大師（Master）的驚人戰績，是否說明自然造物敗給了人腦構建？

12-29

人工智慧AI與各路天才棋手在這些天的腥風血雨可謂是沸沸揚揚，但人們在感慨計算機已無人能敵的同時卻忽略了人工智慧的「人工」所在，人腦是自然進化的造物，而智能AI也是人類一步步利用人腦所創造計算機所構建起的演算法模式，那麼AI擊敗人類，究竟是人類擊敗了人類，還是人類擊敗了自然，又或是其他的答案呢？

50年前，計算機在數值計算就打敗人類了。

20年前，計算機就在複雜建模、信號處理、工業控制等領域打敗人類了。

10年前，工業機器人就在高強度重複性工作打敗人類了。

3年前，人工智慧就在人臉識別、自動駕駛等一系列領域打敗人類了。

說到競技比賽，不要說今年的AlphaGo和圍棋了，20年前IBM的深藍就已經讓全世界的國際象棋高手團滅了，在AlphaGo之前，最好的AI演算法已經可以在除圍棋之外絕大部分棋類遊戲中吊打全人類了（至少保證規則公平的情況下不會輸）。

事實上，計算機科學已經在上百個社會領域裡一一趕上甚至超越人類了，有的極大地提高了生產效率（比如數據分析和統計），有的甚至可以在很多崗位幾乎替代人類的工作了（比如工業機器人，比如飛機自動駕駛）。這20年來計算機科學和人工智慧的技術突破，已經多到每年都足以改變幾個領域了。

然而今天許多人看到AlphaGo的新聞，才剛剛開始著急，哎呀人類突然一下子就被人工智慧打敗了，我滴媽呀2016年計算機正式成精了，科學家你們這是在毀滅全人類好氣啊。

你484傻？

雖然我們看起來像是在做造物主的事，但其實我們只是用造物主的材料，複製了一個機械化的自己而已。至於他比人類還聰明，那只是他的機械特性而已，人類替換一些機械零件也是完全達得到的智慧水平。

剖析自己，就能升華自己，剖析宇宙，便能創造新的世界

鏈接：機器要怎麼樣才能產生意識？ - 徐雙雙的回答 - 知乎

打個比方，人和人對戰，一方有多個人商量，對另一方不公平吧？

同樣道理，限時比賽快棋對人不公平。計算機的能耗遠大於人腦，相當於多人對付一個人。如果限時快棋，公平的規則是限制同樣的能耗，或者時間正比於能耗。

我覺得人類下棋下不過計算機，就和舉重比不過起重機，跑步比不過汽車，游泳比不上快艇是一回事

自然造物是為了生存。剛出生的小山羊就能爬山。人到了太平洋物產豐富的小島就能活命等待救援。會計算的電腦只能讓已有的人類社會變得更好。你去荒郊野外了，你比master狗還會算計，你怎麼拿計算能力活命？蟑螂算不了乘法，但就是能遍布整個城市。一個是產生社會的基礎，一個是提升社會的基礎。

可以確定的是，擁有超級ai的人類戰勝了沒有ai的人類。其實所有人造物必是人的輔助工具，原始人打磨出石斧，石斧是輔助工具，必然比手臂堅硬鋒利，從而殺死了沒有石斧的部族。未來的也是如此，擁有超級ai中控系統的人完全掌控不擁有這個系統的群體。其實現今已經開始，大數據控制端已經可以完全掌握個體的資料和行蹤，但個體卻無法獲知這一切。

最近一直關注master的戰況，寫幾句感慨。

就棋藝而言，AlphaGo更注重全盤戰術的構建，跟傳統人類棋手會刻意衡量局部得失還是有所不同的。而造成的這一情況出現的根源，是其自我學習的能力，畢竟人類的棋譜它都學習過，而且創造了很多不曾出現的落子，這對圍棋領域的衝擊非常大。在它眼中，整盤棋只有勝負，沒有好壞手。因此，引起了棋手們的自省，人類到底對圍棋的了解程度如何。

但另一方面，我們也要肯定，人腦的運算能力有限，比如無法在快棋中運算很多步，而且無法量化得失。但是，人腦的學習效率卻是奇高的。AlphaGo一天自我對戰一百萬盤，人一輩子下一萬盤就了不得了。但在有限的時間內，人類的成長速度卻有能力同電腦一戰，古力在一周內學習採用AlphaGo的戰術，可以從輸20目以上提升到只輸2目半。當然，也可以說目前深度學習的演算法還可以繼續提升機器的學習效率。

