slack
2026 年10 月 1 日 20:58
1
2004年，美国国防部在莫哈韦沙漠里划出一条 241 公里的公路，办了第一届 DARPA 自动驾驶汽车挑战赛，奖金 100 万美元。大约 100 支队伍参赛，跑得最远的一支只自动开了 14 公里。（见参考资料 1，序）
德国记者托马斯·拉姆齐（Thomas Ramge）在 2018 年写这本书时，从这里一路数到谷歌、特斯拉，然后下了一个很满的判断：「为大众提供全自动汽车已经只是规模和微调的问题。」（见参考资料 1，序）八年后再读，这句话显得太满。同一本书里另一句话，今天读起来分量重得多：「人工智能不能减轻我们思考的负担。」（见参考资料 1，第六章）
这本书只有六章，中文书名叫「极简史」，真正讲历史的只有第二章。它的主线是另一个问题：机器开始替人做决定以后，谁在替谁做决定。作者的答案是，不必先怕科幻里的机器夺权，眼前该防的是三件事：数据垄断、操纵个人、政府滥用。
作者托马斯·拉姆齐（Thomas Ramge），德文原书《Mensch und Maschine: Wie Künstliche Intelligenz und Roboter unser Leben verändern》（《人与机器》）2018 年由 Reclam 出版，英文版名为《Who’s Afraid of AI?》，2019 年 4 月由 The Experiment 出版。中文版由林若轩翻译，中国友谊出版公司 2019 年 9 月出版。（见参考资料 2、3、4）作者此后以人工智能战略为题做演讲和工作坊，也在苏黎世 AI Business School 任教，这层商业身份读者可以知道。（见参考资料 5、6）
六章的顺序是：第一章讲机器决策，用识别、洞察、行动三角和「博兰尼悖论」说明机器学习和传统编程差在哪；第二章是人工智能简史，从图灵测试、达特茅斯会议讲到深蓝、沃森、AlphaGo 和德州扑克；第三章讲人工神经网络、GPU、有监督和无监督学习，落脚在「反馈创造数据垄断」；第四章讲虚拟助手、销售、法律和医疗；第五章讲救援机器人、网络物理系统、协作机器人和会读情绪的机器人；第六章从 HAL 和奇点讲回眼前的三类危险，最后谈机器伦理。（见参考资料 1）
全书的分析框架可以压成一句：人工智能是「自动化的下一步」，它让机器做出「以前只有人类才能做出的复杂决定」，前提是「基础数据和决策框架是正确的」。（见参考资料 1，序）后半句的条件，正是全书后半部分反复追问的地方。
机器到底在「决定」什么：从特斯拉超车到博兰尼悖论
从达特茅斯到 AlphaGo：人工智能为什么几起几落
作者最担心的三件事：数据垄断、替谁说话的助手、数字专政
外界怎么看：书评、研究与不同解释
八年后回头看：哪些判断落空了，哪些更要紧了
托马斯·拉姆齐（Thomas Ramge）《写给大家的AI极简史：从图灵测试到智能物联》，林若轩译，中国友谊出版公司，2019；序、第一至第六章。
Reclam 官方样章（版权页与目录），2018，https://www.reclam.de/data/media/978-3-15-019499-7.pdf
The Experiment 2019 春季书目，Who’s Afraid of AI?，2019，Who’s Afraid of AI? | The Experiment
三民网路书店书目页，https://www.sanmin.com.tw/product/index/007314027
Weizenbaum Institute 作者页，约 2020，Portrait: Weizenbaum Institute
Thomas Ramge 个人网站，https://www.thomasramge.de/
The Experiment 作者问答，The Coming Age of AI: A Q&A with Thomas Ramge，2019，The Coming Age of AI: A Q&A with Thomas Ramge | The Experiment
