编者按：
谷歌的人工智能机器AlphaGo三次将韩国围棋九段高手李世石挑落马下，五番棋胜负已分。然而，在人们已经为人工智能在围棋上的胜利欢呼时，复旦大学计算机学院教授危辉认为，我们应该保持审慎乐观，因为人工智能的核心科学难题，从50年多前人工智能的诞生到现在，还一个都没解决，以前人工智能做不了的事情现在仍几乎不能做，进步之处在于现在计算机的计算速度快了许多。本文来自上海科协大讲坛暨第201期新民科学咖啡馆危辉教授讲座现场记录，经过本人审阅。
● ● ●
1.人工智能完胜人类？这还只是一个传说
在Google人工智能AlphGo战胜欧洲围棋冠军之后，Google有个说法叫做人类最后的智力骄傲即将崩塌，其实我觉得这个说法言过其实，人类最绚烂、最精华的东西远不是围棋，例如人能欣赏一则幽默，解决刚刚遇到的一个问题，但机器完全做不到，人类的思维远不是说因为在围棋上失败而失去了一切。
很多人说IBM的Watson机器人（2011年，在美国的电视智力竞赛节目中打败了人类对手）比人聪明，实际情况并非如此，它做智力测验比一般人好。设计师事先给它设计一个游戏规则，类似我们小时候电视上经常出现的问答，回答对了加十分。根据这个规则，Watson最后得了77147分，得分最高，所以细究一下，高分不一定表示它聪明，当你让它做一件要求推理的事情时，这个机器就会崩掉，所以我们要跟它比推理能力，而不是简单的机械记忆。
最近两年，在拉斯维加斯全球消费电子展（CES）上的自动驾驶也很热，很多人希望将来我们的汽车也能自动驾驶，但目前的情况是，如果有一天自动驾驶汽车放到你面前，你不会开，因为程序很繁琐。真正地要机器跟人类的驾驶员那样高度自动化，目前还远远达不到，所以这也仅仅只是一个梦想而已。
有人曾说，未来大概有七百多种职业，包括速记员、导游、客服、秘书、司机不再需要人来担任。我想列举一例，1950年，人工智能刚刚出现的时候，就有人预测秘书会被机器人代替，但从1950到现在，秘书有被机器代替了吗？所以现在重提将来会有750余种工作被机器代替，这个预测实在太大胆。像客服、导游这么复杂的工作，机器要代替人还非常难。
从科普杂志到时尚杂志都在宣扬机器智慧超越人类，都只是一种假象，人工智能的核心科学难题，50年前到现在还没有一个解决，以前人工智做不了的事情现在仍几乎不能做，只不过现在计算机的速度快了，好像看起来有所改进，其实改进不是很大。真正的理论突破没有，大多只是渐进式工程进步而已。一个最好的例子就是自然语言理解，以前人们希望计算机能够翻译论文，现在只能做到大大限制主题后的简单问答。
2.人工智能：理想与现实的差距仍很遥远
人工智能通常包含两件事情：第一件事情我们首先要了解人类智能的本质是什么，生物体（如人）的智能如何实现。人类在千百万年的演化过程中，进化出一个非常完善的大脑，所以我们首先弄清楚大脑如何工作，人类智能的本质是什么；第二件事情，我们知道了大脑的工作原理，哪怕只知道一点点，就可按照大脑的工作机制，设计一些算法或硬件来展现智能机器——任何一项做人工智能的研究都包含这两件事。
人工智能之所以能求解，必须满足两个条件：
第一、要求能够精确定义的问题；
第二、问题的范围一定要非常有限，能够被精确定义。
现实的情况是，我们生活中大量的问题，是不能被精确定义的，范围也不受限，以近日谷歌AlphaGo与李世石九段的围棋比赛为例，围棋的黑子白子、格子规范，棋局设计，用计算机表示它们，均能够做到。所以对人工智能来说，一定要定义地非常精确，范围非常有限，只有这样它们才能大概知道在做怎样的事情，以及如何做好。
