人工智慧註定統治人類，在最後掙扎的人機對弈前你要讀完這篇文章

出於一種善意的提醒，我建議每一位讀者在被人工智慧統治之前讀完本文。

2017年5月23日，圍棋等級分排名世界第一、中國圍棋職業九段棋手柯潔將迎戰DeepMind的人工智慧圍棋選手AlphaGo。

但你可能已經發現了，人們對這場世紀之戰，或者說人們對AI下棋已經不那麼關心了——為什麼發展至今，我們仍舊要關注人工智慧是否能在棋盤上戰勝人類？

這個問題不如反過來說：如果人工智慧比作一個生物，那為什麼這種生物比人類對下棋更執著？

很難說清究竟是誰第一個教會了計算機下棋，二十世紀最偉大的計算機科學專家克勞德·香農在1949年發表了論文《編程實現計算機下（國際）象棋》。

而另一位同樣被載入計算機發展史的學者艾倫·圖靈在1952年編寫了第一個計算機下棋程序——當時計算機的算力無法支撐這個程序的運轉，圖靈用筆和紙進行模擬驗算與人類同事對弈，每走一步要花半小時的時間，最後輸了。

如果AlphaGo戰勝柯潔，那麼就意味著：從學會下棋到在棋盤遊戲領域完勝人類，人工智慧等了這一天50年。

如果輸了，它還要繼續進化下去。

為什麼遊戲對人工智慧這麼重要？

「人工智慧這麼厲害，但為什麼要和遊戲較勁，不能把它用在更有實際意義的領域嗎？」

這是大眾在被AlphaGo轟炸一年之後的一個普遍的疑問。AlphaGo開發者的官方回答是：讓AlphaGo研究下棋，能讓人類更好的研究人工智慧。

或許了解人工智慧與遊戲，或者說與棋盤、撲克、電子遊戲的鬥爭史，能讓你對這個看似簡單的回答有一個更深刻的理解。

正如開頭所提到的，人工智慧的起源就來自於遊戲，20世紀最偉大的兩位計算機專家艾倫·圖靈和克勞德·香農，分別對計算機下棋產生過濃厚的興趣。

事實上，早期的的遊戲是驗證AI科學家一次性成果的檢驗器，許多人工智慧的研究都是基於「讓人工智慧完成某一種遊戲」來進行的。而人工智慧與遊戲的不解之緣並不僅僅局限於棋盤之上。

1957年，計算機專家Arthur Samuel編寫了一個跳棋程序，然後讓計算機戰勝了自己。

在人工智慧這個概念一次次被公眾捧上巔峰又跌落谷底的往日時光里，遊戲一直是人工智慧不離不棄的好夥伴。人工智慧除了先後攻克了跳棋、五子棋、象棋、撲克等傳統桌上遊戲之外。80年代電子遊戲興起，它和你一樣喜歡玩電子遊戲。

只是它和你玩遊戲的方式不太一樣：你玩遊戲，人工智慧控制NPC玩你。

遊戲中的一些NPC只是簡單的複述台詞或為玩家復活、加血。但另外一些，卻融入了早期人工智慧的影子，尤其是那些帶有博弈和競技類的電子遊戲。

開發者在製造這些NPC的時候，需要先將遊戲規則寫在程序里，並且要求電腦依照這些規則去進行遊戲。一旦遊戲開始，開發者並不能100%的預測這些NPC究竟會怎麼操作遊戲，這與控制論和80年代較為流行的一種名為專家系統的人工智慧所遵循的邏輯十分相似。

人工智慧像是歐洲鍊金術傳說中的人造生命體瓶中小人，儘管人工智慧一次次的在瓶子之外受挫。但每當它回到「遊戲」這個瓶子之中的時候，所有人都能看到它成長的速度。

在過去，瓶中小人的成長是發生在代與代之間的——研究人員開發了一款AI，讓它去進行某種特定的遊戲。通過觀察AI在既定規則、充分信息的遊戲中如何運作，研究人員可以在未來的版本中讓這個AI玩的更好。

但到了現在，人工智慧擁有了深度學習這一自主進化的能力之後。遊戲對人工智慧有了全新的意義——遊戲是自主學習AI的「學校」和溫床。

在解釋為什麼遊戲是AI學校之前，我們要先用一下人話解釋一下什麼是深度學習。

2014年，DeepMind製作了一款遊戲AI，在幾乎沒有人類干預的情況下通過上百局的反覆遊戲，學會了如何玩《打磚塊》這種遊戲。之後這款AI又在相同的模式下學會了如何玩《太空侵略者》（打蜜蜂）和《海底救人》等一系列復古的電子遊戲。

