西周的印紙造文、三國的木牛流馬、希臘古城的黃金機器女仆……吳飛的演講，一下子將人工智能的歷史拉到了2000年前……原來用機器替代勞動的想法古已有之，不得不說古代人民如此智慧！
那么智慧的古代勞動人民究竟是如何定義人工智能的呢？我們翻出國學(xué)經(jīng)典，在荀子《正名》中就提出了“知有所合者謂之智、人知在人者謂之能、人有所合者謂之本正”，形象生動地將人工智能的精髓表達了出來。
俗話說，不識廬山真面目，只緣生在此山中。很多時候，我們過多沉溺技術(shù)，只是通過五花八門的資訊讓頭腦裝滿了人工智能的碎片，卻忘了站在高處，更加全面地思考。
吳飛就是站在更高處，從人工智能的學(xué)科發(fā)展、方法研究以及歷史低谷等幾個角度出發(fā)，把問題剖析得更深刻。
在講到人工智能的“沉浮歷史”時，他旁征博引……從英國人工智能發(fā)展的偏激調(diào)查，到日本“第五代機器人研發(fā)”的功敗垂成，再到斯坦福大學(xué)+谷歌合作帶來的CYC知識系統(tǒng)……我們不禁思考，發(fā)展到今天的人工智能，究竟該如何分類、到底該怎樣學(xué)習(xí)……
吳飛強調(diào)，無論是規(guī)則、數(shù)據(jù)還是經(jīng)驗，我們并不能判斷誰比誰好，誰可以取代誰，其實它們彼此各有優(yōu)點和不足。舉個例子，用規(guī)則教，確實和人的思維非常契合，邏輯很強，但我們確實很難把人類所有的規(guī)則和理念用來指導(dǎo)或者決策整個過程……
探尋新技術(shù)，我們除了了解方法和規(guī)則之外，更重要的還要聯(lián)系實際，現(xiàn)在火熱的人機博弈除了給人們帶來“AI 改變世界”的興奮激動以及“AI 比人類更clever”的精神焦慮外，還有什么特殊的意義嗎？這不，吳飛又理論聯(lián)系實踐，給我們上了一堂“人機博弈”的大課……
以下為AI科技大本營針對浙江大學(xué)計算機學(xué)院副院長、人工智能研究所所長吳飛進行的主題為“新一代人工智能的思考與挑戰(zhàn)”演講所做的編輯整理，部分內(nèi)容稍作刪節(jié)。
今天，我簡單給大家介紹一下人工智能的發(fā)展歷史，以及從人機博弈的角度看人工智能現(xiàn)在以及即將面臨的一些挑戰(zhàn)。
一直以來，人類對人類以外的智能都懷有崇高的夢想。
從西周周穆王的印紙造文到三國的木牛流馬，再到希臘古城的黃金機器女仆……實際上，這三個都是人類自己幻想出來能夠替代人類全部勞動的機械裝置。
事實上，自從人工智能在被寫入規(guī)劃的過程中，大家就都想了解中國的人工智能是從什么時候被提出來的。后來發(fā)現(xiàn)，原來中國的人工智能早在荀子時代，就已經(jīng)提出來了。荀子在《正名》中有四句話表述了人工智能的脈絡(luò)。
荀子說：“知之在人者謂之知”，這里的知就是咨詢的意思。人有視覺、聽覺、觸覺、味覺和壓力這些感知能力，我們會對身體所處的環(huán)境進行多通道、多模態(tài)的感知。
“知有所合者謂之智”，而感知得到的不同通道的多種類型的大數(shù)據(jù)，在大腦中形成概念，形成對象，就產(chǎn)生了智慧。這種智慧的來源，是我們?nèi)藢Υ髷?shù)據(jù)一種綜合的思考得到的一種結(jié)果。
“人知在人者謂之能”，這里講的是人的一些本能。例如，在路上你碰到前面一輛疾駛而來的汽車，你馬上就能感知出來并認知出來這是一輛汽車，而且快速向你沖過來，如果你不做避讓的話，就可能吾命不久矣。那這個時候人們就會開始趨利避害。人類有一些本能，可以做到對感知或者認知的結(jié)果快速地做出處理。
