超越围棋，人工智能的发展与前景——从AlphaGo到国产狗绝艺系列评论之四
来源：知乎 逝水 2017-03-27
发明了围棋的中国能否期待人工智能驱动科技复兴？
目前的机器学习，人工智能和普通人理解和期望的『人工智能』可以说都不是一个东西，让机器像人一样思考是很困难，人可以非常灵活的针对盘面情况调整策略，但是让机器做到就很难。围棋AI已经是一个精心设计的极为复杂的系统，牵一发而动全身，仅仅是动态调整一下权重都很不容易实现。能够实战中战胜人类定级高手的AI需要灵活的平衡使用各种技术，相当不易。但是，即使是围棋，虽然说难度很大，但毕竟是一个规则明确，胜负判定简单的信息完全对称的博弈游戏，我们生活中随便一个问题都很可能比围棋要更难以解决，比如，你去菜市场买菜时的讨价还价过程，情人之间的眉目传情，AI解决和理解起来可就没那么容易。
通过AlphaGo与李世石的比赛、绝艺与一力辽的比赛，围棋重新成为身边几乎所有人谈论和感兴趣的事情，在我印象中，上一次恐怕还是聂卫平时代。这真是一件非常好的事情。
对围棋本身，影响是巨大的，AI能否有助于棋手训练？能否人机结合进行比赛？这些都是有趣和有价值的问题，有待我们继续探索和解决。即使强如AlphaGo进化版的Master，显然还有许多进步的空间。就拿其中最值得思考的所谓战略思维能力，或者说阴谋诡计的能力来讲，现在的人工智能完全不能做到，甚至看不到如何实现的可能。具体来说，就是Master这样的AI在面对大劣势时，完全不会应对，AI只知道依据概率赌博对手出现弱智级别的失误，这样自己好一挽狂澜。可是人就知道搅乱局面，试图在混乱中等待和重新创造机会。这种思考问题的方式就是能够跳出问题本身的智慧，这才算是真正的智能，现在的AI本质上还只是算的够多够快而已。
基于概率的所谓人工智能程序，对于解决封闭式的对称博弈问题会很有效，但是对于更加复杂的问题，哪怕看起来只是生活中我们觉得很简单的小事都会束手无策。我是电子工程系的，深度学习主要属于计算机领域，我们系就更倾向于从信息本身思考和解决问题。有一个经典的火鸡问题：
前99天，每天早晨火鸡都能吃的很爽，第100天被砍头了。站在火鸡角度，不管是基于大数据的概率分析还是其他各种模型，再多层的深度神经网络都没法解决这个问题，因为你永远学不到砍头这件事，学到这件事的火鸡又都死了，没法把经验传递出来。要解决这个问题，必须从系统中跳出来，观察其他的阿猫阿狗，然后通过联想学到知识，这就是自顶向下的战略思维能力。
虽然如此，深度学习为代表的人工智能浪潮进展极为迅速，许多在去年比赛时我们对技术进步的期望，都已经实现。比如，当时我写到：
人类的学习能力非常强，往往很少的样本就可以，当然也因人而异。这有一个比较基准的问题，人有之前几十年的各种经验，计算机没有？那么能不能让计算机也有？比方说，这次阿狗经过训练的神经网络，在解决其他问题时能否直接利用？如果能，那么就可以不断的积累经验，能力会越来越强，而不是是针对每一个规则和场景，都要重新训练网络。至少能否部分的复用？这对于人工智能的发展就非常有意义。
就在3月份，Google DeepMind 又发表了一篇重要文章（《克服神经网络中的灾难性遗忘（Overcoming catastrophic forgetting in neural networks）》），他们开发了一种名为“DNC”（可微分神经计算机）新型神经网络。
图片引自 siliconangel
这个 AI 系统拥有“短期记忆”，可处理复杂的、结构化的数据。它能理解人类编造的故事，从家谱中理清人物关系，还能看懂伦敦的地铁图。
图片引自 newscientist
论文中提到，新的AI系统已经可以解决诸如：
“约翰在游乐场”，“约翰拾起了足球”。当问”足球在哪里？”
这样的推理问题。虽然我们人类会觉得这太简单，可是对于计算机，这很难，不过一旦走出第一步，AI会进步的非常快。
有不少比较乐观的科学家认为计算机的能力在许多方面已经接近人类，全方位超过人类只是时间和投资的问题。不过，我本人并没有如此乐观，我认为还有许多非常大的困难需要克服。
