AlphaGo科學家:圍棋可能性之樹 人工智慧如何破
來源：今日頭條 作者：造就
大家好，我叫默里·沙納漢，是倫敦帝國理工學院認知機器人學教授。大約在六個月
前，我還在Google的DeepMind部門兼職。
今天我來到這裡和大家交流人工智慧，大致探討一下人工智慧的現在和未來。
為什麼AI最近變得如此令人矚目？
為什麼AlphaGo是一個激動人心的里程碑項目？它的局限性在哪裡？
我們如何才能在有朝一日，實現接近人類水準的人工智慧？它的阻礙有哪些？
第212位講者 默里·沙納漢（Murray Shanahan）
倫敦帝國理工學院認知機器人學系教授
DeepMind高級搜索科學家
首先我想說說人工智慧的定義。
可以說，人工智慧是電腦和機器人的架構，可以執行通常被認為需要人類智慧完成的
任務。當然，這個定義又需要輔以其他的解釋，它引出了什麼是智慧的問題。
我所喜歡的對於智慧的準確定義是，智慧是指在多變的環境下實現目標，以及做出適
當決策的能力。
多變性才是通用智慧的關鍵。
然而當前多數的人工智慧，面向的都是特定的應用方向，例如下棋、自駕車、醫療診
斷，或者在相冊中對照片進行標記等。它涉及的是對這些應用有用處的那部分技術，例如
，理解電腦視覺、語言或學習等。
最近有一些報告已經在嘗試量化人工智慧技術對於未來十年的經濟影響。這是埃森哲
公司的一份報告，他們認為，人工智慧有著巨大的經濟影響潛力。許多西方國家的年度經
濟增長幅度在很多方面，將因人工智慧的幫助而比沒有人工智慧時翻倍。
中國國務院最近發佈了一項行動計畫，將致力於讓中國在2030年成為人工智慧領域的領先
創新國之一。
中國國務院最近發佈了一項行動計畫，將致力於讓中國在2030年成為人工智慧領域的
領先創新國之一。
普華永道事務所今年發表的報告也認為，在未來幾十年裡，人工智慧技術對國內生產
總值的貢獻將會非常顯著。
尤其是在中國，這種影響將是最大的。
尤其是在中國，這種影響將是最大的。
為什麼我們對於AI技術的經濟影響力會有如此大的期待呢？
兩個里程碑
現在，我們來看看人類在AI領域所取得的進步，以及所有輿論渲染和期望的理由是什
麼。
讓我們回到歷史上的1997年，20年前，一台名叫深藍（Deep Blue）的IBM電腦打敗了
加里·卡斯帕羅夫（Garry Kasparov），當時的國際象棋世界冠軍。卡斯帕羅夫在這場比
賽中被打敗，這被廣泛認為是人工智慧領域的一個非常重要的里程碑，一個非常重要的成
就。
有趣的是，即使我們能夠造出棋藝達到如此水準的電腦，但是大家依然認為我們沒有
真正實現人類水準的人工智慧。人類還有很多事情是電腦無法企及的，哪怕是非常普通的
日常事務。
此後的二十年來，我們突飛猛進，在2016年，DeepMind的AlphaGo以4：1的戰績打敗
了韓國頂尖圍棋大師李世石，第二年，AlphaGo又成功打敗了中國的柯潔。
這是出乎人們意料的。很多人原以為，要想讓電腦在類似圍棋這種智力博弈中達到專
業級別，需要很長的時間。
國際象棋可能的走法數量非常龐大，但是還沒有大到電腦用純粹蠻力運算解決不了的
程度。
“深藍”破解國際象棋的辦法就是窮舉所有可能的走法，以及對手可能採取的對策，
然後再算出自己的下一步對策等，進而得出一個包含各種可能性的樹狀結構。這個樹狀結
構展開後非常非常龐大。
人類無法用這種蠻力方式來破解棋局。例如心裡想著：“我先這樣走，對方再那樣走
，然後我又這樣走，對方會不會再那樣走？”人類棋手這樣算幾步沒問題，但大體上講，
高手都是依靠自己的直覺判斷以及套用棋譜的能力。
而電腦對國際象棋的處理方式依靠的並不是直覺判斷，也不是套用棋譜，而是利用超
強的計算能力，超快的計算速度，來窮舉這棵巨大的可能性之樹。
但是，由於圍棋的可能性之樹大到遠遠超過了國際象棋，用窮舉的辦法也行不通。
這就是為什麼很多人認為我們永遠造不出具備職業水準的圍棋電腦。即使憑藉當今的
計算能力，依然遠遠不能用蠻力窮舉的辦法來破解圍棋。
DeepMind採用的辦法是設法模仿了這種對棋盤局面進行直覺判斷的能力。如果你有關
注過當時的比賽，就會知道AlphaGo甚至首創了一些新的走法。它贏下比賽的某些走法是
人類的圍棋高手們前所未見的。
AlphaGo有多強？
那麼AlphaGo具體的工作原理是怎樣的呢？
那麼AlphaGo具體的工作原理是怎樣的呢？
和IBM的“深藍”類似，AlphaGo也會搜索這種可能性之樹，它使用了蒙特卡羅樹搜索
法，也就是說，它會在搜尋樹中進行隨機搜索。這是AlphaGo非常關鍵的一種工作方式。
它與深藍的工作方式不同之處在於，它使用神經網路演算法來修剪這棵樹。對於這棵
巨大的可能性之樹，AlphaGo通過削減分支，並使用神經網路演算法限制探索的範圍。
