人工智能为什么只挑战围棋，还有别的挑战项目吗？ - 生活_【北京联盟】
人工智能为什么只挑战围棋，还有别的挑战项目吗？
/ 作者：admin
北京联盟摘要：
人工智能为什么只挑战围棋，还有别的挑战项目吗？，上一篇：
下一篇： 。好像每次看都是挑战围棋啊 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 网友回复： ~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 网友回复： 围棋复杂 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 网友回复： 国际象棋，中国象棋AI都已经获胜了，围棋是最后一个了。
好像每次看都是挑战围棋啊~~~~~~~~~~~~~~~~~~~~~~~~~~~~网友回复：
~~~~~~~~~~~~~~~~~~~~~~~~~~~~网友回复：
~~~~~~~~~~~~~~~~~~~~~~~~~~~~网友回复：
国际象棋，中国象棋AI都已经获胜了，围棋是最后一个了。
人工智能为什么只挑战围棋，还有别的挑战项目吗？
免责声明：本站文章除注明来源“北京联盟”外的文章均来自网络和网友投稿，著作权归原作者所有。北京联盟不承担任何连带责任！　　大家都知道，刚刚大胜李世石九段的AlphaGo要去打星际争霸了对不对？但是您是否知道，国内科大讯飞的人工智能则在努力成为一名优秀的选手。人工智能真是考试和游戏两不误。　　3月27日，专注于人工智能领域的新智元智库在北京召开成立大会，笔者作为一枚人工智能降临派成员，也去现场观摩一众中国科技大佬，于是就听到国内著名企业科大讯飞的高级副总江涛说到他们在做人工智能考试这个事情。他们的目标是让机器人参加高考能考上清华北大。还列出了目前的成绩单，成绩不错呢，三本已经没问题。他说未来要PK掉99.9%以上的人类！　　笔者默念：好吧，以后清华北大就让他们机器人去上好了，人类考生还是来我们上海大学吧。然后开脑洞：这下“替考”灰色产业有利好了。所以开发这个项目的目的到底是什么呢？会后，笔者专访了江涛先生。　　观察者传媒：开发人工智能考试系统的目的是什么？只是为了训练图像识别和语义识别？还是有其他产业目的？开玩笑的地说，是替考产业的利好么？　　江涛：首先要感谢观察者传媒一直以来对中国高科技产业的支持，在中国做产业化确实不容易。人工智能考试系统的产业意义大了去了。开发考试机器人，是认知智能的一个典型挑战。计算机在学习这个领域模仿人类，像人一样理解概念理解知识并且能够自我学习。　　观察者传媒：所以说，考试项目和围棋一样首先是一个人工智能的自我挑战项目。比写唐诗更有挑战意义吗？　　江涛：这个要这样说。我现在谈的人工智能主要是“弱人工智能”，而非“强人工智能”，也就是可以具有创意、情感、想象力的智能。现在对人脑的研究还达不到支持开发人工智能的能力，那种只存在于科幻电影里。　　弱人工智能的第一层典型是感知智能，包括您说的图像识别，声音识别。这个和人类的语言能力无关。产业目的主要是替代人类的体力劳动。比如无人驾驶，比如工业生产线上的机器人。　　第二层是“认知智能”，基础是对人类的知识存储、神经元系统的模拟。它具有概念和推理能力，可以自我学习。比起感知智能，认知智能的产业意义是替代人类的部分脑力劳动，比如医生文员律师，甚至CEO的部分工作也可以被代替。以家庭教师来说，知道哪些知识孩子具备，哪些知识孩子不具备并教给他，这是认知技能，可以由机器替代。但因材施教、点亮孩子的心灵，启发想象力，这些人工智能还做不了，无法替代。再拿律师来说，记住法律条款，判断在什么情况下适合什么条款，这些人工智能都可以做到。但是精彩的法庭辩论人工智能就不行了。　　观察者传媒：嗯嗯，代替律师和文员，听起来不错（坏笑）。就考试人工智能来说，如果说产业化，首先是可以代替人类阅卷是吗？很好奇阅卷机器人打出的满分作文或者0分作文是啥样的。　　江涛：人工智能能够阅卷，仅仅是能够考试前面的一个必须的过程，就像你会跑之前必须会走一样。人工智能高考项目，主要是为了表达自己的综合能力。考试是很难的。到时候验收的时候，把试卷扫描进机器。难的地方在于语义理解，一道题到底什么意思？题中带有图形就更难认知了。　　观察者传媒：期待你们未来搞一次公开的考试大战，让考试狗和高考状元一起答题~期待未来继续交流。　　江涛：谢谢，以后多交流。　　