新闻> 股市新闻> 正文

《Al·未来》

淮河晨刊 2019-01-16 11:15 大字

上期提要:2017年5月27日,AlphaGo不仅击败了柯洁,还取得了压倒性胜利。三局漫长的对抗,每局都超过了三小时,柯洁绞尽脑汁,遗憾的是这些战术全都无效。

一场赛局和赛局的改变者

中国政府的大力支持,源于人工智能与经济之间新的化学反应。人工智能科学虽已持续发展了数十年,但最近才从学术成果落地为应用实例。

我对机器在围棋赛中击败人类所涉及的技术性挑战非常熟悉。1986年,我在卡内基·梅隆大学攻读人工智能方向的博士学位,那年我设计了第一款击败黑白棋(Othello,又称为奥赛罗棋,一种简化版围棋,使用8×8棋盘)世界冠军队成员的计算机软件。这在当时是了不起的成就,但核心技术其实只能应付简单的棋类游戏。

使用与我设计黑白棋软件差不多的方法,IBM到达了下一个里程碑——他们创造的“深蓝”(DeepBlue),一举击败国际象棋世界冠军加里·卡斯帕罗夫(GarryKasparov)。这场1997年的“人脑背水一战”一度引发了世人的焦虑,担心机器人在未来随时会统治人类。但最终深蓝计算机的胜利只不过是推升了IBM的股价,对真实的人类生活并未产生什么重大影响,人工智能在真实世界的应用仍然很少。研究人员数十年的努力并未能产生根本性突破。

“深蓝”基本上是以“蛮力”取胜——使用定制的硬件,飞快计算当前局势下每一步棋可能产生的影响。它也需要真正的国际象棋手进行指导。从工程角度来说,“深蓝”的胜利是很了不起,但它背后的技术只能应用在有限的问题上。离开了8×8的国际象棋棋盘,“深蓝”就不是很聪明了,说到底,它只能对国际象棋选手产生威胁。

但与此不同的是,柯洁对弈AlphaGo虽是棋盘上的战事,却和真实世界中的巨变密不可分。这些改变包括AlphaGo对抗赛在中国激起的人工智能热,以及让AlphaGo制胜的核心技术的应用。驱动AlphaGO的核心技术深度学习,是人工智能领域的突破性技术,大大增强了机器的认知能力。使用深度学习的程序如今已经在人脸识别、语音识别、核发贷款等工作上超越了人类。在过去长达数十年间,人工智能革命总像是“再过5年”才会到来,5年复5年,直到深度学习在过去几年里有了长足发展,这场革命才终于到来。生产力会因此爆发式增长,人工智能也会在各个领域取代人工,颠覆劳动力市场,对人们产生深刻的社会心理影响。

柯洁对弈AlphaGo期间,真正让我担心害怕的不是其他知名科技界人士都惧怕的人工智能杀手机器人,而是真实世界里大规模失业可能引发的严重冲击,以及伴随而来的社会动乱。人工智能对就业构成的威胁来势之快,远远超过多数专家的预期。而且无论是蓝领、白领,无论劳动者受教育程度的高低,都可能被卷入人工智能革命的大潮中,受到被人工智能替代的威胁。柯洁对弈AlphaGo的那天,深度学习摘下了人类棋王的桂冠,很快这项技术就将进入工厂和办公室,端走人们的饭碗。

围棋机器里的幽灵

不过,在柯洁与AlphaGo的对弈中,我也看到了希望。其中一局比赛进行到2小时51分时,柯洁遇到了瓶颈。他已经竭尽全力,但他也知道这还不足以对抗强大的AlphaGo。他的头低垂在棋盘上方,皱着眉头,噘起嘴唇……他取下眼镜,再也无法克制自己的情绪,用手背轻拭双眼泛出的泪水。这些动作转瞬即逝,但所有人都能看出他的情绪。

那些泪水引发了人们对柯洁的同情与支持。在这三局比赛中,柯洁流露出了人类起伏的真实情绪——自信、焦虑、害怕、希望和心碎。这展现了他的拼搏精神,我也看到了真正的爱——出于对围棋、围棋历史,以及对这项游戏纯粹的爱,他愿意与无法战胜的对手缠斗。看了柯洁比赛的人,也对他报以同样的爱意。AlphaGo获得了比赛的胜利,落败的柯洁却成了人们心目中的斗士。在人们相互之间的爱意中,我窥见了人工智能时代寻找工作与生命意义的希望。

我相信,如果能用好人工智能技术,中国就有赶上甚至超越美国的机会。更重要的是,这还会让人们有机会看清身为人类的真正意义。

首先得从了解这项技术的基本原理,以及它将如何改变世界开始讲起。

深度学习发展简史

机器学习(machinelearning,涵盖深度学习的一个人工智能技术领域)是一项改变历史的技术。这项技术历经了半个世纪纷乱无章的探索研究,最终幸存下来。自问世以来人工智能几经兴衰,每当人们以为看到了希望,紧接着就会迎来“人工智能寒冬”——由于缺乏落地的应用成果,导致研究经费大减。要了解深度学习为何能带来不同于以往的发展,就要回顾人工智能是如何走到今天的。

20世纪50年代中期,人工智能的先驱者们为自己制订了一个极其宏大且定义明确的使命:在机器上搭建人类智能。这项结合了明确目标与复杂任务的使命,吸引了新兴的计算机科学领域中最杰出的人士如马文·明斯基(MarvinMinsky)、约翰·麦卡锡(JohnMcCarthy)、赫伯特·西蒙(HerbertSimon)。关于人工智能的这一切使一个1979年年初进入哥伦比亚大学计算机科学系的学生大开眼界,引发了这名学生对人工智能未来的无限遐想。

我在1961年出生于中国台湾,11岁时移居美国田纳西州,在那里完成了初中及高中学业。在哥伦比亚大学取得学士学位后,我决定开始钻研人工智能,同时申请了卡内基·梅隆大学计算机科学系的博士,那里是世界人工智能尖端研究的温床。1983年,我在博士生研究计划中针对这个领域写下了一段初生牛犊般的宣言:

人工智能是人类学习过程的阐明,人类思考过程的量化,人类行为的解释,以及对智能原理的了解。它是人类了解自身的最后一步,我希望投身这门新的、有前景的科学。

这段让我得以进入计算机系攻读博士的文字,显示了当时我对这个领域天真的理解:既高估了我们人类了解自身的能力,也低估了人工智能在特定领域产生超人智能的能力。

我开始攻读博士时,人工智能领域已经分化为两个阵营:其一是规则式(rule-based)方法,其二是神经网络(neuralnetwork)方法。规则式人工智能系统有时也称为符号式系统(symbolicsystems)或专家系统(expertsystems)。之所以称“专家系统”,是由于该阵营的研究人员认为,要使人工智能软件更好地适应现实世界,必须将相关领域的人类专家的智慧编写进软件。他们用一系列写好的逻辑规则来教导计算机如何思考,如“若X,则Y”。这种方法很适用于简单且定义明确的游戏(所渭的“玩具问题”——toyproblems),但是当可能的选择或操作数目大增时,这种方法就行不通了。

下期看点:本质上来说,深度学习的算法使用了大量来自特定领域的数据,其方法是让系统使用这些输入的数据,训练自己识别数据和期望结果之间的关联性。

新闻推荐

长生生物确定被实施重大违法强制退市

新华社北京1月15日电(记者刘慧)长生生物15日发布公告称,14日收到深交所对该公司股票实施重大违法强制退市的决定书,根据相关...

 
相关新闻