深度思考：从深蓝到AlphaGo，了解人工智慧的未来

~

一九五六年发明「人工智慧」一词的美国电脑科学家麦卡锡，将西洋棋称为「人工智慧的果蝇」，意指低下的果蝇是无数重大的生物学实验最理想的实验对象，在遗传学中特别重要。到了一九八○年代末，电脑西洋棋圈几乎已经放弃了这项重大的实验。一九九○年，创造Belle超级电脑的汤普逊公开建议，若要在机器认知上取得真正的进展，围棋可能是更好的目标。同一年，《电脑、西洋棋与认知》（Computers, Chess, and Cognition）论文集里有一整篇谈论围棋，标题是「一个新的人工智慧果蝇？」。

围棋的棋盘为十九路乘十九路，总共有三百六十一颗黑色和白色的棋子，整个矩阵大到无法用暴力法破解，又细致到不可能像人类输给西洋棋电脑那样，因为战术上的失误决定出胜负。在那篇一九九○年的论文里，一个电脑围棋团队认为，他们大约比西洋棋晚二十年。

这个预测最后证实非常精准：二○一六年，也就是我败给深蓝之后十九年，Google资助的DeepMind人工智慧计画，以及从这个计画脱胎出来的围棋程式AlphaGo，打败了围棋世界冠军李世乭。更重要的是（也与预期相符），从人工智慧的角度来说，AlphaGo比任何制造顶尖西洋棋机器的方法更值得重视：它会用机器学习能力和神经网路教自己下出更好的棋，而且使用的技术更复杂，超越了传统的alpha-beta剪枝搜寻。深蓝是一个结尾；AlphaGo只是个开端。

在这一切当中，根本的错误认知不只有西洋棋的限制而已，人工智慧身为电脑科学的新创领域，因而有所限制。图灵梦想的人工智慧，背后的基本假设是大脑本身就是一种电脑，而目标是创造出一种可以成功模仿人类行为的机器。多年以来，电脑科学家一直以这种概念为主。这个类比很容易懂：神经细胞是开关、大脑皮质是记忆资料库等等。然而，撇开譬喻的层次，我们其实没有什么生物学上的证据来佐证这样的类比，而且在探索人类与机器思考的差异时，这个类比反而是一种干扰。

我提议用「理解」与「行为目标」两个词，来突显这些差异。先谈论「理解」：像华生那样可以理解人类自然语言的机器，必须爬梳上百万种线索，才能建立起充足的前后脉络来弄懂语意，同样的语意对人类一看就懂。一个简单的例子：「鸡太热了，没办法吃」，可能指一只禽鸟生病了，或是晚餐需要放凉。然而，即使这个句子本身的语意模糊，人类不可能误判说话的人指的是哪个意思，因为说这句话的前后脉络会让语意清楚。

人类会自然地加上前后脉络，这是我们的大脑采用的一种方法，让它处理大量的资料时不必持续、有意识地弄清楚事情。我们的大脑在背景处理这些脉络，不需要我们主动花费力气，几乎像是呼吸一样不耗心力。实力强的西洋棋手只需要看一眼，就知道某一种盘面适合某一种棋步；同理，你也知道你会喜欢某一种样子的面包。当然，这些在背景中运作的直觉程序有时候会出错，让你陷入不好的盘面，或是让你吃到不想吃的点心，因此当你下一次碰到同一种情况，有意识的大脑可能会多主动一些，对你的直觉再进行评估。

相较之下，机器的智慧能力必须替它碰到的每一块新资料建立起前后脉络。它必须处理大量资料，才能模拟理解能力。想像一下，电脑碰到我们那只热鸡，需要回答哪些问题才能判断问题是什么。什么是鸡？鸡是死的还是活的？你在农场里吗？鸡是可以吃的东西吗？「吃」又是什么？我有一次在演讲中举了这个例子，听众大多数不是英语母语人士，后来有人指出另一个语意模糊之处：在英语里，hot除了指食物的温度，也可以指食物的辣度。

就算是简单的句子，也一样会这么复杂；不过，华生仍然让我们看到，如果相关的资料够多，又能以够迅速、够聪明的方式存取，机器有办法找出精准的答案。正如西洋棋引擎搜寻数十亿种盘面来找出最佳的棋步，语言也能拆解变成各种数值和可能性，用来找出适当的回应。机器的运算速度越快、资料的质与量越好、程式码越聪明，回应就更有可能越精准。