DeepMind的AI在進化的時候與過去的人工智慧有著明顯的不同，它是自主和非監督的。這讓它與之前遊戲里的NPC劃開明確的界限——你不再需要告訴電腦在一個遊戲里每走出一步會發生什麼，它們會自己學著去適應這個你為它準備的遊戲。

在這裡以圖像識別為例，用最簡單的語言不嚴謹的解釋一下為什麼這樣的「學習」能夠實現：

當研究人員要教會機器從一堆圖片里找出「蘋果」，多層神經網路實際在做的事情是先把所有的圖片拆解成基礎的像素，然後一層一層地進行分類。

一張圖片的整體色調是什麼樣的：紅綠青藍紫橙；圖片中主要物體的輪廓是什麼樣的：方、圓、多邊；光線在焦點物體上是否有反光：物體表面是否有鏡面反光、微弱反光還是不反光；物體的外形是否是多毛、少毛、無毛、硬毛還是軟毛的……

經過這樣一次次簡單的分類，我們很容易知道蘋果應該會落在紅、圓、微弱反光、無毛的那一類里。

在實際中，研究人員並不會先定義蘋果的這些特性。

而是讓一個多層的神經網路先把圖片中比較像的分為X個類。在下一層里，將X類中的圖片按照新的特徵重新分一遍生成Y個類，不斷分類下去。

在訓練的最開始，演算法對圖片進行的分類是完全隨機的，得到的結果也是完全錯誤的。

研究人員只需要標定最後一層的正確結果。演算法會用自己錯誤的結果和正確結果進行比較，並根據比較的結果從最後一層開始反向地逐層調整自己的參數，每調整一次參數就會更接近正確答案一些。

除了正確結果的標定，所有的調整和反推的計算都是演算法自己完成的，不需要任何人工干預。

在經過多輪訓練之後，「蘋果」這種具有明顯共同特徵的植物出現在了某一個特定的類別里，研究人員指著這個分類說：這，就是蘋果——從此機器學會了如何識別蘋果。

第一層、第二層和第五層分類之後的結果

（演算法的準確原理無法完全使用非數學的簡單語言表達，以上解釋並不嚴謹。輸入層和輸出層之間的隱藏層並非線性計算。而是對輸入的向量進行了空間變換，實現對多個複雜線性計算函數擬合。如果你對深度學習演算法有進一步的興趣，可以在博客園搜索科普文章《神經網路淺講：從神經元到深度學習》。）

與過去根本性不同在於，深度學習出現之前，單層神經網路演算法只能做簡單的線性判斷。為了解決非線性判斷，研究人員發明的多層神經網路在訓練上又需要幾乎不可實現的計算量。直到上面描述的參數一層一層自動傳導的「反向傳播」機制出現，才讓深度學習成為了可以實際應用的技術。

在多層神經網路中的每一個「神經元」都與我們大腦中的神經元一樣簡單而優雅，卻能至少在一定程度上模擬我們的大腦對世界的感知和判斷。這讓採用深度學習的人工智慧真的可以用一個「孩子」來形容。

而遊戲，為尚在幼兒時期的電子大腦提供了一個「安全的學校」。

2016年初，5名微軟紐約研究院的頂級研究員，花費數天的時間讓他們的人工智慧能在任意的《我的世界》地圖裡爬到最高點。

這聽起來彷彿是在浪費世界一流的研究環境，但這其實是微軟Project AIX的一次實驗。Project AIX旨在利用《我的世界》這款開放性極高的沙盤遊戲為人工智慧提供一個虛擬的訓練場。

人工智慧先學會那些規則簡單不開放的遊戲比如《超級瑪麗》，然後逐漸向規則越來越模糊、標準化信息越來越少、突髮狀況越多的遊戲中發展。聰明如你一定發現了：這些遊戲越來越像一個「現實世界」。

研究人員解釋說：「如果你把這項任務（登高）交給人類玩家，他們往往會先到一個目所能及的高地去觀察一下地形，這也是我們訓練出來的AI可能會做的一件事。在這個過程中，AI首先會觀察周圍的環境，然後判斷出哪些要素與任務有關——比如地圖裡哪裡有高山，哪些因素與任務無關——比如山的顏色是什麼，然後再開始行動。AI要嘗試許多次才學會，但最終它像人類一樣觀察、思考並完成任務。」

遊戲對人工智慧的意義在於，它為這個智力不高但學習能力卓越的「瓶中小人」提供了一個可控、可觀察、可重複的環境。

舉一個更簡單的例子，之所以在《GTA5》遊戲里實現自動駕駛要比在現實生活中容易的多。其中一個重要的原因一定是因為在遊戲里，AI有撞死路人10萬次的機會來學會如何在剎車失靈的情況下將損失降到最低。