（观察者传媒余亮采写）　　以下是新智元整理的江涛演讲全文：　　科大讯飞江涛人工智能的三大挑战　　日，在新智元超智能时代新书发布会，新智元智库成立大会暨新智元基金启动仪式上，科大讯飞作为战略合作伙伴参与了这次大会。科大讯飞高级副总裁江涛在大会进行了主题演讲。　　江涛说，前两轮人工智能的高潮和中国没有太大关系，但是在新一轮人工智能爆发的前夜，中国有很多科学家、工程师和企业已经做好准备，和世界同行走在同一起跑线上，未来人工智能大的变革中一定有中国的一席之地。　　而要完成人工智能使命，我们必须解决人工智能的三大挑战。江涛从计算智能、感知智能和认知智能三个因素，以产业界的角度进行了解答。　　以下是科大讯飞江涛的发言全文。江涛：尊敬的李院士，各位专家，各位嘉宾，下午好！　　最近人工智能比较火热，我被问的最多的问题是人工智能未来会不会威胁人类？未来会不会有一张天网统治地球？这些都是关于人工智能和人类PK，也就是人工智能如何替代人类的问题。但我更愿意把这个问题解读为：现在阿尔法狗取得的成果是人类在机器的帮助下突破了自己的极限，就像一百多年前我们发明了汽车，突破了我们跑步的极限一样，人类现在通过机器突破了自己下棋的局限。　　这之间大家比较关心的是人类和机器之间的挑战的问题，我今天跟大家分享一下。在这之前，先回顾一下人工智能发展的历程。刚才李院士提到达特茅斯会议。达特茅斯会议之后，人工智能获得了高速发展，到了1970年，当时50多个数学原理中有30个能用机器来证明，大家都觉得再过10几年它就能把所有的原理都证明完了，但实际并不是这样。后来，随着Hopfield网络和BP算法的出现，人工智能又重新抬头，包括日本在内的国家，都雄心勃勃地提出第五代计算机的人工智能计划，但后来也出现了停滞。当下这一轮人工智能的爆发，它的技术除了深度神经网络，更重要的是云计算、移动互联网带来的大数据超大的运算能力。这一轮人工智能的爆发是真正的产业爆发，是能够进入千家万户带来很多产业变化的爆发。　　前两轮人工智能的高潮和中国没有太大关系，但是在新一轮人工智能爆发的前夜，中国有很多科学家、工程师和企业已经做好准备，和世界同行走在同一起跑线上，未来人工智能大的变革中一定有中国的一席之地。　　人工智能比想象的要来的快。这是Gartner的预测，2018年超过三百万员工要向机器人老板汇报工作。看起来很吓人，但这完全是有可能的。未来我相信不只三百万人的工作要由机器管理调度和评价，其实这就是向机器老板汇报工作。　　麦肯锡也做了一个研究报告，认为45%的人类活动工作是可以由机器来替代的。图右是进一步的分析，哪些工作是可以被替代的。坐标图中横轴是每个小时的工资，纵轴是可替代的比例，大家看到有不同的点，未来几年，CEO的工作每小时的工资是非常高的，但也有20%的工作会被机器替代。而文员、速记员之类工作更大的比重会被机器替代。当然，有一些脑力和体力复合的工作，反而替代率不是很高，比如说园丁的工作只有20%被替代。　　德勤也出了一个报告，认为认知技术未来会成为80%世界百强的标配。Science也讨论了这个问题，认为到了2045年机器会替代人工的工作。我们现在就业率是60%，在这个基础上可能会降到50%，有很多工作会被机器替代。　　机器替代人的工作是好事还是坏事呢？至少孙正义觉得是好事。他提出来了一个孙正义公式。中国GDP已经占到了全球第二，我们大量承接了全球的产业转移。现在中国产业工人的年薪大概是四万左右，承接中国转移的越南这些国家是两万左右。孙正义说如果未来日本做出三万台工资达到这个水平的机器人，这些机器人24小时工作，相当于给日本增加九百万就业人口。在2050年，日本有可能击败中国重新取得全球第一GDP的位置。　　作为人工智能的从业者，我们也感受到这一份沉甸甸的压力。未来人工智能的竞争，一定程度上是大国与大国之间的竞争，决定中国在整个世界的国际地位。　　正是因为人工智能如此重要，世界各国都把人工智能作为未来非常重要的发展方向。除了现在正在进行的深度神经网络的研究以外，对人脑的神经网络深度的研究，包括奥巴马在白宫发布的大脑活动图谱计划、欧盟发布人类大脑项目计划。我们中国相关的人工智能计划也列入了国家计划。　　前面讲到了三个典型的领域，计算智能、感知智能、认知智能分别正在进行人和机器的挑战。计算智能领域最典型的挑战是从象棋到围棋，棋类的挑战。　　96年曾经有过有一件有意思的事情，那就是深蓝计算机战胜了国际象棋大师加里·卡斯帕洛夫。