5
先說結論：我認為李世石贏AlphaGo的幾率要遠大于輸的幾率。王小川的完勝預測非常奇怪，因為即使這次李世石輸了，也不意味著人工智能真的就可以在圍棋上戰勝人類。這里的本質問題是其實是三個：什么是人，什么是深度學習下的人工智能，什么是圍棋。完成這三者的界定就可以定性的猜測李世石和人工智能在圍棋上的輸贏概率。
（圖片來自 Wired）
看過人工智能過去60年里發展上的起起落落，你就會發現人工智能其實并沒有一個清晰的定義，它的內涵也總是在不停的發生變化。這就是人工智能的奇葩狀態----每個人都說人工智能，但從科學家到正常人其實沒人能清楚定義人工智究竟是什么。人工智能之所以那么難以清晰界定，主要原因是人類其實還沒太弄清楚究竟什么是智能，自然也就無法從它的內涵來定義究竟什么是人工智能。
所幸如果我們換個思路和視角，那就可以嘗試從正常人能理解的視角來定義它。到現在為止，我們唯一可見的高智能生物只有人類，因此只要能定義清楚人，那就可以嘗試從人的身上做加減法來定義人工智能。
一般我們認為促使人生爆發出能量的本源動力有三項：欲望、理智與激情。這三項東西正好可以從人類的進化鏈條中提煉出來。欲望的存在歷史最為悠久，即使很早期的動物比如恐龍也會有饑餓感要尋找食物，需要交配來繁衍后代。理智的出現則比較晚近，一定要到人這種高級動物才清晰的體現出來，但確實在大猩猩能用工具，蜜蜂能筑非常精巧的巢穴上有所萌芽。這種對自然界進行感知、抽象、反思、推理的能力構成了理智，理智是我們人類智能的基礎。只有理智還構不成我們現在這種復雜多變的社會，所以人還有很不理智比較激情熱血的一面。只有在唯有犧牲多壯志這類激情的推動下，人類才會產生自己的價值體系。基于理智衍生出來的東西可以是推理和計算，基于欲望和激情衍生出來的東西則是想象力、理想等。
那什么是人工智能呢？抽掉人的欲望和激情，再抽掉人的肉體限制并把剩下的理智力量無限放大那基本上就可以認為是人工智能會有的樣子了。無限放大是說它可以同時記憶五千年的歷史，同時操控五千臺機器，而不在像人類只有有限的記憶和計算能力，并且很難心分二用。
人工智能歷經三起兩落，最近這次浪潮則是互聯網和云計算帶起來的。如果要從2010年，時任斯坦福大學教授的吳恩達加入谷歌開發團隊XLab開始計算，那這次的熱潮興起也不過只有5~6年。互聯網和云計算之所以讓深度學習得以復興，其關鍵點有兩個：一個是互聯網提供了海量的數據；一個是云提供了遠超以往的計算能力。這兩點很像燃料與引擎，它們疊加到一起就可以讓車跑的飛快。
深度學習在圖像識別和語音識別上效果顯著，但并不能突破上面說的人工智能的定義。它可以通過大量的人臉的數據進行訓練，接下來精確的識別你的臉是不是你的，但它不能想象一個從來沒有過的場景。所以說基于數據和深度學習的人工智能更像是已知領域的專家，但并沒能力像馬克思那樣去憑空創造出一個體系。
雖然我圍棋水平很差，但我相信圍棋雖然依賴于人類的計算能力，但絕對不是只依賴于人的計算能力。計算機都沒能力算清楚圍棋，何況是人！所以圍棋本身同時依賴于人的計算能力和想象能力。兩者在權重上那個更關鍵，估計在不同人身上會不同，但大局觀的比重一定是比較大的。
同時有兩類東西都挑戰人的智商，但其復雜的來源就絕不相同。一種是復雜的計算問題，比如解復雜的方程，這種問題的難度來源于知識本身；一種則是社會性問題，比如政治、意識形態、經濟、外交等這些問題會彼此聯通，在每一個領域上可能最終需要的判斷都是加減法，從數學上看是非常簡單的，但其實處理起來復雜，處理過程中更關鍵的是問題本身的界定。擅長處理前者的是數學家，擅長處理后者的是政治家，兩者完全沒有互換的可能。
圍棋這東西我認為兩種復雜度兼而有之，既有局部的得失計算，也有大局上的利弊權衡取舍。
我們再把上面說的事情重復一下：
人由欲望、理智、激情三項支撐，其中理智衍生推理和計算，欲望激情則支撐想象力。
人工智能主要發展理智這一維度，當前的人工智能主要是深度學習驅動的，主要依賴于計算能力和大量數據。
圍棋不是算術，骨子里是計算上的感覺。
如果我們的基本問題界定沒有錯，那就一定是李世石贏的概率大，并且在人工智能沒有新的實現思路出來之前，這狀態會持續下去。原因很簡單，圍棋不只是計算，還需要想象這類能力來判斷大局。人工智能按照當前的思路則擅長處理已知問題，很像全知全能的消息靈通人士。由于圍棋中牽涉天量的計算，所以可以認為每局棋都是從頭開始的新問題。處理這類問題正需要計算與想象的綜合，人工智能只可能在計算上遠超人類。類比下就是小孩拿著鋒利的砍刀和大人拿著木棍，你說打架的時候那個贏的概率大。
對當前深度學習究竟有那些限制這點上，可能有些人還心存疑慮，我們可以看下這領域的大牛Yann LeCun在發表演講的時候專門提到的深度學習的幾個關鍵限制，具體來講這包括：
① 缺乏理論基礎。沒這個深度學習方法只能常常被視為黑盒，大多數的結論確認都由經驗而非理論來確定。
② 缺乏推理能力。深度學習技術缺乏表達因果關系的手段，缺乏進行邏輯推理的方法。
③ 缺乏短時記憶能力。與深度學習相比人類的大腦有著驚人的記憶功能。
④ 缺乏執行無監督學習的能力。無監督學習在人類和動物的學習中占據主導地位，我們通過觀察能夠發現世界的內在結構，而不是被告知每一個客觀事物的名稱。
我個人覺得這里面的第二、第三點在對陣圍棋的時候會形成劣勢。AlphaGo專門在這點上做了彌補，所以弄了一個落子選擇器 （Move Picker)來負責評估下一步應該往那兒走，弄了一個棋局評估器 （Position Evaluator）來評估整體策略。現在的關鍵問題是第二點，我不認為上佳策略是算出來的(我不相信萬物皆數)，而是一種模糊判斷，所以我認為AlphaGo在這點上完全處于弱勢。
有些復雜問題的判斷上最難的是對問題的界定，如果上面的判斷錯了，那更可能出在對圍棋、對人工智能的本質認知上。雖然我圍棋水平極差，但我相信自己的理解是對的。王小川其實代表了純粹的技術樂觀主義者的觀點，但有的時候技術專家真的不理解世界，因為技術的深入似乎無助于生成一種整體意識。
按：公號琢磨事(zuomoshi)，作者已將本文獨家授權給新浪科技創事記，轉載請注明。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
