圖片來自softwarecreation.org

●　●　●

在Google人工智能AlphGo戰(zhàn)勝歐洲圍棋冠軍之后，Google有個說法叫做人類最后的智力驕傲即將崩塌，其實我覺得這個說法言過其實，人類最絢爛、最精華的東西遠不是圍棋，例如人能欣賞一則幽默，解決剛剛遇到的一個問題，但機器完全做不到，人類的思維遠不是說因為在圍棋上失敗而失去了一切。

很多人說IBM的Watson機器人（2011年，在美國的電視智力競賽節(jié)目中打敗了人類對手）比人聰明，實際情況并非如此，它做智力測驗比一般人好。設計師事先給它設計一個游戲規(guī)則，類似我們小時候電視上經(jīng)常出現(xiàn)的問答，回答對了加十分。根據(jù)這個規(guī)則，Watson最后得了77147分，得分最高，所以細究一下，高分不一定表示它聰明，當你讓它做一件要求推理的事情時，這個機器就會崩掉，所以我們要跟它比推理能力，而不是簡單的機械記憶。

最近兩年，在拉斯維加斯全球消費電子展（CES）上的自動駕駛也很熱，很多人希望將來我們的汽車也能自動駕駛，但目前的情況是，如果有一天自動駕駛汽車放到你面前，你不會開，因為程序很繁瑣。真正地要機器跟人類的駕駛員那樣高度自動化，目前還遠遠達不到，所以這也僅僅只是一個夢想而已。

有人曾說，未來大概有七百多種職業(yè)，包括速記員、導游、客服、秘書、司機不再需要人來擔任。我想列舉一例，1950年，人工智能剛剛出現(xiàn)的時候，就有人預測秘書會被機器人代替，但從1950到現(xiàn)在，秘書有被機器代替了嗎？所以現(xiàn)在重提將來會有750余種工作被機器代替，這個預測實在太大膽。像客服、導游這么復雜的工作，機器要代替人還非常難。

從科普雜志到時尚雜志都在宣揚機器智慧超越人類，都只是一種假象，人工智能的核心科學難題，50年前到現(xiàn)在還沒有一個解決，以前人工智做不了的事情現(xiàn)在仍幾乎不能做，只不過現(xiàn)在計算機的速度快了，好像看起來有所改進，其實改進不是很大。真正的理論突破沒有，大多只是漸進式工程進步而已。一個最好的例子就是自然語言理解，以前人們希望計算機能夠翻譯論文，現(xiàn)在只能做到大大限制主題后的簡單問答。

人工智能通常包含兩件事情：第一件事情我們首先要了解人類智能的本質是什么，生物體（如人）的智能如何實現(xiàn)。人類在千百萬年的演化過程中，進化出一個非常完善的大腦，所以我們首先弄清楚大腦如何工作，人類智能的本質是什么；第二件事情，我們知道了大腦的工作原理，哪怕只知道一點點，就可按照大腦的工作機制，設計一些算法或硬件來展現(xiàn)智能機器——任何一項做人工智能的研究都包含這兩件事。

人工智能之所以能求解，必須滿足兩個條件：

第一、要求能夠精確定義的問題；

第二、問題的范圍一定要非常有限，能夠被精確定義。

現(xiàn)實的情況是，我們生活中大量的問題，是不能被精確定義的，范圍也不受限，以近日谷歌AlphaGo與李世石九段的圍棋比賽為例，圍棋的黑子白子、格子規(guī)范，棋局設計，用計算機表示它們，均能夠做到。所以對人工智能來說，一定要定義地非常精確，范圍非常有限，只有這樣它們才能大概知道在做怎樣的事情，以及如何做好。

回歸到人工智能研究的細節(jié)上來，人工智能首先研究的是推理，推理很基礎簡單，相當于中學生的幾何題：告訴你已知條件，然后證明出來，如證明兩條線垂直或兩個角相等，這是人工智能研究的早期核心之一。

