Master帶給世界的思考：是“失控”還是進化

標籤：人工智慧

Master在2017年年初以狂勝60局的表現震驚了圍棋界，最後DeepMind官方確認，在圍棋網站上通過60場比賽橫掃中日韓圍棋高手的圍棋程式 “Master”，同樣出自 DeepMind ——這是在AlphaGo 的基礎上，DeepMind 半年來在人工智慧方面的重要進展。

DeepMind 官方發布的總結中寫道，“最激動人心的莫過於 AlphaGo 博弈過程中所呈現出來的創造力，有時，它的棋招甚至挑戰了古老的圍棋智慧。圍棋，這一古往今來最富深謀遠慮的遊戲之一，AlphaGO 可以識別並分享其中洞見。”

如何看待Master或者如何看待人工智慧的驚人巨變，我想這是我們大家所關注和思考的。實際上，隨著電腦的發明，人們一直在探討，這到底會導致什麼樣的人工智慧？一種預見是可以產生功能性的人工智慧，這就是今天有監督深度學習所廣泛取得的成果。還有一種觀點是人工智慧可以模仿人的思維和感情活動，這就是無監督深度學習將要開創的未來。

650) this.width=650;" alt="1.jpg" width="560" height="298" src="http://www.iot101.com/d/file/news/2017-01-06/19ba694b1a066b9323e4debf50d1c06e.jpg" style="border:0px;vertical-align:middle;margin:0px;padding:0px;font-size:0px;" />

下面從三個大方面來分析人工智慧這場大勝帶給我們的思考和背後的意義。

1、技術的進步是關鍵

人工智慧到如今，其實已經有60多年的曆史了，其技術的發展也是起起落落，頗具有戲劇性和代表性。

最早由約翰·麥卡錫等人於1955年8月31日發起的達特茅斯會議，旨在召集志同道合的人共同討論“人工智慧”（此定義正是在那時提出的）。該會議持續了一個月，基本上以大範圍的集思廣益為主，催生了後來人所共知的人工智慧革命。當時在演算法方面出現了很多世界級的發明，其中包括一種叫做增強學習的雛形（即貝爾曼公式），增強學習就是如今GoogleAlphaGo演算法核心思想內容。

然而在之後的很長一段時間，人工智慧並沒有火起來，因為人們發現人工智慧只能做很簡單、非常專門特定且很窄的任務，稍微超出範圍就無法應對。這裡面存在兩方面局限：一方面，人工智慧所基於的數學模型和數學手段被發現有一定的缺陷；另一方面，有很多計算複雜度以指數程度增加，所以成為了不可能完成的計算任務。這些問題導致人工智慧在早期發展過程中遇到瓶頸，直接導致很多人工智慧項目被縮減或取消了。

20世紀70年代決策支援系統概念被提出，然後決策支援系統得到很大的發展。 到了20世紀80年代末90年代初， 決策支援系統又開始與專家系統相結合，形成智能決策支援系統。智能決策支援系統做到了定性分析和定量分析的有機結合，使得機器解決問題的能力和範圍得到了一個大的發展。在這時還出現了人工智慧數學模型方面的重大發明，其中包括著名的多層神經網路和BP反向傳播演算法等，也出現了能與人類下象棋的高度智能機器深藍。隨後在1997年，深藍戰勝國際象棋大師卡斯帕羅夫，讓世人為之震驚。當時的深藍是個龐然大物，重量達1.4噸，有32個節點，每個節點有8塊專門為進行國際象棋對弈設計的處理器，平均運算速度為每秒200萬步。但當時的深藍其實並不能進行真正的思考，是它無窮無盡的計算能力在很大程度上彌補了它的缺陷。

隨著電腦的快速發展，計算能力越來越強大。當更強大的計算能力被轉移到人工智慧研究後，顯著提高了人工智慧的研究效果。由於這一系列的突破，人工智慧又產生了一個新的繁榮期。在更加通用型的功能性方面，機器在數學競賽、識別圖片的比賽中，也可以達到或者超過人類的標準。

我們看到其實在人工智慧早期研究中，因為早期的人工智慧研究更多被定義為數學和演算法研究。到了21世紀，隨著雲端運算和大資料的興起，分布式大規模計算漸漸火了起來，Hadoop就是其中的優秀代表，它可以用不同的機器以並行方式執行子任務，完成大規模的計算任務。2013年底，美國卡耐基·梅隆大學對分布式機器學習系統做了開源發布，並命名為Petuum。這個Petuum是從軟體最佳化角度對Hadoop和Spark等分散式運算系統進行了深度最佳化，在另外一條線上還有其它的科研機構試圖從硬體角度徹底解決馮·諾依曼架構的瓶頸，這就是神經元晶片以及更遠期的量子計算。隨後在2016年，我們看到GOOGLE的AlphaGo 藉助深度神經網路和超強的海量分散式運算能力，戰勝了李世石。

回望人工智慧60年的發展，我們看到技術的驅動是重要的關鍵。從最初的增強學習，機器與外部環境持續互動，通過不斷試錯和累積回報來“學習”到機器學習到AlphaGo對增強學習演算法的探索，開啟了“無窮大”的大門。正是在無數人的研究和努力探索中，在起起伏伏、失望與希望之間尋找著理論與實踐的最佳結合點，實現技術生態和人工智慧之間的平衡對應。

