2017年10月24日 星期二
人工智能“零”生万物?不存在!
本报记者 张佳星
视觉中国

    10月19日,英国《自然》杂志发表论文报道,一款新版的“阿尔法狗”(AlphaGo)计算机程序能够从空白状态起,在不需要任何人类输入的条件下,无师自通,自学成才。

    创造者给它起名叫“Zero(零)”。道家说,道生一,一生二,二生三,三生万物。这从零开始,能超越人类顶尖棋手的围棋技艺,听起来颠覆常理,让很多人心生畏惧。

    加上被AlphaGo击败的世界知名围棋选手柯洁不久后在社交平台上表示:“一个纯净、纯粹自我学习的AlphaGo是最强的……对于AlphaGo的自我进步来讲……人类太多余了(请联系上下文,注意语境)。”

    “人类多余”的概念被断章取义,一个算法仅凭自己就能学习出高超的棋艺,人工智能能够“零”生万物,就这样被解读出来,然而事实是这样吗?科技日报记者专访了业内学者,听听他们怎么说。

    正听:Zero也需要数据库

    “Zero可以自己产生数据,下一秒的数据和上一秒的数据‘对打’,赢了就再生成,如此循环往复,胜招就逐渐被‘进化’出来了。”中国首席数据官联盟专家组成员、瀚思科技创始人高瀚昭说。

    那么,没有数据库的支持,Zero是如何产生数据、又如何知道产生何种数据的呢?难道真的有了“聪明才智”?

    华大基因CEO尹烨并不赞成“自学成才”的说法。他将AlphaGo Zero,和AlphaGo就学习源头进行了对比。“后者被输入了人类历史上的3000万个棋局、一步一步从中学到了对应围棋规则的算法,Zero就是站在AlphaGo的‘肩膀’上,继承了后者规则明确的确定算法,才能懂得围棋的规则,遵循这个规则,左右互搏。”

    也就是说,Zero从前辈处学习规则,“它不需要的只是以往人类的比赛数据,并不意味着不需要数据库。”高瀚昭说。

    北京语言大学教授荀恩东将Zero之所以能“棋高一着”解读为两个原因,一是“在同样的规则下,机器抓到的落子策略,和人抓到的不同”;二是“它的运算速度比人快,因此能够进行更深入的、甚至穷举的计算,完全知道后招。”

    也就是说,既找对了路,还跑得快。但是,这样的状况是有前提的——“规则是简单的!胜负是明确的!策略是可以穷举的!”荀恩东说。

    分析一下Zero的学习过程,就能了解为什么必须是这类问题,它们才能胜出。

    根据规则,它不断产生新数据,进而新旧数据相互对抗比赛,最终产生一个胜负结果。也就是说,在固定的规则下,不断地对“胜负”进行验证,让Zero获得了精进的棋艺,而当把这些策略全部验证一遍的时候,它就无敌了。

    1997年,电脑“深蓝”战胜了国际象棋著名棋手卡斯帕罗夫。“这个事件当时也引起了轰动,”尹烨说,“那个时候国际象棋还不能穷举,但是随着硬件运算速度的进步和算法的提升,到2005年前后,国际象棋已经能够穷举了,意味着不管走哪一步,电脑都可以‘走一步看N步’,算出所有可能,进而给出所有对应的方法。”随着量子计算的应用,围棋走法的穷举也是可能的。

    “在算法方面,Zero采用对抗的强化学习,是机器学习算法的最新进展。它对推动人工智能发展有着重大理论和应用意义。”荀恩东说。

    定位:仍处于计算智能阶段

    “其实下围棋是简单的‘计算智能’,之所以它这么受关注,是因为围棋一直以来是策略的象征。”荀恩东说。

    “运筹帷幄之中,决胜千里之外”总能让人联想到这样一幕——中军帐中,一炷香烟雾缭绕,摆定棋盘棋子,帐内是黑白子对弈,帐外千军万马搏杀。

    围棋是智慧的象征,当人类无法进行全样本分析的时候,如何根据部分样本选取最优策略,体现了判断的智慧,而当计算能力能够计算全样本时,智能的类型发生了转变——

    “通过卓越的计算能力,Zero根据算法能有一个快速的收敛(趋向准确),按照策略能达到接近全局优的结果。”荀恩东说,这意味着它不需要判断选择,而需要不知疲倦地找最优解、不断尝试。“由于计算深度更深了,采用了优化的参数计算策略、优化过程得到了加速、得到了更好的计算模型。”

    “目前为止,落地应用的AI是从速度、自动化、易部署等方向入手‘进化’——速度进化基于硬件提升、分布式处理等;自动化是指无需人工大量标记,AI可自动选择有用的信息进行记忆训练,这也是易部署的一部分。”高瀚昭说,这样的“进化”是Zero使用4个TPU(神经网络训练所需的专业芯片)、尝试490万盘棋局就可以超越前任的原因。

    但是,它并不比人类更擅长处理复杂问题。还记得小时候无穷尽的考试吗?更有明确答案的选择题和判断题AI可以做,作文题差点。

    荀恩东给出了更专业的分类,“人工智能发展分三个层次:能存会算的计算智能、有视听触觉的感知智能、能理解会思考的认知智能。Zero仍处于计算智能这个阶段。”

    尹烨也认为,不依赖数据库的互搏算法无法应对规则不明确的计算,“比如医疗健康行业,依然是数据为王,算法会根据数据的积累而不断修正,从人工智能(AI)走向真智能(RI)。”

    展望:更高级的智能还在路上

    荀恩东举了一个诙谐的例子。“比如‘你妹’这个词,什么时候是指代人物、什么时候是在表达一种情感,让AI分清楚就非常难做到。”

    尹烨也认为,语言有两种,仅为了交流而存在的语言无需再学,但为了表达思想和情感的语言学习会更加受重视。

    事实上,让AI获得感知、认知智能等的研究一直在进行,“目前认知智能需要走的路还很长。”荀恩东说。

    数据显示,AI产业中的技术类企业有55%在计算机视觉领域、13%在自然语言处理领域。力触觉的研究也被纳入到了国家重点研发计划中。

    感知智能的视觉、听觉、触觉、正在产业研究、基础研究等领域不断拓展。荀恩东说,“语言智能是人工智能的重要研究方向,中文句法语义分析是语言智能的核心技术。计算机缺少足够的特征去捕捉中文上下文语言信息,在分析准确度上始终未取得实质性突破。”

    为了让中文能够不落人后地纳入到AI语系,北京语言大学语言资源高精尖中心开展中文语义分析攻关,以期获得具有高鲁棒性、高正确率和线速计算复杂度的中文句法语义分析器。“鲁棒性就是让机器具有处理各种语言形式,包括不规范表达的能力。”荀恩东说,“我们建立了TB级别以上的汉语分析大数据,未来AI可以听懂书面语、口语、双关语、玩笑话……”

    视觉方面,公安部上海消防研究所等单位已经做到可以看火苗发送火警警报了。触觉方面,手势、体态、触控、语音、表情、眼动、生理等非精确交互信息正在被捕捉、认知、理解,甚至综合呈现。

    “这些都不仅仅是端对端的问题,而是需要复杂策略解决的问题。AI系统需要多要素的输入,也期待多要素的输出。”荀恩东说,在这些领域,人类经验的数据库仍不能被抛开,“就比如砌墙,Zero可以被看作是砌一道新墙,而更高的阶段是弥补一道残缺不全的墙。”

京ICP备06005116