围棋的棋盘比象棋的棋盘大，难度更大，所以过了20年，人工智能才在围棋上取得突破。围棋的棋盘是19X19，一共是361个点，每个点有三种状态，3的361次方，加上下棋的顺序是361的阶层，这个乘起来是什么数字呢，10的100多次方，比全宇宙的原子数还要多。人类的计算并不是穷举所有的可能性，那样所有的计算机加起来都不够，而是真正的通过搜索和评价网络等等，把它压缩在有限的空间里，进行运算和决策。　　阿尔法狗战胜了人类，标志了在计算智能，在下棋这种在确定的规则和确定的评价手段、确定的目标领域，计算机已经战胜了人类。　　另外，在感知智能领域典型的项目是无人驾驶汽车，像人一样能够感知外界的变化，它不完全是感知智能，也涉及到一些计算智能。但是最核心的环节就是感知智能。感知智能目前在什么现状呢？在结构化的环境下，或者说可预测的环境下，机器和人差不多了。在非结构化下机器和人差的很远。例如高速公路就是结构化环境，而沙漠环境则属于非确定结构，如果把谷歌的自动驾驶汽车放到沙漠，或者说放到中国的农村土路上就跑不起来。目前感知智能的挑战中，机器在结构化的环境下已经逐渐达到人类的水平。　　比感知智能更有意思的是认知智能，也就是对人类的理解、推理、学习这些高级认知活动的模拟。认知是人类自然语言系统的基础，在此之上，形成概念上的逻辑推理。在这方面，IBM的Watson做的不错，用的比较传统的技术，即知识图谱的技术，这在相对窄的领域内可以表现的比较好。　　但是更宽的领域，当前最热点PK是人和机器关于考试的PK，这个挑战中间，现在中国，美国和日本走在前列，美国由华盛顿大学图灵中心在做，目标是在美国高中生物考试中超过人类，这个图灵中心目前由保罗以及由微软的联合创始人支持。日本方面，是由日本国立情报研究所带队的团队做的，目标是2021年让机器人考入东京大学。日本高考九百分，考上东京大学至少六百分，据说目前机器人至少考到三百分。　　中国的则是科技部的项目，类人答题项目，让计算机考上一本。在高考领域PK掉80%的人类，我们希望机器人十年之后考上北大、清华，PK掉99.9%以上的人类。　　这个课题要解决的核心问题是什么？语言理解、知识表示、联想推理、自主学习。文科的题目容易一点，理科的题目尤其是读图非常难。现在有哪些阶段性成果呢？第一个是口语翻译，人工智能已经达到六级水平。科大讯飞参与年翻译比赛中拿到第一名。　　口语测评已经替代老师了，广东省高考有口语考试，2012年是人工考试，请了一千多个老师人工打分，时间长，强度大，后来实在是没有办法，就在全球范围内找相关的技术替代人工，科大讯飞的相关度和平均误差的各个层面，计算机准确度都已经超过了人类。　　另外，开放式的主观评价可以为计算机四六级打分，老师打分以后机器再过一遍，机器打的分数四万多份。另外一万多份机器和人打分不一样，结果78.6%、93%、88%、93%都是机器打的更准，在这个领域已经超过了国家级的评测员。科大讯飞发布了讯飞超脑的开放平台，把我们这些成果开放给业界伙伴。　　过去一年中开放平台总用数从4.4亿到7亿，日均交互数从4.8亿达到14亿，第三方开发者从4.3万去年年底增加到11万。整个智能硬件创业也是发展非常迅速，有更多的开发者参与，整个人工智能产业生态会蓬勃发展起来。　　未来几十年是人工智能大的产业周期中面临的巨大产业机遇，未来五到十年人工智能像水和电一样进入我们生活的方方面面，会成为一个重要的基础设施。这其中一定会诞生出一些伟大的公司，我相信中国很多公司就有这样的机会，讯飞也有这样的机会。　　谢谢大家！　　作者：观察者传媒余亮来源观察者网)人类围棋 1:4 败给机器，关于人工智能本身，这里有八个你可能感兴趣的问题_智能_好奇心日报
社交账号登录
新用户注册 上传头像拖拽或者缩放虚线框，生成自己满意的头像预览 忘记密码
设置新密码
智能人类围棋 1:4 败给机器，关于人工智能本身，这里有八个你可能感兴趣的问题
马若飞 崔绮雯
我们不谈围棋，只谈人工智能
围棋世界冠军李世乭与 AlphaGo 的最后一盘比赛，执黑先行，历时五小时，终于在第 180 手投子认输。
在这场连战五局，持续了一周的人机围棋比赛中，李世乭只拿下了一盘，总比分 1:4 输给了 Google 的人工智能算法 AlphaGo。
可以预见，以后谈到计算机如何厉害的时候，被用了快 20 年的 IBM “深蓝”打败国际象棋冠军的例子，将会变成 AlphaGo 这场比赛的胜利。