其次，人有非常強的學習能力，計算機以前不能學習，設定程序后只能按程序做，不會解決遇到的新問題。人類希望它像同自己那樣擅于學習，于是讓它“讀”很多書，“看”很多東西，把“前輩”的經(jīng)驗記下來，于是計算機的學習能力得到提升。

第三個方面，問題的求解，在設置起始狀態(tài)以及最終狀態(tài)后，以最快的速度從這種情況挪到那種情況，何種方式速度最快最好，這是人工智能研究的第三個問題。

第四個問題是規(guī)劃，例如走迷宮，我們需要規(guī)劃一條路線，從這里走進去，從那里走出來，人工智能可以做出這樣的決策。

第五個問題是自然語言的理解，自然語言理解里面一個非常核心的應用是機器翻譯，自然語言理解非常困難，解決這個問題，要比計算機下圍棋打敗人難很多，所以如果機器翻譯搞定的話，我們就不用花那么多的時間學習英語，就可以跟老外順暢地交流，但我們發(fā)現(xiàn)這是很困難的事情。

第六個研究是模式識別，如圖象理解，比如場景是一張圖里有桌子、茶、雕像，還有語音播放，人類的視覺以及聽覺能很好地識別它們。機器的模式識別能力目前在簡單的東西上已做得不錯，如指紋識別、印刷體識別、手寫體識別以及汽車入庫車牌識別都做得不錯，但在復雜的情況下還做不到，仍有局限性，例如車牌識別僅限于車停在恰當?shù)奈恢?，如換成大馬路等其他場景，識別就不好了，所以現(xiàn)在的模式識別做得好的事情屈指可數(shù)。如果要把模式識別研究清楚，未來十年、二十年，我們能夠取得很大的進步嗎？我不敢估計。類似的領域還有很多。

上圖為國際象棋算法示意圖，下圖為圍棋算法示意圖，圖片來自IFENG

人類智能的物質基礎是大腦中的神經(jīng)元。它們大概有1000億個，神經(jīng)元如何工作以及多個神經(jīng)元構造如何工作，研究它們對人類進步的意義很大。今年大腦科學計劃將成為國家未來科學研究一個非常重要的方向。如果把腦科學研究成果跟人工智能程序設計連接在一起，這會給人工智能設計帶來很大的想象空間。

目前，人類的視網(wǎng)膜從解析度上來看已不如高端的照相機，但人的視網(wǎng)膜非常復雜，視網(wǎng)膜細胞收集信息后，將信息投遞到別的細胞中去，這個信息通路的過程也很復雜。不同的細胞收集不同范圍里面的信息，部分細胞能檢測到圖象的邊界。因為有了邊界以后，人類才能看到外面的世界。

很多人說，眼見為實，其實這并不總是客觀的。因為視覺對外界物理信息主動加工，已經(jīng)解釋過一遍，所以說并不是真實的物理環(huán)境和真正的刺激，我們的主觀感知有顏色，但這并不是說自然界真的有顏色，而是我們的主觀感受。但是它會帶來好處，這就是方便我們對整個世界加工，不同的顏色表示不同的物理刺激，我們很容易將不同事物區(qū)分出來，顯然這種主觀標示刺激對我們認知世界有好處。

人工智能的模式識別以及圖像加工程序模擬視網(wǎng)膜細胞，原理與之類似。如果我們能夠模擬大腦的工作機制，寫出程序來解釋人類為什么會產(chǎn)生錯覺，從而有可能接近大腦的工作機制，就會使得我們一步步地接近大腦是怎樣工作。類腦計算是模仿大腦信息加工制造出來的硬件結構或計算程序，它的核心是根據(jù)大腦的工作機制才能做好，這是一個多學科交叉的研究領域，例如心理學、神經(jīng)科學等。通常情況下，設計計算機軟件是針對某種人工智能任務。類腦計算的核心是我們了解大腦怎么工作之后，然后再對它進行模仿。