Thomas Ramge，Who’s Afraid of AI?（节选），Conditio Humana，2019，Who's Afraid of AI? - Conditio Humana - Technology, Ai and Ethics
豆瓣读书《写给大家的AI极简史》页面（2026-09-27 快照），写给大家的AI极简史 (豆瓣)
Basic Books，Reinventing Capitalism in the Age of Big Data，2018，Reinventing Capitalism in the Age of Big Data by Viktor Mayer-Schönberger & Thomas Ramge | Hachette Book Group
Michael Polanyi，The Tacit Dimension，University of Chicago Press，The Tacit Dimension, Polanyi, Sen
John Searle，Minds, Brains, and Programs，Behavioral and Brain Sciences，1980，https://home.csulb.edu/~cwallis/382/readings/482/searle.minds.brains.programs.bbs.1980.pdf
OECD，Artificial Intelligence, Data and Competition，2024，https://www.oecd.org/content/dam/oecd/en/publications/reports/2024/05/artificial-intelligence-data-and-competition_9d0ac766/e7e88884-en.pdf
International Center for Law & Economics，Comments to European Commission on AI competition，2025，ICLE Comments to European Commission on AI Competition - International Center for Law & Economics
Stanford HAI，AI Index 2025 Report，Responsible AI 章，2025，https://hai.stanford.edu/ai-index/2025-ai-index-report/responsible-ai
Brynjolfsson、Li、Raymond，Generative AI at Work，NBER Working Paper 31161，2023，Generative AI at Work | NBER
ILO，Generative AI and Jobs: A 2025 update，2025，https://www.ilo.org/publications/generative-ai-and-jobs-2025-update
slack
2026 年10 月 1 日 20:58
2
第一章开头是一个很具体的场景：一辆特斯拉以每小时 130 公里在左车道自动驾驶，前方右车道几辆卡车以每小时 90 公里行驶，最后一辆卡车打了左转灯。继续加速、鸣喇叭，还是刹车让行？作者说，这个选择「在本质上，这是一个认知决定」，最佳方案「其实是一个基于许多变量的概率计算」。（见主楼参考资料 1，第一章）
他把这类决定拆成三步：识别、洞察、执行。传感器和图像识别认出那是转向灯而不是远处工地的灯；系统把实时数据和规则、历史数据对上，知道卡车司机并不总守规矩；最后真的去踩刹车或继续走。辅助驾驶只发出「哔」声提醒，自动驾驶直接动手，这是两者的分界。（见主楼参考资料 1，第一章）
让这三步跑起来的是反馈。书里举了三个例子：特斯拉出了事故，其他特斯拉会在类似情形下更谨慎；放贷软件发现违约多了，会提高标准；水果收割机收到「苹果没熟」的反馈，会调整红绿色比例。作者的结论是：「人工智能和传统IT系统的本质区别在于人工智能能够独立改进自己的算法并对结果进行评级。」（见主楼参考资料 1，第一章）
