计算机与人脑
当前位置:首页 > 计算机网络 > 人工智能 > 计算机与人脑
出版社:北京大学出版社
出版日期:2010-6
ISBN:9787301167601
作者:冯·诺伊曼
页数:138页
作者简介
《计算机与人脑》作者对计算机的运算和人脑思维的过程进行了比较研究，具有高度的前瞻性，为机器人研究指明了方向。《计算机与人脑》形象生动，图文并茂，对广大青少年科技创新思维具有极大启发作用，该书被誉为20世纪的天才之作。
书籍目录
弁言《计算机与人脑》
导读
引言
.
第一部分 计算机
第一章 模拟方法
第二章 数字方法
第三章 逻辑控制
第四章 混合数字方法
第五章 准确度
第六章 现代模拟计算机的特征
第七章 现代数字计算机的特征
.
第二部分 人脑
第八章 神经元功能简述
第九章 神经脉冲的本质
第十章 刺激的判据
第十一章 神经系统内的记忆问题
第十二章 神经系统的数字部分和模拟部分
第十三章 代码及其在机器功能的控制中之作用
第十四章 神经系统的逻辑结构
第十五章 使用的记数系统之本质：它不是数字的而是统计的
第十六章 人脑的语言不是数学的语言
.
附录：冯·诺伊曼评传
编辑推荐
他是匈牙利一位犹太银行家的儿子，从小集“天才”和“全才”于一身。他8岁掌握了微积分，12岁能读懂法困大数学家波雷尔的专著《函数论》；他精通7种语言，6岁时能用希腊语同父亲闲谈，50岁时还能用英语背诵《双城记》；他通晓历史，小学时就熟读德国历史学家翁肯的45卷巨著《通史》；30岁时，他与时年54岁的爱因斯坦一起成为普林斯顿高等研究院第一批终身教授。他就是20世纪杰出的数学家、经济学家、原子弹先驱、计算机之父——冯·诺伊曼！ 彩色插图·超值珍藏。 科学元典是科学史和人类文明史上她时代的丰碑是历经时间考验的不朽之作让我们一起仰望先贤，它们不仅水伟大的科学创造的结晶，而且是科学精神，科学思想和科学方法，具有永恒的意义和价值。回眸历史体悟原汁原昧的科学发现。
章节摘录
七、制造原子弹（1943一1952）20世纪最重要的两项“成就”无疑是原子弹及电子计算机，而亲自参加两者研究并作出巨大贡献的也许只有数学家冯·诺伊曼一人。比较起来，制造计算机的想法不是什么了不起的创新，然而释放原子能或制造原子弹一直到20世纪30年代都没什么人有把握，其中许多人决不是凡夫俗子，而是在实现原子弹爆炸的思想之链上的一些顶尖科学家。从历史上看，10年就从无到有造出许多人连想也不敢想的原子弹和氢弹，这种创造力大概只有上帝造人的奇迹可比。 一切都在1895年到1945年这短短50年间发生。现在很多人都想制造核武器，这对他们来说很容易，可是凡事开头难，许多“第一次”的困难早已被克服，地球上的核弹数目已经足够毁灭地球几十次。解决这个过去极难现在变得如此容易的问题经过了十大关键步骤。值得一提的是，匈牙利的犹太四人帮（齐拉、维格纳、特勒、冯·诺伊曼）也许起着重大作用。 原子不是不可分的。古典原子论认为，原子是不可分的。1896年放射性的发现从根本上动摇了原子不可分的假设，谁动摇的？居里夫人？放射性发现以后，的确有人想利用放射能，但这个放射能其实不好利用。在历史上，这其实是一个弯路。
图书封面
发布书评
精彩书评 (总计6条)
-
