矽穀傳奇——人工智能：一條通向超級智慧的道路（一）

自從人類文明出現以來，人們就試圖根據已掌握的知識和技術，創造某種機器來代替人的智力活動。最早的機器人出現於公元前850年，當時的希臘人造出了最早的機器人來幫助人們勞動。十七世紀法國物理學家和數學家巴斯卡造出了人類第一台計算器後，人類才看到了以機械代替人類智力活動的曙光。德國數學家哲學家萊布尼茲在巴斯卡的加法計算器的基礎上發展並造出了能進行四則運算的計算器。十九世紀英國數學家巴貝茲致力於差分機的研究，盡管未能完全實現，但其設計思想是當時計算機的最高成就。進入20世紀後，人工智能(Artificial Intelligence，AI)有了突破性進展。1936年，24歲的英國數學家阿倫·圖靈(Alan Turing)在他題為“理想計算機”的論文中，提出了著名的圖林機模型，1945年，他發表了一係列論文論述了電子數字計算機的設計思想，1950年他在“計算機能思維嗎？”一文中提出了著名的圖靈測試，圖靈的工作為人工智能奠定了堅實的基礎。

誕生與成長

1956年，美國的達特茅斯大學(Dartmouth College)召開了一個計算機科學會議，出席會議的有心理學家、數學家、計算機科學家、信息論專家。會議上首次提出了人工智能(AI)這一學科，後來人們普遍認為AI始於這次會議。AI之父和LISP語言發明人約翰·麥卡錫(John McCarthy)在會議上為AI下了定義：“AI就是要讓機器的行為看起來就象是人所表現出的智能行為一樣。”麥卡錫的AI定義盡管很流行，但不全麵，另一個定義指AI是人造機器表現出來的智能。目前，最被認可的AI定義為，能像人一樣理性地思考和理性地行動的機器。行動被廣義地理解為采取行動、製定行動的決策，並非肢體動作。AI分強AI和弱AI兩類。強AI為能推理(Reasoning)和解決問題(Problem solving)的智能機器，是有知覺、有自我意識的機器。強AI分兩類：類人AI，即能像人一樣思考和推理的機器；非類人AI，即具有和人不同的知覺和意識的機器，其推理方式和人類不同。持弱AI觀點的人認為不可能製造出能真正地推理和解決問題的智能機器，那些看起來像智能的AI，即不是真正的智能，也不具有自主意識。

約翰·麥卡錫

從1956年起，AI經曆了40多年。目前，AI的目的是讓電腦象人一樣思考。那麽怎樣的機器才是有智能的機器呢？1950年，圖靈發表了一篇劃時代的論文，文中預言了創造出具有真正智能的機器的可能性。為了給智能概念下一個確切定義，他提出了著名的圖靈測試：如果一台機器能夠與人類展開對話而不能被辨別出其機器身份，該機器具有智能。2014年6月8日，首次有電腦通過圖靈測試，尤金·古斯特曼(Eugene Goostman)在雷丁大學(University of Reading)舉辦的測試中，讓研究人員以為一台電腦是一位13歲男孩，後來有人認為它並非真正通過了測試。

電腦出現後，人類才有了能模擬人類思維的裝置。從那以後，科學家們一直在向這一目標努力，AI有了長足的進步。1997年5月，IBM研製的深藍(Deep Blue)電腦戰勝了國際象棋大師卡斯帕洛夫(Kasparov)。2016年1月，穀歌公司旗下的深度學習團隊(Deepmind)開發的AI圍棋軟件AlphaGo，戰勝了圍棋歐洲冠軍樊麾。這是AI首次戰勝職業圍棋手。AI戰勝圍棋業餘強手是一年前的事，業餘強手與職業棋手之間的差距，遠大於職業棋手與職業頂尖棋手的差距。樊麾是職業二段，生於中國，是法國國家圍棋隊總教練，連續三年贏得歐洲圍棋冠軍的稱號。歐洲冠軍與世界最強之差大概是讓先到讓兩子之間，對人類而言這可能是天塹，但對AI來說，一步就過去了。用圍棋作為AI的研究領域意義重大。圍棋規則簡單，變化繁多，結果不定，沒有正解。從初始值無法計算到終局，圍棋的每一步都有判斷、權衡、取舍。一般認為棋類的標準化程度高，但認知複雜度不夠。而圍棋不同，它兼備標準測試集與認知複雜度高的雙重特點，這使AI在圍棋上的突破具有劃時代的意義。AlphaGo在以往圍棋AI通常采用的蒙特卡洛法外，加了兩個神經網絡，減少了搜索的廣度和深度：用價值網絡評估棋子位置的優劣，用策略網絡為下一步取樣。與樊麾的對局中，靠精準的評估和聰明的棋步選擇，AlphaGo與人類的思維非常接近，但其計算量比IBM的深藍電腦少了上千倍。

