人機大戰二十年

2016年3月9至15日，舉世矚目的圍棋“人機大戰”在韓國九段棋手李世石與谷歌“阿爾法狗”（AlphaGo）之間展開，最終，阿爾法狗以總比分4：1碾壓李世石，獲封“名譽九段”。

人類頂尖圍棋選手竟然輸給了計算機，一時之間，引發輿論熱議，關于人工智能的討論不斷引爆人們的眼球。

實際上，這并非歷史上第一次人機大戰。自從1956年“人工智能”這一概念被提出來后，人和計算機之間就有過數次博弈，每一次博弈，都見證了人工智能的跨越發展。

“硬算高手”深藍

1996年，卡斯帕羅夫與IBM超級國際象棋計算機RS/6000 SP（即“深藍”）展開對決。經過一個多星期的PK，卡斯帕羅夫最終贏得比賽，但深藍也在比賽中取勝一局，這是電腦首次在世界錦標賽中單局戰勝世界冠軍。

此前，卡斯帕羅夫是國際象棋英杰榜上的NO.1，自1985年成為世界冠軍后，11年間，他一直打遍天下無敵手。

賽后，卡斯帕羅夫說：“我能感覺，甚至能‘聞到’桌子對面是一位高智慧的選手。”但他認為，深藍所擁有的只是一種“畸形的智能”，效率低且缺少韌性。他甚至預言：計算機如果要打敗人類棋手，至少要等到2010年！

言猶在耳，然而僅僅一年后，他便以2負1勝3平被深藍升級版打敗。

“這是人工智能發展史上的一個里程碑。”賽后，德國人工智能研究中心負責人登格爾如是評價。

創造這個“里程碑”記錄的深藍升級版，重1270公斤，有32個“大腦”（微處理器），其計算能力當時在全球超級計算機中排名第259。比賽前，IBM研發小組向深藍輸入了100年來所有國際特級大師開局和殘局的200多萬局下法。

深藍取勝的法寶，是依靠強大的計算能力窮舉所有路數，并選擇最佳策略——深藍每秒可運算2億步，靠硬算可預判12步，卡斯帕羅夫只能預判10步——所謂兵貴神速，深藍的獲勝也就不那么讓人意外了。

當然，深藍取勝還有另一個秘訣——每場對局結束后，IBM研發小組都會根據卡斯帕羅夫的下棋情況相應地修改深藍的參數，深藍雖然不會思考，但這實際上起到了“強迫”它學習的作用。這種“被動學習”的方式，讓深藍不斷強化了對對手的了解并最終獲勝。

在深藍問世之前，“人工智能之父”圖靈在1950年曾提出衡量計算機智能水平的“圖靈測試”——如果一個具有正常思維的人C使用正常人能理解的語言，去詢問一面墻后的兩個看不見的對象A和B任意問題，對象中A是機器、B是人，如果經過若干詢問以后，C不能在實質上區別A與B的不同，便意味著機器A通過了圖靈測試。

雖然，深藍并沒有進行圖靈測試，但它在人機大戰中的勝利，至少意味著計算機已經向著智能化發展邁出了重要一步。

“百曉生”沃森

2011年2月14至16日，深藍獲勝4年后，又一次人機大戰在其同門師弟“沃森”與人類冠軍之間展開。當時，沃森參加美國老牌智力問答節目《危險邊緣》，并與該節目最高獎金得主布拉德·魯特爾和連勝紀錄保持者肯·詹寧斯展開了一場萬眾矚目的人機智力大賽。

《危險邊緣》采取三人競答方式進行，通常以答案形式提供各種線索，參賽者必須以問題的形式做出簡短正確的回答。因而參賽者需具備歷史、文學、藝術、科技、體育、地理、政治及流行文化等知識，還得會解析隱晦含義、反諷與謎語等，而普通電腦并不擅長進行這類“深度問答”。

在比賽中，沃森表現極為突出，盡管在“回答”問題時，它的互聯網功能被中斷，只能“自己想”——從內存的資料中尋找并組合答案，它卻總是能在3秒內迅速作答，還能分析出題目線索中的微妙含義、諷刺口吻及謎語等。此外，它還能根據比賽獎金的數額、自己的比分與對手的差距、自己擅長的題目領域來“自主決定”是否要搶答某一題。最終，沃森以77147分的總成績輕松獲勝。

那么，沃森為什么這么聰明？

首先，沃森“肚里有貨”——它內存了2億頁數據，各種百科全書、詞典、新聞、維基百科的全部內容以及其他可以建立知識庫的參考材料都被它“收入囊中”，堪稱是計算機領域的“百曉生”。

其次，它能“秒讀萬冊”——它由90臺IBM服務器（相當于90個“大腦”）、360個芯片驅動組成，每秒能處理500GB的數據，相當于1秒閱讀100萬本書。

最重要的是，沃森還會“深度問答”——這一法寶是IBM研發團隊為它量身定制的，該技術賦予了它較高的自然語言理解能力。在拿到一個問題后，依靠內置的100多種算法，沃森會在3秒內解析問題并檢索數百萬條信息，包括語法語義分析、對各個知識庫進行搜索、提取備選答案、對備選答案證據的搜尋、對證據強度的計算和綜合等。

