創(chuàng)新工場(chǎng)董事長(zhǎng)李開復(fù)在知乎就 AlphaGo 與李世石的人機(jī)大戰(zhàn)發(fā)表了自己看法，他認(rèn)為四個(gè)月前的 AlphaGo 擊敗李世石基本不可能，不過這四個(gè)月AlphaGo 進(jìn)步很多，比賽應(yīng)該很精彩。但是，無論這次結(jié)果如何，機(jī)器 1-2年 之內(nèi)必然完勝人類。完勝人類之后呢？可以做個(gè)通用的大腦嗎？意味著機(jī)器可以思考了嗎？還有什么問題是機(jī)器無法超越人類的？
以下為李開復(fù)就 “AlphaGo 能戰(zhàn)勝李世石嗎？” 在知乎的回答原文：
先直接回答這個(gè)問題，下面再分析 AlphaGo 和人工智能的未來。我認(rèn)為 AlphaGo 這次的比賽打敗李世石比較懸，但是 1-2年 之內(nèi)必然完勝人類。
按照兩者的 Elo (圍棋等級(jí)分)，可以算出去年年 底的 AlphaGo 打敗李世石的概率相當(dāng)?shù)?。如何算出的呢？AlphaGo 去年年 底的頂級(jí)分布式版本的 Elo 是 3168 (見下面第一張圖)，而李世石的 Elo 大約是 3532 (全球圍棋手 Elo: Go Ratings ，見下面第二張圖)。
李開復(fù)：AlphaGo 若打敗了世界冠軍，意味著什么？ 李開復(fù)：AlphaGo 若打敗了世界冠軍，意味著什么？
按照這兩個(gè)等級(jí)分的兩個(gè)棋手對(duì)弈，李世石每盤的勝算為 89%( ，公式見：How to Guide: Converting Elo Differences To Winning Probabilities : chess鏈接地址:https://www.reddit.com/r/chess/comments/2y6ezm/how_to_guide_converting_elo_differences_to/ 溫馨提示：訪問此鏈接需復(fù)制粘貼至瀏覽器打開，下同)。如果對(duì)弈一盤，AlphaGo 尚有 11%的獲勝的可能性，而整個(gè)比賽五盤勝出三盤或更多，AlphaGo 就只有 1.1%的可能性了。(當(dāng)然，按照原來的 10月 的 AlphaGo，只有 1.1％，不過現(xiàn)在既然大大進(jìn)步了，就不一樣了，也許今天已經(jīng)超越了：見下面第三點(diǎn))。
AlphaGo 不是打敗了歐洲冠軍嗎？有些人認(rèn)為 AlphaGo 去年底擊敗了歐洲冠軍樊麾，所以挑戰(zhàn) (前) 世界冠軍應(yīng)有希望。但是，樊麾只是職業(yè)二段 (Elo 3000 左右)，而李世石是職業(yè)九段 (ELO 3532)。這兩位的差別是巨大的，完全不能混為一談。就比如說一個(gè)人乒乓球打敗了非洲冠軍，并不代表他就可以成功挑戰(zhàn)中國(guó)冠軍。
AlphaGo 有可能在這幾個(gè)月突飛猛進(jìn)，進(jìn)而擊敗李世石嗎？AlphaGo 的負(fù)責(zé)人說：” 外界不知道我們這幾個(gè)月進(jìn)步了非常多 “。(來自：http://www.geekwire.com/2016/alphago-lee-sedol-whos-underdog-in-google-ai-million-go-match/)。這點(diǎn)確實(shí)有可能。AlphaGo 進(jìn)步的方法有兩個(gè)：(1) 增加硬件：我們從 Nature 的文章可以看到：從 1202 個(gè) CPU 到 1920 個(gè) CPU，AlphaGo 的 ELO 只增加了 28，而且線性地增加 CPU，不會(huì)看到線性的 ELO 成長(zhǎng)。