阿爾法狗的升級(jí)版——阿爾法元擁有自我學(xué)習(xí)的能力，只學(xué)習(xí)了三天就打敗了阿爾法狗；沙特阿拉伯王國最近剛授予 " 女性 " 機(jī)器人索菲婭沙特公民身份，使之成為有史以來首個(gè)獲得公民身份的機(jī)器人……人工智能的發(fā)展會(huì)威脅到人類社會(huì)嗎 ? 機(jī)器人控制人類的那一天已經(jīng)逼近了嗎 ?

    大多數(shù)時(shí)候，恐慌來源于大眾對(duì)于技術(shù)的無知。在人工智能科學(xué)家的眼中，目前的人工智能與人類大腦相比，就如同幾個(gè)簡單的符號(hào)與一部小說之間的差距。

                                阿爾法元的成功只是一種投緣

    阿爾法狗在業(yè)內(nèi)的影響力并不像在大眾中那么大。因?yàn)樵谌斯ぶ悄茴I(lǐng)域，每個(gè)方法都有局限性，沒有一種方法是萬能的。等到對(duì)新出現(xiàn)人工智能的每個(gè)部分都有比較清晰的了解時(shí)，它的神秘感也就和現(xiàn)在的這些疑惑和擔(dān)憂一起，煙消云散了。

    阿爾法狗的厲害之處在于結(jié)合了工程和科研兩方面的工作，通過大量計(jì)算資源和工程優(yōu)化將人工智能在某一個(gè)方向推向了極致。它同時(shí)借鑒了十年來大家在圍棋上以及在計(jì)算機(jī)視覺上的點(diǎn)滴進(jìn)展，比如圍棋和強(qiáng)化學(xué)習(xí)方向上蒙特卡羅樹搜索、自對(duì)弈 ( 俗稱 " 左右互搏 " ) 計(jì)算機(jī)視覺方向上像卷積神經(jīng)網(wǎng)絡(luò) ( CNN )等等。 

   

 

    這個(gè)成功有幾個(gè)先決條件：

    其一是模型和問題相互匹配。對(duì)阿爾法狗來說，模型和問題的匹配度非常重要。卷積神經(jīng)網(wǎng)絡(luò)和圍棋非常匹配，所以僅用 490 萬樣本就可以學(xué)到超過人類的能力。

    其二是要身處一個(gè)完全信息透明的理想世界，并且在做出決策之后，對(duì)這個(gè)世界的規(guī)則、變化和發(fā)展有絕對(duì)正確的認(rèn)知。

    第三個(gè)條件就是要有大量的計(jì)算資源。發(fā)表于《自然》雜志的兩篇阿爾法元的文章，無一例外都強(qiáng)調(diào)了對(duì)戰(zhàn)時(shí)所用的資源數(shù)，而有意無意地隱去了訓(xùn)練時(shí)所用的資源數(shù)。后者從文章 ( 及實(shí)驗(yàn) ) 可以推算，大約在上萬臺(tái)甚至更多。這還僅僅只是復(fù)現(xiàn)結(jié)果需要的資源數(shù)目。而作為開拓者，能成功的路線百中無一，那綜合各種探索試錯(cuò)的耗費(fèi)，最后使用的資源更加是個(gè)天文數(shù)字了。

    阿爾法狗能如此驚人地處理圍棋問題，是因?yàn)闈M足這三個(gè)條件，然而人工智能在處理其它問題上，就沒有那么容易了。智能對(duì)話系統(tǒng)就是個(gè)很典型的例子。人類的語言既有基本語法規(guī)則，又有大量打破這個(gè)規(guī)則的例外；既有此時(shí)此境下的約定慣例，又有與時(shí)俱進(jìn)的林林總總的變化。 

    所以說，阿爾法狗在業(yè)內(nèi)的影響力并不像在大眾中那么大。 

                            人工智能還無法與大腦中的神經(jīng)系統(tǒng)相比擬

    腦科學(xué)和人工智能本質(zhì)上都是尋找一個(gè)算法，有效構(gòu)建世界模型。大腦經(jīng)過長久的進(jìn)化，固有自己的運(yùn)行方式，而人工智能則可以在數(shù)學(xué)原理和大數(shù)據(jù)的基礎(chǔ)上獨(dú)立發(fā)展，就像飛鳥和飛機(jī)一樣，找到各自的規(guī)律。

    現(xiàn)實(shí)的神經(jīng)元是由微分方程描述的連續(xù)信號(hào)處理器，有精細(xì)的時(shí)序結(jié)構(gòu)，有電生理、離子通道和神經(jīng)遞質(zhì)受體，有能量供應(yīng)和免疫系統(tǒng)。礙于測量的局限和生物系統(tǒng)的復(fù)雜性，我們現(xiàn)在對(duì)于大腦的單個(gè)神經(jīng)元還沒有完全了解清楚，更不用說大量神經(jīng)元組合在一起的系統(tǒng)了。