比如，當被問及“哥倫比亞廣播公司《60分鐘》節目首次播出時，當時的美國總統是誰”，“沃森”首先會對“首次播出”進行語言理解，然后檢索出《60分鐘》節目首次播出的日期，之后再成功搜索出當時的美國總統。

在取得這場眾所矚目的勝利后，沃森開始向醫療衛生業進軍。在美國，機器人醫生沃森從2011年就開始坐診，通過詢問病人的病征、病史，對患者的個性化數據、大量病例和醫療文獻進行“學習”，它能迅速提出最佳診療方案，診斷準確率甚至高達73%。

從深藍到沃森，從硬算能力到自然語言理解能力，從“被動學習”到“深度問答”， 計算機的“智能”向前邁進了一大步。

自學成才的“學霸”阿爾法狗

圍棋一直被看作是人類最后的智力競技高地，據估算，圍棋的可能下法數量多達10的171次方。這個數字，甚至遠遠高于可觀測宇宙中的原子總數（該總數為10的80次方）。

因此，人們普遍認為計算機無法在類似圍棋這樣高度復雜的項目比賽中戰勝人類，但2016年阿爾法狗與李世石的人機大戰，顛覆了這一認知。

阿爾法狗之所以能取勝，法寶就在于它的核心系統屬于“深度學習”。

“深度學習”是時下最火的一種基于神經網絡的模擬人腦的神經網絡，它通過模仿人腦的機制來解釋數據，例如圖像、聲音和文本等。

為了讓計算機學會像人一樣“思考”，一個重要的條件是：它必須擁有計算速度可媲美人腦的高性能計算集群，來快速完成海量數據的“學習”。而在這方面，阿爾法狗不聯網時的“單機版”性能至少是當年“深藍”的1000倍。

為了使阿爾法狗變得更“聰明”，谷歌還專門為其設計了兩個神經網絡，其中，“策略網絡”會根據棋局選擇下一步走法；“價值網絡”會在下子后分析對手會怎么走，并預測進行數值性的估計。

比賽前，阿爾法狗“深度學習”用了人類圍棋高手對弈的3000萬局圍棋走法進行“自我對弈”訓練，并進行大規模的數據運算，這些運算用了兩三千個CPU。對人來說，如此大規模的運算訓練，即使每局只要15分鐘，可能也要800多年才能下完，阿爾法狗的運算能力之強由此可見一斑。

此外，阿爾法狗還能自行研究新戰略，在它的神經網絡之間運行數千局圍棋，利用反復試驗調整連接點，這個流程也稱為“鞏固學習”。因此，阿爾法狗的“逆天”棋藝并不是開發者教給他的，而是“自學成才”。從這個意義上來說，阿爾法狗堪稱是計算機中的“學霸”。

人工智能，還有多遠？

阿爾法狗的勝利，很大程度上體現了近年來人工智能領域“深度學習”技術的快速提升。特別是隨著GPU圖形處理器、超級計算機、云計算和大數據的迅猛發展，“深度學習”如同火箭升空般飛速發展。早在2011年，谷歌用1000臺機器、16000個CPU處理的“深度學習”模型就已經有了10億個神經元——當然，這仍遠遠低于人腦100億～10000億個的神經元總數。

現在，“深度學習”技術在語音識別、計算機視覺、語言翻譯等領域，都戰勝了傳統的機器學習方法，甚至在人臉驗證、圖像分類上還超過了人類的識別能力。專家預計，在不久的將來，我們甚至可以在手機上運行像人腦一樣復雜的“深度學習”神經網絡。

那么，這是否意味著計算機已經和人一樣“聰明”了？

答案是否定的！

因為在更復雜的認知層面，例如對于語言和圖像的深度理解、邏輯推演、情感選擇等方面，計算機距離人類還有很大差距。

比如說，對普通人而言，分辨貓和狗，從閱讀或娛樂中獲取快樂，分辨愛或恨、激動或憤怒，都是很尋常的事情，但對計算機而言，這些問題會讓它分分鐘死機。

舉個例子，當你和朋友一起外出就餐時，兩人都搶著買單。對于這種推搡的過程，計算機很難準確判斷出這是為了買單的友善行為，還是惡意的爭執。更進一步來說，計算機也許可以根據人的面部表情和肢體動作，在一定程度上辨別出人的喜怒哀樂等情緒，但對于人類的那種“只可意會，不可言傳”的情感，在進行辨識時，它就只能交“白卷”了。

正如經典科幻大片《人工智能》展現的那樣，當女機器人席拉被問及“什么是愛”時，她回答：“愛就是微張我的眼睛，呼吸急促，體溫開始上升……”對計算機來說，“愛”只能是一種可以被特征化、符號化的程序，但計算機卻無法理解人類這種非理性的情感，更不可能像人一樣愛得死去活來、魂縈夢牽。

可見，邏輯推演和情感選擇，是人工智能尚難以逾越的障礙。所以，有人工智能專家開玩笑說：“我們努力想讓機器變得稍微聰明一點，但它們還是有點笨。”因此，要想讓“機器”真正變成人，科學家也許還有很長遠的路要走。（編輯/余風）