AI研究院 | 機器也會有思想？看看AlphaGo之父怎麼說

編者按：《AI研究院》由網易智能頻道發起，網易杭州研究院等機構共同參與打造，每周五篇，專註AI行業研究與深度分析，並提供技術應用交流。轉載請聯繫我們獲得授權，公號smartman163。

【網易智能訊 4月24日消息】科學創造了不可思議的現代文明。每次坐飛機，大部分人都驚嘆於這項讓人類在雲端之上翱翔的技術。人類繪製了基因組圖譜，建立了超級計算機和互聯網，對彗星進行了探測，在粒子加速器中以接近光速的速度粉碎了原子，並把人送上了月球。我們是怎麼做到的呢?

我們的大腦只有3磅，看看我們已經取得的這些成就，這是相當了不起的。科學方法可能是人類有史以來最強大的想法，自啟蒙運動以來取得的進步簡直令人震驚。但我們現在正處於一個關鍵時刻，從氣候變化到宏觀經濟問題，再到老年痴呆症這許多的系統問題都極其複雜，很難掌握。我們能否解決這些挑戰，以及我們能以多快的速度實現，這兩個問題將影響數十億人未來的福祉，以及我們所將要生活的環境。

問題在於，這些挑戰如此複雜，以至於即便是世界頂尖的科學家、臨床醫生和工程師也難以掌握所有必要的複雜情況，而只有掌握了這些，問題才能取得突破。據說，達芬奇可能是最後一個能夠完全理解他們那個年代的知識範圍的人。從那時起，我們就開始了專門的研究。

今天，要完全掌握哪怕是一個領域，如天體物理學或量子力學，也需要一輩子的時間。我們現在想弄明白的系統是由大量的數據支撐的。這些數據通常是高度動態的、非線性的，並且具有突現的特性，因此很難找到結構和連接，從而揭示隱藏在其中的見解。開普勒和牛頓可以用方程式來描述地球上的行星和物體的運動，但是今天的問題很少可以簡化成簡單的一套簡潔的公式。這是當今時代最偉大的科學挑戰之一。

現代計算機時代的創始人艾倫·圖靈、約翰·馮·諾伊曼、克勞德·香農，他們都明白信息理論的核心重要性，如今大部分人也都已經意識到幾乎所有事情都可以用這種範式來思考或表達。這在生物信息學中是最明顯的，基因組實際上是一個巨大的信息編碼模式。相信有一天，信息會被視為基本的能源和物質。從本質上來說，智能可以被視為一個將非結構化信息轉化為有用和可操作的知識的過程。很多人願意用盡一生為人工智慧的科學願景而努力鑽研，人工智慧的願景是人類可以人工合成、自動化和優化這一過程，利用技術，把它作為工具幫助在那些對人類毫無幫助的領域獲得快速的新知識。　如今，人工智慧已經變得非常流行。然而，「人工智慧」一詞的含義還要取決於語境。AlphaGo之父Demis Hassabis 與人聯合創辦的DeepMind公司採取的方法側重於學習和一般性的概念，目的是開發其所需要的人工智慧。如果想要計算機去發現新的知識，那麼必須讓他們有能力真正地為自己學習。他們研究出來的演算法會直接從原始經驗中進行學習，掌握規律，從而完成任務，這意味著他們所掌握的知識並不是抽象的符號，而是最終以某種形式的感官現實為基礎。

他們進一步要求將這種演算法一般化，因為相同的系統具有相同的參數，可以在廣泛的應用中都能表現出色。這兩項原則都是在DeepMind 2015年的自然雜誌上展示的，在這篇論文中，一個單一的程序可以讓自己學會玩幾十個經典的雅達利遊戲，除了屏幕上的像素和跑步的得分外，並不需要其他的輸入。他們還將系統級別的神經科學作為新演算法和建築理念的靈感來源。畢竟，大腦是唯一存在的證據能證明一種通用的基於經驗的學習系統是可能的。這與許多前輩的做法完全不同。

這種差異有一個例子可以很好的進行解釋：那就是兩項在遊戲領域取得世界第一的突破性項目:IBM的深藍（在1997年擊敗了國際象棋冠軍Garry Kasparov），以及他們最近的AlphaGo程序，去年在世界上最複雜的圍棋比賽中，擊敗了世界上最頂尖的選手之一。「深藍」使用的是所謂的「專家系統」方法：一組程序員與一些國際象棋大師們坐下來，明確地提煉並將他們的知識編寫成一套複雜的試探法。一台強大的超級計算機隨後使用這些手工製作的規則來評估大量可能的變化，用蠻力計算出正確的移動方式。深藍對Kasparov的勝利是人工智慧歷史上的一個重要里程碑。但它的勝利更多地證明了它的程序員和大師團隊的聰明才智，以及當代硬體的計算能力，而不是程序本身的內在智力。