最近一周，你肯定已经被各种棋盘解读、“人工智能如何打败人类”的分析或者搜狗的离奇营销刷屏了。
不过抛开围棋界和计算机领域的专业词汇，Google 到底是怎么做到的？围棋胜出究竟有什么意义？而这次人工智能的胜利，对于每个人来说又意味着什么？
我们请了人工智能领域沉浸已久的研究者和作家，试着用更加简单的方式回答上面的问题。
好奇心日报：跳棋、国际象棋、围棋……为什么棋总被当作人工智能的发展标志？
乔纳森·谢弗：因为规则是固定的，每步棋子可能性是有限的，下棋的能力有分数可以评估，还有人类的对手可以和程序对垒……所以研究人工智能的先锋们总是把棋牌游戏当做是人工智能测试的最完美方式。
而围棋被看作是对计算机最有挑战的一种比赛。
乔纳森·谢弗（Jonathan Schaeffer）：加拿大阿尔伯塔大学的教授，他带领的团队曾经写跳棋程序 Chinook，后来也写过国际象棋的人工智能系统。
好奇心日报：计算机战胜围棋世界冠军和之前战胜国际象棋大师、跳棋冠军有什么不同？
乔纳森·谢弗：跳棋的对弈有“10 的 20 次方”种落子可能，计算机在这种场合上使用简直完美。国际象棋有“10 的 45 次方”种移动可能，国际象棋还没有被计算机完全搞定，计算机在这方面已经是“超级人类”的存在了。
至于围棋，有超过“10 的 100 次方”种落子可能。直到几个月之前，电脑围棋都比人类弱很多。
好奇心日报：谈及 AlphaGo 的能力，“深度学习”可能是出现最多的词，但这个词到底是什么意思？
乔纳森·谢弗：你可以把它想象成一个带有点和连接的网络吧。就像一个地图一样，我们假设城市是点，然后连接是路。
我们来假设这地图上的连接会动态变化。例如，本来从 A 到 B 点只需要走 10 分钟，但现在看着这条路的实时路况，系统自动调整了时间，例如上下班高峰期 13 分钟，其他时间 9 分钟。这就是一个学习的例子。更进一步说，这个网络还可以建新的路，所以 A 和 B 之间的最佳路径还可能会改变。
对应到 AlphaGo 上，每一个“城市”就是一个知识点，他们之间连接的“路”就是知识与知识之间的连接。想象使用一个地图在城市中导航，每个城市的计算价值，是连接它的路数量的总和。同样的，一个知识点的价值，也依赖于它的连接情况。
当我们看纸质地图的时候，这个地图是二维的。然后想想两张地图叠在一起，在地图上不同的连接也交织着。AlphaGo 使用的是十三层的网络，所以也能让不同的知识点有更多连接的可能。
在一场围棋比赛中的特定时刻，有些知识点会使用，而另一些则不会。就像是你能去某一些城市，另外一些则禁止你入境一样。知道这些信息，会改变“城市点”的连接情况，更会改变这个城市的连接价值——这也就是每一个棋步的来源。
凯文·科伦：深度学习就是一种人工智能学习技术，通过把大量数据“喂”进系统，尝试自己建立模型，通过模型自己做决定，就像我们现在认为的人类大脑工作的原理那样。
所以说，深度学习是通过审视记忆来做出决定的，因为 AlphaGo 已经看过那么多的例子，接下来深度神经网络中会自动权衡重要性然后进一步做出决定。
好奇心日报：目前有很多围棋人工智能，比如 Zen、Crazy Stone 以及 Facebook 的 Dark Forest，它们和 AlphaGo 相比如何？
凯文·科伦：一些其他的围棋人工智能系统也在对阵弱一些的人类棋手时赢过，但没有一个能够真正比得上 AlphaGo。
凯文·科伦（Kevin Curran）：英国阿尔斯特大学计算机科学教授、IEEE 安全技术专家，专门研究计算机网络和系统。
好奇心日报：你觉得 AlphaGo 的算法和人脑还有什么差别？
凯文·科伦：现在打败了人类最厉害围棋手的 AlphaGo 只是一次测试的项目。人类围棋选手可以随便转向某个观众，然后展开一段有意义的对话，但现在全球上最好的自然语言系统，比如 Siri 依然没法和人正常对话。
这就是区别，人脑依然还是更加智能。
詹姆斯·巴雷特： AlphaGo 和人的脑袋，大概隔了几个世界这么远吧。
AlphaGo 是狭义上的人工智能，它只能用来下围棋。但我们的脑袋能够做很多不同的任务，人类拥有的是通用的智能。但是，这对于创造一个有具有通用智能的机器人和电脑系统来说，深度学习是很重要的一步。