传统编程为什么做不到？作者借用了「博兰尼悖论」：人能认出一张脸，却说不出自己是怎么认出来的。书里引美国最高法院大法官波特·斯图尔特给色情下定义失败后的那句话：「我看到它就知道是不是色情了。」写不出规则，就教不会机器。作者的说法是：「人工智能则克服了博兰尼悖论」，办法是只给计算机目标，让它从大量例子和反馈里自己学。（见主楼参考资料 1，第一章）这里的「克服」是作者自己的强说法；英国哲学家迈克尔·波兰尼（Michael Polanyi）在 1966 年的《默会维度》（The Tacit Dimension）里讲的是「我们知道的多于我们能说出的」，并没有说机器能绕过去。（见主楼参考资料 11）
这一章最有意思的转折在后面。作者发现悖论反过来了：神经网络的决定由数百万个连接共同产生，复杂到「机器无法向人类解释或展示它是如何得出这个『可信』或『不可信』的结论的」。他写道：「现在，受『博兰尼悖论』影响的不再是人类，而是机器，因为机器知道太多无法向人类解释的东西。」（见主楼参考资料 1，第一章）
偏见也从这里进来。书里说，偏见「不是由软件开发人员编写的，而是隐含在训练数据中的」，并举了美国一套帮法官判断囚犯能否提前释放的系统，被怀疑让非洲裔和拉美裔处于不利地位。IBM 在 2018 年 9 月发布了检测偏见的开源工具包「AI Fairness 360」。（见主楼参考资料 1，第一章）
强弱人工智能的区分，作者归给美国哲学家约翰·塞尔（John Searle）。塞尔 1980 年的论文《心灵、大脑与程序》（Minds, Brains, and Programs）界定了「强人工智能」，并声明自己对弱人工智能的主张没有异议。（见主楼参考资料 12）作者的取舍很明确：强人工智能的担忧「还离我们很远」，更紧迫的是弱人工智能。（见主楼参考资料 1，第一章）
我们的看法：这一章最值得带走的是那个反转。机器学会了人说不清的本事，代价是机器自己也说不清。读者面对任何一个「AI 说你不合格」的结论，第一个问题都该是：它能不能说出理由，谁有权要它说。
slack
2026 年10 月 1 日 20:58
3
第二章从英国数学家艾伦·图灵（Alan Turing）1950 年的问题讲起：「机器能思考吗？」图灵自己觉得这样问没有答案，于是换成一个测试：隔着电传打字机对话，人分不出对面是人还是机器，这台机器就算智能。（见主楼参考资料 1，第二章）
「人工智能」这个名字诞生在达特茅斯。书里写，1956 年夏天，近 20 位数学家、信息论学者、控制论学者、工程师、心理学家和经济学家开了一场夏季研讨会，申请资助的理由是：「学习的每一个方面或智力的任何特征在原理上都可以被精确地描述，因此我们可以制造一台机器来模拟它。」（见主楼参考资料 1，第二章）读的时候留意一处前后不一：第一章写的是「1955年，在著名的达特茅斯会议上」。1955 年是会议提案的年份，会议本身在 1956 年夏天举行。（见主楼参考资料 1，第一、二章）
会上真正的突破几乎没人注意：艾伦·纽威尔、赫伯特·西蒙和克利夫·肖介绍的「逻辑理论家」程序，是第一个能处理符号而不只是数字的程序。大家忙着为「人工智能」这个词吵架，作者的评语是，这个词「总是充当着极好的营销标签」。（见主楼参考资料 1，第二章）
接下来是第一次热潮。1959 年，亚瑟·塞缪尔（Arthur Samuel）让 IBM 机器和自己下西洋跳棋、记录每步胜率，作者说「由此，人类第一次教机器自主学习」。1966 年约瑟夫·魏泽鲍姆（Joseph Weizenbaum，书中译作韦森鲍姆）造出聊天程序 ELIZA，连他的秘书都向它倾诉秘密。可到 70 年代初，承诺纷纷落空：计算能力和存储都不够，「甚至连百科全书都还没有被数字化」，于是「人工智能的寒冬」开始了。（见主楼参考资料 1，第二章）