    而現(xiàn)有的人工智能算法基本上是和腦科學(xué)相互獨(dú)立的。在各類問題上卓有成效的統(tǒng)計(jì)學(xué)習(xí)方法，比如說線性及非線性擬合方法、最近鄰、決策樹、隨機(jī)森林、支持向量機(jī)等，在大腦結(jié)構(gòu)中鮮有對(duì)應(yīng)。即便在深度學(xué)習(xí)中所謂的神經(jīng)元，也不過是線性疊加及非線性操作的組合，是現(xiàn)實(shí)大腦中神經(jīng)元的極大簡化，簡化到腦科學(xué)家都不承認(rèn)其為神經(jīng)元的程度。

   不過，這兩門學(xué)科之間的確是可以相互啟發(fā)的。比如 CNN 的思路，就和大腦中感視野受限的神經(jīng)元相似。最近，神經(jīng)網(wǎng)絡(luò)之父、加拿大多倫多大學(xué)計(jì)算機(jī)科學(xué)系教授杰弗里 · 辛頓試著用大腦中的柱狀體思路，去改進(jìn)現(xiàn)有神經(jīng)網(wǎng)絡(luò)的性能；也有學(xué)者用統(tǒng)計(jì)學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)的方法，對(duì)大腦中某些神經(jīng)元的行為進(jìn)行建模。

 

                           

    人并不需要恐懼害怕機(jī)器，因?yàn)闄C(jī)器也需要人�，F(xiàn)實(shí)世界無比復(fù)雜，其中暗含著無法準(zhǔn)確預(yù)測的未來。在現(xiàn)實(shí)世界這個(gè)龐然大物面前，機(jī)器和人一樣渺小，也必然會(huì)攜手同行。

    站在業(yè)內(nèi)人士的角度，人工智能還有很多問題沒有解決。比如，我們可以模糊地說 CNN 和圍棋很匹配，或者 CNN 和計(jì)算機(jī)視覺非常匹配，所以放在一起得到了出乎意料的效果。但究竟怎樣才算匹配？什么是 " 匹配 " 這個(gè)詞定量及精確的定義？對(duì)于其它問題，什么是最好的模型，需要用什么樣的數(shù)據(jù)？神經(jīng)網(wǎng)絡(luò)究竟建模了什么，和我們的認(rèn)知有什么區(qū)別？這些本質(zhì)問題都還沒有答案，而且目前看來，不論是從工具上還是從觀念上看，離摸到答案的邊緣還遠(yuǎn)得很。

    二十世紀(jì)初，除了上空有兩朵烏云之外，物理學(xué)的大廈基本建成；與之相比，人工智能可以說是還處在鉛云密布、大雪彌漫的漫漫極夜，人們才隱約看到頭頂黑云縫中有那么一點(diǎn)點(diǎn)的月光。我們只是摸黑摸久了，不習(xí)慣看到光罷了——其實(shí)，太陽還遠(yuǎn)未升起。

    不過，首先基本肯定的一點(diǎn)是，未來世界必然是人與機(jī)器合作，并且逐步融合的世界。在短短十年中，我們都已經(jīng)離不開電腦和手機(jī)，以后如果能有更強(qiáng)記憶、更快推理、更準(zhǔn)預(yù)測的人工智能產(chǎn)品出現(xiàn)，可以幫助人類看得更遠(yuǎn)、聽得更清，大家一定會(huì)爭相使用，并在這基礎(chǔ)之上制造出更好的物品。試想，如果有裝入大腦就可以提高一倍反應(yīng)速度的芯片，那誰會(huì)拒絕？這樣的大潮，無人能夠反抗。

    所以說，與其害怕，不如融入。人工智能你不做，我不做，總有人做，而做出來之后，就會(huì)有極大的競爭優(yōu)勢�，F(xiàn)在基于機(jī)器學(xué)習(xí)的廣告系統(tǒng)已經(jīng)是這樣了——寫好了程序，躺著可以賺錢，而人要做的是如何改進(jìn)它。這和傳統(tǒng)行業(yè)需要不停維護(hù)才能有穩(wěn)定利潤率相比，已是高了一個(gè)境界。以后人工智能做得更好的話，可以自動(dòng)改進(jìn)算法，那又是高了一個(gè)境界。而且這并非幾百年后才會(huì)出現(xiàn)的事情，而是在當(dāng)下就會(huì)發(fā)生的現(xiàn)實(shí)。歷史的列車正在加速前進(jìn)，以前或許還可以小跑跟隨，以后只能搭車借力。

    最后，我不覺得人需要去恐懼害怕機(jī)器，因?yàn)闄C(jī)器也需要人。現(xiàn)實(shí)世界暗含著無法準(zhǔn)確預(yù)測的未來、牽一發(fā)而動(dòng)全身的復(fù)雜聯(lián)系，龐大到不可想象的行動(dòng)空間，以及千億億億種自洽自足的目標(biāo)和意義。圍棋棋枰上的狀態(tài)數(shù)已遠(yuǎn)遠(yuǎn)超過了宇宙中的原子總數(shù)，然而它不過是后院的一張茶幾，和煦春日下的幾粒石子，還有隨風(fēng)飄散的一口香茗。