(圖/取自網路)
1月28日，《自然》雜誌報導了谷歌開發團隊GoogleDeepMind的新圍棋AI——AlphaGo在沒有任何讓子的情況下以5:0完胜歐洲冠軍樊麾的新聞；同時，AlphaGo也擊敗了目前最好的圍棋程序中99.8%的對手。
自「深藍」在1997年第一次代表國際象棋AI擊敗頂尖人類選手後，AlphaGo也成為了人類歷史上第一次在公平比賽中戰勝職業選手的圍棋AI。
由於相較於其他棋類的複雜性，圍繞圍棋的AI在很長一段時間甚至連業餘棋手都無法戰勝。但Google所研發的AlphaGo卻通過機器學習的方式完成了對人類的逆襲。如果今年3月份AlphaGo繼續擊敗李世石的話，被譽為「人類智力試金石」的圍棋也將作為人類智力的最後堡壘被AI攻破。
當機器人學會自行思考，我們面對的究竟是下一個個人電腦還是人類殺手?
從窮舉到自行判斷，機器人學會自己思考
1997年，當IBM深藍計算機在國際象棋的比賽中擊敗人類時，它使用的是「窮舉法」，即窮盡所有可能的步法來完成棋局。但在圍棋AI中，「窮舉法」顯然沒有那麼可行。
在國際象棋的每一個回合，平均可能的走法有35種，但圍棋的走法卻能達到近250種。此外，在這250種可能的走法之後，還對應著另外250種可能，這是一個超越了「窮舉法」所能承受的範圍。
圍棋有361個眼位，分黑白兩種棋子。在棋盤上下棋，所有可能的局面加在一起是個相當驚人的數量，這個數字比全宇宙的原子總數加起來還要多得多。
領導這項研究的Google研發人員DavidSilver說道：
「圍棋有著巨大的搜索空間，用蠻力很難解決。AlphaGo的關鍵在於，將搜索空間縮小到可以操作的範圍。這個方法讓AlphaGo比以前的方法都更像人類。」
(圖/取自網路)
AlphaGo的核心是兩種不同的深度神經網絡——「策略網絡」(policynetwork)和「價值網絡」(valuenetwork)。它們通過相互配合來計算出相對有優勢的步法並摒棄差棋，從而將計算量控制在計算機可以完成的範圍裡。
在「價值網絡」中，AI會一邊推算一邊判斷局面，當局面處於明顯劣勢的時候，機器便會就直接拋棄某些路線;而「策略網絡」則負責減少搜索的寬度，將那些棋步是明顯不該走的放棄並避免無端送子給對手吃。通過將這些信息放入一個概率函數，AI便可以重點分析優勢的步法而不用給每一步以同樣的重視程度。
這種「思考」的方式本質上和人類棋手所做的一樣。與之不同的是，人類在長時間的比賽后難免會因為疲勞而犯錯，但機器不會。而且機器能通過每天近100萬局的訓練來不斷提高，而精力的限制卻似乎只能讓人類隨著時間的積累而束手就擒。
與此同時，GoogleDeepMind團隊還採用了「監督學習」(supervisedlearning)的方式讓AI和自己進行對弈，這種「強化學習」(reinforcementlearning)的方法也能讓AI長期處於高水平的對抗中。這也被搜狗CEO王小川稱為AlphaGo最可怕的一點。
「AlphaGo還不只是從互聯網上去收集數據進行學習，更可以自己和自己下，實現自學習。看過電影超驗駭客沒有?人工智能可以做到隨著時間的推移就能更加聰明。金庸小說中老頑童讓自己左手和右手打架左右互搏，成為天下無敵的武功，那個只是故事。在下棋這個領域，AlphaGo有這樣的設計，讓這種武功成真了!往下還有兩個月的時間，AlphaGo這樣一台算法上沒有天花板的機器，很有機會在左右互搏下登峰造極，成為不可超越的圍棋高手。」
(圖/取自網路)
機器會像刪除垃圾郵件那樣將人類幹掉?
上世紀90年代，MarkWeise說過：「最深奧的技術是那些感覺不到存在的技術，這些技術自如地融入到日常生活中，不知不覺成為生活的一部分。」在過去二三十年裡，個人電腦已經做到了這一點，而在未來的幾十年裡，下一個能做到這一點的可能就是機器人。
在GIF2016的演講中，MIT計算機科學與人工智能實驗室總監DanielaRus也曾提到：
在智能手機上，我們的每一種需求幾乎都可以找到一款對應的App，未來的機器人可能也會是這樣，我們可以為自己的每一個需求都「製造」出一個機器人，機器人會變得像現在的手機App這樣普遍。
但是，隨著AI技術的進步，有關「人工智能威脅論」的討論也日益激烈。
ElonMask曾多次表示，「如果讓我猜人類最大生存威脅，我認為可能是人工智能。因此我們需要對人工智能保持萬分警惕，研究人工智能如同在召喚惡魔。也許機器人會覺得刪除垃圾郵件的最好辦法是把人類一起幹掉。」
為此，他也和矽谷著名創業孵化器YCombinator的總裁山姆·奧特曼共同創建了人工智能公司OpenAI，寄希望於將開源其研究成果分享給研究人工智能的每一個人，並通過對行業的監管來將那些帶有邪惡意圖的過度研究扼殺於搖籃。
(圖/取自網路)
但Google卻不認同這種對意圖的揣度，在去年的Google亞太區媒體會議上，Google前CEOEricSchimidt曾表示，
「我不認為讓計算機模仿大腦可以做人工智能，因為人類大腦的神經元太多太複雜了，我們只能讓機器去學習。大腦會自己去過濾一些信息，這樣的概念可以利用到機器學習上，但我並不認為人工智能和人的大腦一樣，它只是藉助了人腦的一些功能概念。
人類是正義的，機器是邪惡的?我不認為是這樣，這只存在於電影中。現在人類造的都是好的機器人，而不是像少數派報告中的那樣。幫我打掃廚房的機器人，這其實是人類最需要的機器人。但其實很難。 」
機器能像人一樣學到道德倫理嗎?最簡單的方式是讓機器盡可能地多去學習，許多無人駕駛汽車都是基於這種，訓練車用人的方式去開車。在倫理道德這個問題上，我們可以製定一些規則，比如說設定一些標誌提醒它，按人的方式去行為。
正如DeepMind創始人DemisHassabis所言，「最終，我們想要將這些技術應用到真實世界的重要問題中。因為我們用的方法是通用的，我們希望有一天，它們能延伸得更廣，幫助解決最緊迫的社會問題，從醫藥診斷到環境模型。」
資訊來源：IT時代
【101傳媒／整理報導】
-------------------------------------------------------
文章內容若有侵權疑慮，請來信告知。
客服信箱：[email protected]
免責聲明：
部分圖片、觀點，來源於網際網路及其他網路平台，主要目的在於分享訊息，讓更多人獲得需要的資訊，其版權歸原作者所有。如涉及侵權請告知，我們會在24小時內刪除相關內容。