谷歌“AlphaGo”和韓國棋手李世石的人機大戰(zhàn)塵埃落定，但人工智能的進化之旅才剛剛啟程。人類為何要研究人工智能？人工智能會不會有一天超過人類成為“超級智能”？我們應該以什么樣的心態(tài)來看待人工智能的突飛猛進？

 

　　“阿爾法狗”用3000萬局“自我對弈”數(shù)據(jù)來訓練，靠的是“題海戰(zhàn)術”

 

　　人機圍棋大戰(zhàn)引人注目，展示了人工智能驚艷的一面。

 

　　阿里云人工智能業(yè)務總監(jiān)初敏博士認為，如果看一下背后的技術原理，AlphaGo其實也不是那么神秘，本質(zhì)上與約20年前戰(zhàn)勝國際象棋冠軍的“深藍”計算機一樣，是一個超大規(guī)模的搜索問題。有所不同的是AlphaGo采用了當下非常熱門的深度神經(jīng)網(wǎng)絡，以及深度神經(jīng)網(wǎng)絡跟蒙特卡洛樹搜索算法的結(jié)合。AlphaGo能成功的秘訣在于強大的計算能力和大量的訓練數(shù)據(jù)，互聯(lián)網(wǎng)的普及也把大量圍棋對弈的過程和棋譜電子化了。

 

　　專家介紹說，人工智能的核心是機器學習技術，通過算法使機器能從大量歷史數(shù)據(jù)中學習規(guī)律，從而對新的樣本做智能識別或?qū)ξ磥碜鲱A測。從上世紀80年代末以來，機器學習的發(fā)展大致經(jīng)歷了兩次浪潮：淺層學習和深度學習。深度學習是機器學習的一種，本質(zhì)上就是人工神經(jīng)網(wǎng)絡。它模仿人類大腦行為的神經(jīng)網(wǎng)絡，更接近于人類的學習方式。初敏說，深度神經(jīng)網(wǎng)絡最初是在語音和圖像兩個領域獲得很大成功，目前正被用于更廣泛的領域。AlphaGo的成功再次證明深度神經(jīng)網(wǎng)絡強大的學習能力。

 

　　浙江大學計算機科學與技術學院教授蔡登說，AlphaGo用了3000萬局“自我對弈”數(shù)據(jù)來訓練，對計算機來說這是一個時間比較短的過程。對人來說，即使每局只要15分鐘，可能也要800多年才能下完。AlphaGo利用了全世界最大的谷歌計算平臺，整合大量芯片處理器的計算能力，進行技術創(chuàng)新、整合和優(yōu)化，從算法創(chuàng)新方面對于計算機圍棋有很大意義，對于廣義的人工智能可能談不上太大創(chuàng)新。不過，在這類策略型游戲或是規(guī)則明確的競賽中，機器終將超越人類。

 

　　蔡登說，人工智能的學習方式和人類有很大的區(qū)別。比如一個孩子第一次看到一只狗，告訴他這是一只狗，下一次看到其他的狗時，他就能判斷這也是狗。而目前的人工智能很大程度上還是基于海量數(shù)據(jù)、大樣本的學習，屬于“題海戰(zhàn)術”——它可能要“看”過成千上萬只狗之后，才有辨別的能力。

 

　　互聯(lián)網(wǎng)把人和物都連起來，把所有活動都數(shù)字化，因此“大數(shù)據(jù)+云計算”必然促進人工智能高速發(fā)展

 

　　實際上，與公眾對人工智能的各種“腦洞大開”的想象相比，科學家眼中的人工智能更為具體和現(xiàn)實。

 

　　一般的人工智能被定義為企圖了解智能本質(zhì)，通過模擬、延伸和擴展人類智能，產(chǎn)生具有類人智能的計算系統(tǒng)。經(jīng)過半個多世紀的努力，在很多領域取得了一連串里程碑式的重要突破。比較著名的包括1997年“深藍”戰(zhàn)勝國際象棋世界冠軍，2011年IBM超級計算機沃森（Watson）在美國電視答題節(jié)目中戰(zhàn)勝兩位人類冠軍，當然也包括此次AlphaGo贏了人類圍棋高手。

 

　　這些人工智能理論與技術的突破，成為提升傳統(tǒng)產(chǎn)業(yè)、催生新興工業(yè)的重要支撐技術?；ヂ?lián)網(wǎng)搜索中使用語音搜索已經(jīng)是成熟應用，正在研發(fā)中的無人駕駛汽車也通過傳感器實現(xiàn)對環(huán)境信息的理解，依賴精確的地圖來確定位置。

 

　　初敏說，通過計算得到的讓人感受到“智能”的技術都屬于人工智能的范疇，比如網(wǎng)購時都會體驗到的廣告和智能推薦，在使用智能設備時會用到人機語音交互、圖像識別、視頻理解等等，都是人工智能的成果。未來會有越來越多人工智能應用的場景，包括疾病輔助診斷、智能交通、金融量化分析等等。作為人類智能延伸和輔助的角色，人工智能研究的成果將廣受歡迎，會散布在生活的方方面面。

 