现存的神经网络存在一个问题叫做梯度衰减(gradient decay?)。大致是说最后梯度很难对前面曾产生影响。p.s.我才知道这个问题在今年已经被解决。挺奇怪的，听说这个问题主要在于不同层之间的剃度能量不稳定。所以PReLu中引入了MSRA filter。后来又出现了Batch Normalization，但总觉得有些蹊跷。。第一，filter层是天生的，这也是finetune的意义所在。第二，精度和计算深度本身就是一个矛盾的问题。一味地go deeper或许是一条死路？而（我忘了）中已经证明了如果少于一定层数，神经网络的大小呈指数级增加。大概解释是，过少的层数无法构建知识的层次。所以适度才是最好。适度很悬，但所幸机器学习中真有一套well formulate的理论来描绘度这个概念，VC dimension。而隔壁组正好叫VC组，这是巧合么？———————————曾经的书评——————————————1.计算基本单元，计算深度 和 精度11/29/2015:见上。。。2.并行 和 串行并行可以降低误差的放大。11/29/2015:还有一个理由是速度快，不过没必要提吧。而且这两个理由并不是固定同一组变量，不多说。3.神经元是复杂还是简单？神经网络中 的 神经元（gate？）构造可能极为复杂。其本身能力并非线性这么简单。 11/29/2015:从现在的神经网络来看，只要足够深，不同的非线性原件效果类似。RELU，Atan，Sigmoid。如果说真有什么问题，那就是精度问题，因而RELU胜出。正如caffe中sigmoidCrossEntropy源代码中所写，”为什么不把它拆成两个基本原件？因为一个原件，精度更好”4.为什么要有记忆？11/29/2015:或许RNN能给予一定诠释。但我不得不说，现在神经网络几乎完全没有Cover这个概念。正如《SICP》，这个问题大概和为什么要有序列，为什么要有时间差不多。没有memory的计算模型是pure functional的。p.s.当初读SICP扉页，“我认为，在计算机科学中保持计算中的趣味性是特别重要的事情。这一学科在起步时饱含着趣味性。当然，那些付钱的客户们市场觉得受了骗。一段时间之后，我们开始严肃地看待他们的抱怨。我们开始感觉到，自己真的像是要负起成功地、无差错地、完美地使用这些机器的责任。我不认为我们可以做到这些。我认为我们的责任是去拓展这一领域，将其发展到新的方向，并在自己的家里保持趣味性。我希望计算机科学的领域绝不要丧失其趣味意识。最重要的是，我希望我们不要变成传道士，不要认为你是兜售圣经的人，世界上这种人已经太多了。你所知道的有关计算的东西，其他人也都能学到。绝不要认为似乎成功计算的钥匙就掌握在你的手里。你所掌握的，也是我认为并希望的，也就是智慧：那种看到这一机器比你第一次站在它面前时能做得更多的能力，这样你才能将它向前推进”觉得狗屁不通不知所云。现在觉得字字真知，老了。5.大脑可能选用不同的数学模型11/29/2015:这也是现在神经网络一直在argue的问题，神经网络学到的东西，和人类的概念一致么?还没有结果。但我的感觉是不一致的。理由是，我认为知识可以看作一个空间，那么概念就是其中的基。一个空间必然可以有多组基，那么凭什么认为其完全一致呢？唯一的可能是，由于计算是非线性，可能存在一组最”简单“（人类尚没有任何工具刻画简单这个复杂的概念)的基。人和神经网络都收敛到这个。更有可能的是，model都不一样，学到的基就别说了。----------------------------------------------------------------另外，最近忽然有些理解了作者说过的一句话。大概是有个人跟作者说，作者回答，电脑有什么不能做的？如果你能告诉我什么是思考，那么我也能让电脑思考。我开始喜欢一句话:A problem well put is half solved.意即机器无法思考，并不是因为它能力受到了限制，而是人不理解思考是什么。当然这就引出了另一个问题，人的思维是否能被我们理解？或者换成一个更具迷惑性的问题，人的理解能力能否被人理解？按照哥德尔定理反方向预示着的，一个足够强的自省的系统就已经拥有了足够的智能了呢。还有问题的数学深度的问题。 -
