“机械姬之父”默里.沙纳汉权威复盘阿尔法狗：真正的人工智能到来后，人类怎么办？

大家好，我叫默里·沙纳汉，是伦敦帝国理工学院认知机器人学教授。大约在六个月前，我还在Google的DeepMind部门兼职。

今天我来到这里和大家交流人工智能，大致探讨一下人工智能的现在和未来。

• 为什么AI最近变得如此令人瞩目？

• 为什么AlphaGo是一个激动人心的里程碑项目？它的局限性在哪里？

• 我们如何才能在有朝一日，实现接近人类水平的人工智能？它的阻碍有哪些？

首先我想说说人工智能的定义。

可以说，人工智能是计算机和机器人的架构，可以执行通常被认为需要人类智能完成的任务。当然，这个定义又需要辅以其他的解释，它引出了什么是智能的问题。

我所喜欢的对于智能的准确定义是，智能是指在多变的环境下实现目标，以及做出适当决策的能力。

多变性才是通用智能的关键。

然而当前多数的人工智能，面向的都是特定的应用方向，例如下棋、自驾车、医疗诊断，或者在相册中对照片进行标记等。它涉及的是对这些应用有用处的那部分技术，例如，理解计算机视觉、语言或学习等。

最近有一些报告已经在尝试量化人工智能技术对于未来十年的经济影响。这是埃森哲公司的一份报告，他们认为，人工智能有着巨大的经济影响潜力。许多西方国家的年度经济增长幅度在很多方面，将因人工智能的帮助而比没有人工智能时翻倍。

中国国务院最近发布了一项行动计划，将致力于让中国在2030年成为人工智能领域的领先创新国之一。

普华永道事务所今年发表的报告也认为，在未来几十年里，人工智能技术对国内生产总值的贡献将会非常显著。

尤其是在中国，这种影响将是最大的。

为什么我们对于AI技术的经济影响力会有如此大的期待呢？

两个里程碑

现在，我们来看看人类在AI领域所取得的进步，以及所有舆论渲染和期望的理由是什么。

让我们回到历史上的1997年，20年前，一台名叫深蓝（Deep Blue）的IBM计算机打败了加里·卡斯帕罗夫（Garry Kasparov），当时的国际象棋世界冠军。卡斯帕罗夫在这场比赛中被打败，这被广泛认为是人工智能领域的一个非常重要的里程碑，一个非常重要的成就。

有趣的是，即使我们能够造出棋艺达到如此水平的计算机，但是大家依然认为我们没有真正实现人类水准的人工智能。人类还有很多事情是计算机无法企及的，哪怕是非常普通的日常事务。

此后的二十年来，我们突飞猛进，在2016年，DeepMind的AlphaGo以4:1的战绩打败了韩国顶尖围棋大师李世石，第二年，AlphaGo又成功打败了中国的柯洁。

这是出乎人们意料的。很多人原以为，要想让计算机在类似围棋这种智力博弈中达到专业级别，需要很长的时间。

国际象棋可能的走法数量非常庞大，但是还没有大到计算机用纯粹蛮力运算解决不了的程度。

“深蓝”破解国际象棋的办法就是穷举所有可能的走法，以及对手可能采取的对策，然后再算出自己的下一步对策等，进而得出一个包含各种可能性的树状结构。这个树状结构展开后非常非常庞大。

人类无法用这种蛮力方式来破解棋局。例如心里想着：“我先这样走，对方再那样走，然后我又这样走，对方会不会再那样走？”人类棋手这样算几步没问题，但大体上讲，高手都是依靠自己的直觉判断以及套用棋谱的能力。

而计算机对国际象棋的处理方式依靠的并不是直觉判断，也不是套用棋谱，而是利用超强的计算能力，超快的计算速度，来穷举这棵巨大的可能性之树。

但是，由于围棋的可能性之树大到远远超过了国际象棋，用穷举的办法也行不通。

这就是为什么很多人认为我们永远造不出具备职业水平的围棋计算机。即使凭借当今的计算能力，依然远远不能用蛮力穷举的办法来破解围棋。

DeepMind采用的办法是设法模仿了这种对棋盘局面进行直觉判断的能力。如果你有关注过当时的比赛，就会知道AlphaGo甚至首创了一些新的走法。它赢下比赛的某些走法是人类的围棋高手们前所未见的。

AlphaGo有多强？

那么AlphaGo具体的工作原理是怎样的呢？

和IBM的“深蓝”类似，AlphaGo也会搜索这种可能性之树，它使用了蒙特卡罗树搜索法，也就是说，它会在搜索树中进行随机搜索。这是AlphaGo非常关键的一种工作方式。

