转载

Master带给世界的思考：是“失控”还是进化

【51CTO.com原创稿件】Master在2017年年初以狂胜60局的表现震惊了围棋界，最后DeepMind官方确认，在围棋网站上通过60场比赛横扫中日韩围棋高手的围棋程序 “Master”，同样出自 DeepMind ——这是在AlphaGo 的基础上，DeepMind 半年来在人工智能方面的重要进展。

DeepMind 官方发布的总结中写道，“最激动人心的莫过于 AlphaGo 博弈过程中所呈现出来的创造力，有时，它的棋招甚至挑战了古老的围棋智慧。围棋，这一古往今来最富深谋远虑的游戏之一，AlphaGO 可以识别并分享其中洞见。”

如何看待Master或者如何看待人工智能的惊人巨变，我想这是我们大家所关注和思考的。实际上，随着计算机的发明，人们一直在探讨，这到底会导致什么样的人工智能？一种预见是可以产生功能性的人工智能，这就是今天有监督深度学习所广泛取得的成果。还有一种观点是人工智能可以模仿人的思维和感情活动，这就是无监督深度学习将要开创的未来。

下面从两个大方面来分析人工智能这场大胜带给我们的思考和背后的意义。

1、技术的进步是关键

人工智能到如今，其实已经有60多年的历史了，其技术的发展也是起起落落，颇具有戏剧性和代表性。

最早由约翰·麦卡锡等人于1955年8月31日发起的达特茅斯会议，旨在召集志同道合的人共同讨论“人工智能”（此定义正是在那时提出的）。该会议持续了一个月，基本上以大范围的集思广益为主，催生了后来人所共知的人工智能革命。当时在算法方面出现了很多世界级的发明，其中包括一种叫做增强学习的雏形（即贝尔曼公式），增强学习就是如今谷歌AlphaGo算法核心思想内容。

然而在之后的很长一段时间，人工智能并没有火起来，因为人们发现人工智能只能做很简单、非常专门特定且很窄的任务，稍微超出范围就无法应对。这里面存在两方面局限：一方面，人工智能所基于的数学模型和数学手段被发现有一定的缺陷；另一方面，有很多计算复杂度以指数程度增加，所以成为了不可能完成的计算任务。这些问题导致人工智能在早期发展过程中遇到瓶颈，直接导致很多人工智能项目被缩减或取消了。

20世纪70年代决策支持系统概念被提出，然后决策支持系统得到很大的发展。到了20世纪80年代末90年代初，决策支持系统又开始与专家系统相结合，形成智能决策支持系统。智能决策支持系统做到了定性分析和定量分析的有机结合，使得机器解决问题的能力和范围得到了一个大的发展。在这时还出现了人工智能数学模型方面的重大发明，其中包括著名的多层神经网络和BP反向传播算法等，也出现了能与人类下象棋的高度智能机器深蓝。随后在1997年，深蓝战胜国际象棋大师卡斯帕罗夫，让世人为之震惊。当时的深蓝是个庞然大物，重量达1.4吨，有32个节点，每个节点有8块专门为进行国际象棋对弈设计的处理器，平均运算速度为每秒200万步。但当时的深蓝其实并不能进行真正的思考，是它无穷无尽的计算能力在很大程度上弥补了它的缺陷。

随着计算机的快速发展，计算能力越来越强大。当更强大的计算能力被转移到人工智能研究后，显著提高了人工智能的研究效果。由于这一系列的突破，人工智能又产生了一个新的繁荣期。在更加通用型的功能性方面，机器在数学竞赛、识别图片的比赛中，也可以达到或者超过人类的标准。

我们看到其实在人工智能早期研究中，因为早期的人工智能研究更多被定义为数学和算法研究。到了21世纪，随着云计算和大数据的兴起，分布式大规模计算渐渐火了起来，Hadoop就是其中的优秀代表，它可以用不同的机器以并行方式执行子任务，完成大规模的计算任务。2013年底，美国卡耐基·梅隆大学对分布式机器学习系统做了开源发布，并命名为Petuum。这个Petuum是从软件优化角度对Hadoop和Spark等分布式计算系统进行了深度优化，在另外一条线上还有其它的科研机构试图从硬件角度彻底解决冯·诺依曼架构的瓶颈，这就是神经元芯片以及更远期的量子计算。随后在2016年，我们看到GOOGLE的AlphaGo 借助深度神经网络和超强的海量分布式计算能力，战胜了李世石。

