除了AlphaGo以4∶1戰(zhàn)勝了李世石，近年來，類似的例子還有不少。例如，IBM公司的Watson程序在問答比賽中戰(zhàn)勝了人類冠軍、計算機(jī)會寫新聞稿和賦詩、自動駕駛、所謂用意念控制無人機(jī)等。由此似乎可以得出結(jié)論，人工智能的時代真的開始了，世界將面臨被機(jī)器接管的風(fēng)險。

危輝

我們在接受這些突破之前有必要探究一下隱藏在背后的技術(shù)實(shí)質(zhì)。例如，Watson是基于文本匹配的檢索，沒有多少推理的成分；賦詩程序是效仿標(biāo)注格式的充填，需要人工篩選結(jié)果；自動駕駛所依賴的附加設(shè)備價值超過車輛本身好幾倍，且對環(huán)境敏感；所謂意念只不過是分離出來的腦電信號，對它的分類結(jié)果在可靠性、穩(wěn)定性和可重復(fù)性上都很差。

AlphaGo下棋程序在人工智能領(lǐng)域?qū)儆谟嬎銠C(jī)博弈這一研究分支，那么，它究竟難不難實(shí)現(xiàn)呢？雙人博弈下棋游戲開展得非常早，屬于人工智能少數(shù)幾個鼻祖級的研究對象之一。例如，上海科技館有一個下五子棋的機(jī)器；1997年IBM公司開發(fā)出了國際象棋程序；2008年的西洋跳棋程序更是達(dá)到了人不犯錯就只能與它下平手的水平。可見，人工智能學(xué)者在這一領(lǐng)域已經(jīng)深耕了很多年。

所有這些雙人博弈游戲都有三個共同特點(diǎn)：第一，游戲規(guī)則非常明確；第二，棋局布局很清晰且很規(guī)整；第三，棋盤空間很有限。這些看似不重要的特點(diǎn)對計算機(jī)程序、對人工智能來說卻是極端重要的利好。因?yàn)檎沁@些規(guī)則性、規(guī)范性和有限性，使得看似復(fù)雜的下棋問題在計算機(jī)上變得非常可行，如此明確的計算對象恰是計算機(jī)編程能夠如魚得水的理想環(huán)境。所以，計算機(jī)下棋不但不是挑戰(zhàn)，反而遠(yuǎn)比自然語言理解、場景理解、不確定性推理等任務(wù)要容易研究得多，否則它就不會在人工智能誕生的一開始（20世紀(jì)50年代）就成為我們的研究對象之一。

在技術(shù)實(shí)現(xiàn)上，人工智能下棋程序通常使用一種被稱之為“狀態(tài)空間搜索”的方法，其核心思想是：第一，把棋局的演化過程看成一個個狀態(tài)，用某種數(shù)學(xué)形式進(jìn)行記錄；第二，由下棋法則規(guī)定的走步方法可以把這些狀態(tài)串聯(lián)起來，形成一張非常龐大的狀態(tài)演化網(wǎng)絡(luò)；第三，用搜索的辦法在網(wǎng)絡(luò)中找出對自己有利的走步策略。這種方法由于形式化程度高，因此非常適合在計算機(jī)上編程實(shí)現(xiàn)。當(dāng)然，這也帶來了存儲空間和搜索效率的問題。實(shí)際上，我們往往會利用一些有價值的信息來引導(dǎo)搜索的方向，如我們“歧路尋羊”時會利用羊留在路上的蹄印或留在草上的牙印來篩選跟蹤路徑。這次AlphaGo下圍棋同樣會面臨這樣的問題。它利用機(jī)器學(xué)習(xí)技術(shù)，從大量現(xiàn)成的對弈中學(xué)到了兩樣至關(guān)重要的東西，一是如何由當(dāng)前的棋局映射出若干應(yīng)子對策，二是如何對應(yīng)子后的布局進(jìn)行利己性打分。前者使它能夠快速找到應(yīng)對走步，后者使它能夠快速對不同走步的好壞進(jìn)行判斷。這樣就避免了它在龐大到超乎想象的圍棋狀態(tài)空間（理論上總共有3361個狀態(tài)）中進(jìn)行窮舉搜索，只需進(jìn)行小范圍的有限搜索即可，其中所謂機(jī)器學(xué)習(xí)過程就是從大量以往的對弈棋譜中建立當(dāng)前布局與下一步走步之間的對應(yīng)關(guān)系。AlphaGo所基于的搜索技術(shù)和機(jī)器學(xué)習(xí)技術(shù)其實(shí)都是現(xiàn)成的，但它在對棋局模式的刻畫方式和如何對棋局好壞進(jìn)行評價方面還是有創(chuàng)新性的。尤其是它對圍棋布局的數(shù)學(xué)化表征方式，這直接影響到機(jī)器學(xué)習(xí)的效率和能否最終找出布局與走步之間的關(guān)聯(lián)關(guān)系。

