造就 | 當機器擁有了和人一樣的直覺，它所能做的事遠比下圍棋多得多

2020-10-18 造就

吳韌

NovuMind（異構智能）創始人兼CEO

我最早接觸人工智慧是30年前，可以說見證了人工智慧的發展史。我想用自己的經歷告訴大家，人工智慧已經發展到什麼程度，以及它可以怎樣改善我們的生活。

今年3月份發生了一個歷史性事件，谷歌的AlphaGo在這場世紀大戰中，擊敗了世界級圍棋手李世石。


比賽之初，大眾一邊倒地認為計算機是完全沒有可能去和最頂尖的人類棋手抗衡的，但結果讓所有人大跌眼鏡。不過像我以及其他在這個領域深耕很多年的人知道，從2006年至今的這些年裡，人工智慧產生了多麼巨大的進步。

人類的歷史，或者說地球上生物的進化史，實際是一個非常漫長的過程。但這一過程讓每個生物變得更加聰明，讓它能夠適應地球的環境變化。

動物逐漸有了頭腦，有了越來越複雜的腦結構，最後出現了人腦這樣一個非常精妙和強大的思維機器。這是地球物種演變數百萬年的歷史所帶來的巨大成果。

數百年前開啟的工業革命開始讓我們某些部分身體的工作可以被機器替代，並且做得更好。如果說工業革命讓人類的肢體從體力勞動中解放出來，那麼上世紀計算機的發展，則代替我們做了很多耗費腦力的工作。


縱觀計算機的發展史，從算盤到計算器，再到電晶體計算機，以及現在人手一部的桌面電腦、智慧型手機，這裡面其實是計算能力進步的一個縮影。我們試圖通過提升計算能力，來讓所做的事情更加簡單、更加美好。

從很早開始，人們就開始思考，能否用電腦來進行棋類競技？在上世紀60年代，計算機科學家們開始研究西洋棋程序，那麼電腦是如何來下棋的呢？ 

在每一個牌面上，我們都有很多種不同的落子選擇，西洋棋有35個，中國象棋可能40到45個。打比方說，現在有三種選擇，我會選擇其中的第一種，走這一步後去看對手有多少種可能的應對方式。

假設對手針對我也有三種應對方式，那我再繼續展開看對此每一種又有多少不同的走步。


也就是說，我要選擇對我最有利的走步，對手也一定會選擇對他最有利的走步，如果我們把所有的可能性展開，如此反覆，最後選擇出一個最有利的棋步，這是計算機下西洋棋的基本思路。當然，下好西洋棋光靠這個是不行的，這就要回到計算機西洋棋的發展史。

1974年，世界上第一次西洋棋人機對抗賽，電腦程式是蘇聯的Kaissa，它每秒可以進行500步棋的計算；到了1997年，深藍可以每秒鐘走兩億步棋。

由此可以看到計算機的運算能力在這20多年間得到了多麼巨大的提升。當然大家也知道，在1997年的這個歷史性時刻，深藍擊敗了蘇聯歷史上最著名最有天賦的西洋棋棋王——卡斯帕羅夫。


這個例子實際上最深刻地告訴世界，計算機在西洋棋這個人類引以為傲的智力遊戲中，已經超越了人類變成了世界的最強者，告訴了我們人工智慧已經發展到了一個什麼樣的境界。

計算機已經可以把人類左腦的一個重要屬性——Calculation（計算）能力完美地重現，這是人類歷史和計算機科學歷史上一個重要的裡程碑。

既然計算機西洋棋已經擊敗了世界冠軍，我們能否推而廣之來做其他更複雜的人類智能活動？比如，我們可不可以用它來下圍棋？


我剛才說過，西洋棋在每一個局面有35到40種選擇，但圍棋不同的是它的一個棋面可能有多達300種不同的選擇。把西洋棋和圍棋的運算步數寫成數字，就是10的50次方和10的170次方之間的區別。

