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,、計算機會寫新聞稿和賦詩,、自動駕駛,、所謂用意念控制無人機等,。由此似乎可以得出結(jié)論,，人工智能的時代真的開始了,，世界將面臨被機器接管的風險。

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博弈這一研究分支，那么,，它究竟難不難實現(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到了人不犯錯就只能與它下平手的水平?？梢?，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：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對計算機程序,、對人工智能來說卻是極端重要的利好,。因為正是這些規(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上變得非?？尚?，如此明確的計算對象恰是計算機編程能夠如魚得水的理想環(huán)境。所以,，計算機下棋不但不是挑戰(zhàn),，反而遠比自然語言理解、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50年代）就成為我們的研究對象之一。

在技術(shù)實現(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上編程實現(xiàn),。當然,，這也帶來了存儲空間和搜索效率的問題。實際上,，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)）中進行窮舉搜索,，只需進行小范圍的有限搜索即可，其中所謂機器學(xué)習(xí)過程就是從大量以往的對弈棋譜中建立當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)和機器學(xué)習(xí)技術(shù)其實都是現(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)域中基于實例的推理研究,，也就是針對當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，把當時的解決方案拿來做一點適應(yīng)性修改后應(yīng)用到新問題上去,。當套用到下圍棋這個需求上時,，這個基于實例的推理過程就可以簡化為當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?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，因為它實現(xiàn)的實質(zhì)上是同一范疇下的類比,。它進行走步?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“實地”，只是把下圍棋當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,。我們甚至不能認為這是一種智力，充其量是一種強悍的細分記憶力,。

人類圍棋下輸了,，那么人類智能就此崩塌了嗎？其實人類智能的強項可能不在下圍棋這種只有極少數(shù)人才能達到高水平的項目上,，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,，因為雞蛋會被摳破的。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,，但細想這也不保險，因為稍不注意就捅到地上去了,。由此我立刻想到我們可以從下往上頂雞蛋,，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?。這樣的例子有很多,，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。其實這種靈機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、秘書,、翻譯,、客服、導(dǎo)游等,。那么,，事實是否如此？人工智能的春天真的到了嗎,？筆者認為，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世界上去,。”這些工作蘊含著大量的不可預(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,，筆者認為，“瓶頸說”對于人工智能的現(xiàn)狀而言還是很高的評價,，因為這起碼說明我們已經(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。但事實上,，人工智能還達不到這個程度,。筆者認為，人工智能的現(xiàn)狀是“瞎子摸象”,，每個人的觀點和方法都沒統(tǒng)一,，缺乏整體性的認識，因此也就沒有長遠的解決方案,。人工智能界經(jīng)常引用這樣一段話——“飛機能夠成功飛上天是因為我們放棄了對鳥的模擬”,。既然如此，人工智能為什么非要效仿人類智能機制呢,？這句話還引出了一個隱藏于現(xiàn)實之中的弊端,，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)計算機科學(xué)技術(shù)學(xué)院認知算法模型實驗室）