在很多料想不到的领域，深度学习技术同样取得了很好的效果。例如：里皮刚刚带领国足战胜韩国队，就有人建议里皮试试人工智能，因为加州理工日前已经建立了一个神经网络，每个球员都用LSTM建模，包括两个隐含层，每层分别由512个神经元组成。在这套AI系统的帮助下，主教练可以更精准、更明确的找到球队的弱点，而且不用投入大量人力就能得到分析结果。（为里皮献策：国足再进一步，试试人工智能）
根据国内媒体量子位的文章报道：
以一场富勒姆对阵斯旺西的英超比赛为例，当时富勒姆(红色)正在发起进攻，斯旺西(蓝色)一方进行防守。在实际的比赛中，富勒姆将球打进斯旺西的球门。
我们从防守的角度来进行分析：斯旺西还有多少改进空间？
来看看人工智能的答案。这套人工智能系统，基于深度模仿学习，原理跟DeepMind的AlphaGo类似，也是基于数据训练而成的神经网络。
上图中左边是实际的比赛情况，模型预测：斯旺西的失球概率为69.1%。中间的部分，是AI按照英超平均水平模仿出的防守走位(白色)，模型预测：失球概率为71.8%。而右边是基于曼城的数据，AI模仿出的防守走位，这次失球概率降为41.7%。
全球最知名的孵化器Y Combinator，近日举行了最新一期的DemoDay（第24次），人工智能成为最热门的主题。此次DemoDay共有21个人工智能创业项目。主要分布于医疗、金融、NLP、语音识别、计算机视觉等不同的行业和领域。
让我们回到围棋，有人认为：
对机器来说，赢棋是目的，而下棋只是达到目的的手段。人更享受的是美妙的过程。
但是，我们当然也可以把AI修改为更追求过程的完美，但如何做？这就是要看如何定义“美”。
本人非常感兴趣的话题就是，即使AI能够解决这些复杂的问题，那么：
AI能否理解什么是美？
进而，AI能否创造美？
不同的人对美得理解有很大不同，我们中国人会觉得王羲之的兰亭序很美，估计美国人就很难理解。那么，我们如何使用神经网络理解和表达这一事实？
此外，关于人工智能还存在许多有趣而且有争议的话题，比如“通用智能”。人工智能并不是通过模仿人类的智能而获得的，事实上我们现在对人类大脑的机理仍然知之甚少，目前科学家和工程师们正在研究和实现的AI多数都是所谓的弱人工智能，但人们期待或者恐惧的其实是强人工智能，或者说通用人工智能。只有强人工智能 才能通过图灵测试。
如果我们把智能定义为一种理解和掌握万事万物规律和结构的能力，说的学术点就是对数据进行压缩处理和预测的能力，那么“通用智能”可以用“某个人工智能测量在所有可能的环境汇总获得成功的概率”来度量。通用智能完全没有必要非要和人的智能完全相同。
在人类以往的经验中，工具就是人类肢体的延伸，但这对人工智能可能并不适用。人工智能会对人类社会带来极大的冲击，这是汽车、火箭甚至核武器等以往任何发明都不曾具有的，因为人工智能可能创造出一种和人类同等能力的智慧生命，即使不会这样，也会让掌握人工智能技术的国家、企业、个人具有非常明显的相对竞争优势。
有学者指出：
在接下来的几十年中，只有三类人，能勉强对抗AI的冲击，即资本家、明星和技术工人。换而言之，面对步步逼近的人工智能，你要么积累财富，成为资本大鳄。要么积累名气，成为独特个体。要么积累知识，成为更高深技术的掌握者。
正因为如此，任正非先生2016年在国家科技大会上的发言中讲到：
人类社会将演变成一个智能社会，但是深度和广度还想象不到。
虽然未来不可预测，但我们可以肯定的是人工智能技术一定将是非常关键的一环。奥巴马时期，美国政府非常重视人工智能，白宫发布了《国家人工智能研究与发展策略规划》 ；但是进入特朗普时代，美国大大减少了投入基础科学的研究经费，这就给了中国机会。事实上，在2013年到2015年，SCI收录的关于深度学习的论文，文章数最多的并不是美国，而是中国。
2006到2015年间，华人作者参与的顶级AI论文，占全部顶级AI论文数量的比例，从23.2%逐年递增到42.8%。而华人作者参与的顶级AI论文被引用次数，占全部顶级AI论文被引用次数的比例从25.5%逐年递增到55.8%。
所以说，绝艺的出现绝不是偶然的。显然，创造了围棋的中国非常期待依靠人工智能技术驱动，重回世界科技之巅。
绝艺夺冠--从AlphaGo到国产狗绝艺系列评论之一 - 知乎专栏
2016波澜壮阔的人工智能元年从AlphaGo到国产狗绝艺系列评论之二 - 知乎专栏
绝艺的发展历程--从AlphaGo到国产狗绝艺系列评论之三 - 知乎专栏 |