650) this.width=650;" alt="3.jpg" width="560" height="276" src="http://www.iot101.com/d/file/news/2017-01-06/1df4e0c4f95b1dd2f45b93e9106a2fff.jpg" style="border:0px;vertical-align:middle;margin:0px;padding:0px;font-size:0px;" />

2、已知與未知的世界

首先,我們知道實踐是認識的基礎和來源,認識既不是“生而知之”、主觀自生,也不是直接來源於客體,而是通過主體能動地改造客體的實踐活動中獲得。正如恩格斯所說：“人的思維的最本質和最切近的基礎,正是人所引起的自然界的變化,而不單獨是自然界本身”。人類的思維取決於我們對客觀世界的認知，也取決於我們對自身的瞭解多少。

我們把對自身的瞭解分成兩個部分，一部分是“我們知道we know”，另一部分叫做“我們不知道”。比如說下中國象棋，就是我們能說清楚，我們知其所以然，又知其所以然，這個用傳統的人工智慧模型就可以解決它。

當然還有好多問題我們說不清楚。比較典型的就是圍棋，圍棋有一部分能說清楚，而象棋都能說清楚，馬為什麼這麼走，卒為什麼要向前走，圍棋絕大部分一顆白子為什麼要落在這個地方，大師也說不清楚，他會說這是我的棋感。

棋感怎麼來的？這就是AlphaGo的重大貢獻，把棋感當作模式識別來做，你看到這個版面以後，你就應該知道怎麼落子，這個版面就是一個模式。我們可以說，一個圍棋大師下圍棋下得好，不是因為他太聰明了，而是他的模式識別能力非常強，棋子有一點點變化，他就知道未來局勢會怎麼變，緊接著我的策略也要跟著變，這個就是用傳統模型+深度學習來做的，AlphaGo就是這麼做到的。

過去我們說機器沒有情感和意識，但現在這個也能夠用深度學習的方法來類比，至少可以做到表面類比。我們發現人工智慧能做的這麼多，不能做的部分越來越少，有些部分我們人類做不到的，比如沒有任何情緒波動、精力充沛、永不疲倦，這些人工智都能夠輕易做到這一切。

在我們人類未知的世界，都不知道怎麼做的情況下，人類會怎麼做呢？那就是嘗試和探索。我們通過不斷的嘗試和探索，慢慢瞭解和逐漸清晰我們不知道的。把我們不知道的，變成我們知道的，再把它傳承下來。但是受制於當時的各種物質和研究條件，我們對世界的認知總是有一定局限性的。我們對世界的認知好比是一個“圓”，認知的半徑越大，周長就越大，未知的“外部”世界就越大，所以我們的困惑就越多，我們只所以有很多東西弄不明白，正是因為我們始終看到的只是世界的局部，是在我們認知的“圓”裡面看世界。

隨著科技的發展，我們認識世界的腳步會加快，藉助機器和人工智慧，世界在我們面前會越來越清晰，未知的東西會逐步減少。所以，我們為什麼說人工智慧寄予這麼大的希望，原因就在這兒。

3、人與人工智慧的關係

人工智慧的出現並不會讓人類的棋手的水平下降。恰恰相反，它可以幫我們分析和提高自己。在Master 戰勝柯潔後，棋聖聶衛平說道“Master 改變了我們傳統的厚薄理念，顛覆了多年的定式，圍棋遠不像我們想象的那麼簡單，還有巨大的空間等著我們人類去挖掘，AlphaGo 也好，Master 也罷，都是“圍棋上帝”派來給人類引路的”。

人工智慧的發展，大大地推動了社會的前進，深化了人們對認識論問題的研究。人與電腦相比，一般來說，人腦具有處理模糊資訊的能力，善於判斷和處理模糊現象。但電腦對模糊現象識別能力較差，為了提高電腦識別模糊現象的能力，就需要把人們常用的模糊語言設計成機器能接受的指令和程式，以便機器能像人腦那樣簡潔靈活的做出相應的判斷，從而提高自動識別和控制模糊現象的效率。最終人工智慧會變得愈發聰明，它在任何一次情況中所獲悉的改進點都會增強。

人工智慧在某些程度上打破了人類的思維慣性，MASTER下出的一些特別的招法，是很有創造力的，值得我們學習和思考。

人工智慧的未來

我們看到雖然人工智慧在某些方面已經超過了人類，但其本身也是站在人類的肩膀上前進的。

當智能機器可以通過自主學習和探索世界來獲得智能，未來可能出現的變化就是“無窮大”了，人工智慧的未來之路註定精彩。當然這條路，並不平坦，可能曲折迂迴。

面對人工智慧的浪潮，不要害怕不要猶豫，衝上去駕馭它，就這樣！

本文出自 “滴水穿石孫傑” 部落格，請務必保留此出處http://xjsunjie.blog.51cto.com/999372/1889712

Master帶給世界的思考：是“失控”還是進化