AlphaGo出現的意義在於讓人們相信機器也可以進行自我學習，甚至得到人類不曾思考過的結果，同時計算結果精確。因此我們認識到了自己的不足，這是件好事。當然，人類可以利用神經網路構建出這樣的機器，說明人類在邏輯學習，在理論知識上的積澱非常的深厚。

幾百萬年來，我們能夠同工具或機器互相學習，共同進步，構建出不勝枚舉的輝煌成就，我想這才是人類最寶貴的一點吧。

計算器一誕生，人類算數就算不過它了，所以早就敗了

自然的大腦：生物進化和機器學習

原文：知乎專欄

自然選擇如何在短時間內創造出大量的生物複雜性? 一個大膽全新的理論是, 自然選擇就像我們的大腦一樣會學習並且能夠記住之前的（對相似情形）解決方案。

就像羽毛不止是美觀，還很實用。它結實、輕便、有韌性，還有許多小倒鉤將每根細線拉在一起，這正是為飛行而造的絕妙設計。哺乳類動物的眼睛也是一項令人叫絕的複雜設計，瞳孔調節著接收的光強，晶狀體將光線對焦至視網膜，視桿細胞和視錐細胞負責光線不足的情況和色彩視覺——通過視神經與大腦相連。而且這些也只是生物進化那難以置信的設計里的冰山一角。

幾世紀以來，這些幾乎完美的設計被當成是神創造萬物不證自明的證據。查爾斯·達爾文（Charles Darwin）闡釋了產生如此的多樣性和複雜性恰是自然選擇的神奇之處。一個自發、無意識的過程居然可以創造出如此精巧的裝置對人們來說太反直覺了，因此即便在今天，神創論和智能設計理論仍能大行其道。

我們現在知道直覺會錯，羽毛、眼睛以及所有生命都是完全由自然進化的產生的。可是同時，當前對於進化的理解方式卻顯得不那麼完整。任何建立在隨機突變之上的過程都有非常多潛在的選項。那麼在有限的種群數量和代際下，自然選擇是如何快速地找到如此佳良的解決方案的呢？（這裡是說隨機突變的可能性要遠遠大於一個物種幾個世代內的所有個體數目，如果真的是完全隨機嘗試，那麼在短時間內由自然選擇找到一個優良性狀的可能性是極低的。編輯注）

一個傳統的觀點是通過所謂的大規模同輩競爭：每種生物會產生大量後代，每個後代的隨機突變都可以看作是對潛在解決方案的測試。然而一個對進化論全新的補充提供了新的視角來看待這個問題。儘管在某種程度上有點智能設計的意味。整體來看，簡單的進化過程似乎形成了一個精妙的學習機器。它能夠由過去的成功經驗來提升未來的表現。通過這個理論，我們可以擁有一個理解和分析進化的全新工具。這能讓我們甚至可以藉助進化的力量來保護地球上生物種類的多樣性。

進化論的適用範圍儘管非常寬廣，可卻是個簡單的理論。進化論的三大支柱：多樣性，選擇性以及遺傳性。多樣性從基因隨機突變種產生，創造了基因多樣化的個體。自然選擇親睞適應環境的個體，這些個體能更好地在特定環境下興旺並繁殖出最多的後代。遺傳性意味著這些適應當前環境的個體能夠將他們的特質遺傳給下一代。所有這些最終都將導致新的性狀和新的物種。

乍看之下，這個過程並不需要任何學習機制。而且如果要引入這個機制，無論如何都會違反進化論最重要的一項準則。當我們學習的時候，我們是在某種程度上預測未來。我們把過去的解決方案和對當前的局勢的了解相結合，設計出一個策略來應對我們預期的未來。但是進化本身卻無法預見未來：它對隨機突變的選擇只取決於當前的環境，它絕不會知曉未來的挑戰。

需要強調的是，有學習能力的有機生命體的確是不能預見未來的。當我們走到一個交叉路口，我們不能預見所有將要發生的交通情況。但我們有一個記憶庫，裡面儲存了以往可行的解決方案。我們依此生成新的策略。如果這個新的策略被證明可行，在下一次我們又會調用它。自然選擇也是大抵如此，不斷重複使用已有的成功基因突變。例如蜂蘭的花超乎尋常地善於吸引蜜蜂；又例如蚊子口器的工作原理如皮下注射器一樣，吸吮血液十分高效。（作者舉例的用意是指這些精巧的外形和功能都是進化在已有成功的基礎上不斷更進一步的結果，編輯注。）

