先说结论:我认为李世石赢AlphaGo的几率要远大于输的几率。王小川的完胜预测非常奇怪,因为即使这次李世石输了,也不意味着人工智能真的就可以在围棋上战胜人类。这里的本质问题是其实是三个:什么是人,什么是深度学习下的人工智能,什么是围棋。完成这三者的界定就可以定性的猜测李世石和人工智能在围棋上的输赢概率。

没有激情和欲望,AlphaGo凭什么干掉李世石? 没有激情和欲望,AlphaGo凭什么干掉李世石? 人工智能资讯报道_AI资讯

(图片来自Wired)

什么是人工智能

看过人工智能过去60年里发展上的起起落落,你就会发现人工智能其实并没有一个清晰的定义,它的内涵也总是在不停的发生变化。这就是人工智能的奇葩状态----每个人都说人工智能,但从科学家到正常人其实没人能清楚定义人工智究竟是什么。人工智能之所以那么难以清晰界定,主要原因是人类其实还没太弄清楚究竟什么是智能,自然也就无法从它的内涵来定义究竟什么是人工智能。

所幸如果我们换个思路和视角,那就可以尝试从正常人能理解的视角来定义它。到现在为止,我们唯一可见的高智能生物只有人类,因此只要能定义清楚人,那就可以尝试从人的身上做加减法来定义人工智能。

一般我们认为促使人生爆发出能量的本源动力有三项:欲望、理智与激情。这三项东西正好可以从人类的进化链条中提炼出来。欲望的存在历史最为悠久,即使很早期的动物比如恐龙也会有饥饿感要寻找食物,需要交配来繁衍后代。理智的出现则比较晚近,一定要到人这种高级动物才清晰的体现出来,但确实在大猩猩能用工具,蜜蜂能筑非常精巧的巢穴上有所萌芽。这种对自然界进行感知、抽象、反思、推理的能力构成了理智,理智是我们人类智能的基础。只有理智还构不成我们现在这种复杂多变的社会,所以人还有很不理智比较激情热血的一面。只有在唯有牺牲多壮志这类激情的推动下,人类才会产生自己的价值体系。基于理智衍生出来的东西可以是推理和计算,基于欲望和激情衍生出来的东西则是想象力、理想等。

那什么是人工智能呢?抽掉人的欲望和激情,再抽掉人的肉体限制并把剩下的理智力量无限放大那基本上就可以认为是人工智能会有的样子了。无限放大是说它可以同时记忆五千年的历史,同时操控五千台机器,而不在像人类只有有限的记忆和计算能力,并且很难心分二用。

人工智能历经三起两落,最近这次浪潮则是互联网和云计算带起来的。如果要从2010年,时任斯坦福大学教授的吴恩达加入谷歌开发团队XLab开始计算,那这次的热潮兴起也不过只有5~6年。互联网和云计算之所以让深度学习得以复兴,其关键点有两个:一个是互联网提供了海量的数据;一个是云提供了远超以往的计算能力。这两点很像燃料与引擎,它们叠加到一起就可以让车跑的飞快。

深度学习在图像识别和语音识别上效果显著,但并不能突破上面说的人工智能的定义。它可以通过大量的人脸的数据进行训练,接下来精确的识别你的脸是不是你的,但它不能想象一个从来没有过的场景。所以说基于数据和深度学习的人工智能更像是已知领域的专家,但并没能力像马克思那样去凭空创造出一个体系。

什么是围棋?

虽然我围棋水平很差,但我相信围棋虽然依赖于人类的计算能力,但绝对不是只依赖于人的计算能力。计算机都没能力算清楚围棋,何况是人!所以围棋本身同时依赖于人的计算能力和想象能力。两者在权重上那个更关键,估计在不同人身上会不同,但大局观的比重一定是比较大的。

同时有两类东西都挑战人的智商,但其复杂的来源就绝不相同。一种是复杂的计算问题,比如解复杂的方程,这种问题的难度来源于知识本身;一种则是社会性问题,比如政治、意识形态、经济、外交等这些问题会彼此联通,在每一个领域上可能最终需要的判断都是加减法,从数学上看是非常简单的,但其实处理起来复杂,处理过程中更关键的是问题本身的界定。擅长处理前者的是数学家,擅长处理后者的是政治家,两者完全没有互换的可能。

围棋这东西我认为两种复杂度兼而有之,既有局部的得失计算,也有大局上的利弊权衡取舍。

为什么是李世石赢的概率大?

我们再把上面说的事情重复一下:

人由欲望、理智、激情三项支撑,其中理智衍生推理和计算,欲望激情则支撑想象力。

人工智能主要发展理智这一维度,当前的人工智能主要是深度学习驱动的,主要依赖于计算能力和大量数据。

围棋不是算术,骨子里是计算上的感觉。

如果我们的基本问题界定没有错,那就一定是李世石赢的概率大,并且在人工智能没有新的实现思路出来之前,这状态会持续下去。原因很简单,围棋不只是计算,还需要想象这类能力来判断大局。人工智能按照当前的思路则擅长处理已知问题,很像全知全能的消息灵通人士。由于围棋中牵涉天量的计算,所以可以认为每局棋都是从头开始的新问题。处理这类问题正需要计算与想象的综合,人工智能只可能在计算上远超人类。类比下就是小孩拿着锋利的砍刀和大人拿着木棍,你说打架的时候那个赢的概率大。

对当前深度学习究竟有那些限制这点上,可能有些人还心存疑虑,我们可以看下这领域的大牛YannLeCun在发表演讲的时候专门提到的深度学习的几个关键限制,具体来讲这包括:

① 缺乏理论基础。没这个深度学习方法只能常常被视为黑盒,大多数的结论确认都由经验而非理论来确定。

② 缺乏推理能力。深度学习技术缺乏表达因果关系的手段,缺乏进行逻辑推理的方法。

③ 缺乏短时记忆能力。与深度学习相比人类的大脑有着惊人的记忆功能。

④ 缺乏执行无监督学习的能力。无监督学习在人类和动物的学习中占据主导地位,我们通过观察能够发现世界的内在结构,而不是被告知每一个客观事物的名称。

我个人觉得这里面的第二、第三点在对阵围棋的时候会形成劣势。AlphaGo专门在这点上做了弥补,所以弄了一个落子选择器(MovePicker)来负责评估下一步应该往那儿走,弄了一个棋局评估器(PositionEvaluator)来评估整体策略。现在的关键问题是第二点,我不认为上佳策略是算出来的(我不相信万物皆数),而是一种模糊判断,所以我认为AlphaGo在这点上完全处于弱势。

小结

有些复杂问题的判断上最难的是对问题的界定,如果上面的判断错了,那更可能出在对围棋、对人工智能的本质认知上。虽然我围棋水平极差,但我相信自己的理解是对的。王小川其实代表了纯粹的技术乐观主义者的观点,但有的时候技术专家真的不理解世界,因为技术的深入似乎无助于生成一种整体意识。

按:公号琢磨事(zuomoshi),作者已将本文独家授权给新浪科技创事记,转载请注明。