眼見并不一定為實，繆勒——萊依爾錯覺。圖片來自zhidao.baidu.com

類腦計算的發(fā)展前景以及未來應用都非常廣闊。例如，當人的視覺出現(xiàn)障礙，青光眼或由外傷導致失明，如果我們想對他進行修復，或設計一個模仿機器即可讓他看到世界。事實上，人類的視覺加工神經(jīng)通路很長，如果中間哪個環(huán)節(jié)出了問題，就會影響視力，我們可設計一些視網(wǎng)膜芯片來代替它。對于很多截癱病人，如果能通過芯片植入，將上下神經(jīng)連接起來，使其恢復正常行走或感知，這種應用的社會價值也很大，所以類腦計算跟普通人的日常生活息息相關，未來會有非常好的應用前景，當然它自身需要解決的問題還很多。

對于圍棋比賽來說，每一步我們的選擇會很多，機器同我們一樣，每一步都有很多決策需要決定，但機器每一步棋的結果會一直演化下去，直至得到最優(yōu)的選擇，而且它們這樣做很容易，對人類來說，這并非易事。如果我們將棋局上的每一個點視為一個元素，它可以是1、-1，或者是0，所以每一個點共有三種狀態(tài)：黑、白和空白，這種結點數(shù)量總共有3的361次方之巨，人腦這樣做會有些困難，但人工智能可以把棋局精確地表示出來。

對于機器來說，實現(xiàn)它的效率是一個難點，即用很快的速度或方法找出哪種走步最合適。一個好的辦法是設計一個搜索程序，一個結點、一個結點地走下去，它需要判斷哪一個更好，判斷的依據(jù)來自于后面，而不依賴于前面，所以對計算程序而言，它們總能找到對自己有利的走法，人工智能的這個難點類似人類的歧路尋羊，窮盡所有可能性的方法在機器里面搜索。這理論上是可行的，但實踐上卻不容易。

接下來就是如何提高機器的效率，AlphaGo通過對很多棋譜進行深度學習，并事先對棋譜依據(jù)走法和策略進行了分類，每一個分類對應一個已知的不同策略。在設計過程中，谷歌的AlphaGo可能有一個創(chuàng)新的設計，即怎么表征棋局的當前狀態(tài)和判定假設走步的價值，比如說每走一步，它的價值是什么。這可能是通過對大量以往棋局的機器學習來做到的，它或是基于下棋規(guī)則，或是基于大量棋局與走步的配對。人工智能在每一種情況下，都有一個很好的判定。事實上，這種搜索上世紀50年代就已做到，如今仍在反復使用。

對于李世石來說，AlphaGo的背后擁有一個龐大的團隊，有做硬件的，有設計程序的，還有大量的頂尖棋手貢獻出來的棋譜。棋譜是AlphaGo經(jīng)驗的來源，也是其他大量棋手經(jīng)驗的結晶，所以把這么多人的智慧綜合到一個計算機上，來對付一個人，李世石堪稱雖敗尤榮。

事實上，圍棋是一個規(guī)則特別明確的事情，AlphaGo非常可能針對的不是模仿下棋規(guī)則，而是匹配一定區(qū)域的棋局。如果人類和人工智能比規(guī)則簡單明確的棋類，早晚要輸。

此前兩役，AlphaGo贏了，其實它并沒有真正地理解圍棋的基本原則，它唯一的概念就是布局和布局之間的關系，所以說它的程序學到的東西還很有限，并不像我們想象的那么好，所謂的類推能力是由它積累的海量樣本造成，這方面沒有創(chuàng)新，機器只知其然，不知其所以然。

人工智能發(fā)展到現(xiàn)在的一個現(xiàn)狀是：瞎子摸象。每個人看的東西都是很局部的，但是每個人都認為自己看到的就是人工智能未來的發(fā)展方向，最后大家都沒有達成一個共識。

很多人不愿意承認這種尷尬局面：我們離我們的目標仍非常遙遠，真正的人工智能也離我們很遠。盡管銀幕中的科幻電影有很多人工智能的形象，它們甚至已進化出了人的意識，但這樣的事情在現(xiàn)實世界中還不會出現(xiàn)。生物神經(jīng)系統(tǒng)，特別是高級靈長目動物的大腦，是長期自然進化的結果，我們要對自然心存敬畏，不要動輒就認為它很容易被超越。

（責任編輯 葉水送 徐可）