對大家來說，這也許只是兩個冰冷的數字。我舉一個例子，我們宇宙中所有原子的數目只不過是10的80次方，尚且遠遠小於圍棋的變化量。也就是說，沿用西洋棋單靠計算和演繹的做法，實際上沒有辦法把圍棋程序做得更好。

西洋棋所採用的暴力計算、暴力推理的方法，並不能夠重現人類其他方面能夠展現出來的智能，比如下圍棋。

為什麼人類可以下好圍棋？究竟是什麼原因讓我們面對一個如此複雜的智能遊戲，能做到心中有數，並且非常漂亮地走步？愛因斯坦說過，真正有價值的東西就是直覺。


直覺是人類智能中大家覺得通過計算機不可重現的高級能力，一個人類棋手可以給予對手的最高的榮譽就是：他的棋感比我好。這種感覺遠遠超出棋步上的計算，超出人類辛苦的付出。直覺在圍棋上的表現就是所謂的棋感，這是圍棋領域裡關鍵之關鍵的一項能力。

世界上有這樣一群科學家，從上世紀40年代就開始神經網絡的研究，這中間有非常多的起伏。最重要的裡程碑來自於2006年，Geoffrey Hinton發表的論文《A fast learning algorithm for deep belief nets》，這件事讓深度神經網和深度學習重新回到舞臺。


大家可能會問，為什麼這個東西40年代就有了，算法在80年代就成熟了，為什麼到2006年才重回舞臺，並且像風暴一樣席捲全球？這中間到底發生了什麼事情？我想給大家講講這中間發生的兩件重要的事。

第一是網際網路將人類帶入大數據時代，我們現在有能力收集到非常海量的數據，我們的電腦可以從極多不同的案例中學習再學習。這個學習的過程又來源於另一個重要突破，就是計算機運算能力的提升。

如今每個人面前的桌面電腦的運算能力，可以說和2000年世界上最大的超級計算機的能力想媲美。這種計算能力的普及和提升加上大數據，就讓深度學習重回舞臺，並且佔據重要位置。


有了深度神經網以後，怎樣來模擬圍棋的棋感？大家知道，圍棋棋盤的格子是19乘19，可能的選擇步數是361個。這就是為什麼西洋棋的辦法在圍棋上行不通：我們每考慮一個棋步，就會產生361個可能性。

但是如果我們有了一個好的深度神經網絡、圍棋棋感網絡的話，計算機就會告訴我，只有某兩步棋在這個局面上是相關的，也就是說這個感覺已經給了我們非常強的引導作用，我們只需要在這兩步棋裡面進行展開。

也就是說，計算機可以讓我們從非常複雜的棋局中，挑選出幾個關鍵棋步來展開並進行推理，這就是計算機下圍棋的基本原理。計算機的直覺是怎麼來的？實際上電腦和人腦訓練直覺是用的同樣的方法。


漢朝的班固說過，「元元本本，殫見洽聞。」見多則識廣，當我們把這些歷史看多了以後，人腦或電腦就會形成直覺；當我們遇到類似情況，這種直覺就會做出本能的反應。這種反應就是我們所要追求的，而我們如今知道人腦和電腦可以用同樣的辦法獲得直覺。

具體到人臉識別的例子，我們先是有了非常複雜和巨大的人臉資料庫，再設計一個深度神經網絡，用智能的方法來設計和訓練超級計算機，藉助強大的計算能力、複雜的神經網絡、龐大的訓練集，就會拿到非常好的人臉識別神經網模型。


同樣的道理，我們可以形成非常聰明的圍棋直覺網絡。計算能力、大數據處理能力和深度學習能力，是形成直覺網絡的關鍵所在。

再總結一下，深藍的故事告訴我們，計算機能夠完美重現人類左腦的計算能力；AlphaGo則告訴世界上所有人，計算機可以搞定人類的右腦能力之一——直覺。


計算和直覺，這兩項基本的人工智慧能力，會為我們將來的生活帶來翻天覆地的變化。如今，人臉識別、語音識別、智能家居、醫療圖像…我們越來越多地看到人工智慧從方方面面進入現實生活，將來會形成所謂的智能網際網路時代。