象棋破解後，圍棋成為人工智慧研究的新聖杯。圍棋有3000多年的歷史，在亞洲有著深厚的文化意義，它被認為不僅是一種遊戲，而且是一種藝術形式，圍棋職業冠軍受到公共的認可。在170種可能的圍棋結構中，有驚人的10種（超過了宇宙中原子的數量）無法通過強力的方法來解決。

事實上，即使是編寫一個函數來確定哪一方在某一特定的圍棋位置上獲勝也被認為是不可能的，因為單塊位置的微小變化可以從根本上改變整個棋局狀態。頂尖的人類圍棋棋手會嚴重依賴直覺和直覺來處理這種巨大的複雜性，通常把動作描述為簡單的「感覺正確」，而國際象棋選手則更依賴於精確的計算。對於AlphaGo來說，他們意識到，要想抓住這個遊戲的這個直觀的方面，必須採取一種與深藍等國際象棋程序截然不同的方法。他們沒有人工編寫人類專家策略，而是使用包括深度神經網路在內的通用技術來構建一個學習系統，並向它展示了數以千計的業餘遊戲，以幫助它發展自己對人類遊戲的合理的理解。然後，他們讓它對不同版本的自己進行了數千次的攻擊，每次都從錯誤中學習，不斷地改進，直到它變得非常強大。

2016年3月，機器人準備迎接終極挑戰:扮演傳奇的Lee Se-dol，他曾得過18個世界冠軍，被廣泛認為是過去10年最偉大的球員。超過2億人在網上觀看了比賽，AlphaGo以4比1意外勝出。專家們一致認為，這一突破比想像中提前了10年。更重要的是，在比賽中，AlphaGo玩了幾次非常有創意的獲勝動作，其中一項在第二場比賽中移動了37次，這讓人意外的是，它顛覆了數百年來獲得的智慧，從那時起，玩家們就一直在仔細地研究它。在獲勝的過程中，AlphaGo以某種方式向世人傳授了這項算得上是史上最受研究的遊戲的全新知識。　這些「演算法靈感」讓人們得以一窺為何人工智慧對科學如此有利:機器輔助科學發現的可能性。他們相信，支持AlphaGo的技術是通用的，可以應用於其他領域，特別是那些有明確目標功能的、可以被優化的、可以被精確模擬的環境，從而實現高效的高速實驗。例如，在能效方面，他們又使用了這些演算法的一種變體，找到了一套新技術，能夠把用於冷卻谷歌數據中心的能量降低40%，他們現在正在整個車隊中進行推廣，這將帶來巨大的成本節約，並對環境產生巨大影響。相信在未來的幾年裡，科學家和研究人員會使用類似的方法，從超導材料的設計到藥物發現等眾多領域產生深刻的見解。在很多方面，人們認為人工智慧與哈勃望遠鏡類似（這是一種科學工具，可以讓我們看到更遠，更好地了解我們周圍的宇宙）。

當然，就像任何強大的技術一樣，人工智慧的使用必須對這個社會負責任，同時必須是道德的，造福人類。人類還必須繼續高度認識人工智慧演算法的實用性和局限性。但是，在對項目能力的嚴格關注和對數據質量的影響進行更多的研究之後，我們可能會發現人工智慧在支持所有類型的專家方面發揮著至關重要的作用。在人類和演算法之間的這種協作下，科學在未來幾十年會有不可思議的進步。

相信人工智慧將成為科學家們的得力助手、也會成為提升日常生活質量、讓所有人更快、更有效地工作的一種元解決方案。如果我們能夠廣泛而恰當的利用這些工具，營造一個人人都能參與並從中受益的環境，就有機會豐富和推進人類整體的發展。

人們一直認為，物理學和神經科學在某些方面是最基本的學科：一個是關注外部世界，另一個是人類頭腦中的內部世界。因此，他們之間就涵蓋了一切。人工智慧有可能幫助人類更好地理解它們。當我們對於學習過程本身研究越來越深入，同時將其與人類大腦進行比較時，有一天人類會更好地理解人類獨一無二的原因，理解現在無法解釋的未解之謎，例如：人類的夢境、創造力甚至是意識。如果人工智慧可以幫助我們的社會，不僅是拯救環境、治癒疾病、探索宇宙，而且還能更好地理解人類自己，那麼，這可能是所有發現當中最偉大的發現之一。

（英文來源/ft 編譯/機器/小易 審校/Brittany）
推薦閱讀：