若要達(dá)到 364 ELO 積分的提升，需要的 CPU 將達(dá)到天文數(shù)字 (有篇文章估計(jì)至少要 10 萬個(gè) CPU：http://www.milesbrundage.com/blog-posts/alphago-and-ai-progress)。當(dāng)然，谷歌有錢有機(jī)器，但是純粹加機(jī)器將會(huì)碰到并行計(jì)算互相協(xié)調(diào)的瓶頸 (就是說假設(shè)有十萬萬臺(tái)機(jī)器，它們的總計(jì)算能力很強(qiáng)，但是彼此的協(xié)調(diào)將成為瓶頸)。在幾個(gè)月之內(nèi)增加兩個(gè)數(shù)量級(jí)的 CPU 并調(diào)節(jié)算法，降低瓶頸，應(yīng)該不容易。(2) 增加學(xué)習(xí)功能：AlphaGo 有兩種學(xué)習(xí)功能，第一種是根據(jù)高手棋譜的學(xué)習(xí)，第二種是自我對(duì)弈，自我學(xué)習(xí)。前者已經(jīng)使用了 16 萬次高手比賽，而后者也在巨大機(jī)組上訓(xùn)練了 8 天。這方面肯定會(huì)有進(jìn)步，但是要超越世界冠軍可能不容易。最后，換一種分析方式：如果從過去深藍(lán)擊敗世界冠軍的 “成長(zhǎng)過程” 來看，深藍(lán)大約 1993年 達(dá)到職業(yè)大師水平，4年 后才在一場(chǎng)六盤的比賽中擊敗世界冠軍 (大約 500Elo 積分點(diǎn)的提升)。今天的 AlphaGo 應(yīng)該和 1993年 的深藍(lán)相似，剛進(jìn)入職業(yè)大師水平。若要擊敗世界冠軍，雖然未必需要 4年 的時(shí)間，但是幾個(gè)月似乎不夠。
還有什么以上未考慮的因素，導(dǎo)致 AlphaGo 獲勝嗎？如果谷歌刻意未出全力和樊麾對(duì)抗，或者有其它學(xué)習(xí)或并行計(jì)算方面超越了 Nature 里面的描述，那 AlphaGo 完全有可能獲勝。
（有最新的消息：李世石預(yù)計(jì)自己會(huì)大勝，不是 5﹣0 就是 4﹣1，他的目標(biāo)是達(dá)到 5：0，一盤都不輸。AlphaGo 負(fù)責(zé)人認(rèn)為有 50％概率可以戰(zhàn)勝李世石，因?yàn)樽罱膫€(gè)月進(jìn)步非常大。）
既然寫了這么多，就對(duì)這個(gè)題目再發(fā)表一些看法：
AlphaGo 是什么？在今年一月的 Nature (http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html ) 有 AlphaGo 的詳細(xì)介紹，AlphaGo 是一套為了圍棋優(yōu)化的設(shè)計(jì)周密的深度學(xué)習(xí)引擎，使用了神經(jīng)網(wǎng)路加上 MCTS (Monte Carlo tree search)，并且用上了巨大的谷歌云計(jì)算資源，結(jié)合 CPU+GPU，加上從高手棋譜和自我學(xué)習(xí)的功能。這套系統(tǒng)比以前的圍棋系統(tǒng)提高了接近 1000 分的 Elo，從業(yè)余 5 段提升到可以擊敗職業(yè) 2 段的水平，超越了前人對(duì)圍棋領(lǐng)域的預(yù)測(cè)，更達(dá)到了人工智能領(lǐng)域的重大里程碑。
AlphaGo 是科學(xué)的創(chuàng)新突破嗎？AlphaGo 是一套設(shè)計(jì)精密的卓越工程，也達(dá)到了歷史性的業(yè)界里程碑，不過 Nature 文章中并沒有新的 “發(fā)明”，AlphaGo 的特點(diǎn)在于：不同機(jī)器學(xué)習(xí)技術(shù)的整合 (例如：reinforcement learning, deep neural network, policy+value network, MCTS 的整合可謂創(chuàng)新)、棋譜學(xué)習(xí)和自我學(xué)習(xí)的整合、相對(duì)非常可擴(kuò)張的 architecture (讓其充分利用谷歌的計(jì)算資源)、CPU+GPU 并行發(fā)揮優(yōu)勢(shì)的整合。這套 “工程” 不但有世界頂級(jí)的機(jī)器學(xué)習(xí)技術(shù)，也有非常高效的代碼，并且充分發(fā)揮了谷歌世界最宏偉的計(jì)算資源 (不僅僅是比賽使用，訓(xùn)練 AlphaGo 時(shí)也同樣關(guān)鍵)。
