽節目《危險邊緣》(Jeopardy)，面對節目中充滿雙管意思的英文問題，IBM Watson能做出分析並在龐大的自然語言知識庫中尋找線索，將這些線索組合成答案。最終，IBM Watson壓倒性地優勢擊敗了節目中最聰明的人腦，同時創下了這個知識競賽系列節目27年歷史上的最高分。IBM Watson作為IBM公司研發的問答系統，集成了自然語言處理、信息檢索、知識表示、自動推理、機器學習等多項技術的應用，形成了假設認知和大規模的證據搜集、分析、評價的深度問答技術。IBM Watson可以分析自然語言形式的數據，通過大規模學習和推理，為用戶提供個性化服務。

2012年7月9日，谷歌發布了智能個人助理Google Now。Google Now通過自然語言交互方式為用戶提供頁面搜索、自動指令等功能。Allo是谷歌在前述工作的基礎上發布的語音助手。Allo具備隨時間推移學慣用戶行為的能力。

2014年4月2號

主動推薦系統採用的是一種實現個性化信息推送的技術方式。主動推薦系統並不需要用戶提供明確的需求，而是通過分析用戶的歷史行為數據建立用戶畫像，從而基於用戶畫像主動向用戶推薦系統認為能夠滿足用戶興趣和需求的信息。在電商購物（如阿里巴巴、亞馬遜）、社交網路（如Facebook、微博）、新聞資訊（如今日頭條）、音樂電影（如網易雲音樂、豆瓣）等領域均有廣泛而成功的應用。主動推薦系統本質上是一項幫助人們解決信息過載(information overload)問題的工具。所謂信息過載，是指用戶真正需求、真正感興趣的東西被淹沒在其同類物品的海洋里。 主動的交互方式能夠顯著提升用戶體驗，且機器人主動交互的方式更接近真實的人與人之間的對話方式，使得對話更自然。

一種主動推薦的方式，是基於 知識圖譜（Knowledge Graph） 的主動推薦系統。例如，在建立音樂領域的主動推薦系統時，可以先建立音樂領域知識圖譜和用戶知識圖譜，然後在進行用戶信息搜索的過程中建立起用戶的音樂喜好畫像，從而更精準地對用戶進行音樂推送。

從圖中可看出，在用戶點播歌曲的過程中，主動推薦系統可以結合音樂知識圖譜、用戶個人知識圖譜，以及用戶的歷史對話數據，綜合給出最優的音樂推薦。

主動推薦系統與問答系統、面向任務的對話系統和閑聊系統被認為是聊天機器人產品的4種主要分類。