沙燁：是“人工智能”還是“人工低能”？

2016年1月，谷歌旗下的DeepMind公司在《自然》發表封面論文，介紹人工智能圍棋程序——AlphaGo的算法。論文同時宣佈，AlphaGo已於去年十月完勝歐洲圍棋冠軍樊麾。2016年3月9日、10日，AlphaGo迎戰圍棋界頂級高手李世石，再次完勝。

一棋激起千層浪。圍棋的變化如恆河沙數，一直是人類最引以為豪的智力遊戲，如今卻被程序無情地攻破。看客紛紛驚呼奇點已經臨近，機器紀元即將到來，超越人類的物種雛形已經出現。

人工智能是否會在不久的將來，接近甚至超過人類智能？人類智能的本質是什麼？

李世石對戰AlphaGo現場

人類智能簡史

人類的智能是什麼？人類自十萬年前進化成為智人。人類的大腦裏有這我們一路進化的痕跡。我們從爬行動物，哺乳動物，再進化到智人。每一段進化的歷程都在對我們大腦的結構造成影響，直到形成我們今天的大腦。

我們從環境中演化而來。我們的智能一直就和環境不可分離。作為個體，我們通過我們的感官來感知世界，同時控制我們的身體和環境交互。就如任何哺乳動物，我們在腦中接受我們的感官輸入，形成對環境的基本認知模型。**我們通過和環境交互產生個體意識，通過記憶積累個體體驗，通過情緒產生直覺反應。**對環境的有效判斷，讓我們在物種競爭的長河中取得優勢，得以繁衍。我們的感官輸入和我們對世界的理解密切相關。如果我們如蝙蝠般弱於視覺，我們對世界的理解，對美的認知，和現在相比會截然不同。

而人類獨有的發達的新皮層，或稱理性腦，讓我們具有了遠超於其他哺乳動物的高階認知功能。我們能進行抽象思維，對環境中的現象進行歸納，關聯和推理。我們能對記憶進行重組，進而對未來進行思考。我們能創造工具，對環境進行改造。我們不再滿足於適應環境，而試圖讓環境適應我們。

更重要的是，我們發明了語言。通過語言這套靈活的符號系統，我們能互相交流，讓個體的智能成為羣體智能的一部分。語言讓我們把每個人的智慧結晶沉澱，形成人類的集體智慧。而每個個體又能站在巨人的肩膀上，從集體智慧中吸取養料，並進一步提升。同樣的人類大腦結構，能產生愛因斯坦，也能產生隔壁班的差生。語言讓我們每個人都能受益於人類星空中偶爾閃耀過的天才。

我們所處的環境，我們的感官，我們的身體，我們的語言所帶來的社會知識結構，這些因素和我們的大腦能力綜合在一起，形成我們今天的人類智能。它們互相依賴，缺一不可。我們可以宣稱，我們是地球環境中進化出的最高等的社會化生物。雖然僅此而已，但也足夠驕傲。

人類進化的過程中，工具也在不斷改變。

人工智能

人工智能在近幾年飛速發展，被廣泛用於語音識別，自然語言處理，圖像識別等領域。“智能”兩字，給人們無限遐想。人工智能是否真能和人類的智能比擬？

“計算機科學之父”艾倫·圖靈在他1950的論文《計算機器和智能》中，為了回答機器是否有智能的問題，提出了著名的圖靈測試：電腦如果能回答一系列人類的問題，而且能讓提問者不能分辨是否為電腦，那麼電腦就通過了智能測試。

圖靈測試繞過了直接回答什麼是智能，把答案交回到我們手裏。當人類不能辨別電腦是否和自己有區別，那電腦自然就具備了人類智能。從哲學上，這是一個不需證明的證明。

更有意思的是圖靈的傳記電影《模仿遊戲》中的一段話。圖靈説到：“機器當然和人的思維方式不同。機器和人本來不同，當然思維方式不同。有趣的問題是，機器和人的思維方式不同，是否意味着機器就不在思考？”

機器的思考不會是人類的思考。電腦由人類設計，其處的環境和輸入由人類設定和控制。即使在未來，機器能利用身體，自由探索環境，它們也不需要和人類經歷同等的進化過程，而且沒有人類間的個體化差異。哪一天機器能有智能，會和人類不同。我們面臨的會是一種和人類智能截然不同的智能形態。