而正如開頭說到的，人工智慧用了50年才在遊戲這個玻璃瓶里戰勝人類。

一段簡史：人工智慧的三次春天

不管你是從什麼時候聽說的人工智慧這個詞，但如果將2016年定義為人工智慧的春天，那麼這個春天已經是第三次。

1964年紐約世博會IBM展館廣告

1964年，紐約世博會上，IBM搭起了一個宛如巨蛋飛船一般的銀色展台，巨蛋被架在一片金屬、玻璃和樹脂構成的森林上方。參觀人員要通過一個液壓升降電梯才能進入到這片精心布置的未來世界。

在IBM的展台里，最引人注目的是一個名為「光學掃描和信息檢索系統」的成果。

參會者可以在一張紙條上手寫下一個1851年後的日期，系統在讀取這個手寫的日期之後，會自動在另一張紙條上列印出這一日期曾經發生的重大歷史事件。

如果在紙條上寫一個未來的日期，機器會在紙條上寫下這段文字：「由於這是一個未來的日期，我們只有在XX天后才能知道當天的事情。」

早在第二次世界大戰後的50、60年代，人工智慧的第一次春天就已經降臨。站在未來，我們知道人工智慧的第一個春天是一場被控制論刺激的春夢。

在當時，人工智慧是與計算機科學同等讓人興奮的話題，兩者之間的界限甚至有一些模糊——人們將模式識別、文字識別、機器翻譯和生物學等不同方向的內容混在一起研究。

二戰後心理學的學者大幅增加，當時心理學界流行這樣一種假設——人是一種複雜的機器，大腦是一種可以被解構成基礎反應的部件。

這種說法對一直以來不相信「心靈」這種虛無概念的科學家們極具誘惑，以至於很大程度上誤導了人工智慧的研究——「既然人只是一台能夠對不同輸入做出反應的複雜機器，那麼我們只需要把現有的機器做的足夠複雜就能讓它成為人。」

而那時人們對人工智慧的理解與其說是在研究人工智慧，不如說是在研究機械的自動化。

單層神經網路演算法甚至不足以支撐機器完成較為複雜的自動化動作。由芝加哥大學會計系教授詹姆士創立的諮詢公司麥肯錫，將這個時代的人工智慧描述為「不用手操作機器會自己動」。

《2001：太空漫遊》里的人工智慧HAL 9000取名自「IBM」三個字母各自向前推一個字母，在它被主角關閉時，唱了一首IBM在1968年讓計算機首次學會的歌

1968年科幻電影《2001：太空漫遊》的上映，加重了公眾對人工智慧的浪漫幻想。許多科學家甚至在公開場合預言，「距離人工智慧解決一切人類可以解決的問題只有10年。」

這種泡沫在1970年達到了巔峰，這一年美國斯坦福國際研究所研製出了世界首台通用機器人Shakey，在媒體的描述中它能自主行走，躲避障礙物，甚至可以用伸縮手臂來完成一些動作。事後證明，儘管作為先驅這完全是媒體的添油加醋。儘管用上了當時最先進的攝像頭、傳動裝置和計算系統，Shakey卻如它的名字一樣唯一能做到的事情那樣就是搖搖晃晃的走路。

隨著知名學者Marvin Minsky在1969年出版的著作《感知（Perceptron）》里戳穿了單層神經網路的致命弱點。人工智慧的第一次春天迅速結束，人工智慧就像從來沒來過。

人工智慧的第二次廣泛出現在大眾的視野里是專家系統，這也是人工智慧在經歷了上次挫敗之後，第一次嘗試在商業領域大展手腳。80年代計算機工業的發展和雙層神經網路演算法的發現為這次春天提供了基礎。

這個時代的人工智慧看起來是這樣的：

開發者：小娜是女孩

機器：了解。

開發者：女孩喜歡漂亮的衣服。

機器：了解。

用戶：小娜喜歡什麼？

機器：小娜喜歡漂亮的衣服。

這種能完成「A包含於B，B是C，所以A也是C」的簡單推理程序叫「推理機」。而在推理機的基礎上加入大量的知識信息（上文中「小娜是女孩」、「女孩喜歡漂亮衣服」就是兩條「知識」），就構成了專家系統。

儘管官網還維持著21世紀初的風格，但這家公司確實還活著

Exsys是世界上第一個成功商業化的專家系統，這家公司誕生於1983年，時至今日它依然存在。在Exsys公司的主頁上顯示，他們的使命與現在的許多人工智慧公司差不多——希望通過專家系統，為無力進行人工智慧研發的公司提供人工智慧服務。