AlphaGo 的跳躍式成長(zhǎng)來自幾個(gè)因素：1) 15-20 名世界頂級(jí)的計(jì)算機(jī)科學(xué)家和機(jī)器學(xué)習(xí)專家 (這是圍棋領(lǐng)域從未有的豪華團(tuán)隊(duì)：也許你覺得這不算什么，但是要考慮到這類專家的稀缺性)，2) 前面一點(diǎn)提到的技術(shù)、創(chuàng)新、整合和優(yōu)化。3) 全世界最浩大的谷歌后臺(tái)計(jì)算平臺(tái)，供給團(tuán)隊(duì)使用，4) 整合 CPU+GPU 的計(jì)算能力。
AlphaGo 是個(gè)通用的大腦，可以用在任何領(lǐng)域嗎？AlphaGo 里面的深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、MCTS，和 AlphaGo 的擴(kuò)張能力計(jì)算能力都是通用的技術(shù)。AlphaGo 的成功也驗(yàn)證了這些技術(shù)的可擴(kuò)展性。但是，AlphaGo 其實(shí)做了相當(dāng)多的圍棋領(lǐng)域的優(yōu)化；除了上述的系統(tǒng)調(diào)整整合之外，里面甚至還有人工設(shè)定和調(diào)節(jié)的一些參數(shù)。AlphaGo 的團(tuán)隊(duì)在 Nature 上也說：AlphaGo 不是完全自我對(duì)弈 end-to-end 的學(xué)習(xí) (如之前同一個(gè)團(tuán)隊(duì)做 Atari AI，用 end-to-end，沒有任何人工干預(yù)學(xué)習(xí)打電動(dòng)游戲)。如果 AlphaGo 今天要進(jìn)入一個(gè)新的應(yīng)用領(lǐng)域，用 AlphaGo 的底層技術(shù)和 AlphaGo 的團(tuán)隊(duì)，應(yīng)該可以更快更有效地開發(fā)出解決方案。這也就是 AlphaGo 真正優(yōu)于深藍(lán)的地方。但是上述的開發(fā)也要相當(dāng)?shù)臅r(shí)間，并且要世界上非常稀缺的深度計(jì)算科學(xué)家 (現(xiàn)在年待遇行情已達(dá) 250 萬美金)。所以，AlphaGo 還不能算是一個(gè)通用技術(shù)平臺(tái)，不是一個(gè)工程師可以經(jīng)過調(diào)動(dòng) API 可以使用的，而且還距離比較遠(yuǎn)。
如果這次 AlphaGo 沒有打敗李世石，那還要多久呢？IBM 深藍(lán)從進(jìn)入大師級(jí)別到比賽擊敗世界冠軍花了四年。AlphaGo 應(yīng)該會(huì)比深藍(lán)更快提升自己，因?yàn)樯钏{(lán)需要新版本的硬件，和針對(duì) Kasparov 的人工調(diào)節(jié)優(yōu)化，而 AlphaGo 是基于谷歌的硬件計(jì)算平臺(tái)，和相對(duì)通用的深度學(xué)習(xí)算法。所以，幾個(gè)月太短，4年 太長(zhǎng)，就預(yù)計(jì) 1-2年 之間吧。
