图片 4

人工智能,其实还有点“笨”(关注·关注“人机大战”(下))

  

谷歌“AlphaGo”和韩国棋手李世石的人机大战尘埃落定,但人工智能的进化之旅才刚刚启程。人类为何要研究人工智能?人工智能会不会有一天超过人类成为“超级智能”?我们应该以什么样的心态来看待人工智能的突飞猛进?

在 AlphaGo 诞生之前 , 曾有杂志采访过柯洁 :” 假如有一天遇到最强的围棋上帝
, 你自认和他的差距是多少 ?”

  
“机器学习”就是不需要人事先灌装程序得到工作能力的人工智能,“机器学习”与“算法计算”的本质区别不在于“计算”而在于“判断”,比如图形识别、语音辨析等,这实际上是人在日常生活中遇到的最多的也是最基本的问题,所以也是人的一种基本能力,这种能力是无法事先学习的,“只能在游泳中学会游泳”,这只是一种个人性的经验。

人工智能;人机大战;情感;认知;生物智能

四、人工智能这一技术之所以能适用于各行各业 ,
是因为其所用原理大多是基于模仿人类神经网络的人工神经网络 。

  
“机器学习”的这种不同于“算法计算”的判断能力确实是一种经验的学习途径,“机器学习”的能力源于“人工神经网络”(ANN),ANN是模仿大脑中的神经元、突触的联接而得到的对数据特征提取和判断的能力,“机器学习”就是通过大量的样本训练使机器“记住”了某些特证,这样就可以用这种特征去甄别要处理的对象。

人机围棋大战引人注目,展示了人工智能惊艳的一面。

我们能做的 , 便是在滚滚而来的时代洪流中重新审视和鉴定自己的价值 ,
绝不停止成长 , 绝不停止学习 , 与此同时 , 绝不放弃感性和直觉的天赋。

  
科幻电影迷和“强人工智能”追求者把这次“人机大战”看成是人类社会“奇点来临”(Ray
Kurzweil:“The Singularity Is
Near”)的一个信号,既然机器的智能可以胜过人的智能,机器反过来控制人类和统治世界就是可能的,一些大科学家、企业家都对人工智能的强大远景感到忧虑,比如英国“独立报”网站(
)就刊登有关资讯,引用霍金说:人工智能将是人类的终结吗?像这些并非笑谈的认真思考与人工智能发展的新高峰形成了当前全世界关注的大浪潮;虽然有很多业内人士认为真正能达到人的智能的机器的出现在时间上仍很遥远,但这并不能抹去这种笼罩在人类头顶上的阴影。另一方面,仍然有很多人相信,机器与人具有本质的区别,机器不会具有真正的感情、自我意识、良心、社会责任等人类独有的能力,遗憾的是现在并没有看到在理论、逻辑上可以对这种信心做出的有力支持,哲学家、人类学家、社会学家、文化理论家们似乎尴尬,因为对“智能”、“知识”、“情感”、“自我意识”等等最基本的概念几千年来几无定论,人工智能几乎把由概念和逻辑构成的晦涩、复杂、精致的庞大哲学和抽象理论轻松地推到一边去了,在人工智能的发展的速度难以预测的情况下,所有的人都是哲学家,都直接面对我们人类和世界的命运:十年或五十年?

“阿尔法狗”用3000万局“自我对弈”数据来训练,靠的是“题海战术”

一语成谶。

   一、“一石激起千层浪”

谷歌“AlphaGo”和韩国棋手李世石的人机大战尘埃落定,但人工智能的进化之旅才刚刚启程。人类为何要研究人工智能?人工智能会不会有一天超过人类成为“超级智能”?我们应该以什么样的心态来看待人工智能的突飞猛进?

  
AlphaGo就是通过大量的围棋实战棋谱训练而得到对棋局整体性的把握能力的,人也可以通过棋谱的学习而提高棋术的,但人一定是参与实战而得到下棋能力,机器则恰恰是“先学好游泳”,这才是人、机之间的根本区别。但机器为什么可以在棋盘上战胜人呢?这是因为在对经验的记忆能力、反应的速度上人不如机器,所以机器是以记忆量与敏捷性的优势上战胜人的,但是机器的看盘“直觉”和走子的策略上却是学习了人的经验的结果。

阿里云人工智能业务总监初敏博士认为,如果看一下背后的技术原理,AlphaGo其实也不是那么神秘,本质上与约20年前战胜国际象棋冠军的“深蓝”计算机一样,是一个超大规模的搜索问题。有所不同的是AlphaGo采用了当下非常热门的深度神经网络,以及深度神经网络跟蒙特卡洛树搜索算法的结合。AlphaGo能成功的秘诀在于强大的计算能力和大量的训练数据,互联网的普及也把大量围棋对弈的过程和棋谱电子化了。