寒冬里的人反而做成了事。他们改口叫「基于规则的专家系统」和「机器学习」，目标变小，计算机没有变成聊天伙伴，却成了专业任务的助手。书里的例子是「如果-那么」规则：流鼻涕、嗓子疼、发烧，那就是病毒性流感。1982 年，第一个商业语音识别系统 Covox 上市。（见主楼参考资料 1，第二章）天气转暖靠的是外部条件：1993 年的 Netscape 浏览器打开了数据的海洋，摩尔定律让芯片「每一到两年就可以翻一番」，后来又有了云计算。（见主楼参考资料 1，第二章）
1997 年深蓝击败卡斯帕罗夫，作者特意泼冷水：从狭义上说深蓝「根本不是一个人工智能系统」，它不会从错误中学习，只是「能够每秒评估2亿个棋位」。（见主楼参考资料 1，第二章）真正的学习在后面：IBM 沃森在 Jeopardy! 里赢在听懂双关和讽刺；2016 年 AlphaGo 靠和自己下数百万局积累经验；2017 年 1 月，卡内基梅隆大学的 Libratus 在无限注德州扑克中击败顶尖玩家。作者从扑克推出一个大胆结论：「如果一台机器能在扑克牌游戏中打败人类，那么它也能在日常商务谈判中打败人类。」（见主楼参考资料 1，第二章）
第三章补上了技术那一半。1986 年，心理学家大卫·鲁梅尔哈特和詹姆斯·麦克莱兰让一个模型学英语动词过去式，它像小孩一样先造出「goed」「buyed」，「经过200轮以后，它掌握了鲁梅哈德和麦克利兰设定的全部420个动词」。这种方法后来停滞了很久，原因之一是没有足够快的计算机，直到为三维游戏开发的 GPU 被改来做机器学习。（见主楼参考资料 1，第三章）
一个容易漏看的细节：书里说，图灵测试主题的勒布纳奖设了 2.5 万美元银奖，条件是在 25 分钟书面对话里让一半裁判相信它是人，「但是至今无人获得该奖项」。作者的预测是：「智能机器通过图灵测试可能只需要几年的时间了。」（见主楼参考资料 1，第二章）
我们的看法：这一章的历史有用处，它说明每一次突破都等来了外部条件，算力、数据、资金，缺一样就是冬天。热度和真本事要分开看，作者自己也提醒，初创公司「倾向于在每个数字应用上贴上人工智能的标签」。（见主楼参考资料 1，序）
slack
2026 年10 月 1 日 20:58
4
第六章先花两节讲 HAL 9000、弗兰肯斯坦和英国哲学家尼克·博斯特罗姆（Nick Bostrom）的《超智能》（Superintelligence），然后作者把话锋一转：过度鼓吹超级智能灭绝人类，「将会分散我们的注意力，让我们忽略弱人工智能快速发展所带来的真正危险。最重要的危险可以概括为三类：数据垄断、操纵人类个体和政府滥用数据。」（见主楼参考资料 1，第六章）他在 2019 年的英文节选里列的是同样三类。（见主楼参考资料 8）
第一件是数据垄断，伏笔埋在第三章。作者说反馈数据「是发展人工智能最重要的原材料」：我们在谷歌搜索框里接受一个推荐词，就多给了它一条反馈。工业时代靠规模经济，数字平台靠网络效应，人工智能时代多了一层：用的人越多，系统越聪明，越聪明用的人越多。他的推论是，如果立法者不出新招，「反馈数据的长期积累将几乎不可避免地导致数据垄断」，「自我完善的技术会阻碍竞争」。（见主楼参考资料 1，第三章）
他开的药方来自前作。他和牛津大学的维克多·迈尔-舍恩伯格（Viktor Mayer-Schönberger）在《大数据时代重塑资本主义》（Reinventing Capitalism in the Age of Big Data）里主张「渐进的数据共享义务」：市场份额超过某个值，就要把一部分匿名化的反馈数据分享给竞争对手。（见主楼参考资料 1，第六章；主楼参考资料 10）这是一个政策主张，书里没有给出它实行后效果的证据。
第二件是操纵，书里问得最好的一个问题是：「虚拟助手的行为代表着谁的利益？」作者的回答很直接：「目前的情况是，大多数机器人和数字助手都是变相的销售人员。」Alexa 的运营商是亚马逊，不是一家替你在所有网店里找最好商品的中立公司。（见主楼参考资料 1，第六章）第四章已经给了数字：专家估计，亚马逊推荐系统带来的购买「占到亚马逊网站所有购买行为的1/3」；超市购物助手由供应商提供，所以「几乎可以确定无疑的是，它们会把供应商的利益放在高于购物者利益的位置上」。（见主楼参考资料 1，第四章）