回归到人工智能研究的细节上来，人工智能首先研究的是推理，推理很基础简单，相当于中学生的几何题：告诉你已知条件，然后证明出来，如证明两条线垂直或两个角相等，这是人工智能研究的早期核心之一。
其次，人有非常强的学习能力，计算机以前不能学习，设定程序后只能按程序做，不会解决遇到的新问题。人类希望它像同自己那样擅于学习，于是让它“读”很多书，“看”很多东西，把“前辈”的经验记下来，于是计算机的学习能力得到提升。
第三个方面，问题的求解，在设置起始状态以及最终状态后，以最快的速度从这种情况挪到那种情况，何种方式速度最快最好，这是人工智能研究的第三个问题。
第四个问题是规划，例如走迷宫，我们需要规划一条路线，从这里走进去，从那里走出来，人工智能可以做出这样的决策。
第五个问题是自然语言的理解，自然语言理解里面一个非常核心的应用是机器翻译，自然语言理解非常困难，解决这个问题，要比计算机下围棋打败人难很多，所以如果机器翻译搞定的话，我们就不用花那么多的时间学习英语，就可以跟老外顺畅地交流，但我们发现这是很困难的事情。
第六个研究是模式识别，如图象理解，比如场景是一张图里有桌子、茶、雕像，还有语音播放，人类的视觉以及听觉能很好地识别它们。机器的模式识别能力目前在简单的东西上已做得不错，如指纹识别、印刷体识别、手写体识别以及汽车入库车牌识别都做得不错，但在复杂的情况下还做不到，仍有局限性，例如车牌识别仅限于车停在恰当的位置，如换成大马路等其他场景，识别就不好了，所以现在的模式识别做得好的事情屈指可数。如果要把模式识别研究清楚，未来十年、二十年，我们能够取得很大的进步吗？我不敢估计。类似的领域还有很多。
3.人工智能模拟人类神经网络，前景无限
上图为国际象棋算法示意图，下图为围棋算法示意图，图片来自IFENG
人类智能的物质基础是大脑中的神经元。它们大概有1000亿个，神经元如何工作以及多个神经元构造如何工作，研究它们对人类进步的意义很大。今年大脑科学计划将成为国家未来科学研究一个非常重要的方向。如果把脑科学研究成果跟人工智能程序设计连接在一起，这会给人工智能设计带来很大的想象空间。
目前，人类的视网膜从解析度上来看已不如高端的照相机，但人的视网膜非常复杂，视网膜细胞收集信息后，将信息投递到别的细胞中去，这个信息通路的过程也很复杂。不同的细胞收集不同范围里面的信息，部分细胞能检测到图象的边界。因为有了边界以后，人类才能看到外面的世界。
很多人说，眼见为实，其实这并不总是客观的。因为视觉对外界物理信息主动加工，已经解释过一遍，所以说并不是真实的物理环境和真正的刺激，我们的主观感知有颜色，但这并不是说自然界真的有颜色，而是我们的主观感受。但是它会带来好处，这就是方便我们对整个世界加工，不同的颜色表示不同的物理刺激，我们很容易将不同事物区分出来，显然这种主观标示刺激对我们认知世界有好处。
人工智能的模式识别以及图像加工程序模拟视网膜细胞，原理与之类似。如果我们能够模拟大脑的工作机制，写出程序来解释人类为什么会产生错觉，从而有可能接近大脑的工作机制，就会使得我们一步步地接近大脑是怎样工作。类脑计算是模仿大脑信息加工制造出来的硬件结构或计算程序，它的核心是根据大脑的工作机制才能做好，这是一个多学科交叉的研究领域，例如心理学、神经科学等。通常情况下，设计计算机软件是针对某种人工智能任务。类脑计算的核心是我们了解大脑怎么工作之后，然后再对它进行模仿。
眼见并不一定为实，缪勒——莱依尔错觉。图片来自zhidao.baidu.com