“人有所合者謂之本正”，就可以被理解為是現(xiàn)在我們說的人工智能。就是要把所有從前端感知得到的數(shù)據(jù)，激發(fā)出智慧，再形成與之相關(guān)的行動或者決策。這樣來看，整個人工智能脈絡(luò)就已經(jīng)被清晰得勾勒出來了。
這是我在中國古文中尋找出來的有關(guān)人工智能的蛛絲馬跡。
再看西方，西方就比較講究學(xué)科層面。
歷史上學(xué)科層面的人工智能可不是荀子提出來的。
學(xué)科歷史上，人工智能是由4位學(xué)者早1955年提出來的，其中有兩位是當時非常年輕的，也就是年齡僅僅31、32歲的學(xué)者。一個是時任達特茅斯數(shù)學(xué)系的助理教師麥卡錫，另一個是時任哈佛大學(xué)數(shù)學(xué)系和神經(jīng)學(xué)系的馬文明斯基，他們兩位后來都獲得了計算機界的最高獎項（圖靈獎）。另外兩位分別是信息論之父叫香農(nóng)和IBM第一代通用計算機701的總設(shè)計師羅徹斯特。
1955年的8月，四位學(xué)者給美國的一個洛克菲勒私人基金會寫了一個提案，這個提案中的題目出現(xiàn)了Artificial Intelligence，這也是AI 這個單詞在人類學(xué)科歷史上的首次出現(xiàn)。
建議書中，主要是向美國的洛克菲勒的私人基金申請一筆資金，用于支付十幾個人通過一個半月的工作來完成一個研究。這樣的一筆開支，希望通過建議書得到洛克菲勒的私人基金會的贊助。很順利，這個基金會很快批準了這個提案，但是把提建議書上提出的金額有所縮減。
幾位科學(xué)家說，想做一個AI，這個AI是一臺機器，能夠像人那樣認知、思考和學(xué)習(xí)，也就是用計算機來模擬人的智能。在這個報道中，他們?yōu)榱送怀鲭y點，列舉了7個準備去攻克的難點問題：
1、系統(tǒng)計算機。
2、用程序?qū)τ嬎銠C進行編程。
3、神經(jīng)網(wǎng)絡(luò)。
4、計算的復(fù)雜性。
5、自我學(xué)習(xí)與提高。
6、抽象。
7、隨手創(chuàng)造力。
事實上我們可以看到，列舉出來的七個問題，后三個問題到現(xiàn)在仍然是人工智能面臨的巨大挑戰(zhàn)。
舉個例子，我們說自我學(xué)習(xí)與提高，人確實具備這樣的能。人類從幼兒園、小學(xué)、初中到高中，就已經(jīng)形成了這個能力。參加高考的時候，很多高考題目并不是之前完全做過的，但是人們可以通過運用自己的一些知識和數(shù)據(jù)去處理新的問題。
所以我們很難想象，如果有一個機器人，他也和我們的兒子或者女兒一樣，手牽手坐在了所謂的幼兒園中的課堂里上課，然后經(jīng)歷了幼兒園、小學(xué)、初中、高中的學(xué)習(xí)過程，又去參加競賽和比賽……總之很難想象機器可以具備人的自我學(xué)習(xí)和提升能力。
從1955年提案提出，人工智能就邁上了它的征途，按照當時的提議，人工智能是部分地替代人類的部分勞動。
例如我們制造一個機器，它能夠定義和證明取代人類的某個工作；制造一個機器翻譯，它能替代人類的翻譯家；制造一個專家系統(tǒng)，它能幫人看病、會診等。那時候的人工智能就是按照這樣的思路發(fā)展的，也就是試圖取代人的一部分工作、勞動。
隨著時間的發(fā)展，在這個過程中，人工智能逐漸延展出符號阻力、連接阻力和行為阻力這三種仿人，或者仿腦的思路。
接著上面的話題，講一講人工智能一直以來延續(xù)而生的三種分類。
第一類，語義相關(guān)的人工智能
一直以來我們都給這個類別起了一個不太好的名字，叫弱人工智能。這種人工智能指的音符換調(diào)、導(dǎo)向，也可以說是它實際執(zhí)行的任務(wù)。