我自己非常幸運，30年前就開始開始做人工智慧研究。我走過了非常多的路，也見證了人工智慧的成長，我記得自己做的第一個中國象棋程序，當時在蘋果電腦上運行，能夠一秒鐘判斷一個棋步，也就是NPS等於1；

到1997年我們看到深藍擊敗了西洋棋的世界冠軍；今年更是看到AlphaGo在圍棋上也擊敗了世界冠軍。


實際上我想說的是，計算能力才是真正的內在驅動力，是計算能力讓我們做到以前不可想像的事情，做到以前絕對沒法做到的事情。

再下一步，我們要做的事情，就是從所有人的連接到所有物的連接。我們要給每一個小東西裝上一個大腦，就像我們開頭說過的地球物種進化史一樣，以後我們會看到一個新的物種，它也有感知，也可以處理，也可以反應，也可以適應。

同時所有地球上其他的這些聰明的小東西，能夠進行更智能、更高層面的通訊。世界到那一刻，就會真正變得更加簡單，更加美好！謝謝大家！






相關焦點

  • AI 首次在德州撲克戰勝人類職業玩家,新算法讓機器擁有「直覺」
    另外，作者還在論文中介紹了一種新的算法DeepStack，讓系統可以在比賽中擁有「直覺」。但是，它並不會計算和存儲一個完整的優先策略用於博弈，所以也不需要進行簡要的提煉（濃縮）。反之，在遊戲中，它會在每一個具體的場景出現時就進行考慮， 但是並不是獨立的。　　通過使用一個快速的近似估計來代替某一種深度的計算，它能避免對整個遊戲的剩餘部分進行推理。這種估計可以被看成是 DeepStack 的直覺：在任何可能的撲克情境下，持有任何可能的個人牌的牌面大小的直覺。
  • AlphaGo是如何學會下圍棋的
    在大多數公認的智力遊戲中，機器已經戰勝了最優秀的人類，包括西洋棋、拼字遊戲、黑白棋等等。但是圍棋----這個有著2500年的歷史，比象棋複雜得多的遊戲，即使是面對最先進的計算機系統，頂尖棋手們也能保持優勢。
  • 阿爾法圍棋ALPHAGO 紀錄片
    要攻克圍棋需要人類的直覺，若能攻下圍棋，那就非同凡響了。圍棋是世界上最古老、最持久的棋盤遊戲。某種程度上講，它也是最簡單的，最為抽象的遊戲之一。他只有一種棋子，一種移動，只需要把棋子落到棋盤上，你的目標就是要用自己的棋子連結圈起一片空的領域。當你圍住對手的棋子後，你就能俘虜它們，把它們撤下棋盤。
  • 能造出像人一樣「思考」的機器嗎?—新聞—科學網
    如今的人工智慧系統已經在不少具體問題的解決能力上超過了人類，那麼，我們究竟能否製造出像人一樣「思考」的機器？人工智慧會有一天超越人類智能嗎？ 計算型智能只是人類智能的一種類型 下圍棋是人類的高級智能活動之一，過去人們認為計算機不可能超越人類的這種智能。因此，下圍棋也被視為人工智慧的「聖杯」。
  • 「直覺機器」和「代數思維」,哪條路能走向通用人工智慧?
    相反，它僅僅靠定義了棋類的規則就做到了這一點。它只用了4個小時就學會了下期策略（不同的開局著法、開局讓棋法、對棋盤的控制、殘局的下法、迫移等）。換句話說，它在短得不可思議的時間內就學會了人類在下了很多世紀才領悟到的所有東西。要是無視這一點風險就得你自己承擔了。3.2.
  • 下圍棋是阿爾法厲害打星際它贏不了人