原作者的理论我完全不懂，不做评论。对北京大学出版社有一点小失望。我说一下看完这本书的感受：1、价钱不合理，薄薄的一个小册子，一共138页，定价34元。2、编辑有凑页数的嫌疑，书到了78页以后就变成了原作者的评传，评传中东一头、西一头、有一搭、没一搭的，没有诚意。建议：就刊印前面78页的内容，相应的把定价改一改。 -
计算机与人脑之间比较，差异大于相似之处；相对而言，全球脑和人脑之间的相似之处更多一些。当然，这是题外话了。冯·诺伊曼不愧为著名的科学家。在这本尚未完成的书稿中，他探讨了许多与计算机和人脑有关的重要机制，例如在计算方面的并行、串行以及统计学问题，还有数字与模拟、数学与逻辑，等等。“如果一个神经元，和两个其他神经元的轴突接触（通过它的突触），而且它的最低刺激需求（即引起一个反应脉冲的最小要求）就是两个同时进来的脉冲，则这个神经元实际上就是一个“与”器官，它进行合取的逻辑运算（文字上就是“与”），因为它只在两个刺激同时作用时才能发生反应。另一方面，如果上述神经元的最低刺激需求是仅仅有一个脉冲到达就够了，那么，这个神经元就是一个“或”器官，就是说，它进行析取的逻辑运算（文字上就是“或”），因为在两个刺激之中只要有一个发生作用，就能产生反应。……如此看来，神经元可以当做是基本的逻辑器官，因而它也是基本的数字器官。”第51~52页“如果神经细胞被细胞体上各突触的一定组合的刺激所作用（而不是被别的形式的刺激所作用），那么，基本作用器官的数目，必须推定为突触数目，而不是神经细胞的数目。”第56页“神经系统，当被看做是一个自动系统时，肯定具有算术的部分和逻辑的部分，而且算术的需要，和逻辑的需要同样重要。这意味着说，在研究神经系统时，从一定意义上来说，我们是和计算机打交道，同时，用计算机理论中熟悉的概念来讨论神经系统，也是需要的。”第72页“神经系统中所使用的信息系统，其本质是统计性质的。换句话说，它不是规定的符号、数字的精确位置的问题，而是信息出现的统计性质问题，即周期性或近似周期性的脉冲序列的频率问题等等。”第75页
精彩短评 (总计49条)
-
非常不错的通识教育教材，一天大概浏览完了 -
太科普了，要看深入的还是看作者的《自复制自动机理论》吧 -
想了解了解人工智能 -
John von Neumann对于人脑的认识以现在的观点看还是有些过于简单了；虽然如此，他指出人脑运算的统计性特点、高可靠性还有低精度、低算法深度还是非常有启发性的。 -
正文内容讲述了早期计算机设计的一些考量，对于现在意义不大。但是后面对作者生平的介绍却比较有趣 -
写的还不错，大家可以来围观一下。 -
这本书是有计算机之父之称的冯祖师所写，因此是怀着一种朝圣的心态来读的。全书先讲计算机的结构，然后再讲人脑跟计算机的对比。第一部分觉得价值不大，因为年代久远，很多东西已经被人熟知的缘故。第二部分的思考还是挺有价值的，就是放到今天也仍然觉得有意义。有几个想法挺好的：1、人脑并非单纯的数字系统也非单纯的模拟系统，而是两者的一种混合体。在数字技术与模拟技术的PK中，模拟技术是落败的，但在未来想要制造出更智能的计算机是否还是需要模拟技术的？2、人脑的计算是低精度但却是准确的。实际可用的计算结果一般要达到小数点后两三位，计算机因为有很多中间步骤，未来避免误差积累精度要求要十几位才能满足准确度。而人脑不需要那么高的精度，这是由其消息的传递是通过统计性质决定的。 -
翻译得不好，很别扭。冯对计算机与人脑两者间的探讨放到今天还是很有借鉴作用的。 -
计算机根据对人脑的研究而起源和发展 -
可能是冯·诺伊曼的讲稿太梗概了，真心理解不动。不过这货确实是个天才。 -
作为大师的作品，可以说很多地方目前没看懂。 -