由于機器具有很強的記憶功能和存儲能力，它可能在依照葫蘆畫瓢的過程中，比人類畫得更快、更棒，但是它也只能按照葫蘆畫瓢，并不能創(chuàng)作出精美的山水畫。
你提供給它大量的數(shù)據(jù)，它就可以通過數(shù)據(jù)進行一定范圍內(nèi)的“創(chuàng)作”。但這種“創(chuàng)作”是具備導(dǎo)向性的，要和既定的領(lǐng)域相關(guān)，不能算作是跨域機器的人工智能。
第二類，通用的人工智能或者跨域人工智能
人具有很強的舉一反三能力，從一種行為快速地跨越到另外的領(lǐng)域，而不是一味地通過數(shù)據(jù)驅(qū)動或者完成任務(wù)導(dǎo)向式地學(xué)習(xí)。
如果說剛剛提到的第一類任務(wù)導(dǎo)向或者說弱人工智能，是數(shù)據(jù)和規(guī)則驅(qū)動，那么通用的人工智能，則是掌握“學(xué)習(xí)”這個能力。
第三類，混合增強的人工智能
這一類舉例的話，例如達芬奇手術(shù)機器人。
曾經(jīng)在互聯(lián)網(wǎng)流傳一段視頻，達芬奇手術(shù)機器人以靈巧的外科機械臂做到將一個葡萄的皮劃開，然后把它縫補好。原理就是，人類的醫(yī)生坐在機器后面來操縱機器人用靈巧的手臂完成高端、復(fù)雜的外科手術(shù)。在這個過程中，如果缺少了人類醫(yī)生或者這種復(fù)雜、高端的臨床外科手術(shù)的機械臂，都不能完成這樣一個高難度的任務(wù)。
據(jù)說，現(xiàn)在的達芬奇手術(shù)機器人已經(jīng)可以做到將一個神經(jīng)纖維切開，并且把它縫補成功。雖然這項工作是人類醫(yī)生不能完成的，但必須依靠人類醫(yī)生來指導(dǎo)完成這件事是確定無疑的。
我們通常認為，人、機器和互聯(lián)網(wǎng)的結(jié)合就變成了一個更加復(fù)雜的智能系統(tǒng)，例如智慧城市。因此，任何一種智能活動將自己的長處與另外一個智能系統(tǒng)的長處進行有機協(xié)調(diào)，我們就可以在一定程度上讓智能的程度增強。但我們一定要強調(diào)，在這種增強的智能體中，人永遠是智能的開發(fā)者，從目前的情況來看，應(yīng)該不可能產(chǎn)生機器來獨立命名的這種情況出現(xiàn)。
盡管如今人工智能發(fā)展急劇升溫，但在它的發(fā)展歷史上也經(jīng)歷了三次低谷。
第一次低谷爆發(fā)在英國。
1973年在英國，一個皇家科學(xué)院院士，原本從事航空動力學(xué)，而不是計算機科學(xué)，他叫James Lighthill。他做了一件事情，帶領(lǐng)一幫人對當時英國的人工智能發(fā)展進行了一次全面的評估，然后就把這個評估結(jié)果出版了。
他們說英國關(guān)于人工智能的研究主要集中在自動機、機器人和神經(jīng)網(wǎng)絡(luò)。其中自動機和神經(jīng)網(wǎng)絡(luò)的研究雖然有價值，但進展令人失望；機器人的研究是沒有價值的，進展也非常令人失望，建議直接取消機器人的研究。
實際上這個結(jié)論是比較偏激的，和現(xiàn)在人工智能的現(xiàn)狀不符。但這樣的一篇報道使得整個英國的人工智能進入了低谷，很多做人工智能研究的專家從此就不敢說自己是做人工智能的了。
第二次低谷發(fā)生在日本。
這次變化源于日本的第五代機器人研發(fā)，也就是日本想造一個人工大腦，盡管通過10年努力宣告失敗，但這項活動為日本積累了一大批半導(dǎo)體、機械和計算機方面的人才。