詹姆斯·巴雷特（James Barrat）：纪录片制片人，曾经为国家地理、探索频道制作影片。他也是人工智能的书作《我们最后的发明：人工智能和人类时代的终结》的作者，这本书采访了科幻大师阿瑟·克拉克（Arthur Clarke）、未来学家雷·库兹韦尔（Ray Kurzweil）还有机器人制造专家罗德尼·布鲁克斯（Rodney Brooks）。
好奇心日报：除了围棋，图灵测试也是大家谈论人工智能进展时常提到的衡量方法，它真的能判断人工智能的水平吗？
詹姆斯·巴雷特：比起围棋测试，图灵测试能够更好地测试人工智能。
当我们谈到智能的时候，我们一般说的是人类的智力。即使是和与世界冠军下围棋相比，图灵测试也是更大的挑战。
凯文·科伦：图灵测试是这么做的：每个参加者都会单独参加，人类裁判会通过文本问一些问题，如果不能通过回答有依据地分辨出机器和人类，那么受试的机器就通过了图灵测试。
但这个测试并不会检验回答是否“正确”。
图灵检测的是答案和典型人类的思路有多么类似，因为对话是通过文字来沟通，所以电脑是否会真的“说话”并不重要。
图灵测试只测试电脑是否像一个人类，但鉴于人类行为和智能行为并不完全一样，所以这个测试并不能准确地去检测人工智能。
好奇心日报：有种说法是，在计算机原理取得突破之前，人工智能还是有极限的，这是对的么？
乔纳森·谢弗：人工智能已经有很广泛的应用了，每天我们都在用。你用的信用卡，人工智能被用来防止盗刷。你网购的时候，人工智能推测你喜欢什么不喜欢什么。
我们很快也会看到无人驾驶车，这全是人工智能科技。想想看，有人工智能帮我们开车的场景吧，我们坐在后座放松，让电脑干完所有的工作。
好奇心日报：AlphaGo 会让你更害怕人工智能么？这个算法未来能应用到什么地方？
詹姆斯·巴雷特：不会，因为没有必要害怕一个算法。那些会利用强大的算法去伤害别人、获得权力或者去偷盗的人才应该让人恐惧。
AlphaGo 只是让大众更加清醒地意识到这个事情：人工智能是一个强大的，多功能的工具，而且它的能力也在急速增长。
AlphaGo 也扩展了我们对人工智能这十年发展的愿景，它将会比作为一个纯粹的围棋选手更让人激动。
人工智能战胜人类围棋选手之所以重要，是因为它有潜力应用到机器人，科学研究，投资，无人车，战争甚至更多地方。
深度学习系统能够利用有记录的每场战斗作为自己的训练资料，让自己成为一个不错的“将军”。它并不像人类的将军，它可不会睡着或者喝醉。
AlphaGo 之前，放在大众面前最聪明的例子是 IBM 沃森在美国电视问答综艺节目 Jeopardy 中打败人类对手。在那场比赛里沃森轻松听懂主持人说的话，看出当中的双关语并给出答案。
之后 IBM 对沃森的开发一直没有停下来，将它作为自己的未来系统推给合作伙伴。但几年下来，沃森还是没办法胜任最基本的电话客服工作——没人会觉得普通的电话客服比拿了百万奖金的人类选手更聪明。
AlphaGo 的胜利是技术进步的结果。但人工智能和人类智力之间的距离依然遥远。
另一方面，今天一些简单的人工智能被用在方方面面，尽管它们大多长得不像人，也根本不会说话。在担心人工智能造成的威胁之前，我们可以先享受它所带来的福祉。
最后，如果你关心人工智能和人类的智力究竟有什么区别，以及科学家们过去几十年都在做什么。Jeff Hawkins 那本影响了大量研究人员，同时又颇为易读的 （）还是得推荐。
题图来自：
喜欢这篇文章？去 App 商店搜
，每天看点不一样的。
没有更多啦
好奇心微信公众号人机围棋大战背后 是一段你不知道的人工智能史
我的图书馆
人机围棋大战背后 是一段你不知道的人工智能史
人机围棋大战背后 是一段你不知道的人工智能史
总第69期 作者：xukkx
导语：要说2015年至2016年间风靡整个围棋界和人工智能领域的一件大事，莫过于新科围棋计算机程序AlphaGo挑战著名世界冠军韩籍棋手李世石九段了。从赛前的舆论风向上看，除了部分计算机界专家对AlphaGo的获胜充满信心之外，普遍的看法还是偏向于人类顶尖棋手能够战胜围棋计算机程序。如李开复博士曾在知乎表示人工智能若要战胜李世石，还需要1至2年时间的磨练。然而第一天的战果却令大部分人大跌眼镜，经过一场三个半小时的大战，AlphaGo执白中盘战胜李世石，令世人震惊。那么，人工智能经过几十年的发展，究竟到了何种地步？真的可以取代人类智能，达到一个令人类遥不可及的境界了吗？本文通过对人工智能历史的发展的梳理，对此问题做一个简单的探讨。
人机围棋大战现场
一、 人工智能的起源与发展