從國(guó)際象棋到圍棋，到底是不是巨大的突破呢？肯定是的，在這篇文章里面 (在國(guó)際象棋領(lǐng)域，電腦已經(jīng)可以戰(zhàn)勝人腦，那么圍棋領(lǐng)域電腦還差多遠(yuǎn)？鏈接：https://www.zhihu.com/question/21714457 )，第一位回答者分析了圍棋的復(fù)雜度為 而國(guó)際象棋則只有 。在 1997年 深藍(lán)擊敗世界冠軍時(shí)，大家都認(rèn)為：深藍(lán)使用的是人工調(diào)整的評(píng)估函數(shù)，而且是用特殊設(shè)計(jì)的硬件和” 暴力 “的搜索 (brute-force) 地征服了國(guó)際象棋級(jí)別的復(fù)雜度，但是圍棋是不能靠窮舉的，因?yàn)樗乃阉魈珡V (每步的選擇有幾百而非幾十) 也太深 (一盤棋有幾百步而非幾十步)。而 AlphaGo 的發(fā)展讓我們看到了，過去二十年的發(fā)展，機(jī)器學(xué)習(xí) + 并行計(jì)算 + 海量數(shù)據(jù)是可以克服這些數(shù)字上的挑戰(zhàn)的，至少足以超越最頂尖的人類。
AlphaGo 若打敗了世界冠軍，就意味著計(jì)算機(jī)超越人腦？或者可以思考了嗎？
我的回答：
在可以憑邏輯分析推算的問題上，機(jī)器即將遠(yuǎn)遠(yuǎn)把人類拋在后面。機(jī)器速度會(huì)越來越快，學(xué)習(xí)能力會(huì)越來越強(qiáng)，數(shù)據(jù)會(huì)越來越多。當(dāng)年，大家討論 “國(guó)際象棋輸給機(jī)器不算什么，圍棋才是真正的智慧” 只是我們?nèi)祟惥S護(hù)自己尊嚴(yán)但是不實(shí)際的幻想！今天，我們?cè)撁鎸?duì)現(xiàn)實(shí)了！
在大數(shù)據(jù) + 機(jī)器學(xué)習(xí) + 大規(guī)模并行計(jì)算的時(shí)代，我們將看到無數(shù)的商機(jī)和產(chǎn)品，能夠在預(yù)測(cè)、分析、推薦等方面，產(chǎn)生巨大的商業(yè)和用戶價(jià)值。不過，這些解決方案和人類相比，其實(shí)沒有什么意義，因?yàn)槿瞬钐h(yuǎn)了 (比如說：推薦引擎將能推薦你最可能會(huì)買的產(chǎn)品、想吃的菜，想認(rèn)識(shí)的人；自動(dòng)交易能得到更高的投資回報(bào)和風(fēng)險(xiǎn)比例……)。
在感知方面，人類也將會(huì)被機(jī)器超越。今天的語(yǔ)音識(shí)別，人臉識(shí)別，未來的自動(dòng)駕駛，都是例子。
但是，對(duì)于那些科幻片的粉絲們：以上都還是冷冰冰的技術(shù)，機(jī)器人是否會(huì)人性化？這還是未知的。畢竟，在情感、喜怒哀樂、七情六欲、人文藝術(shù)、美和愛、價(jià)值觀等方面，機(jī)器離人還差的很遠(yuǎn)，甚至連基礎(chǔ)都沒有。對(duì)人工智能的研究者，這是下一個(gè)挑戰(zhàn)。對(duì)我們?nèi)祟悾谙聜€(gè)突破之前，我們還是多發(fā)展右腦吧！
P.S. - 也許有人好奇，為什么這個(gè)話題我說了這么多，因?yàn)樵?1986年，我在讀書時(shí)，曾經(jīng)開發(fā)了一套黑白棋系統(tǒng) (復(fù)雜度)，擊敗了黑白棋的世界團(tuán)體冠軍，而當(dāng)年的那套系統(tǒng)也有 (非常粗淺的) 自我學(xué)習(xí)的能力。有興趣的網(wǎng)友可以在這里看到我當(dāng)年的文章：A pattern classification approach to evaluation function learning （鏈接:http://www.sciencedirect.com/science/article/pii/0004370288900768) 。
原創(chuàng)文章，作者：創(chuàng)新工場(chǎng)，出處：http://36kr.com/p/5044292.html