电脑是否能提出问题？这就有点讽刺了：华生在《危险边缘！》节目中击败两位人类冠军参赛者，展现出它的实力，但参赛者在节目中的回应必须以问句来呈现。换句话说，假如主持人说：「这个苏联电脑程式在一九七四年的第一届世界电脑西洋棋大赛中获胜」，参赛者按铃后要说：「什么是Kaissa？」不过，这个奇特的习惯只是这个益智节目单纯的惯例，不会影响机器在15PB的资料中寻找答案的能力。

无论如何，机器输出的答案就足以应付了。机器的效能比人类更好。机器没有任何「理解」的过程，但我们本来就没有打算要让机器「理解」。进行医学诊断的人工智慧程式可以在累积多年的癌症或糖尿病资料里，挖掘出各种习惯或症状之间的关联，来帮助人类预防或诊断疾病。只要机器是个有用的工具，这一切资料对机器而言「不重要」，又有什么关系？

也许没有关系，不过假如你想要建造的新一代机器，是自行学习能力比人类教导它的速度更快的智慧机器，「理解」就非常重要了。毕竟，人类学习母语时不是从文法书上学的。

至今为止的演进方式是这样的：我们创造出来的机器，会遵循严格的规则，来模仿人类的表现。这种机器的表现不佳，而且相当人工、不真实。经过几个世代的最佳化工作，加上硬体增速后，效能就会增强。下一个跃进，是程式设计师放松规则，让机器自己弄清楚更多事情，也让机器自己塑造规则，甚至忽略旧规则。若要擅长某件事情，你必须懂得应用基本原则；若要精通某件事情，你必须懂得何时打破这些原则。这不只是理论而已，更是我二十多年以来对战西洋棋机器的故事。

---

沧县15262861419： 什么样的人工智能击败了职业围棋手 - ？
石卿克林： 由谷歌英国研究团队开发的计算机系统在围棋比赛中击败了职业棋手.作为一种古老的东方棋类游戏,围棋强调策略和直觉.过去数十年,围棋一直是人工智能专家未能攻克的堡垒.然而,人工智能正在这一领域取得重要突破.此前,计算机已...

沧县15262861419： 人工智能时代最难被替代的职业有哪些? - ？
石卿克林： 2016年,Google的AlphaGo战胜了围棋世界冠军,人工智能掀起了一波热潮.人工智能概念,引来各大科技公司的关注,并都大力投资“人工智能”的研发,但对内行看来真正的“人工智能”还有很长的路要走.2018年临近,科技界也在大...

沧县15262861419： 05人工智能怎样改变我们生活kaoni<br?冯俊仁201 ？
石卿克林： 3月份全球最热门的词汇,“人工智能”无疑是其中之一.前不久谷歌AlphaGo与李世石的围棋人机大战,是继1997年IBM计算机“深蓝”战胜人类国际象棋冠军、2011年...

沧县15262861419： alphago为什么那么厉害 - ？
石卿克林： AlphaGo依靠精确的专家评估系统(value network)、基于海量数据的深度神经网络(policy network),及传统的人工智能方法蒙特卡洛树搜索的组合,以及可以通过左右互搏提高自己的水平,这个真的是有的恐怖了有木有. 李世石九段固然厉...

沧县15262861419： 纯自学的AlphaGo到底有多强大 - ？
石卿克林： AlphaGo这个系统主要由几个部分组成:走棋网络(Policy Network),给定当前局面,预测/采样下一步的走棋.快速走子(Fast rollout),目标和1一样,但在适当牺牲走棋质量的条件下,速度要比1快1000倍.估值网络(Value Network),给...

沧县15262861419： 人机大战的三种结果及其影响 人类准备好了吗 - ？
石卿克林： 自从今年1月28日,科技界的超级巨头谷歌在全无征兆下,突然引爆其旗下开发的人工智能ALPHAGO以5比0横扫欧洲围棋冠军的惊天猛料,紧接着又向站在人类族群最顶端的天皇巨星级棋手,坐拥十四项世界冠军的李世石九段发起百万美金的...

沧县15262861419： 人工智能会不会比我们更聪明作文600字 - ？
石卿克林： 不久前,谷歌公司旗下的一个团队研发了“AlphaGo”围棋人工智能程序,与围棋冠军李世石对战.最终“AlphaGo”以4:1战胜李世石.在这个信息科技发达的世界,一些超级发明不断唤起人们的一声声惊叹.人工智能科技便如此.但是,对科...

沧县15262861419： AlphaGo 算法的通用性到底有多广 - ？
石卿克林：AlphaGo本身作为整体没什么通用性,但这套模式是很好用的锤子,可以砸很多钉子.不过嘛,也有局限性,特别是能自动产生标注数据这个大招,不是任何领域都能用的.深度学习倒是个更通用的东西,不过这个也有限制,对标注...