人工智能，即人类使用计算机对人类智能的模仿，让机器“学会”人类在某一领域的专业技能。早在公元前384-322年，Aristotle在其著作《工具论》中提出形式逻辑。Bacon在《新工具》中提出了归纳法。莱布尼茨(Leibnitz)提出了通用符号和推理计算的概念，这些都是人工智能研究的萌芽。进入19世纪以来，数理逻辑等学科的进展，为人工智能的诞生奠定了基石。布尔(Boole)创立的布尔代数与哥德尔(Godel)提出的不完备理论，以及图灵(Turing)提出的自动机理论，为电子计算机的发明提供了理论基础。1943年，McClloch和Pitts提出了MP神经网络模型，开创了人工智能中的重要领域——神经网络的研究，1945年随着ENIAC电子数字计算机的诞生，人工智能得到了不断的发展和应用。如今，人工智能已经渗入了普通人生活的方方面面。比如在人们网购的过程中，网站可以通过用户浏览网页的习惯来“猜测”其可能感兴趣的商品，并推荐给该用户，这项技术就使用到了人工智能中重要领域“机器学习”中的重要方法。而机器学习中的重要算法——神经网络，则与本文的主角AlphaGo围棋程序息息相关。
二、 为什么围棋程序是人工智能重大挑战？
早在人工智能发展初期的20世纪50年代，来自IBM工程研究组的Samuel就开发出了跳棋程序，具有初步的学习能力，可以在与人对弈的过程中不断地积累经验，提高自己的棋艺。并且在1959年，这个程序战胜了其设计者本人，1962年，再次击败一位州跳棋冠军。由此可见，通过机器学习人类的棋类游戏并与人类对弈，一直是人工智能应用中的一个很令人感兴趣的话题。早期人工智能学者对于”计算机很快就会战胜人类“这个话题曾经过分地乐观过，60年代初，人工智能创始人Simon等甚至乐观地预言：十年内数字计算机将取代人类获得国际象棋世界冠军。
然而经过深入的研究，人们却发现人工智能所遇到的困难比想象中的多得多，比如，Samuel的跳棋程序在击败州冠军后无法再前进一步。而在国际象棋对弈中，人类棋手可以在每步三分钟的时间限制中，通过直觉与理解，在若干个定式中选择对自己最为有利的下法。对于优秀棋手而言，通常可以通过思考预测到5步之后的情形，而对于电脑程序而言，每行走一步却面临着平均每颗棋子超过30余种选择，合计起来为了预测5步以后的情形，需要考虑下法居然多达1015 种可能，计算机每走一步，则平均每秒需要检查百万种可能的走法，以当时电脑的计算能力而言，走一步棋需要花费三十年时间。可见如果电脑不能通过对棋局的判断来减少行棋的复杂度，仅凭蛮力，程序很难击败人类顶尖棋手。1968年，在得知人工智能研究者John McCarthy和Donald Michie”十年内电脑将击败国际象棋世界冠军”的预言后，著名国际象棋世界大师David Levy与人工智能学者打下一个非常著名的赌注：没有电脑国际象棋程序可以在十年内击败我。赌金为1250英镑。在这十年中，David Levy成功了击败了所有电脑挑战者，并在1978年9月在一场六局对决中，以4.5比1.5的比分战胜当时的终极电脑程序Chess 4.7，从而最终赢得了自己打下的这个赌。
尽管赢下了赌注，电脑却在第四局对局中获得了胜利，这是计算机程序历史上第一次击败人类国际象棋大师。为此，David Levy写道：尽管我在十年前的断言是正确的，然而我的机器对手在这十年中，比我打赌时进步的太多了，从此以后，再也没有会令我震惊的事情发生了（指电脑程序最终击败人类特级大师）。那么，这十年中电脑程序在什么方面取得了进展呢？
剪枝法示意
转机来源于一种被称为“剪枝法”的算法被用于象棋程序的估值函数之中。估值函数，即电脑对于当前棋局优劣进行判断的根据，估值函数根据当前的局面算得一个分数，来判断此棋局是否对自己就有利，最后，选择最高得分的那一步作为自己最终的行棋。如果可选择的步数太多，未经过特别的优化，则会陷入上文提到的穷举困境之中。顾名思义，“剪枝法”就如同剪掉一棵大树不重要的“旁枝”一般，去除掉完全不可能的走法，因故可以减少复杂度，对估值函数最后的选择起到了优化的作用，这么一整套算法被称为“ alpha-beta 剪枝结合搜索树算法”。
