图灵的大教堂：数字宇宙开启智能时代
更新时间：2019-01-01 00:30:16 最新章节：附录 主要人物
书籍简介
1936年，时年24岁的图灵宣称：“发明一台可用于计算任意可计算序列的单一机器是有可能的。”在《图灵的大教堂》一书中，作者乔治·戴森着重介绍了一小群人，为首的是供职于新泽西州普林斯顿高等研究院的约翰·冯·诺依曼，他参与建造了最早的一台计算机，以实现艾伦·图灵提出的通用机的愿景。他们的工作打破了用于表意的数字和用于运算的数字之间的区别，世界因此而改变。科学家们使用5千字节的内存（相当于现代计算机桌面上显示的光标所分配的内存大小），在天气预测和核武器设计方面，都获得了前所未有的成功。同时，他们还利用空闲时间解决各种问题——从病毒的进化到恒星的演变。戴森教授的叙述既具有历史意义，又富于预见性，为第二次世界大战后期数字宇宙的爆炸提供了新的且重要的信息。代码和计算机的兴起伴随着两大历史性的发展：生物学自我复制序列的破译和氢弹的发明。最具破坏性和最具建设性的人类发明同时出现并不是巧合。
译者：盛杨灿
上架时间：2015-05-01 00:00:00
出版社：浙江人民出版社
上海阅文信息技术有限公司已经获得合法授权，并进行制作发行
最新章节
(美)乔治·戴森
同类热门书
最新上架
- 会员这是一本能从业务、方法、场景3个维度帮助读者使用AI技术提升数据分析和数据化运营能力的著作。用扎实的理论框架、丰富的实践案例、实用的操作技巧，全面展示了如何用AI延伸业务分析广度、拓展业务分析深度、优化业务分析效能，从而达到帮助企业用智能的数据化运营实现业务持续增长的目的。本书采用案例驱动的写作方式，通过实际业务案例详细拆解AI技术在各个场景中的应用步骤和技巧。语言简洁易懂，理论与实践结合，注重实计算机17.2万字
- 会员这是一本人人都能读懂的大模型综合指南，既是一本大模型的科普书，又是一本大模型的商业书。由中国电信研究院天翼智库官方出版，从核心技术、基础设施、商业应用、产业体系、安全治理5个维度全面讲解了大模型。语言上通俗易懂，内容上深入浅出，呈现上图文并茂，给读者良好阅读体验的同时，让读者对大模型的理解事半功倍！无论你是AI工程师，还是完全没有IT技术背景的爱好者；无论你是一线的从业人员，还是企业的管理者和决策计算机13.2万字
- 会员《洞察AIGC：智能创作的应用、机遇与挑战》内容分为3篇：第1篇AIGC的蜕变讲述AIGC的发展历史及其背后的智能；第2篇AIGC的应用讲述AIGC在文学创作、日常办公、知识管理、科研出版、工业制造、健康医疗、金融服务、品牌营销领域的应用现状及常用工具；第3篇AIGC的机遇与挑战讲述AIGC的资本与技术前景，同时提出需要注意的风险。计算机13.9万字
- 会员本书旨在采用一种符合读者认知角度且能提升其学习效率的方式来讲解深度学习背后的核心知识、原理和内在逻辑。经过基础篇的学习，想必你已经对深度学习的总体框架有了初步的了解和认识，掌握了深度神经网络从核心概念、常见问题到典型网络的基本知识。本书为核心篇，将带领读者实现从入门到进阶、从理论到实战的跨越。全书共7章，前三章包括复杂CNN、RNN和注意力机制网络，深入详解各类主流模型及其变体；第4章介绍这三类基计算机13.4万字
- 会员本书深入浅出地介绍了现代大型人工智能（ArtificialIntelligence，AI）模型技术，从对话机器人的发展历程和人工智能的理念出发，详细阐述了大模型私有化部署过程，深入剖析了Transformer架构，旨在帮助读者领悟大模型的核心原理和技术细节。本书的讲解风格独树一帜，将深奥的技术术语转化为简洁明了的语言，案例叙述既严谨又充满趣味，让读者在轻松愉快的阅读体验中自然而然地吸收和理解AI计算机15.8万字
- 会员本书以Python3.10.7为平台，以实际应用为背景，通过概念、公式、经典应用相结合的形式，深入浅出地介绍了Python图形图像处理经典实现。全书共10章，主要包括绪论、迈进Python、Python图形用户界面、数据可视化分析、图像视觉增强分析、图像视觉复原分析、图像视觉几何变换与校正分析、图像视觉分割技术分析、图像视觉描述与特征提取分析、车牌识别分析等内容。通过本书的学习，读者可领略到Py计算机12.3万字
- 会员这是一本系统梳理并深入解析大模型的基础理论、算法实现、数据构造流程、模型微调方法、偏好对齐方法的著作，也是一本能手把手教你构建角色扮演、信息抽取、知识问答、AIAgent等各种强大的应用程序的著作。本书得到了零一万物、面壁智能、通义千问、百姓AI、澜舟科技等国内主流大模型团队的负责人的高度评价和鼎力推荐。具体地，通过本书你能了解或掌握以下知识：（1）大型语言模型的基础理论，包括常见的模型架构、领计算机11.2万字
- 会员本书是一本全面介绍机器学习方法特别是算法的新书，适合初学者和有一定基础的读者。机器学习可以分成三大类别，监督式学习、非监督式学习和强化学习。三大类别背后的算法也各有不同。监督式学习使用了数学分析中函数逼近方法、概率统计中的极大似然方法。非监督式学习使用了聚类和贝叶斯算法。强化学习使用了马尔可夫决策过程算法。机器学习背后的数学部分来自概率、统计、数学分析以及线性代数等领域。虽然用到的数学较多，但是最计算机7.4万字