它与深蓝的工作方式不同之处在于，它使用神经网络算法来修剪这棵树。对于这棵巨大的可能性之树，AlphaGo通过削减分支，并使用神经网络算法限制探索的范围。

它对庞大的人类专业棋手对弈数据库进行深度学习，凭借这个人类专业棋手对弈数据库，两个神经网络得到了训练。

其中一个神经网络思考棋盘上的态势，分析当前局势的好坏；另一个神经网络则会分析棋盘局势并分析专业棋手下一步最有可能怎么走。

凭借这些信息，它可以削减巨大的可能性，从而只去搜索那些潜在的好的招式，因为它从人类专家数据库中学到了怎么走才算是好棋。对于AlphaGo来说，只有当这一步棋对局势起到积极作用的时候，它才会去继续搜索。

它还使用一种称为强化学习的技术。强化学习是通过试错法来学习，它会与自己对弈。AlphaGo利用对人类技法的学习成果不断地和自己对弈，这会让它的训练得到大幅提升。

AlphaGo本身只是个围棋项目，然而，从诸多方面来讲，AlphaGo真正重要的是它所使用的基础技术具有更广泛的应用，而不仅限于围棋。

计算能力不是唯一

AlphaGo的能力给人留下了深刻印象，但是人类水平的人工智能呢？我们在科幻电影中看到的那些景象呢？

有些作家，例如雷蒙德·库茨魏尔，曾经预言，人类水平的人工智能到本纪20年代就会出现。

他的依据是，先算出人脑的神经元数量然后算出需要多少计算能力来模拟它们。再推断我们什么时候能实现那种计算能力，当你推断出计算能力的增长曲线的时候，例如这里显示的是世界前五百强超级计算机的运算速度，由此可知，有能力模拟人脑所有神经元的计算能力，会在本世纪20年代出现。

但我认为真正的结论比这更复杂，那么我来解释一下理由。

计算能力不是实现人类水平人工智能的唯一条件，因为我们真的需要清楚如何利用这些计算能力。

问题在于，人工智能软件的进步是否符合硬件的进步，我认为要想实现人类水平的人工智能还有很多问题丞待解决。我可以通过再次思考AlphaGo的案例来得出结论。

AlphaGo显然非常聪明。我们知道它甚至表现出了某种创造力，甚至它的设计师和围棋大师也不完全了解它在做什么。

然而，和所有专业的人工智能一样，AlphaGo实际上在很多方面又不够聪明，因为它能做的只是下围棋，而如果我们来看一下李世石或者柯洁，他们不仅会下围棋，也可以做所有我们都会做的日常事情，比如和他人交谈，陪小孩子玩，或是下厨做饭。

这些事情柯洁可以做，李世石可以做，我也可以做，但AlphaGo只会下围棋。AlphaGo甚至都不知道日常事务的复杂程度。

为了实现人工通用智能（即人类水平的人工智能），我们需要满足其他一些条件。用英语表达，就是三个C：

• 创造力（Creativity）

• 常识（Common sense）

• 抽象概念（abstract Concepts）

我们需要创造力，不断去尝试新的可能性，但只有当计算机具备常识的时候才能做到。

常识是理解日常生活中的日常行为结果的能力。我们对我们周围的各种日常事物以及它们的工作方式都有一个共同的认知。

比如说你的房子，或者是在街上，我们知道如果操纵它们，移动它们，挤压它们，会发生什么。对社会领域，我们也有共同的理解。

但我们还不知道如何让计算机具备这种能力，让它们有能力形成人类所遵从的抽象概念，帮助我们在新的环境中进行泛化应用。

要想实现人类水平的人工智能，就要先实现这些才行。实际上，我不知道我们什么时候才能实现这个目标。我认为在这一天到来之前，还有未知数量的概念上的障碍。

在技术奇点降临之前 

然而，假设这一天终会到来，那么届时我们将会处于某些人所说的技术奇点。

在那之前，我认为我们不得不开始思考一些至关重要的事情。

我们必须思考由此带来的技术性失业问题，我们必须思考自身对于技术的依赖。我们不能过分依赖技术。我们希望确保我们的技术是安全可靠的。

如果真能实现人类水平的人工智能，那么这些担忧将会变得更加深远。

尽管如此，假设我们真能掌控一切，那么就有可能为人们的生活带来非常非常显著且有益的改善。如果计算机和人工智能能够实现某种乌托邦，那么我们必须向自己提出一些真正深刻且重要的问题，比如：

• 作为人类，我们真正想要的是什么？

• 幸福生活的标准是什么？

我认为这些争论和问题会超越文化和政治分歧。这些是我们都要去探讨的事情。

最后我要说，即使人类水平的人工智能可能需要很久才能实现，但是专门化的人工智能技术现在已经有了，必定会越来越强大，也会带来巨大的影响。

非常感谢。

如果你想进一步了解默里·沙纳汉的观点，可以阅读他所著的《技术奇点》一书。

本次大会特别鸣谢：Airbnb爱彼迎，滴滴出行

全场影像合作伙伴：Optoma奥图码 

嘉宾使用无线演示器特别支持：Logitech罗技

战略合作媒体平台：一点资讯