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。”