從這件事情上我們得到的結(jié)論是，驅(qū)動人工智能的發(fā)展，不單單是硬件的極大豐富，其更重要的是內(nèi)部的數(shù)據(jù)、知識和軟件的有機集成等。因為人的大腦是數(shù)以千萬、數(shù)以億計的神經(jīng)原的相聯(lián)，其中海馬體中有非常多的數(shù)據(jù)和知識來指導(dǎo)我們的推理。
第三次低谷來自知識百科。
傳統(tǒng)的人工智能總是局限在規(guī)則和知識的推理中，因此我們希望把所有的知識裝入知識庫系統(tǒng)，這樣就能進行很好的推理，于是我們就開始選擇把所有的規(guī)則以及理念全裝到數(shù)據(jù)庫中。
斯坦福大學(xué)就是這么干的！
他們在1984年想把所有的規(guī)則和知識裝到一個CYC的知識系統(tǒng)中去。經(jīng)過20多年的努力還是宣告失敗了，因為人的很多知識是不確定，或者是有一定界限的。
例如“兩個知識”的例子。所有的鳥都會飛，這個結(jié)論是正確的，所以被放進去；鴕鳥是鳥，這個結(jié)論也是正確的，放進去了，這樣看來兩個知識一旦同時被放進去后，就會順理成章地推導(dǎo)出鴕鳥會飛，但是這樣的結(jié)論明顯是錯誤的。
因為“所有的鳥都會飛”這句話本身就是不夠精確的，如果我們就為了說明這一概念，那又該怎么去闡釋它？我想必須要說出幾萬種鳥說，來列舉這些鳥不會飛。
現(xiàn)實中，人和人的交流可沒那么麻煩，因為人具備一些常識性的知識，可以快速地進行一些不精確的表達，但這些表達可以完成常規(guī)的知識傳遞或者交流。
這也說明了，想把所有的知識通過手工工作的形式裝在一個推理的知識庫中，這是一個非常不可取的任務(wù)。
例如，如今我們要了解一個新概念的時候，我們可能會經(jīng)常訪問百度百科怎么說，維基百科怎么說，知乎上又是怎么說的，但是我們并不會去查新華字典怎么說的，十萬個為什么上是怎么說的……主要是因為知識在不斷地、持續(xù)地演化，只有互聯(lián)網(wǎng)技術(shù)所創(chuàng)造出來的“互聯(lián)網(wǎng)百科”才是非常重要的知識領(lǐng)域群。
說完人工智能的低谷，來講講在人工智能歷史上，了解和學(xué)習(xí)人工智能通常采用的三種方法。
第一種，用規(guī)則去教
也就是將所有的知識和規(guī)則以邏輯的形式編碼成功。例如水利工程是工程的一種，三峽大壩是個水利工程，這樣一個程序化的概念體就出來了。為了刻畫三峽大壩，我們要說它的功能是什么，它的定位是什么，由于三峽大壩和葛洲壩都位于長江領(lǐng)域，所以彼此之間具有管調(diào)節(jié)的關(guān)系等。
如果我們知道這些知識的話，我們又知道旦布利水畔和達納斯水畔都位于哥倫比亞這個河域，那我們就可以推理出來它們也具有反調(diào)節(jié)的關(guān)系。給定一些知識，我們基于一個強大的推理引擎，就可以不斷地擴充這個知識體系中的概念、屬性以及關(guān)系，不斷地進行知識學(xué)習(xí)。
IBM的沃森就是很貼切的一個例子。
沃森是一個人機對話的系統(tǒng)，當時有人考了這樣一個題目，這個題目是人類選手回答不出來的，請問哪個城市是美國的鋼產(chǎn)量和鐵產(chǎn)量平均量第一？
沃森通過一定的計算，很快回答出來是匹斯堡，后來從后臺的程序發(fā)現(xiàn)沃森把美國所有的城市的鋼產(chǎn)量和鐵產(chǎn)量的數(shù)據(jù)都從互聯(lián)網(wǎng)上找到了，要做的就是簡單的累加并除二，然后做了一個排序，現(xiàn)在是匹斯堡排在第一位，于是就輸出了匹斯堡這個答案。