随着数十年来算法的不断改进，到了七十年代末，国际象棋程序已经可以击败人类的顶级高手了。1976年，在Paul Masson美国国际象棋锦标赛B级的比赛中， Chess4.7的前身，美国西北大学开发的Chess4.5击败了人类选手，这是计算机程序首次击败人类棋手夺取的人类锦标。到了1982年，计算机象棋程序每秒可估算1500种不同的走法，并击败绝大部分人类棋手。可见，程序所取得的进步并非靠计算硬件水平的提高，而是通过算法上的优化，提高程序鉴别“胜负手”的能力和速度，在一个可行的范围内找出人类棋手的弱点，从而击溃之。最著名的“人机”大战是1997年俄罗斯国际特级大师卡斯帕罗夫与IBM公司研发的超级计算机深蓝(Deep Blue)的对决，深蓝最终的胜出表明人类最强国际象棋特级大师已经彻底被人工智能所击败，从此再也难以从计算机程序手中拿走一胜了。
那么既然人工智能算法在国际象棋上已取得了大捷，基于同样原理的算法能否在更加复杂的围棋中击败人类的顶级棋手呢？答案是否定的，在简单的规则下，标准的19×19棋盘内，共有361个点，大概有10170种下法，而宇宙中已知原子的数量只有1080个，可见围棋棋局之复杂远超国际象棋，这也难怪创建高水平的围棋程序被称为人工智能领域的重大挑战。比较而言，在国际象棋程序中行之有效的“搜索树”（search tree）算法，在围棋程序中的推广却不甚理想，难以和职业围棋选手抗衡。在AlphaGo出现之前，基于传统算法的围棋程序仅能达到业余棋手的水平，远远不能令人满意。而AlphaGo横空出世后，首战即5比0大胜欧洲围棋冠军樊麾二段，展现出不俗的实力。因此，说AlphaGo的出现严重动摇了人类智能在围棋上的垄断，是毫无问题的。那么，AlphaGo及其研发的团队Google DeepMind都有什么亮点呢？
三、 AlphaGo体现了当今人工智能的最高水平
在谈及AlphaGo及其开发团队Google DeepMind之前，必须先简介一下其领导者哈萨比斯(Demis Hassabis)，可以说，在他出现之前，几乎所有研究者都认为在十年内人工智能战胜围棋大师的机会是渺茫的。而在他出现以后，几乎所有人都在惊呼人工智能已破解了围棋这一历史难题，甚至在极短的时间内两次让研究成果上了《Nature》杂志的封面。因此，卫报(TheGuardian)直呼Hassabis就是人工智能领域的超级英雄。我认为Hassabis个人完全配得上这个称谓。
据《卫报》的报道，Hassabis的终生目标就是开发出“通用”的人工智能程序，来解决生活中的一切问题。他分别取得了剑桥大学和伦敦大学学院的计算机科学和神经科学学位。Hassabis称自己领导的项目就是“21世纪的阿波罗项目”，这也难怪AlphaGo在击败了李世石九段之后Hassabis第一时间在twitter对团队的祝贺中用“登月”形容围棋程序击败人类顶尖棋手的意义。而在此之前，DeepMind通过对近期人工智能技术中最热门的一项技术——深度学习网络，加上”强化学习”的方法使计算机通过自学的方式在上世纪七八十年代的雅达利经典游戏中，获得了近乎人类的表现。而这一成果在更早先的时候登上了《Nature》杂志的封面。拥有千年历史的古老游戏与三十年前的像素游戏纷纷被人工智能攻破，恐怕在未来若干年间，人工智能在任何游戏中都强于人类也不会是太令人震惊的事情吧。
以上所有人工智能领域的发展，都离不开一项技术在近年来的突破，那就是深度学习(Deep Learning)，深度学习是传统的神经网络技术的再发展。何为神经网络？神经网络就是人类提出的一套模拟大脑工作方式的计算机算法。人的大脑有100亿个神经元，人类对于环境的感知，对于未知事物的认知与神经元的“可塑性”息息相关，人脑通过对特定的人物或者感兴趣的知识进行“建模”，神经元形成相互连接的“神经网络”，并通过互联神经元的连接强度，即突触权值来储存知识。而所谓人工神经网络，就是将化简后人脑的神经元模型实现于电子计算机之上，从而得到类似于人脑的功能，使计算机可以通过“学习”从外界环境中获取知识。最初等的人工神经网络出现在20世纪50年代末的“感知机”模型，初步展现了人工神经网络的学习能力，后来的研究表明感知机模型只能解决很有限的几类问题。神经网络的最新发展——深度学习方法源于Geoffrey Hinton教授等人三十多年来的不懈努力研究和推广，自诞生之日起，即在机器学习领域中大放异彩，通过深度学习方法训练出来的模型，在某些特别的图像识别和语音识别的任务中，甚至有超过人类的表现。在当下，深度学习方法是最接近人类大脑的人工智能学习算法。那么将深度学习网络应用于围棋程序AlphaGo又与传统的国际象棋程序深蓝有什么区别呢？