它對龐大的人類專業棋手對弈資料庫進行深度學習，憑藉這個人類專業棋手對弈資料庫，
兩個神經網路得到了訓練。
它對龐大的人類專業棋手對弈資料庫進行深度學習，憑藉這個人類專業棋手對弈資料
庫，兩個神經網路得到了訓練。
其中一個神經網路思考棋盤上的態勢，分析當前局勢的好壞；另一個神經網路則會分
析棋盤局勢並分析專業棋手下一步最有可能怎麼走。
憑藉這些資訊，它可以削減巨大的可能性，從而只去搜索那些潛在的好的招式，因為
它從人類專家資料庫中學到了怎麼走才算是好棋。對於AlphaGo來說，只有當這一步棋對
局勢起到積極作用的時候，它才會去繼續搜索。
它還使用一種稱為強化學習的技術。強化學習是通過試錯法來學習，它會與自己對弈
。AlphaGo利用對人類技法的學習成果不斷地和自己對弈，這會讓它的訓練得到大幅提升
。
AlphaGo本身只是個圍棋項目，然而，從諸多方面來講，AlphaGo真正重要的是它所使
用的基礎技術具有更廣泛的應用，而不僅限於圍棋。
計算能力不是唯一
AlphaGo的能力給人留下了深刻印象，但是人類水準的人工智慧呢？我們在科幻電影
中看到的那些景象呢？
有些作家，例如雷蒙德·庫茨魏爾，曾經預言，人類水準的人工智慧到本紀20年代就
會出現。
他的依據是，先算出人腦的神經元數量然後算出需要多少計算能力來類比它們。再推
斷我們什麼時候能實現那種計算能力，當你推斷出計算能力的增長曲線的時候，例如這裡
顯示的是世界前五百強超級電腦的運算速度，由此可知，有能力模擬人腦所有神經元的計
算能力，會在本世紀20年代出現。
但我認為真正的結論比這更複雜，那麼我來解釋一下理由。
計算能力不是實現人類水準人工智慧的唯一條件，因為我們真的需要清楚如何利用這
些計算能力。
問題在於，人工智慧軟體的進步是否符合硬體的進步，我認為要想實現人類水準的人
工智慧還有很多問題丞待解決。我可以通過再次思考AlphaGo的案例來得出結論。
AlphaGo顯然非常聰明。我們知道它甚至表現出了某種創造力，甚至它的設計師和圍
棋大師也不完全瞭解它在做什麼。
然而，和所有專業的人工智慧一樣，AlphaGo實際上在很多方面又不夠聰明，因為它
能做的只是下圍棋，而如果我們來看一下李世石或者柯潔，他們不僅會下圍棋，也可以做
所有我們都會做的日常事情，比如和他人交談，陪小孩子玩，或是下廚做飯。
這些事情柯潔可以做，李世石可以做，我也可以做，但AlphaGo只會下圍棋。AlphaGo
甚至都不知道日常事務的複雜程度。
為了實現人工通用智慧（即人類水準的人工智慧），我們需要滿足其他一些條件。用英語
表達，就是三個C：
為了實現人工通用智慧（即人類水準的人工智慧），我們需要滿足其他一些條件。用
英語表達，就是三個C：
創造力（Creativity）
常識（Common sense）
抽象概念（abstract Concepts）
我們需要創造力，不斷去嘗試新的可能性，但只有當電腦具備常識的時候才能做到。
常識是理解日常生活中的日常行為結果的能力。我們對我們周圍的各種日常事物以及
它們的工作方式都有一個共同的認知。
比如說你的房子，或者是在街上，我們知道如果操縱它們，移動它們，擠壓它們，會
發生什麼。對社會領域，我們也有共同的理解。
但我們還不知道如何讓電腦具備這種能力，讓它們有能力形成人類所遵從的抽象概念，幫
助我們在新的環境中進行泛化應用。
但我們還不知道如何讓電腦具備這種能力，讓它們有能力形成人類所遵從的抽象概念
，幫助我們在新的環境中進行泛化應用。
要想實現人類水準的人工智慧，就要先實現這些才行。實際上，我不知道我們什麼時
候才能實現這個目標。我認為在這一天到來之前，還有未知數量的概念上的障礙。
在技術奇點降臨之前
然而，假設這一天終會到來，那麼屆時我們將會處於某些人所說的技術奇點。
在那之前，我認為我們不得不開始思考一些至關重要的事情。
我們必須思考由此帶來的技術性失業問題，我們必須思考自身對於技術的依賴。我們
不能過分依賴技術。我們希望確保我們的技術是安全可靠的。
如果真能實現人類水準的人工智慧，那麼這些擔憂將會變得更加深遠。
儘管如此，假設我們真能掌控一切，那麼就有可能為人們的生活帶來非常非常顯著且
有益的改善。如果電腦和人工智慧能夠實現某種烏托邦，那麼我們必須向自己提出一些真
正深刻且重要的問題，比如：
作為人類，我們真正想要的是什麼？
幸福生活的標準是什麼？
我認為這些爭論和問題會超越文化和政治分歧。這些是我們都要去探討的事情。
最後我要說，即使人類水準的人工智慧可能需要很久才能實現，但是專門化的人工智
慧技術現在已經有了，必定會越來越強大，也會帶來巨大的影響。
非常感謝。
http://sports.sina.com.cn/go/2017-10-26/doc-ifynhhay5137138.shtml