現在人工智能應用普遍基於神經網絡算法。神經網絡算法應用多層連接的網絡節點，並賦予每個節點不同的參數權重來控制輸出。神經網絡通過大量的樣本學習，來不斷調整每個節點的參數，學會給出“正確”的輸出結果。雖然基礎算法類似，針對不同的應用場景，我們需要開發不同的人工智能程序，並根據應用場景進行優化。每個程序只能做一件專項任務，如語音識別。一個程序不能勝任它的設計者在其設計範圍之外的任何功能。這些人工智能程序，不是真正的“智能”，而更像人類的專項工具，成為人類能力的延伸。

雖然神經網絡算法的名稱由仿生人腦的神經元網絡而來。其真正機理，和人腦無法比較。人腦需要很少的數據，就能抽象總結。給一個小孩看一張貓的照片，他就能辨認出下一張圖片裏的貓。而Google用最好的神經網絡算法，看上幾千萬張照片，識別貓的準確率也不是百分之百。

什麼是智能？DeepMind的創始人Hassabis給出他的答案：通用的學習算法。**同一個程序能根據複雜環境產生的感官輸入，自我學習技能，並不斷加強在環境裏的生存機會。**同時學習的技能需要足夠豐富，能夠適應不同的任務。他把目前普遍的人工智能應用成為弱人工智能，以區別於通用人工智能。

通用人工智能是研究者的終極目標，只是現在我們還處於起跑線上。

AlphaGo和圍棋

圍棋本質上是一個計算和搜索類的遊戲。其規則雖然簡單，但組合變化繁多，甚至超過宇宙中所有原子數量的總和。如果用蠻力窮舉，最先進的電腦也不能破解。一個好的算法在於從看似無窮的組合中找出有效的子集。AlphaGo使用了兩個不同的神經網絡。一個“策略網絡”負責評估落子選擇，一個“價值網絡”負責評估局面勝算。前者減少搜索的廣度，後者減少搜索的深度。這兩個網絡會同時被用在AlphaGo的蒙特卡洛搜索樹算法中，得出下一步的最優解。AlphaGo的設計者用歷史上的高手棋譜訓練AlphaGo，同時還讓AlphaGo自我對弈，雙手互搏。經過三千多萬對局的訓練，才劍出江湖，挑戰高手。

谷歌AlphaGo團隊

無論在圍棋愛好者眼裏如何神奇，AlphaGo也是一個弱人工智能的應用。和以往人工智能圍棋程序不同的是，DeepMind公司花了大量人力物力，根據圍棋特性做了很多針對性的設計和優化。前述《自然》論文的共同作者就包括二十名頂級專家，其中還有數人專攻計算機圍棋。AlphaGo在技術上沒有太大突破，但把現有的技術做了很好的集成。

圍棋因其計算量巨大，並不符合人腦先天功能。人類進化過程中從無大量計算的需要。**計算是人腦的弱項，也是人類智能中極小的一個部分。人類玩圍棋，永遠只能算一個小小的子集。頂級棋手也最多隻能根據當前局面，評估幾百種可能下法。和真正的棋局可能性相比，只是滄海一粟。**為了能得到更多的勝算，我們根據有限的過往棋局，總結出不少規律，我們叫它們棋理，大局觀。但這些棋理只是在過往極其有限的棋局組合中得出的總結而已。當年吳清源發明新佈局，舉世皆驚，就是在以往的棋理之外稍作創新。

人類算圍棋，本是以己之計算弱項，加上過往經驗總結，來玩一個重度計算遊戲。因為我們不善於計算，棋局變化又多，我們慢慢便把圍棋神化，認為其包羅萬象，棋如人生。那一代代的圍棋高手，就像居於人類智慧之巔，被人頂禮膜拜。直到有一天，我們設計出的圍棋程序更勝於棋盤計算，我們方明白，本來計算就該由計算機來做。

只有人類自己把圍棋當一回事，AlphaGo的勝利才有意義。從這點上，人工智能的所謂勝利本來就是我們主觀的產物。我們戰勝了自己心裏的影子。

我們離真正的通用人工智能還有多遠？沒有人知道。至少AlphaGo沒有讓我們走得更近。這些弱人工智能程序，只是人類手裏工具，沒有任何真正的思考功能。未來也許科幻，但今天的“人工智能”，更像是“人工低能”。

馬前卒解讀：

這個邏輯好，我們膜拜圍棋，是因為我們其實不善於圍棋。

本文系觀察者網獨家稿件，文章內容純屬作者個人觀點，不代表平台觀點，未經授權，不得轉載，否則將追究法律責任。關注觀察者網微信guanchacn，每日閲讀趣味文章。