很難想象，如果人類專家可以回答出這種問題，顯然是不可想象的。因為人的大腦不可能記下這么海量的知識，而且這些知識可能與自身無關(guān)。通常情況下，很多知識，我們可能在平時要用的時候就去翻翻書，查查互聯(lián)網(wǎng)就可以了，不會刻意地去記這種龐大的數(shù)據(jù)知識。
第二種，用數(shù)據(jù)去學(xué)
這個就是現(xiàn)在深度學(xué)習(xí)的一個大行其道的方法。因為我們很難去刻畫一個概念，例如海盜船。你怎么用文字、邏輯去描述這個海盜船？答案是很難去描述。
于是我們就選擇很多被標注成海盜船的圖片，提供給計算機，讓計算機不停地學(xué)習(xí)，學(xué)習(xí)之后計算機就會銘記海盜船圖像像素點空間分布的模式，進而就學(xué)會了海盜船的這種模式。如果你再給它一張圖片是海盜船的話，空間分布的模式和之前學(xué)習(xí)的模式是一樣的，于是就可以自動識別為海盜船。
這個就是大數(shù)據(jù)驅(qū)動，在大數(shù)據(jù)驅(qū)動的前提下，要把這個數(shù)據(jù)標注成它本身明確的語義，或者概念，才能做更好的學(xué)習(xí)與提高。
關(guān)于這方面有幾個例子。
例子一，2012年紐約時報發(fā)表了一篇文章，題目叫多少臺計算可以識別一只貓，答案是16000臺。
例子二，特斯拉第一次造成車毀人亡現(xiàn)象。
特斯拉的無人汽車上有非常多的傳感器（例如雷達、視覺等）。在風(fēng)和日麗的環(huán)境下，竟然發(fā)生了直接撞擊相馳火車的事故，大家都覺得不可思議。
事后分析才發(fā)現(xiàn)，特斯拉汽車一直向前開的過程中，司機正在看《哈利波特》的VCD，因為眼睛離開了前方，手和腳也都離開了操作的儀器，一輛白色的箱式大貨車在它的對象車道行駛時有一個左轉(zhuǎn)彎，本來一般情況下是不會發(fā)生裝車事故的，但這次卻直接撞上去了。
分析整個過程，特斯拉前面配有雷達，這個雷達的電磁波就直接掃過去了。主要是由于白色箱式火車的底盤過高，雷達匯報前方無障礙物，同時攝像頭在不斷地捕獲前方圖像，捕獲回來其實就是白色的背景，這樣的視覺圖像匯報，讓系統(tǒng)誤認為前方是白云，就直接撞上去了，從而發(fā)生了非常慘烈的事件。
例子三，是谷歌公司發(fā)布的一個叫做圖像的標注的系統(tǒng)。
只要上傳一張圖片，就可以打標簽，打上了標簽就可以對這個圖片進行一次搜索。因為很多時候我們需要用文本信息或者單詞來進行搜索圖片，一旦打標簽的話，我們就可以更好地進行文搜圖的體驗。
有這樣的一件事情，一個黑人朋友上傳了 一張圖片，卻被打上了黑猩猩的標簽，于是他就狀告了谷歌公司，說對他是人格上的侮辱，谷歌公司花了很大一筆錢才把這個官司給平息。
平息的過程中，谷歌就關(guān)閉了標注系統(tǒng)，不再打標簽。過一段時間再開放的時候，就把黑猩猩從標注詞典庫里移除了，即使再上傳的圖片是黑猩猩，也不會被打上黑猩猩的標簽。說明用數(shù)據(jù)驅(qū)動方法，實際在某些領(lǐng)域可以得到很好的應(yīng)用，但可能在其它領(lǐng)域還會有很大的誤讀。
第三種，從經(jīng)驗中學(xué)
前面我們通過了用知識去教、用數(shù)據(jù)去學(xué)，第三種方法就是用問題引導(dǎo)學(xué)習(xí)，這就是我們經(jīng)常說的強化學(xué)習(xí)。就是把一個智能體放到一個環(huán)境里面，它對這個環(huán)境做出一定的反應(yīng)，這個環(huán)境對它獎勵或者懲罰的一個結(jié)果。假如說我這里放了一臺掃地機，它直接撞到一個桌子上，撞翻了，它就知道這是一個不可撞的東西，那它再做下一個調(diào)整的時候，它往左轉(zhuǎn)、往右或往后走，它不停地從失敗走向失敗，最后又從失敗走向了成功，它就對這種環(huán)境能夠很好地感知到。