AlphaGo的成功更像是人工智能領(lǐng)域中基于實(shí)例的推理研究，也就是針對當(dāng)前面臨的問題去尋找以往經(jīng)歷過的一個或幾個類似的問題，把當(dāng)時的解決方案拿來做一點(diǎn)適應(yīng)性修改后應(yīng)用到新問題上去。當(dāng)套用到下圍棋這個需求上時，這個基于實(shí)例的推理過程就可以簡化為當(dāng)前棋局布局與以往某個布局間的相似性匹配和走步方法類推。因此，我們可以說谷歌公司用一種非常恰當(dāng)?shù)募夹g(shù)解決了一個非常有顯示度的問題。但是據(jù)此說這個圍棋程序能夠“學(xué)習(xí)”和“創(chuàng)新”還是值得商榷的，因?yàn)樗鼘?shí)現(xiàn)的實(shí)質(zhì)上是同一范疇下的類比。它進(jìn)行走步?jīng)Q策時完全不理解人類棋手那些“金角銀邊草肚皮”之類的下棋原則，也不需要懂什么叫“實(shí)地”，只是把下圍棋當(dāng)作了一個由一種布局模式推演到另一種布局模式的過程，只知其然而不知其所以然。我們甚至不能認(rèn)為這是一種智力，充其量是一種強(qiáng)悍的細(xì)分記憶力。

人類圍棋下輸了，那么人類智能就此崩塌了嗎？其實(shí)人類智能的強(qiáng)項可能不在下圍棋這種只有極少數(shù)人才能達(dá)到高水平的項目上，而在那些應(yīng)付不可預(yù)期的能力上面。例如下圖，它顯示了一種包裝雞蛋的方式。

假設(shè)我是第一次碰到這種方式的包裝，且要從這樣的盒子里把雞蛋拿出來，我的第一方案是把雞蛋摳起來，但我的背景知識馬上就告訴我這樣做不行，因?yàn)殡u蛋會被摳破的。我的第二方案是把整個包裝的一邊移出桌子的邊緣，然后從上往下捅，但細(xì)想這也不保險，因?yàn)樯圆蛔⒁饩屯钡降厣先チ恕Ｓ纱宋伊⒖滔氲轿覀兛梢詮南峦享旊u蛋，取雞蛋的問題就順利解決了。這樣的問題看起來不難，幾乎人人都能解決，但其奧妙的地方就在于類似這樣的問題我們可能是第一次碰到，要解決它時并沒有預(yù)編程，也就是說我們腦子里沒有針對性地儲存好如何拿雞蛋的程序，而是靠靈機(jī)決斷做到的。大量的背景知識幫了我們大忙，知識引導(dǎo)我們?nèi)绾稳バ袆印＿@樣的例子有很多，如我們所熟知的烏鴉喝水、曹沖稱象、司馬光砸缸等，都堪稱問題求解的典范。其實(shí)這種靈機(jī)決斷的決策能力才是我們智慧最精華的部分，而對此，人工智能還不知道究竟應(yīng)該怎樣去實(shí)現(xiàn)。

最近很多媒體都在講，人類將有若干工種被人工智能替代，例如司機(jī)、秘書、翻譯、客服、導(dǎo)游等。那么，事實(shí)是否如此？人工智能的春天真的到了嗎？筆者認(rèn)為，這與人工智能早期發(fā)展史上經(jīng)歷過的那段熱情高漲期一樣，過于樂觀了。若仔細(xì)分析一下，完成某些工作——例如導(dǎo)游——所涉及的那些智能的核心要素，如推理、問題求解、知識庫、學(xué)習(xí)能力、理解能力等，就會發(fā)現(xiàn)我們低估了這種任務(wù)的復(fù)雜性。人工智能界的學(xué)者經(jīng)常告誡自己一句話：“在玩具世界可行的方法未必能夠推廣到真實(shí)世界上去。”這些工作蘊(yùn)含著大量的不可預(yù)期性，我們現(xiàn)有的技術(shù)還很難應(yīng)對得好。

那么，人工智能的現(xiàn)狀是什么？我們以前經(jīng)常講，人工智能的發(fā)展遇到了瓶頸，筆者認(rèn)為，“瓶頸說”對于人工智能的現(xiàn)狀而言還是很高的評價，因?yàn)檫@起碼說明我們已經(jīng)把瓶子的別處都看了個通透，并且能夠確定何處才是出路所在了。但事實(shí)上，人工智能還達(dá)不到這個程度。筆者認(rèn)為，人工智能的現(xiàn)狀是“瞎子摸象”，每個人的觀點(diǎn)和方法都沒統(tǒng)一，缺乏整體性的認(rèn)識，因此也就沒有長遠(yuǎn)的解決方案。人工智能界經(jīng)常引用這樣一段話——“飛機(jī)能夠成功飛上天是因?yàn)槲覀兎艞壛藢B的模擬”。既然如此，人工智能為什么非要效仿人類智能機(jī)制呢？這句話還引出了一個隱藏于現(xiàn)實(shí)之中的弊端，那就是，人工智能界現(xiàn)在已經(jīng)分不清什么是權(quán)宜之計，什么是長久之策了。

（作者單位：復(fù)旦大學(xué)計算機(jī)科學(xué)技術(shù)學(xué)院認(rèn)知算法模型實(shí)驗(yàn)室）