真正的天才，纯粹数学，应用数学，博弈论，计算机科学四大领域的大师和开拓者。在大师面前，科幻是即将完成的事实；在常人眼里，大师的工作是如此科幻。 -
祖师爷真雄才大略。以今日之视角看，计算机的结构果然自诞生起就没有发生过根本性的改变。另外，祖师爷的洞察力实在是惊为天人。 -
将计算机与人脑的结构做比较分析，引人入胜 -
入门读物 -
作为看完fourier分析之后的休闲。花了一天看完了这本书。真的很短，本身就是演讲稿，且并未完成。内容很赞。读起来也不是很累。 -
舍本逐末，读了最后的冯诺依曼评传。 -
数字和模拟与神经系统的对应 -
维纳的《控制论》和这本书结合读，理解计算机组成和结构又有了新的理解：最早的微分模拟机控制（真实的），而数字机则是新的记忆控制（概念）。神经网络竟然在过去放弃的模拟机（卷积）模型中，科学千万不要认为过去的都是无用的 -
大师就是想得远，书中的思想即使过了半个世纪依然值得细细品味 -
计算机与人脑 -
硬着头皮看完了，没看懂。2013.1.25 -
诺依曼的思维真的很强大，挂得有一点早，但是比图灵的命运好很多 -
深刻的见解带来的是更多的问题。吐槽，要是翻译的水平在高点就好了。以后要读一读原文。 -
译文有很强的时代感…… 某种程度上复习了高中生物和《编码》 -
超级天才写的超级书 -
冯诺伊曼确是一个极有思想与见地的人，有些思想对今日产生了巨大影响，而还有一些，即使在今天依然在消化之中。 -
篇幅虽然小，但本身也是作为讲演稿存在的。有时候惊叹的是，将生物领域进行数学和逻辑抽象化，是多么了不起的开端。 -
可惜冯诺伊曼过早逝世了，感觉书的最后才刚刚开始到精华啊 -
vivid
-
不好看 -
冯酱讲得已经如此科普的内容我辈看起来如吞象之蛇惨遭口爆无法言语。 -
看着玩，人脑为什么计算起来很慢（CPU密集，纯数学运算），数据索引倒是很快呢（IO密集，对记忆内容的索引）。。可能这也是智能的原因。 -
说真的，如果计算机能像人脑一样工作的话，它们或许就有生命了，人工智能生物或者生化人？orz（我觉得是上天不想让冯先生讲完才把他带走的 -
可惜半神没写完就去世了，其中人脑部分有很多猜测，不知道今天的生物学研究怎样了，这本书的实际内容不多，80页的样子，后面都是生平介绍，感觉有点坑爹 -
一半原著一半历史.原著的计算机部分已经很熟悉了,有一点开拓思路的作用,对人脑和计算机的对比很有启发性,激发了对现代研究成果的兴趣.历史部分详实生动,勾勒von传奇的一生,视野十分宏大. -
作者成就太多结尾个人小传几乎占了全书篇幅一半。看完发现竟然半夜了，要是有几个学EE的在边上给讲解下就更好了，可是乃们去学历史了啊擦！说的就是你们别跑，@bearnne @伏维阁主 ！ -
冯诺依曼先生 my 男神 -
经典就不用多说了吧。 比较宽泛 -
冯诺依曼作为上世纪最伟大的科学家之一，留下了如此通俗易懂的科普文章，带着现在的眼光去看，却又别有一番味道。 -
这本书不同于1965年版本的，前半本更科学的对带科学，后半本更客观的看待人物， 冯是计算机的祖宗，可以说这本书的价值就好比《易经》吗？ -
只有我觉得过于抽象吗 而且有很多名称现在已经变了 翻译的太古老 -
不可靠元件的可靠机器，通过冗余大大降低误差的概率。 用冗余换取鲁棒性。 -
内容很好非常满意 -
翻过 -
有本「图灵芯片」更薄，内容更对我心。这本太学术化了点。 -
没看懂。。。 -
人脑为什么计算起来很慢（CPU密集，纯数学运算），数据索引倒是很快呢（IO密集，对记忆内容的索引）。。可能这也是智能的原因。 -
居然第一次对冯诺依曼这样的天才认真地了解了一下...内容太浅，好多关于计算机的理论还是停留在第一第二代计算机的...但是更有兴趣读一些有关冯诺依曼的东西了...