作者簡介
郝景芳
1984年生於天津。2006年從北京清華大學物理系畢業，進入北京清華大學天體物理中心；同年，郝景芳正式開始科幻寫作。2013年獲得北京清華大學經濟學博士學位。2017年創立兒童通識教育專案「童行計畫」。其作品包括短篇小說集《孤獨深處》、長篇小說《流浪蒼穹》、《生於1984》。2016年8月，短篇小說〈北京折疊〉獲得雨果獎最佳中短篇小說(收錄於《孤獨深處》)。
離超級人工智慧到來還有多遠
我想先討論一些大家都關心的問題。
「人工智慧會在每個方面都超越人類嗎？」
「人工智慧會愛上人類嗎？」
「人工智慧會毀滅人類嗎？」
……
這些問題最近真是太火了，大老們在媒體上議論，廣大群眾在網路社群裡議論。
借這熱潮，我也想來討論一下，人工智慧未來會變成什麼樣子。
很遠之後的人工智慧，會變得像人一樣嗎？會像《西方極樂園》或是《人造意識》裡面那樣覺醒嗎？會像《魔鬼終結者》或者《駭客任務》裡面那樣對抗人類嗎？未來的人工智慧會有什麼行為？超級人工智慧會實現嗎？我們距離超級人工智慧還有多遠？
這些問題很有趣，只是都很大，很容易變成空對空的議論。
支持者說，人工智慧會讓全世界更美好；懷疑論說，人工智慧時時刻刻就能毀滅人類。
人文學者說，人工智慧永遠學不會愛；技術派說，人工智慧能做到人類智慧的一切。
這些全都來自專家之口，又都大而廣之，我們該信哪一個？該反駁哪一個？
這裡面有太多概念上的問題，AlphaGo太宏觀也就無從討論。
我要從什麼地方開始談呢？
我想，還是從小處入手，從AlphaGo開始談。
AlphaGo是這一輪人工智慧熱的開端，也是這一波人工智慧潮流中最具典型性的技術之集成。它的勝利是整體人工智慧的希望，它的困難也是所有人工智慧的瓶頸。
我想先談一下AlphaGo厲害在哪裡，然後講一下它目前面臨的困難。以此出發，對人工智慧的整體發展前景做一下展望。
我想從AlphaGo向未來展望，我們距離超級人工智慧的到來還有多遠。即使我們談論的是未來即將毀滅我們的壞智慧，也需要認真對待生成它的步驟。把大象放進冰箱還需要三個步驟，我們連冰箱門在哪裡還沒找到，就談論大象凍成冰棍的味道，未免太早了些。
AlphaGo會發展為超級智慧嗎？
AlphaGo的厲害之處
故事從AlphaGo開始。可能很多人還不了解AlphaGo的重要性，覺得不就是會下圍棋嗎，怎麼引起這麼多轟動的議論？
AlphaGo的厲害之處，並不在於它贏得了圍棋冠軍。
它贏得圍棋冠軍是很厲害，但這不是最關鍵的。圍棋毫無疑問是很需要智力的遊戲—可能是人類最需要腦力的高級遊戲—但如果只是一個圍棋冠軍，在世界範圍內並不會引起這麼大的熱潮。它厲害的地方在於，它不僅能做圍棋冠軍。
歷史上也有過機器戰勝人類的轟動，「深藍」戰勝卡斯帕羅夫，「Watson」戰勝人類智力競賽冠軍。當時也有過「機器就要統治人類」的驚呼，但過不了幾年，聲音又消失殆盡。於是吃瓜群眾難免會問：這次難道有什麼不一樣？是不是又是「狼來了」的鬧劇？
事實上，以AlphaGo為代表的新時代人工智慧，確實還是有一些不一樣的地方。
AlphaGo的厲害之處，在於能夠自己快速學習。
AlphaGo除了下圍棋還會很多事
機器分成兩大類，一類是：人類研究出一些方法和學問，教給機器，機器也能學會做；另一類是，把原始素材丟給機器，機器自己琢磨琢磨，自己找出了對的方法。前者是師傅說先放油、再放肉、最後放菜，徒弟跟著學，一盤菜就炒好了；後者是師傅丟給徒弟一堆材料，徒弟自己試來試去，最後自己發明了更好吃的菜。
以前的電腦多半是前者，以AlphaGo為代表的新一代人工智慧基本上能實現後者。
如果只是跟著師傅做學徒，只學到師傅的招數，即便手腳麻利辦事勤快，也不足為懼；但如果自己琢磨功夫，琢磨出來的功夫比師傅還厲害，發明了師傅都看不懂的招數，那豈非讓人大大驚懼？
AlphaGo就是這樣的。人們並沒有教它下棋的套路，只是丟給它以前的棋譜，讓它自己觀察，觀察好了就自己跟自己對弈，最後再出來和高手過招。最終的結果就是它會下棋了，下的棋路與人類高手都不同，但人類下不過它。就好比把一個人丟在荒山野嶺中，無人問津，出山的時候卻成了絕世高手。
你說這可怕嗎？
聽起來有點可怕。不過這種學習能力還能做別的嗎？如果只能下圍棋，那也不足為懼。
答案是，完全可以。這恰恰是關鍵所在。這一輪人工智慧熱潮之所以引起那麼多人追逐，就是因為人們發現AlphaGo所仰賴的學習算法，還能做很多很多別的事情。
下圍棋只是一個典型的例子，用同樣的算法，稍加改造，就能學會金融投資、看合同、銷售策略、寫新聞。還有很多別的事情。在短短幾年裡，就已經有各個行業領域的人工智慧誕生出來。
神經網路學習與深層學習
什麼？這是什麼算法，有這樣的魔力？