　　人工智能的發(fā)展已是大趨勢。初敏認為，互聯(lián)網(wǎng)把人和物都連起來，把所有活動都數(shù)字化。有了這個基礎，“大數(shù)據(jù)+云計算”必然促進人工智能技術進入高速發(fā)展階段。這個趨勢今天已經(jīng)非常明顯了，而且正在加速發(fā)展。

 

　　研究人工智能的目標不是讓機器完全取代人，更應關注人工智能的“工具”屬性

 

　　過去的二三十年，人工智能已經(jīng)在很多方面超越了人的能力?？茖W家們致力于用人工智能幫助人類，延伸人的能力。專家認為，可以說只要是目標明確的任務，人工智能技術都很有潛力，但還不能也不需要把人工智能跟“類人智能”等同起來。

 

　　初敏說，近年來人工智能在模仿人類的感知能力方面有了較大突破，在語音識別、圖像識別等問題上有了長足進展。但在更復雜的認知層面，例如對于語言和圖像的理解、邏輯推演等方面距離人類還有很大的差距。人工智能之所以會讓部分人感到恐懼，最主要是聯(lián)想起科幻作品里的機器人?？苹猛褭C器“擬人化”，而今天已經(jīng)成功應用的和大批科學家致力于研究的人工智能技術，其目標并不在這些方面。

 

　　初敏認為，把豐富的人工智能技術及應用跟一個完整的人比較沒有太大意義。我們研究人工智能的目標也不是讓機器完全取代人。正如汽車超越了人類的奔跑能力，飛機擴展了人類的飛行能力，今天人工智能已經(jīng)在很多方面超越了人的能力，今后也還會有。但有自主意識、自主情感的機器，今天還沒有出現(xiàn)，是否會出現(xiàn)也是個未知數(shù)。

 

　　蔡登說，人工智能將來是否會像科幻電影中那樣，自我進化掌管世界，應當還比較遙遠。我們更關心的是人工智能的“工具”屬性，可以大大延伸人的能力，解放人類的勞動力，成為人類很好的“幫手”。就像人類制造了飛機和汽車，但你不必擔心未來它們會威脅到你。

 

　　微軟全球執(zhí)行副總裁沈向洋認為，關于人類將會受到“超級智能”的控制，這樣的擔心也很正常。每個歷史階段，每一次很了不起的新技術出現(xiàn)的時候，都會產(chǎn)生這些擔心。但從歷史上來看，新的技術出現(xiàn)，起到的是補充人類自身技能的作用。

 

　　人工智能還無法突破認知和情感，需要向生物智能“取經(jīng)”

 

　　盡管人工智能并不刻意追求和人類完全一樣的智能，但人工智能的發(fā)展毫無疑問能讓機器擁有更高的智能化水平。

 

　　科學家比較一致的觀點是，經(jīng)過60多年的研究，人工智能有突破，但在復雜環(huán)境中如何實現(xiàn)機器智能仍然缺少有效答案。現(xiàn)有人工智能模型與方法的突出特點是擅長處理簡單環(huán)境中的特定問題，而面對復雜環(huán)境的通用問題缺乏有效解決辦法。就模擬人類思維過程和智能行為這兩個具有標桿意義的智能屬性而言，仍然缺乏突破性的成果。

 

　　沈向洋認為，從操縱到感知到認知，我們遠遠沒有想清楚人工智能是怎么一回事。深度學習很了不起，它使語音識別率、計算機視覺識別的誤差率在很短的時間內(nèi)大幅下降。但目前機器對自然語言的了解，并沒有因為深度學習的發(fā)展而產(chǎn)生飛躍性的進步。

 

　　人工智能未來的發(fā)展，在感知這個層面會有飛速進展，而在認知和情感這塊還有很長的路要走。沈向洋說，短期內(nèi)人工智能的突破可能是在“集體智能“，也就是把人類的一些智能通過大數(shù)據(jù)的方式收集起來，然后用幾百萬臺、幾千萬臺機器的運算能力和很好的算法，創(chuàng)造“集體智能”的突破和應用。

 

　　實際上，人工智能所面臨的挑戰(zhàn)非常“微妙”，例如機器與用戶交談時能否像人類一樣流暢、有節(jié)奏，能不能像人一樣微笑、反應、眨眼，并實現(xiàn)細微的面部表情，最終實現(xiàn)自然流暢的互動對話。這些都是人工智能需要實現(xiàn)的目標。

 

　　在研究者們煞費苦心研發(fā)各種功能的傳感器配備給機器時，生物自身“傳感器”的能耐吸引了科學家的注意。生物的眼睛能識別電磁波，耳朵能識別空氣震動，神經(jīng)系統(tǒng)能夠根據(jù)波長和強度瞬間轉(zhuǎn)化為視覺和聽覺，能瞬間把不同波長的電磁波感知為不同的顏色，能把空氣震動感知轉(zhuǎn)換為語言；生物大腦還能瞬間估算出自己重心的位置和腳的著力點，保證自己能夠站立、行走、跳躍。

 

　　人工智能的研究人員因此很早就開始從腦科學研究中尋找思路，近幾年也提出了創(chuàng)造生物智能與機器智能優(yōu)勢互補的混合智能系統(tǒng)。

 

　　蔡登說，所以有深度學習專家開玩笑說：“我們努力想讓機器變得稍微聰明一點，但他們還是有點笨。”