這種方法，我們叫做強化學(xué)習(xí)，或者是叫做從經(jīng)驗中學(xué)習(xí)，也就是沒有任何知識和數(shù)據(jù)，就把它放在一個環(huán)境中進行感知以及認知。
像波士頓公司的兩輪機器人以及中國電科院提供的67架固定翼的集群系統(tǒng)，還有美軍103架的固定翼集群系統(tǒng)，就是在開放的環(huán)境中不停地進行感知和認知的學(xué)習(xí)，從而得到經(jīng)驗的提升。
這三種學(xué)習(xí)方法，并能夠被判斷為誰比誰好，誰要取代誰，其實它們彼此各有優(yōu)點和不足。例如用規(guī)則教，確實和人的思維非常契合，邏輯很強，但我們確實很難把人類所有的規(guī)則和理念用來指導(dǎo)或者決策這個過程。
用數(shù)據(jù)去學(xué)的方法一定要依賴于標注的大數(shù)據(jù)。如果我們對于某個概念不能提供給它一個表示的大數(shù)據(jù)的話，它就無法學(xué)習(xí)。
如果可解讀性不強，就算給它一張圖片，它可以識別出是人臉，當你疑問知道它是人臉的原因，它同樣也是無法得出，但是并不知道人臉的分布是否合適，例如說鼻子是對稱的，眼睛是對稱的，這樣的知識在機器的學(xué)習(xí)系統(tǒng)中很難做到契合。
最后一種方法似乎也很不錯，沒有知識和數(shù)據(jù)，只要放在環(huán)境中進行交互就可以了。但是我們可以想象一下，當一個智能體撞到墻的時候，它可以采取的策略是無窮多的，它可以發(fā)呆、發(fā)萌、哭泣、憤怒，也可以不工作，有幾萬種選擇，那到底從幾萬種選擇中選擇哪一種來應(yīng)對撞墻的行為，這又是一個很難的問題。
因此，這三種方法其實各有各的優(yōu)點，也有它的不足，但它體現(xiàn)了從數(shù)據(jù)到知識，從知識到能力的過程，最終能力并不重要。我們界定一個人工智能程序是否成功，不在于提供給它的是1TB還是10TB的數(shù)據(jù)，不在于是10萬條的知識還是20萬條的知識，而在于它已經(jīng)生成了一種能力，這種能力可以指導(dǎo)它去處理新的數(shù)據(jù)和知識，以及構(gòu)成新的知識的能力，這是非常重要的。
從火熱的人機博弈中，我們能看出什么？
用最近比較火熱的Alpha Go來做解釋。
我們知道Alpha Go是比較符合1955年提出的關(guān)于人工智能的理解。
Alpha Go首先選用了16萬棋局，大約3000萬盤的棋譜，通過黑白相間的棋子，憑借策略網(wǎng)絡(luò)和一個快速走子網(wǎng)絡(luò)進行訓(xùn)練。由于每盤棋我們都已經(jīng)知道了是執(zhí)黑會贏還是執(zhí)白會贏，所以就會按照標準數(shù)據(jù)去訓(xùn)練，也就是說當遇到白棋的時候，我的黑棋落在哪兒，就是訓(xùn)練了這樣一個人工智能的系統(tǒng)。
如果沒有后面的故事，現(xiàn)在的Alpha Go也只能戰(zhàn)勝人類選手的壟斷棋手，但是如果可以實現(xiàn)兩臺機器自己和自己下棋，那技能就突飛猛進了，突飛猛進的結(jié)果就在2016年3月戰(zhàn)勝李世石的那場比賽。