回望人工智能60年的发展，我们看到技术的驱动是重要的关键。从最初的增强学习，机器与外部环境持续交互，通过不断试错和累积回报来“学习”到机器学习到AlphaGo对增强学习算法的探索，打开了“无穷大”的大门。正是在无数人的研究和努力探索中，在起起伏伏、失望与希望之间寻找着理论与实践的最佳结合点，实现技术生态和人工智能之间的平衡对应。

2、已知与未知的世界

首先,我们知道实践是认识的基础和来源,认识既不是“生而知之”、主观自生,也不是直接来源于客体,而是通过主体能动地改造客体的实践活动中获得。正如恩格斯所说：“人的思维的最本质和最切近的基础,正是人所引起的自然界的变化,而不单独是自然界本身”。人类的思维取决于我们对客观世界的认知，也取决于我们对自身的了解多少。

我们把对自身的了解分成两个部分，一部分是“我们知道we know”，另一部分叫做“我们不知道”。比如说下中国象棋，就是我们能说清楚，我们知其所以然，又知其所以然，这个用传统的人工智能模型就可以解决它。

当然还有好多问题我们说不清楚。比较典型的就是围棋，围棋有一部分能说清楚，而象棋都能说清楚，马为什么这么走，卒为什么要向前走，围棋绝大部分一颗白子为什么要落在这个地方，大师也说不清楚，他会说这是我的棋感。

棋感怎么来的？这就是AlphaGo的重大贡献，把棋感当作模式识别来做，你看到这个版面以后，你就应该知道怎么落子，这个版面就是一个模式。我们可以说，一个围棋大师下围棋下得好，不是因为他太聪明了，而是他的模式识别能力非常强，棋子有一点点变化，他就知道未来局势会怎么变，紧接着我的策略也要跟着变，这个就是用传统模型+深度学习来做的，AlphaGo就是这么做到的。

过去我们说机器没有情感和意识，但现在这个也能够用深度学习的方法来模拟，至少可以做到表面模拟。我们发现人工智能能做的这么多，不能做的部分越来越少，有些部分我们人类做不到的，比如没有任何情绪波动、精力充沛、永不疲倦，这些人工智都能够轻易做到这一切。

在我们人类未知的世界，都不知道怎么做的情况下，人类会怎么做呢？那就是尝试和探索。我们通过不断的尝试和探索，慢慢了解和逐渐清晰我们不知道的。把我们不知道的，变成我们知道的，再把它传承下来。但是受制于当时的各种物质和研究条件，我们对世界的认知总是有一定局限性的。我们对世界的认知好比是一个“圆”，认知的半径越大，周长就越大，未知的“外部”世界就越大，所以我们的困惑就越多，我们只所以有很多东西弄不明白，正是因为我们始终看到的只是世界的局部，是在我们认知的“圆”里面看世界。

随着科技的发展，我们认识世界的脚步会加快，借助机器和人工智能，世界在我们面前会越来越清晰，未知的东西会逐步减少。所以，我们为什么说人工智能寄予这么大的希望，原因就在这儿。

3、人与人工智能的关系

人工智能的出现并不会让人类的棋手的水平下降。恰恰相反，它可以帮我们分析和提高自己。在Master 战胜柯洁后，棋圣聂卫平说道“Master 改变了我们传统的厚薄理念，颠覆了多年的定式，围棋远不像我们想象的那么简单，还有巨大的空间等着我们人类去挖掘，AlphaGo 也好，Master 也罢，都是“围棋上帝”派来给人类引路的”。

人工智能的发展，大大地推动了社会的前进，深化了人们对认识论问题的研究。人与计算机相比，一般来说，人脑具有处理模糊信息的能力，善于判断和处理模糊现象。但计算机对模糊现象识别能力较差，为了提高计算机识别模糊现象的能力，就需要把人们常用的模糊语言设计成机器能接受的指令和程序，以便机器能像人脑那样简洁灵活的做出相应的判断，从而提高自动识别和控制模糊现象的效率。最终人工智能会变得愈发聪明，它在任何一次情况中所获悉的改进点都会增强。

人工智能在某些程度上打破了人类的思维惯性，MASTER下出的一些特别的招法，是很有创造力的，值得我们学习和思考。