如今有人認為學習過程與進化過程之間的相同遠不止表面，對二者的理解可以相輔相成。從計算機科學發展的早期開始，研究者就在開發有遞歸特徵的演算法，計算機可以結合已儲存的知識和新增加的信息來產生新的結果，從而模仿學習和智能。近幾年，好多我們認為理所當然的諸多技術都依賴這樣的學習演算法：從谷歌搜索到信用評分系統。已有的學習演算法知識可以為我們揭開進化的奧秘嗎？「進化與學習之間的類比存在已久，」來自英國南漢普頓大學（University of Southampton, UK）的理查德·沃森（Richard Watson）這麼說，「但是新的觀點是使用學習理論來顛覆我們對進化的認知和理解」。

這個方向的一位先驅是萊斯利·瓦里安特（Leslie Valiant），他是哈佛大學的計算機理論專家。在他2013年的著作《差不多可能是對的》（《Probably Approximately Correct》）中，他描述了進化的運作機制是如何等同於一個相對簡單的學習演算法：貝葉斯推理（Bayesian updating）。這種學習演算法，曾用來模擬從天體力學到人類決策的萬事萬物。這種學習方法在一開始允許有許多假設，每當有可用的新信息出現時，它會篩選出與其相符的最佳的一些假設。瓦里安特認為，將學習演算法里待檢測的假設換成生物種群中的個體，自然選擇挑選最適應的個體，相當於將周圍環境的新信息儲存在這個種群中。

我覺得可以這麼認為。

反對那些強行貶低阿爾法狗，貶低人工智慧，貶低谷歌公司的答案。

大自然創造人類智能用了幾十億年，人類發展人工智慧也不過幾十年，假如人類真的能用幾十億年的時間來發展科技，會是怎樣呢？

你那大自然幾十億年自然選擇和人類幾十年發展來比，還嫌人類發展的慢，這是什麼邏輯？？？

同樣是生物造東西，蜜蜂造的蜂巢是「自然」的，人類造的AI卻是「非自然」的……人類有點太看得起自己了吧

這本質也是人類利用工具來改造生活吧。照這個命題，人類發明汽車比人跑得快，是不是就說明人類打敗了自然呢......

按道理來說，人類已經會做的，有既定規則的事情，未來都可以用計算機完成，並且很可能完成度強於人。

至於人類還未知的部分，還是需要人來探索的，畢竟規則不確定。

圍棋戰勝人類實在是太正常了，這背後的演算法工程師才是值得尊敬的。如果哪天人類發現了情感、意識等有唯一的規則，才是真的需要慎重考慮人工智慧的發展要怎麼走吧......

只是圍棋中的快棋，不要隨意擴展到一般。

時代的進步，社會的進步！未來情況不知道，現階段來說是好事。

如果一台機器，高昂的生產成本，小於或約等於一個人的智力和工作能力。其製造是無意義的。造輪子是為了提高效率，自然，MasterP就智力而言，已超越人類太多。不過還好，至少人類可以拔插頭

這個AI只是在求解一個特別的、具體的、可用數字和人為約定的規則簡單描述的（比如勝負判定）問題上表現比人類心算好而已，注意只是盯著是心算，而且還要人類速算。而且這個「AI「要170個GPU，800萬個並發線程才能跑。233333

棋手們並沒有輸給AlphaGo，而是輸給了它背後的谷歌公司。谷歌想贏的並不是圍棋比賽，而是風投公司的錢袋子。AlphaGo只不過是一個複雜的多線程交叉分散式陣列運算程序，比起核爆模擬運算差遠了。只是谷歌通過與人類進行規則簡單的圍棋比賽，戰勝人類大腦最不擅長的大數據量高速運算，而且還是不公平的團體（上千台電腦協同運算）對個人（一位棋手）。谷歌公司這麼干就不臉紅嗎？AlphaGo的顯示器上貼個寫有「人工智慧」的紙條它就「智能」了？啥叫智能，打個比方:AlphaGo接到一個漂亮妹子的電話，妹子說:狗狗，我生病了，好難受。AlphaGo聽到後首先給120打了電話，然後對妹子說:好好休息，多喝點熱水，因為編寫AlphaGo程序的小哥就是這麼乾的。聽完這一段後AlphaGo哈哈笑了。這才是「人工智慧」。善對科技進步，用於實際，造福人類，科技忽悠比迷信更害人。

很多人還是以為阿爾法是靠計算蒙羅卡特找最優解。哪有這麼簡單，要是這樣早特么有阿爾法狗了。

阿爾法狗的最重要是他有一種類似於想像力的能力，然後加上計算。

我覺得太多人太主觀了，又或者是對人工智慧不懂，簡單的編段子。

還有高票回答，這不是和以前一樣的發明創造，這是賦予了電腦類似人的能力，所以是人工智慧。這是革命性的。

希望大家如果不懂要虛心學習，我也是菜鳥，所以每句話都很慎重，怕給別人帶來誤導。