    原標題：下圍棋是阿爾法厲害打星際它贏不了人《最強大腦》的「人機大戰」中，中國「腦王」王峰惜敗機器人「小度」。很多網友也擔心，機器人再這麼聰明下去，人怎麼和它在友誼的小船上相處?記者專訪了浙江大學人工智慧研究所所長、教授吳飛和浙江大學求是高等研究院系統神經與認知科學研究所的副教授奚望，他們從各自的角度，解答了網友的兩大疑問：第一，在下棋這件事上，人到底能不能戰勝機器；第二，機器人最後會不會取代人。
  • 機器的算法和人類的心法,攜手創造怎樣的未來?
    當時的日本圍棋江湖，幾大流派為了爭奪名人棋所，鬥得不可開交。為了把當時的霸主十二世本因坊丈和拉下寶座，「圍棋四哲」之一的井上幻庵因碩，派出了自己的密藏弟子赤星因徹。 史上最致命的這盤棋，下了整整四天。起初，局面難解難分，年輕的赤星因徹英勇善戰，略佔上風。直到丈和下出了著名的「古今無類三妙手」，如變魔術般扭轉局勢，最終戰勝對手。
  • 圍棋人機大戰柯潔哭了 機器卻沒有笑
    賽後發布會柯潔再度哽咽，並向臺下鞠躬說：「今天的棋我以為能下得好一點，沒想到在布局階段就走岀了一步我自己都無法原諒的惡手，後面就一直很困難。很多人都能比我做得更好，我也不值得大家的讚美，我輸了，很抱歉。」
  • 【果殼網專訪】圍棋天才柯潔:如果AI下贏了我,我還想贏回來
    倒貼目的優勢介於讓先和讓兩子之間。但這段時間我不知道它會有什麼長進。我也不太懂電腦，所謂的「腦盲」（笑），但我們圍棋界也有研究軟體的，我們的俞斌老師（中國圍棋隊總教練）就是做這個方面的。他覺得這個事情完全不可思議，下起來太像人了。我一開始看到的時候都懷疑這個消息的真實性，但既然他們說是真的，那我也還是相信是真的吧。不過我覺得李世乭多半還是會贏的。
  • 「全能棋王」AlphaZero 背後的真正啟示:直覺是如何戰勝邏輯的
    （《麻省理工科技評論》中英文版APP現已上線，年度訂閱用戶每周直播科技英語講堂，還有科技英語學習社區哦~）現代文明和科技已經使得我們的直覺不斷退化。絕大多數人都沒有意識到直覺的價值甚至沒有意識到它的存在。作為複雜計算的基礎，直覺是一種很容易被忽視的非常規方法。這種非常規性使得許多研究人員忽視它的潛力。
  • 馬雲:人為什麼要和計算機下圍棋
    說到圍棋AI，馬斯克認為，人類和機器下圍棋，就像和宙斯鬥爭，差距太遠。但馬雲覺得，和計算機下棋很愚蠢，這就像100年前人類發明汽車，偏要有人覺得比汽車跑得快，要和汽車賽跑。圍棋是設計給人和人下的遊戲，為什麼要和計算機下？
  • AlphaGo已能體會圍棋之美
    在此之前，他曾經說過「AplhaGo缺點是他無法理解圍棋之美」，但在這一刻， AlphaGo卻用自己的一步棋讓他體會到了其中的美和優雅。　　　　麥克•雷蒙也感受到了這種「刺激」，他說經過這兩天的觀察，自己非常想和AlphaGo下一盤棋。「許多圍棋高手都會有自己習慣的套路，尤其是在布局階段。這樣做卻更加穩健，但是下多了也少了許多變化的樂趣。」
  • 第三盤再輸給阿爾法圍棋 柯潔哭了:因為覺得機器下得太完美
    下完白126貼之後，柯潔起身離席，隨後在現場的宣傳板後激動灑淚。良久之後，擔任裁判的陳一鳴去查看情況，隨後柯潔哭出聲來，坐在十幾米之外的觀戰席上的記者能夠聽見他隱忍但清晰的哭聲。就這樣約20分鐘後，柯潔才平復心情重返棋局，堅持下完了比賽。柯潔賽後透露，他在比賽中的失態是因為覺得機器下得太完美了。他說：「我知道自己前面形勢不好，之後它的每一步棋，我只能猜到它一半的棋。