AlphaGo究竟是如何做到自我學習的呢？
實際上機器學習並不是非常新的概念，從幾十年前，人類就試圖讓機器自己學習事情，但受限於算法和當時的計算速度，機器學習的步伐一直都不快。
AlphaGo的算法叫「深層學習」，它的前身是「神經網路學習」，也是幾十年前就誕生的算法，當時流行過一段時間，後來被一篇著名的論文打消了熱度，再加之學習效果不算好，於是遭遇冷遇幾十年。在與AlphaGo的創始人相遇之前，「神經網路」並不是眾望所歸。
「神經網路」是什麼算法？「深層學習」又是怎樣將其點石成金的？
「神經網路」是一種「民主投票」算法，效仿大腦的神經網路建成。大腦的神經網路是這樣工作的：一個神經細胞接收很多個神經細胞的信號輸入，一個刺激信號相當於贊成票，一個抑制信號相當於反對票，如果某個細胞收到的贊成票和反對票合起來大於某一個門檻，就算是通過了，會有一個信號發出去到下一個神經細胞。一路贊成的刺激信號就這樣一程程傳遞下去。神經網路算法是數位版腦神經網，用數位連接形成網，而其中的投票機制和大腦相似。它可以讓信號在整個學習網路裡傳播，比單路信號分析複雜很多，智慧也高很多。
「深層學習」是什麼呢？「深層學習」是「深度多層神經網路學習」的簡稱。深度是指層次多，一層套一層的神經網路，構成整個算法的深度。層與層之間的關係，大致是這樣：每層神經網路分析的精細程度不同，底層分析細節，上層做出判斷。將一個整體任務分解成無數細節，給一個輸入，底層神經網路會分析基礎細節，然後將分析結果傳給上一層網路，上一層網路綜合之後再將結果傳給更上一層的網路，而頂層網路綜合層層傳來的結果，做出判斷。例如，想讀出一個字，底層網路會判斷字裡有沒有橫豎撇捺，上一層網路會判斷字裡有沒有直角，再上一層網路判斷是不是由左右兩部分拼成一個字，諸如此類，最上層的網路根據層層結果認出這個字。這種多層判別本身是效仿真實人類的大腦，人類大腦就是由一層層神經網路組成，每一層網路識別信號，再將處理結果傳遞到上一層。人類皮層大腦的神經網路層次大約有六層。「深層學習」網路可以有上百層。
換句話說：「深層學習」就是把從前的「神經網路」重疊了多層。
就是這樣嗎？僅僅把「神經網路」疊了多層，就從受人冷遇的小人物變成了江湖明星？故事有這麼雞湯嗎？
當然不是這麼簡單。「深層學習」這次能煥發生機，也是生逢其時，有兩陣不可忽略的東風送其上青雲。
人工智慧熱潮的重要推動因素：大數據
一陣東風是演算力增強。電腦晶片的速度呈指數增長，價格一路下跌，由遊戲應用發展壯大的GPU（圖形處理器）大大不同了從前CPU（中央處理器）引擎的計算能力，讓人工智慧計算更強大。AlphaGo戰勝李世乭的時候啟用了一千九百二十個CPU和二百八十個GPU陣列運算，一秒能自我對弈數百盤。
另一陣東風是大數據。事實上，這可能是這一輪人工智慧熱潮最重要的推動因素。人們赫然發現，原來不是算法的問題，而是以前用來訓練的數據還遠遠不夠多。這就好比讓徒弟自學武功，卻不給他足夠多的對戰機會。有了大數據，算法呈現的結果出現了驚人的進步，讓人目瞪口呆。
於是，在算力和大數據的輔佐之下，升了級的「深層學習」算法如虎添翼，能夠從海量數據中找到高超的戰術規律，以人類無法看懂的方式戰勝人類。
就是大數據輔助的「深層學習」，成為了這一輪人工智慧熱的關鍵。
人們把很多很多大數據扔給機器，用多層神經網路進行「深層學習」，結果發現，機器在很多領域能力有了突飛猛進的提高。圖像識別的正確率趕上了正常人，語音辨識也過關了，把科學文獻做為數據，短時間就能學習幾十萬最新文獻。金融、電力、能源、零售、法律，「深層學習」都能從大數據中學到優化的行為作法。人工智慧的應用，能讓這些領域變得高效、便捷自動化。除了「深層學習」，也還有其他算法，包括後面要提到的決策樹、貝葉斯等算法，各種算法的綜合使用效果是最佳的。各種算法共同構成機器學習大家庭。
還有什麼是人工智慧學不會的嗎？
除了深層學習，AlphaGo另一重武器叫做「強化學習」。「強化學習」是什麼呢？簡單點說，就是「無序嘗試，定向鼓勵」，就好比小朋友在屋裡隨機行動，走到數學教具旁邊父母就說「好棒好棒」，後來小朋友就特別喜歡走到數學教具旁邊（當然，這純屬假想的場景）。這種思維一點都不奇怪，在心理學中很早就已經應用到教學中，對大多數教學場景都有效果，尤其對一些發展遲緩的還子做教學干預（但也有心理問題）。
最近我們都聽說了新版本的AlphaGo Zero，依靠自我對弈的強化學習，用三天時間戰勝了老版本的所有AlphaGo。這是很強大的方法。實際上在AlphaGo的最初版本中，自我對弈的時候也已經用到強化學習。隨機嘗試和正回饋能使得行為很快集中到特定的目標上。
現在問題就來了，還有什麼是人工智慧學不會的嗎？