图片 1

西方文化传统重在知识,“学”在致“知”,从苏格拉底的“知识就是美德”到培根的“知识就是力量”,学习(learning)主要是指知识的学习,虽然知识的学习于人是不可或缺的,知识的积累和进化是人类文明最主要的组成部份和动力,但片面强调这种知识性的学习也会产生对人自身主体性的困惑。似乎是在“机器学习”这个概念中,人们才领悟到机器是由人“模仿”人的神经系统而使机器得到“学习”能力的,这里的“模仿”是指人在计算机中“建模(modeling)”方式的模仿,这种强调区分了人与机器在层次上的不同。实际上这里就隐含了模仿的三个层次,首先是人对神经网络的模仿(imitating)而得到ANN这种“机器代理”(Agent),然后是在“算法计算”的通用计算机中建模(modeling)ANN,然后才是机器的学习训练(“有监督”或“无监督的”机器学习)以得到机器的人工智能性。现在广泛使用的“机器学习”大抵上只是理解为将人类的既有经验纳入机器中,(点击此处阅读下一页)

蔡登说,人工智能的学习方式和人类有很大的区别。比如一个孩子第一次看到一只狗,告诉他这是一只狗,下一次看到其他的狗时,他就能判断这也是狗。而目前的人工智能很大程度上还是基于海量数据、大样本的学习,属于“题海战术”——它可能要“看”过成千上万只狗之后,才有辨别的能力。

简单来说 , 人工智能的学习原理 , 与大脑类似。

   把人机对弈看成是“
人、机大战”是层次上的严重混淆,这种混淆误导人们对人工智能的认识,认为所有人设计的机器具有“天生”的与人的对立性,就是把机器的“自主”能力等同于人的自主能力,认为机器能“学习”,就是一种自主性,也就是把机器“学习”等同于人的自主性学习。

专家介绍说,人工智能的核心是机器学习技术,通过算法使机器能从大量历史数据中学习规律,从而对新的样本做智能识别或对未来做预测。从上世纪80年代末以来,机器学习的发展大致经历了两次浪潮:浅层学习和深度学习。深度学习是机器学习的一种,本质上就是人工神经网络。它模仿人类大脑行为的神经网络,更接近于人类的学习方式。初敏说,深度神经网络最初是在语音和图像两个领域获得很大成功,目前正被用于更广泛的领域。AlphaGo的成功再次证明深度神经网络强大的学习能力。

AlphaGo 在围棋界退役 , 并不代表相关团队停止在人工智能方面的研究 ,
恰恰相反 , 他们在尝试将这项技术运用到社会和生活中 ,
以便更好地为人类服务。

  
摘要:人、机的围棋对弈不等同于人、机之战。人的“学习”与机器的“学习”具有完全不同的性质和层次性。AlphaGo中基于人工神经网络ANN和“深度学习”等技术对围棋棋局的判断使算法的搜索空间成为可能。一方面,AlphaGo确实是学习了弈棋高手的经验才胜过了人,但另一方面,应更应该看到,人模仿了大脑神经系统制造了可以“学习”的机器,然后才是机器“学习”人的经验,这两方面才是对AlphaGo
和“人工智能”的智能性的正确理解。
 人、机之间最大的区别就在于人是天生的主体学习者,机器则是在人造的“先天性”上才得到自己的“学习”能力。

浙江大学计算机科学与技术学院教授蔡登说,AlphaGo用了3000万局“自我对弈”数据来训练,对计算机来说这是一个时间比较短的过程。对人来说,即使每局只要15分钟,可能也要800多年才能下完。AlphaGo利用了全世界最大的谷歌计算平台,整合大量芯片处理器的计算能力,进行技术创新、整合和优化,从算法创新方面对于计算机围棋有很大意义,对于广义的人工智能可能谈不上太大创新。不过,在这类策略型游戏或是规则明确的竞赛中,机器终将超越人类。

正如未来总是到来得悄无声息一样。

  

但这终究是一个伪命题 , 因为情感是人类的宝藏和天赋 , 任何技术都无法取代。

图片 2

越来越多翻译器与翻译软件开始应用神经网络技术 ,
其翻译结果的准确和迅速甚至能达到实时传译的地步。

  

它没有以最平凡的样子离我们远去 ,
而是渗透进生活和人类社会。那些过去要花费巨大的计算和人力时间、精力成本的工作
, 全都交给了人工智能。

  

三、对战 AlphaGo 之初 , 柯洁曾上过节目《朗读者》,
朗读《哈利波特与死亡圣器》的选段 , 其中有这样一句话 :” 伏地魔死了 ,
以最平凡的样子死掉了。”

  
图片 3

在节目中 , 柯洁表示 , 这一选段 ” 献给未来的对手 “。

   二、 “围棋之战”不等于“人、机之战”

生物的神经网络 , 是大脑神经元、细胞、触点组成的网络 , 用于产生意识 ,
帮助生物进行思考和行动。

  

图片 4

相关文章