类脑计算的发展前景以及未来应用都非常广阔。例如，当人的视觉出现障碍，青光眼或由外伤导致失明，如果我们想对他进行修复，或设计一个模仿机器即可让他看到世界。事实上，人类的视觉加工神经通路很长，如果中间哪个环节出了问题，就会影响视力，我们可设计一些视网膜芯片来代替它。对于很多截瘫病人，如果能通过芯片植入，将上下神经连接起来，使其恢复正常行走或感知，这种应用的社会价值也很大，所以类脑计算跟普通人的日常生活息息相关，未来会有非常好的应用前景，当然它自身需要解决的问题还很多。
4.AlphaGo Vs 李世石：人类以一敌百，虽败尤荣
对于围棋比赛来说，每一步我们的选择会很多，机器同我们一样，每一步都有很多决策需要决定，但机器每一步棋的结果会一直演化下去，直至得到最优的选择，而且它们这样做很容易，对人类来说，这并非易事。如果我们将棋局上的每一个点视为一个元素，它可以是1、-1，或者是0，所以每一个点共有三种状态：黑、白和空白，这种结点数量总共有3的361次方之巨，人脑这样做会有些困难，但人工智能可以把棋局精确地表示出来。
对于机器来说，实现它的效率是一个难点，即用很快的速度或方法找出哪种走步最合适。一个好的办法是设计一个搜索程序，一个结点、一个结点地走下去，它需要判断哪一个更好，判断的依据来自于后面，而不依赖于前面，所以对计算程序而言，它们总能找到对自己有利的走法，人工智能的这个难点类似人类的歧路寻羊，穷尽所有可能性的方法在机器里面搜索。这理论上是可行的，但实践上却不容易。
接下来就是如何提高机器的效率，AlphaGo通过对很多棋谱进行深度学习，并事先对棋谱依据走法和策略进行了分类，每一个分类对应一个已知的不同策略。在设计过程中，谷歌的AlphaGo可能有一个创新的设计，即怎么表征棋局的当前状态和判定假设走步的价值，比如说每走一步，它的价值是什么。这可能是通过对大量以往棋局的机器学习来做到的，它或是基于下棋规则，或是基于大量棋局与走步的配对。人工智能在每一种情况下，都有一个很好的判定。事实上，这种搜索上世纪50年代就已做到，如今仍在反复使用。
对于李世石来说，AlphaGo的背后拥有一个庞大的团队，有做硬件的，有设计程序的，还有大量的顶尖棋手贡献出来的棋谱。棋谱是AlphaGo经验的来源，也是其他大量棋手经验的结晶，所以把这么多人的智慧综合到一个计算机上，来对付一个人，李世石堪称虽败尤荣。
事实上，围棋是一个规则特别明确的事情，AlphaGo非常可能针对的不是模仿下棋规则，而是匹配一定区域的棋局。如果人类和人工智能比规则简单明确的棋类，早晚要输。
此前两役，AlphaGo赢了，其实它并没有真正地理解围棋的基本原则，它唯一的概念就是布局和布局之间的关系，所以说它的程序学到的东西还很有限，并不像我们想象的那么好，所谓的类推能力是由它积累的海量样本造成，这方面没有创新，机器只知其然，不知其所以然。
人工智能发展到现在的一个现状是：瞎子摸象。每个人看的东西都是很局部的，但是每个人都认为自己看到的就是人工智能未来的发展方向，最后大家都没有达成一个共识。
很多人不愿意承认这种尴尬局面：我们离我们的目标仍非常遥远，真正的人工智能也离我们很远。尽管银幕中的科幻电影有很多人工智能的形象，它们甚至已进化出了人的意识，但这样的事情在现实世界中还不会出现。生物神经系统，特别是高级灵长目动物的大脑，是长期自然进化的结果，我们要对自然心存敬畏，不要动辄就认为它很容易被超越。
（责任编辑 叶水送 徐可）
知识分子，为更好的智趣生活。
关注请加微信号:the-intellectual或长按下方二维码。投稿、授权事宜请联系：zizaifenxiang@163.com。