基于產(chǎn)生了大量數(shù)據(jù)做訓(xùn)練的價值網(wǎng)絡(luò)，這種網(wǎng)絡(luò)就可以有效預(yù)測整盤棋的下法。簡單來說就是架構(gòu)網(wǎng)絡(luò)來預(yù)測這個棋子落下去后，整盤棋和剩下的棋況怎么樣。今年4月在烏鎮(zhèn)的那場較量，也就是戰(zhàn)勝柯潔的那次，其實就是兩臺機器自己和自己博弈，進一步帶來了能力的提升，也是完全基于這個強化學(xué)習(xí)的成果。
我們可以想到，Alpha Go中實質(zhì)上有一個叫做利用探索的綁定。什么是利用探索呢？它是19×19的黑白相間的棋盤，里面只放黑棋和白棋，總共有多少種擺放的方法？
答案是2的381次方。2的381次方等于宇宙所有原子的數(shù)量，所以Alpha Go不可能把2的381次方都分辨一次，它只能盡量去判斷哪一種擺放的方式是最好的。
在這個過程中，它就會把所有的信息都利用起來，也就意味著會盡量去研究或者實踐人類沒有下過的棋局，所以很多時候我們看到Alpha Go下的棋局很怪，因為人類選手從來沒有嘗試過。
每下一個棋子的時候，Alpha Go已經(jīng)預(yù)測出這個棋誰勝。
大家可以看到，Alpha Go挑戰(zhàn)的過程中，它失去了信心，因為已經(jīng)預(yù)測自己獲得整盤棋的勝利的概率一直下降，它沒有了戰(zhàn)勝對手的勇氣，這個很危險。
通常來講，人類才會有置之死地而后生，背水一戰(zhàn)的勇氣。有些情況下是可以扳回一局的，但人工智能已經(jīng)失去了它的斗志，只有三種網(wǎng)絡(luò)都被利用的時候，它才會取得勝利。
2的381次方可能比宇宙的原子還多，如果量子計算機被制造出來，MIT說100個量子進行糾纏，就等于人類所有計算能力的綜合，所以那個時候就不用某個模式搜索，也可以做到辨別所有的可能。
上面說的情況被稱為完全機器人架構(gòu)博弈，當然還存在非完全機器人架構(gòu)博弈。就像泰利美工大學(xué)的德州撲克，其實就是一個非完全機器下的博弈。對于我們來說，圍棋都是規(guī)則已知、策略已知 、勝負已知，相對來說比較明白直觀，但是打撲克的話很多信息就不是很清楚了。
我們做了一個總結(jié)，像迭代輔助，Alpha Go，Alpha Go Zero……它們都有非常多的數(shù)據(jù)支持或者各種算法模型?？梢钥吹剑行┦抢弥R，有些是利用數(shù)據(jù)，有些是利用經(jīng)驗去學(xué)習(xí)，其實這種智能學(xué)習(xí)的算法需要不停地交會、融合。
人工智能是不斷往前發(fā)展的，我們希望把大數(shù)據(jù)虛擬的人工智能方法，從利用知識的人工智能，轉(zhuǎn)變?yōu)閺沫h(huán)境中獲得學(xué)習(xí)能力進而提升效率的人工智能，如果能很好地協(xié)調(diào)和統(tǒng)一，可能就會形成一種更好的齒輪咬合能力。
從九輪計算到深度推理，從單純計算到數(shù)據(jù)驅(qū)動的模型，再發(fā)展到數(shù)據(jù)驅(qū)動與引導(dǎo)相結(jié)合，從領(lǐng)域任務(wù)驅(qū)動的人工智能過渡到通用條件下的強人工智能，我們說強人工智能就是放到一個環(huán)境中能夠自己不斷學(xué)習(xí)的人工智能類型?？茖W(xué)雜志在今年 7 月 7 號推出了人工智能?？斯ぶ悄茉诖髷?shù)據(jù)洪流里面會發(fā)生變革性的因素，也有很玄的東西。
實際上人工智能并沒有那么強大，即使像阿爾法狗 ZERO，也有需要提升的空間。但是從中學(xué)到的東西，卻能很好的幫助人類發(fā)展。據(jù)說整個宇宙有百分之一的東西是我們已經(jīng)知道的，這么分析人工智能已經(jīng)很不容易， 盡管現(xiàn)在的人工智能還沒有全覆蓋。