据AlphaGo官方博客介绍，AlphaGo采用了一种更加“通用”的人工智能方法，即采用将改进的蒙特卡洛决策树算法与深度神经网络算法相结合的方法构建最终的学习系统。其中，深度神经网络由一个多达12层的包含上百万个神经元节点的神经网络构成，其包括两个部分：策略网络与价值网络。具体的技术细节在此不赘言，仅说说其发挥的作用。策略网络在当前给定的棋局中，负责预测下一步的走棋，并对下一步走棋的好坏进行打分，如果是好棋，就打高分，最终，最高分的走法被策略网络选为下一步棋的走法。而这个最高分如要如何评定呢？此时，现存于人类数据库中的围棋棋谱的作用就体现出来了，对比以往高手对决的棋谱，如果如此走法能得到最终的胜利，那就是好棋，这步就可以评高分，因为以往棋谱的胜负是已知的，反之亦然。在这里，人类历史上的大量围棋起了训练数据的作用，好比老师在“监督”学生做练习，答对了就给高分，答错了不给分。通过对于三千万步人类棋谱的学习，AlphaGo对于人类棋手下一步走棋的预测准确率高达57%(之前为43%)。策略网络的作用好比“模仿”人类棋手的各种走法，以达到预测的效果。
然而仅凭模仿无法击败最顶级的人类高手。因此，AlphaGo增加了价值网络来判断当前的局面，到底对哪一方有利，这一步类似于国际象棋程序中的估值函数，而具体的实现方法却有所不同，象棋程序中需要人工调整估值函数中的权重，以达到最好的效果，甚至需要水平极高的国际特级大师参与调整参数。而围棋程序的局势评估相当困难，只能通过深度学习网络之间自我训练的方法来达到良好的效果。与国际象棋程序相比，围棋好比人类用自己的知识训练电脑，使其达到人类高手的水平，而国际象棋程序则是人类亲自将行棋的方法与逻辑设计为电脑程序，最终由计算机代表人类与人类高手进行对弈。根据Facebook人工智能组研究员田渊栋博士介绍，为了得到合适的价值网络模型，AlphaGo通过自我对局三千万盘的方式训练得到了强有力的价值网络模型，最后再通过传统的蒙特卡洛搜索树方法结合以上两种深度神经网络模型，最终得到了完整的AlphaGo围棋程序。可以说AlphaGo的研发是当今人工智能领域各类技术的集大成者，体现了人工智能技术的最高水平。
四、 人工智能超越人类还要多久？
李世石在围棋人机大战第一盘中的失利，几乎掀起了轩然大波，似乎一夜之间人工智能已经战胜人类智能，甚至人工智能完全超越人类智能的那一天似乎也不会遥远了。为此，需要对“人工智能”的概念做一个简单的澄清。
对于人工智能的看法，一直分两派不同的观点，一派是强人工智能，即通过不断地发展机器终将获得类人的自我意识，最终通过不断地自我进化获得远强于人类的智能水平。而另一派则认为人工智能只是对人类劳动的接管，仅在部分领域超越人类，全面超越人类智能只是一个梦想而已。
从目前的研究现状看，强人工智能的研究几乎陷入了停滞，远超过人类智能的强人工智能是否存在依然是个很有争议的话题，更不要说具体的研究方向了。而主流的机器学习技术，依然集中于对人类技能的学习，并通过学习的成果来解决实际的问题。比如说围棋程序AlphaGo，尽管比起国际象棋机器深蓝进步很大，然而本质上依然是在给定规则具体游戏上的探究，一旦改变了规则，甚至换不同规格的棋盘，AlphaGo就必须推倒重来，重新搜集相应棋谱来获得棋力了。很明显，这和人类所认识的“举一反三”类型的“创造知识”的智慧是不相符的。如果要问当今的人工智能是否达到了三岁小孩的智力水平，那也是一件无法比较的事情，因为通过不断地训练机器可以在特定技能上完胜小孩子，但是在一些看似简单的学习上，小孩子需要花费的精力却远小于机器。比如拿起桌子上的杯子喝水，对于小孩来说很容易学会，对于智能机器来说，却是件连问题是什么都很难描述清楚的事情，更不要说自主学习了。因此，在未来很长一段时间内，所谓人工智能，依然只是对人类技能的补充，好比工具，是对人类智慧的拓宽，即“机器使用人类的知识战胜了人类”，而远非到了远超人类智慧的地步。
当然，人类对于智能的理解还很浅。就拿上文所提的深度学习举例，虽然在实用中获得了广泛的应用，然而人们对其背后的数学机制依然不太清楚，不知道机器做出结论的依据是什么，甚至连Hassabis本人也说不清楚AlphaGo的棋力到底几何。或许直到人类对“智能是什么”这种问题的本质了解透彻之时，对于“人工智能能否超越人类”这个话题才能得到令人满意的答案吧。
馆藏&141422
TA的最新馆藏[转]&[转]&[转]&[转]&[转]&[转]&
喜欢该文的人也喜欢