專家系統確實在商業化上取得了一定成功，許多商業公司、政府機構都會使用專家系統來幫助解決一些簡單的問題。今天你依然能在與小冰、小娜和Siri的對話中看到專家系統的影子，一些醫療機構也仍舊在使用專家系統對患者進行標準化診斷。

上世紀80年代初，專家系統公司曾預言，未來專家系統會成為公司的CEO。這一幕我們至今仍未看到，而且可能永遠也看不到了。

因為專家系統的本質依然是編程的變種，它只是為沒學過編程的人提供了可以進行簡單編程的介面。

專家系統自身沒有太強的學習能力，一個標準的專家系統不會因為知道了小娜是女孩兒，再通過一個姓名的大資料庫就推斷出小冰應該也是個女孩兒。所有的規則都必須預先由人類定義，同時隨著規則的增加，規則之間的衝突會讓專家系統變得語無倫次和答非所問。

1990年代，互聯網的春天來臨，公眾對人工智慧的注意力再次被引開，人工智慧又一次落入了短暫的冬天。

一張運行於Win98上的ViaVoice截圖，用戶可以通過麥克風來進行語音輸入和電腦控制。是的，支持中文。

儘管在1997年，IBM就推出了名為ViaVoice的商用語音識別系統，但使用過這套系統的人都對它有著深刻的記憶——每一次安裝，使用者必須對它進行長達2小時以上的語音訓練，你要對著電腦屏幕用標準的播音腔，不斷朗誦那些提前準備好的文案，確保機器學會你的口音。

這種緩慢、機械、蹩腳的學習方式直到深度學習（多層神經網路演算法）出現才被拋棄。

2009年，多倫多大學任教的深度學習之父傑夫·辛頓發現了多層神經網路在機器認知上的作用。辛頓實驗室中的一位博士生在實習期間將Android的語音識別系統準確率提升了25%，而此前，一直在業內已經使用30年的標準方法其實修修補補不得要領。

辛頓在同年夏天收到了來自科技巨頭公司的Offer，人工智慧在這一年迎來了第三次春天。之後的故事儘管還有8年，但這些年的進步你應該已經有了直觀的體驗，人工智慧的一段簡史到此為止。

人工智慧終將戰勝人類

20世紀50年代、70年代、90年代和21世紀初，分別有人預言「人工智慧馬上就要統治人類了」。

按照基調和標題，這篇文章應該也是新的一次預言。

但其實「在人工智慧統治人類之前」這個描述十分討巧——我並沒有說人工智慧會在什麼時候統治人類，這個時間可能是下周、可能是10年，可能是再過50年。

回顧人工智慧的進步史，儘管時間並不確定我們卻不難得出這樣一個結論：人工智慧終將戰勝人類。

世界第一輛無人駕駛汽車在1995年誕生，那年一輛搭載了最先進數碼攝像頭、計算機、GPS和陀螺儀感測器的小型貨車成功在沒有駕駛員的情況下穿越美國。而到了2017年，我們在討論的是「全自動駕駛汽車可能在未來5年大規模普及」。

這比汽車在人類中的推廣速度快了十倍，是什麼讓人工智慧進步的如此之快？

總體來說，人工智慧的進步會來自於兩方面：一方面爆炸式的演算法改進，另一方面是漸進式的算力提升。

人類對演算法的研究，更像是對宇宙客觀存在的發現。儘管它依然需要積累、嘗試和科學家的睿智，但它對人工智慧的影響是突變式的。就像我們可以將物理學分為牛頓發現萬有引力前和發現萬有引力後一樣。

多層神經網路演算法可能並不是未來真正高級人工智慧的最終演算法。這意味著即便以AlphaGo為代表的此時代人工智慧，在現實生活中可能永遠是現在這幅智障模樣。但並不意味著人工智慧發展會就此停滯。

與演算法不同，算力的進步是一種對工程精度和工業化水平的考驗——儘管摩爾定律已經主見失效，但量子計算機、生物計算機等前沿計算設備可能會讓算力的進步繼續下去。

計算力的提升為人工智慧提供了長期、穩定的進化速度，填補了每次演算法革命之間的鴻溝，並促使那些實驗室里的革命轉化為你能買得到的服務與商品。依靠著這兩種進步，人類在地球這個巨大的玻璃瓶里走過的幾十億年的路程，有可能被壓縮在幾百年中完成。

而回到眼前的現實，如果人工智慧必將戰勝人類，那麼柯潔與Alpha Go的對決，很有可能是瓶中小人打破玻璃瓶的第一步。

本文部分寫作素材來自雷鋒網、機器之心、新智元、微軟亞洲研究院官方博客，另外特別感謝圖森未來科技演算法工程師在本文寫作中的技術指導。

關注PingWest品玩（微信號：wepingwest）

發現更多有趣好玩的內容

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！