  • 張立華:突破全息直覺理論,打造機器智能引擎
    一個充滿挑戰的問題正擺在人類面前，未來的智慧機器人是否會擁有像人一樣的智慧大腦和複雜意識？「當前以深度學習為代表的人工智慧技術所能解決的問題往往需要具有大量可以借鑑學習的訓練集，同時要求所獲取的信息是完備的，而在複雜的真實應用環境中，採集到的數據往往包含大量噪聲與不確定性，且僅包含環境的局部信息，導致了基於深度學習的人工智慧應用的局限性。
  • 除了下圍棋,AI還能預測「難纏」的蛋白質結構,它是怎麼做到的?
    可是要如何根據蛋白質的胺基酸序列來確定它的空間結構呢？這就是困擾科學家們近50年的「蛋白質摺疊問題」。2 蛋白質如何將自己摺疊起來蛋白質就像是一臺精心組裝的機器，它的零件是我們身體內的20種胺基酸。在基因編碼合成胺基酸序列的過程中，一個個胺基酸分子遵照基因序列中蘊含的遺傳信息指令，像珠子一樣有序綴連起來，形成多肽鏈，構成蛋白質的一級結構。
  • 造就譯 | 人工智慧的「超級英雄」：李世石真正的對手其實是他
    這一次，它挑戰的對象是比古董街機遊戲還要古老，那就是圍棋。它的「分支因子」無窮無盡，走法可能比全宇宙的原子數量還要多；而且和西洋棋不同的是，它無法通過暴力計算來求解。甚至連編制函數來蘋果當前棋局的勝率都很難。它需要棋手擁有某種「直覺」——如果問一個專業圍棋手為什麼這樣落子，他常常會回答說：「憑感覺。」
  • AlphaGo讓棋手見識全新圍棋 傳統思維已被打破
    值得一提的是，在昨天的第三盤比賽中，柯潔強撐著下完白126手之後，離開座位去了宣傳板後面的區域獨自流淚，並且哭出了聲。過了20分鐘後，平復心情的柯潔才重新落座。　　人類圍棋同樣是贏家　　AlphaGo問世前，全世界棋手曾自豪地認為，圍棋是智力世界中，不會被機器攻陷的堡壘。
  • 除了下圍棋 AI還能預測「難纏」的蛋白質結構 它是怎麼做到的?
    原標題：除了下圍棋，AI還能預測「難纏」的蛋白質結構，它是怎麼做到的？在基因編碼合成胺基酸序列的過程中，一個個胺基酸分子遵照基因序列中蘊含的遺傳信息指令，像珠子一樣有序綴連起來，形成多肽鏈，構成蛋白質的一級結構。 　　然而，通常的機器只要按照設計圖將零件組裝起來就可以運轉，而胺基酸分子連接成多肽鏈後，蛋白質分子的建造還沒有結束，它還需要進一步摺疊出空間結構才能發揮功能。可是基因序列只決定胺基酸序列的合成，並不包含更多信息指導它如何摺疊成獨特的三維結構。
  • 專訪央視《圍棋》導演、撰稿:拍像「舌尖」一樣好看的紀錄片
    在解說詞撰寫方面，他們也下足了工夫，邀請了著名出版人、作家楊葵撰稿。楊葵以對文字挑剔、講究著稱，由他來撰寫解說詞，無疑能保證文字質量。張虹不僅給楊葵找來大量資料供他參考，又在初稿的基礎上做了大量的修改調整，以保證解說詞更加適應央視風格，更能為普通觀眾所接受。這不禁讓人想起了《舌尖上的中國》這部火遍全國的紀錄片。
  • 解讀神經擬態計算:讓機器像大腦一樣"思考"
    同時，隨著通信技術的發展、物聯網的發展、深度學習技術的發展，越來越多的「物」開始擁有「智慧」，比如能跟孩子交流的音箱、能夠自動調節亮度的電燈、能夠自動「判斷」白天還是夜晚的窗簾，亦或者能夠更加智能的疏通車流的交通信號燈等等。