5
按：作者田淵棟，Facebook人工智能實驗室研究員。
（李世乭在第四局的“神之一手”）
AlphaGo的比賽以4:1的比分結束了，說幾句吧。
大家可能一直有誤解， 計算機解決問題靠暴力，而人則靠智能。其實在面對指數級別的解題空間時，機器的暴力搜索所能覆蓋的范圍，不過是滄海一粟。我現在越來越覺得，連接主義和符號主義的合并，強直覺加上適當搜索才是解決問題較好的方案。
人工智能迄今為止的歷程，就是人類認識到這個宏大空間并且往這個方向靠攏的過程。從一開始的規則驅動的暴力搜索，到特征驅動的線性模型，再到數據驅動的深度學習，越來越強的模式識別能力讓“直覺”兩字從神秘莫測，變成了通過大量樣本能學到的模型。機器因為有了更強的直覺，才能在圖像識別和圍棋上打敗人類，畢竟圍棋太難了，每一步都需要高效的剪枝才行。我在賽前說DCNN＋MCTS這樣的框架大局觀非常強，正是這個原因，不知不覺棋筋就連著了，不知不覺棋就非常厚了，怎么也斷不了。因為MCTS是全盤估計分數的，DCNN又長于大局觀。
與大家通常的理解相反，要讓機器像人一樣作理性推理，目前還比較困難。有效的邏輯和理性思維能力同樣是依賴大量的直覺去找到正確的邏輯鏈條和理性判斷，然后再回頭驗證。直覺的錯誤率是很高的，就像圍棋的DCNN經常給出不靠譜的著法一樣，需要MCTS的價值判斷來糾正。邏輯思維的強弱，不是說想得有多深，腦袋轉得有多快，而是在過去的經驗中能找到解決方案，并且能有意識地用理性去判斷解決方案的正確性，這樣的框架一但在腦里建立起來，就有了自我學習自我糾錯的能力。人類在這方面，仍然比計算機要強得多。我在賽前說局部死活對殺劫爭會有問題，看完了五盤棋，大家也都驚嘆計算機其實不會計算，因為AlphaGo里并沒有顯式建模局部死活對殺，而人可以依據當前盤面的狀況，積極地改變搜索的指向，而機器會因為全局搜索所累，不知道在合適時候集中火力到某個重要的局部上。如何將DCNN和MCTS深度結合起來，仍然是很大的研究課題。
我以前寫過《給人工智能潑點冷水》，現在看來這點冷水肯定澆不滅大家的熱情。但我還是要說人工智能還有很長的路要走。
圍棋是固定規則下的完全信息博弈，再加上大量的人類對局樣本，及兩位一作長年對計算機圍棋的堅持，還有谷歌大量的資源時間和人力，才造就了AlphaGo現在的輝煌。相比之下，人類每天在非對稱信息中過活，在未知的世界中摸索，在充滿噪音、模糊甚至錯誤的指導信息中學習，在稀缺樣本中尋找規律，在極窄的通訊帶寬下相互交流，依然有遠超紙面數據的判斷與推理，遠勝大量機器的直覺和洞察力。另一方面，對于神經網絡模型的解讀，我們仍然處于初級階段，多少人問為什么計算機能下出妙手？職業棋手有自己的判斷和邏輯，并且能在一定程度上闡述清楚；可遺憾的是，人工智能研究者這邊，只能在堆完大量的數據之后，兩手一攤露出無奈的笑容。如何讓機器學會人類的各項能力，依舊是一座需要攀登很多年的大山。
我記得在比賽期間有張圖讓人印象深刻，一邊是需要千臺機器的AlphaGo，另一邊是李世石和一杯咖啡。大自然的鬼斧神工，一直讓人肅然起敬；而最杰出的造物，莫過于我們人類自己。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