同一章也有反方向的例子：替用户说话的机器。斯坦福学生乔舒亚·布劳德做的 DoNotPay，「在2015年到2017年的两年间」帮用户免掉了大约 375000 张停车罚单，而且免费。2018 年 2 月 LawGeex 组织的合同审查比赛里，人工智能识别保密协议问题的准确率是 94%，20 名资深律师是 85%；机器用了 26 秒，律师平均 92 分钟。（见主楼参考资料 1，第四章）作者的处方是让消费者能选「中立的机器人」，像独立于商家的比价网站，政府要能叫停欺诈用户的代理。（见主楼参考资料 1，第六章）
第三件是他认为「或许是最大的危险」：政府用弱人工智能对公民做大规模操纵、监视和镇压。书里列了人脸识别、语音识别情绪、文本分析、信用与位置数据合成「公民信誉」。他的判断是：「数字工具不是暴政所必需的」，但在人工智能驱动的统治里，「压迫比穿制服的士兵或警察更微妙」。（见主楼参考资料 1，第六章）
最后一节讲机器伦理。著名的两难题在书里是这样写的：自动驾驶汽车要么撞推婴儿车的母亲，要么撞旁边 5 个老人，母子「预计能再活150岁」，5 个老人加起来只有 50 岁。这是思想实验，不是事故统计。作者的落点在别处：「如果我们能在10年内用自动驾驶汽车把由于交通死亡的人数减少一半，我们就必须实现汽车驾驶的自动化。」（见主楼参考资料 1，第六章）
我们的看法：三件事里，第二件离普通人最近。下次 App 给你推荐一份保险、一张信用卡、一个贷款方案，先问一句：这个推荐是谁付钱训练出来的。
slack
2026 年10 月 1 日 20:59
5
这本书在德国、美国和中国走的都是大众读物的路子：德文原版 2018 年由 Reclam 出版，英文版改名《Who’s Afraid of AI?》（《谁害怕人工智能？》），2019 年 4 月 16 日出平装本。（见主楼参考资料 2、3）中文读者的反应偏冷，豆瓣 2026 年 9 月的页面显示 6.4 分、124 人评价；评分只反映参与评价的读者感受，说明不了观点对错。（见主楼参考资料 9）我们没有找到能打开原文的专业书评，这不等于没有。
作者本人的立场在 2019 年的访谈里说得更直白：不必害怕科幻式的机器夺权，要提防的是人利用人工智能操纵和压迫他人。（见主楼参考资料 7）读者也该知道他的另一重身份：他后来以人工智能战略和 AI 领导力为题做演讲和工作坊，在苏黎世 AI Business School 任教，还在德美分析公司 QuantCo 担任「首席解释官」，该介绍反映的是 2020 年前后的情况。（见主楼参考资料 5、6）
书里几处说法值得对着原始出处读。「博兰尼悖论」出自波兰尼 1966 年的《默会维度》，书里说人工智能「克服」了它，是作者自己的强表述，不是波兰尼的原命题。（见主楼参考资料 11）强弱人工智能的区分归于塞尔，塞尔 1980 年的论文对弱人工智能的主张本来就没有异议。（见主楼参考资料 12）数据共享义务这条核心政策，书里自己注明是作者与迈尔-舍恩伯格在前作里的主张，前作 2018 年 2 月由 Basic Books 出版。（见主楼参考资料 10）
就业部分，书里转述了牛津经济学家弗雷和奥斯本 2013 年「美国约有一半的工作会受到严重威胁」的估算，同时写明「他们的同行经济学家对这项研究的方法提出了严重质疑」。作者自己没有做测算，他的判断是：「所有的预测，无论乐观或悲观，都还无法完全自圆其说。」（见主楼参考资料 1，第一章）
关于数据垄断，出版以后争论还在继续，两边都有份量。经合组织（OECD）2024 年的报告认为，生成式人工智能部署中可能存在反馈效应，效应足够强时可能导致市场「倾覆」；这是有条件的机制分析，不是已经观察到的结果。（见主楼参考资料 13）立场偏向反对监管的国际法律与经济中心（ICLE）2025 年则说，实证研究显示数据存在边际收益递减，「数据优势封锁竞争」的证据不足。（见主楼参考资料 14）书里那句「几乎不可避免地导致数据垄断」，就落在这两种看法之间。
