骑猪兜风

AlphaGo对李世石的输赢,对AI发展毫无意义

骑猪兜风 2016-03-09 16:02:35    200702 次浏览

AlphaGo对李世石的输赢,对AI发展毫无意义

真的难以置信。并不是因为Alpha Go能否战胜李世石,而是人工智能比预想中走得要慢得多。

那些人机大战的过往

在19年前,学生时代记忆中的“深蓝”,战胜了国际象棋世界冠军卡斯帕罗夫。在那个对计算机懵懂的年代,这是我们对人工智能的初体验。

最近的人机对战应该在5年前,Watson在美国老牌智力问答节目《危险边缘》中,战胜了两位人类冠军。这时的Watson表现出的语音理解能力,就是现在所说的认知计算,这也是人工智能的一种体现。

最后则是现在最引人关注的Alpha Go挑战李世石,无论战局如何,都会带来许多疑问。被美国电影不断题材化的硅基文明向人类的挑战,似乎来得并没有那么快。无论Alpha Go比深蓝要神奇多少倍,计算的能力要超出不知凡几。

但仍免不了,只能在方寸之间的棋盘上,与人类一赌输赢。胜负,真的没有那么重要了。

Alpha Go大战李世石之所以如此引人关注,不是因为它能够代表科技的进步,或是人工智能的未来。而是它占据了电子竞技的版面,造成了超乎预期的关注。

绕不开的大数据和深度学习

但首先必须要承认,围棋比国际象棋确实要复杂得多,毕竟象棋的棋子是越下越少,而围棋的棋盘则是越走越密,这对计算的要求要高了很多。国际象棋的步数完全可以靠计算出来,而围棋除了计算能力,还与个人的思考方式有关。也就是说,与国际象棋人工智能相比,围棋人工智能更像是一个“人”。

Alpha Go能够成长为一个类人的棋手,它的背后也有一些关键的技术。据说,谷歌的Deep Mind团队给Alpha GO输入了海量的职业棋手的对局,而其自我学习演绎的对局数更是达到了3000万局。

这里能够看出两个细节,第一,必然有大数据的支撑,让Alpha Go能够厘清头绪,形成对规则的认知。第二,Alpha Go具有深度学习的能力,自我进化。

确实在本质上,AlphaGo就是一套为了围棋优化的设计周密的深度学习引擎,使用了神经网路加上MCTS (Monte Carlo tree search),并且用上了巨大的谷歌云计算资源,结合CPU GPU,加上从高手棋谱和自我学习的功能。

所以,Alpha Go其实并不是神秘,也不是人工智能的技术创新,它确切的定义应该是不同机器学习技术的整合。它的核心必须是建立在大数据和深度学习两个基础上的。

比如微软的小冰,就符合同样的基础,首先小冰的大数据基础来自于中国7亿网民的积累和大量公开的文献,其次,正是凭借微软在机器学习和深度神经网络上的技术,实现了最终的人机交互。

缺乏应用的人工智能毫无意义

如何去判断人工智能是否成功的表现呢?其实,有一个很简单的方法,当我们感受不到对面的对象是一个机器人时,这个人工智能就是成功的。

从这个角度去看,Alpha Go确实有这方面的潜质,去年10月以5:0战胜欧洲围棋冠军樊麾时,通过策略网络和价值网络来决定棋路,不去计算每一步的可能性,颇有人类棋手的味道。

当然,话说从头,如文章开篇提到的那样,人工智能在19年来,没有给世界带来太大的惊喜,根本的原因,还是离应用太远。就像我当初评价3D打印机一样,没有核心的应用,再强的计算和技术都免不了跑龙套的命运。人工智能的未来到底该是什么样的?

Alpha Go所表现出来的人工智能的技术模型和计算引擎,确实代表了人工智能目前在深度学习方向的进步,这是毋庸置疑的

不过,那些对人工智能最终取代人类生产力的判断,却有些为时过早。索罗斯的“反身性”原理,背后揭示了一个深刻的规则:人不能跳出“人的视角”去验证人。

比如毕加索的抽象艺术,人工智能绝无可能理解格尔尼卡表现出的被炸弹袭击后小城的绝望。所以,首先,对人工智能的理解,必然建立在具体的应用场景中,才有释放光芒的可能。

所以,无论是Alpha Go还是小冰,他们存在的意义,在于展示谷歌和微软在人工智能领域,具有很强的技术积累和人才体系,但他们在应用本身并没有体现出积极的作用。

内容加载中