这是一场没有悬念的比赛。5月27日，中国棋手柯洁与人工智能AlphaGo展开三番棋比赛的终局对决。历经3个多小时的对弈后，柯洁投子认输。至此，柯洁连输三局完败。
这场比赛在很多人看来，在科学价值层面已经失去看点。因为，人类在某些方面不如人工智能早已不新鲜，倒是未来人工智能发展中的新挑战也许更值得关注。
人工智能有哪些问题需要解决？未来发展趋势如何？本报记者专访了中国科学院院士、清华大学教授张钹，共同探寻人工智能接下来的种种可能。
人工智能为何近些年大显身手？
人工智能（Artificial Intelligence），英文缩写为AI。从1956年的美国达特茅斯会议算起，明确提出人工智能的概念并开始科学与技术的研究已有61年。
张钹院士从1978年就开始研究人工智能，在他看来，人工智能实际上是让计算机模仿人类的三种功能。第一种是模仿理性思考，包括推理、决策和规划等，属于人类的高级智能，或者叫逻辑思维。第二项是模仿感知，对周围环境的感知，包括视觉、听觉、触觉等。第三项是模仿动作，包括人类手、脚和其它动物的动作。此外，情感、灵感和创造性等也在研究之列，但相对来讲，进展要小一些。
人工智能模拟大脑神经元网络的某些工作机理，即人工神经网络（ANN），早在上世纪60年代就问世了，为何近些年才开始大显身手？这主要取决于以下三个要素有了长足进步：第一、多层神经网络（深度网）与其相应的有效学习算法，即深度学习算法；第二、大数据；第三、计算资源（计算能力的提高）。
最初并没有把AlphaGo放在眼里
由于围棋的复杂度远比象棋高，因此这两种棋类下棋的方法有本质的区别。下象棋与下其他棋类一样，靠的是推理、预测，即往前看几步。围棋由于复杂度太高，不可能依靠推理与预测，主要靠“直觉”，即“棋感”与经验。由于过去大家没有认识到这种区别，采用编写象棋程序的同样方法来编制围棋程序，其结果是围棋程序的下棋水平很低，至多达到业余4-5段的水平，根本不是职业围棋手的对手。这一点许多围棋手都有这个体验，因此最初大家并没有把AlphaGo放在眼里，这是完全可以理解的。
AlphaGo抛弃了传统下棋程序的编程方法，创造性地利用机器学习来获取下棋的经验与直觉。AlphaGo不仅学习了以往围棋大师们已经下过的所有棋局——约几千万棋局，还通过强化学习（自己与自己对弈），学习了更多（几亿个）新棋局。这就意味着，AlphaGo下过的棋是任何一位围棋大师一生下过棋的几百上千倍。由于围棋棋局空间很大（约2x10170），在围棋几千年的历史中人类也只是探索了其中的很少一部分，AlphaGo利用计算机的超强计算能力，不仅把人类已经探索过的空间加以优化，而且还探索了新的空间（即新的棋局）。正由于此，人类棋手在AlphaGo面前才显得那样被动，许多情况下都不知道是怎么输的。这也是围棋的魅力所在——毫无止境的探索。
人工智能打桥牌不如人类
张钹院士认为，目前大家对AlphaGo战胜人类棋手这件事有着各种不同的反应，惊讶、崇拜、愤怒、不服气等等，这些都是过度的反应。其实，研究AlphaGo不是为了编制一个围棋程序来代替人类棋手，来颠覆围棋运动，而是以“围棋”为平台，研究人工智能解决这类问题的方法以及可能达到的水平。因此研制AlphaGo的成功只是证明，人工智能在解决以下类型问题时，不管问题多么复杂，都可能做到甚至超过人类的水平。
这类问题的特点是：（1）有充足的数据（或知识），（2）完全信息，（3）确定性，（4）单领域。这类问题除围棋之外，还包括语音识别、人脸识别和图像识别等，其中有一些问题（如围棋）对人类来讲虽然很困难，但对于高速的计算机却是比较容易的。不过，当一个问题不满足上述4个条件中的任何一个（或几个）时，对计算机来讲就变成十分困难的了，而这些问题对于人类来讲反而相对比较容易。比如打桥牌（不完全信息博弈），无人车（不确定性，不完全信息和多领域），自然语言理解（多领域）等。在这些问题上，计算机则比人类差距很大。这就告诉我们机器智能与人类智能之间通常不是互相排斥和互相替代，而是互补的。
解决围棋只是人工智能往前迈进了一步，许多更困难的问题等待人工智能去解决。当前以大数据与深度学习为基础的人工智能存在的最大问题是：不可解释和不可理解，就事论事，缺乏推广能力，遇到新的情况一筹莫展。因此当面对动态变化的环境，信息不完全，存在干扰与虚假信息时，人工智能系统的性能就会显著下降。此外，这样的人工智能系统由于不可理解，无法实现人机交互，无法与人类协同工作与和谐相处。解决这些问题的困难很大，人工智能发展的道路还很长，机器智能达到适应动态变化环境的能力还很遥远。
题图来源：百度百科图片编辑：曹立媛
文/黄海华