关于操纵，斯坦福《AI Index 2025》记录，2024 年十多个国家出现了与人工智能有关的选举虚假信息，但可测量的影响仍不清楚；同一报告记录，人工智能事件数据库 2024 年收到报告的相关事件为 233 起，比 2023 年增加 56.4%，这是被报告的数量，不是真实发生率。（见主楼参考资料 15）
书里还有一处应当带着怀疑读的数字。作者为说明中国的潜力，写道「世界上大约一半的互联网数据来自于人口数达14亿的中国」，书中没有给出这个数字的来源和口径。（见主楼参考资料 1，第一章）我们的看法：这类整体性比例最好当成作者当时的印象，不要当成可以引用的统计。
slack
2026 年10 月 1 日 20:59
6
书写于 2018 年，判断大多基于那之前的产品和比赛。拿今天对照，有三类结果。
先看说得太满的。自动驾驶是最明显的一条：序言说为大众提供全自动汽车「已经只是规模和微调的问题」，第一章说在城市、夜间和大雾天超越人类「也只是个时间问题」。（见主楼参考资料 1，序、第一章）我们的看法：八年后，全自动驾驶仍然只在有限的城市和路段运营，离「大众」还远，书里的乐观主要来自 2018 年前后的产品宣传。作者自己其实提醒过，在技术范式转变的时代，「以过去的数据预测未来的可靠性最多只有50%」。（见主楼参考资料 1，第一章）
再看说中了的。书里说勒布纳奖「至今无人获得」，又预测「智能机器通过图灵测试可能只需要几年的时间了」。（见主楼参考资料 1，第二章）我们的看法：今天的大型语言模型在很多日常对话里已经很难和人分辨，这一条大体应验了，而且来得比书里多数读者想象的快。可这本书真正押注的从来不是聊天，而是「谁在替谁做决定」，这部分在今天反而更要紧。
就业的判断最值得细看。书里不肯给数字，只说影响「目前还尚未清晰」，速度越快，人们调整技能和社会保障的时间就越少。（见主楼参考资料 1，第一章）出版之后有了更细的研究。2023 年一项针对 5179 名客服人员的研究发现，用了生成式人工智能助手后，每小时解决的问题平均提高 14%，新手和低技能者提高 34%。（见主楼参考资料 16）国际劳工组织 2025 年认为，全球约四分之一劳动者所在的职业受生成式人工智能一定程度影响，但多数岗位会被改造而不是被取代。（见主楼参考资料 17）这和书里引的时任 IBM 首席执行官弗吉尼亚·罗曼提（Virginia Rometty）的话方向一致：「与其认为我们在打造人工智能，不如认为我们在增强人类的智能。」作者的推论是，被取代的是「那些不知道如何使用人工智能来帮助他们决策的同事」。（见主楼参考资料 1，第四章）如果今后几年的数据显示整类岗位成批消失、而不只是工作内容被改造，这个乐观推论就站不住了。
放到海外华人的处境里，书里有一句很适合拿来对照：「当前的机器人在欧洲是敌人，在美国是佣人，在中国是同事，在日本是朋友。」作者接着说，从长远看，决定态度的是投资回报率。（见主楼参考资料 1，第一章）住在加拿大的华人，往往同时用着国内和北美两套 App 生态，对这句话体会最深。同一个问题，在两边的应用里得到的推荐可能完全不同，原因多半在背后的商业安排，和技术高低关系不大。
最实用的是第六章那个问题：「虚拟助手的行为代表着谁的利益？」（见主楼参考资料 1，第六章）在加拿大，问 AI 报税、选保险、比房贷、查移民政策已经很常见。它答得流畅，可流畅、中立和正确是三回事。书里给的办法在今天仍然管用：分清哪些建议来自卖家，哪些来自独立的比较；重要决定回到官方原文和持牌专业人士。
同期对照也值得一提。2018 年作者写书时，欧洲关心的是隐私和垄断，书里引用的皮尤调查显示 72% 的美国人担心机器人和计算机将来夺走大部分工作，60% 的欧洲人呼吁禁止用机器人照顾儿童、老人和残疾人。（见主楼参考资料 1，第五章）同一本书对中国的描述则几乎全是机会：资本、算力、回流人才和海量反馈数据。（见主楼参考资料 1，第一章）同一项技术，三个社会的第一反应差这么多，这本身就是作者那句「人类对于文明的态度将加速或减缓创新被接纳的速度」的注脚。（见主楼参考资料 1，第一章）
第六章收尾处有一句话可以原样带走：人类仍然需要做出重要的决定，「包括需要多少机器辅助才恰到好处」。（见主楼参考资料 1，第六章）