2016年3月，AlphaGo以4:1的戰績戰勝了圍棋世界冠軍李世石。從此，人類在所有棋類競賽中全部敗給了電腦。這為AI開啟了一個全新時代。圍棋很難被攻破的原因是其複雜度，每步棋有300多種可能，一盤棋有200多步，其總狀態量超過了宇宙中所有原子的數量，這是個不能被完全搜索的狀態，棋手必須通過估算和直覺進行計算和思考。但電腦的深度學習算法，給了機器人類的直覺，能預測對手的下一步走法，同時優化自己的走法，AlphaGo做到了知己知彼。

AlphaGo

圍棋是滿足馬爾科夫條件的博弈，即當前狀態已包含了決定這一步最佳下法的所有信息，而不需要考慮之前的曆史。圍棋因此可以用增強學習(RL)來處理，與IBM的深藍相同。但AlphaGo的成功得益於高速電腦。為了了解對手，AlphaGo采用監督學習和基於蒙特卡洛樹搜索的增強學習算法。它有兩個深度學習網絡。一是策略網絡，分析棋盤上每個位置的價值，並為其打分。還一個估值網絡，估算雙方勝率。這兩個網絡和搜索方法使電腦的博弈能力大增。複盤時，AlphaGo在開局時認為自己的勝率大於60%，收官時勝率達90%。AlphaGo對棋局的掌控超過了棋手，棋局幾乎完全在它掌控之中。但現實中馬爾科夫條件並不總能滿足。於是，我們需要通用的AI(Artificial General Intelligence，AGI)，需要更加巧妙的學習算法。

人工智能的應用

除了AlphaGo，穀歌還有一項實用的AI項目也很成功，那就是無人駕駛汽車。這是一項充滿挑戰又有趣的AI實驗。穀歌在一輛改裝的雷克薩斯SUV上裝了雷達、攝像頭、和傳感器。它從這些傳感器得知路況，然後由高速電腦用特定AI算法實現無人駕駛。無人車的安全性能很好，它的駕駛方式與人類不同。它會在設有停車觀察的路口停車，會突然變道避開貨車也會在沒有明顯原因的情況下停車。無人車對周圍360度範圍內的路況不斷地檢測，然後絕對安全地行駛。項目首席程序員德米崔·道爾格夫(Dmitri Dolgov)說，無人車比人類駕駛更安全。事實上，無人車減少了90%的車禍。穀歌無人車項目負責人克裏斯·尤姆森(Chris Urmson)說，無人車每年能挽救30,000個美國人的生命，在世界範圍內能挽救120萬人的生命。

無人車將路上的轎車、卡車、自行車以及行人進行分類。激光雷達提供了物體的深度和距離，攝像頭負責識別路況標誌及信號燈。車載電腦負責實時處理和決策。但隻要一個程序錯誤就會導致車禍。無人車目前采用最保守的方案——隻在確保安全的情況下動作。道爾格夫說，目前無人車隻有新手的水平。

無人車對人類社會的影響巨大。它與手機不同，無人車影響著人類的交通及社會架構。它將改變人們的出行方式，降低汙染。無人駕駛技術已被很多汽車公司部分采用。奔馳的某些車輛就能自動泊車；特斯拉在高速公路、和沿著一條道行駛中使用自動駕駛功能。尤姆森說，穀歌無人車將在若幹年內正式上路。除了機器學習算法、傳感器以及地圖導航等技術的進步，經濟利益是推動無人車研發的動因之一。

2009年，穀歌著手開發無人車的時候，無人車團隊采用的是豐田普銳斯(Prius)，他們給普銳斯裝上了攝像頭、傳感器及75000美元的激光雷達。他們不斷通過實驗來改進相關設計和技術。很快，他們遇到了一個根本性問題——無人車是為了實現全自動駕駛還是人類駕駛的輔助工具呢？

2012年秋天，項目到了一個十字路口。當時的無人車仍有方向盤。測試中，當無人車無法確定下一步行駛方案時，它就發出警告，把駕駛權交給測試者。出於為殘障人士和穀歌的利益考慮，尤姆森決定把團隊的研發重點放在全自動駕駛上。

2013年，他們設計了一輛沒有方向盤的無人車。為了安全，車的最高時速隻有25公裏。現在，穀歌無人車每周行駛1萬公裏以上，累計行程已經超過了1百萬公裏。尤姆森表示，他們目前的任務是讓無人車能應對更複雜的路況——地圖中沒有的路段、有人突然出現在車前方等情況。很多情況是無人車很難處理的。這些情況涉及到情感和法律。比如，周圍車輛因違法駕駛導致了無法避免的事故時，無人車很難決定該怎樣做。這些情況人類都很難下判斷。無人車曾在變道過程中出過事，並成了輿論焦點。無人車不僅是技術不成熟，人類也沒做好準備。但大多數AI專家認為，未來必然會出現城市無人車，人類將依靠無人車進行交通運輸。無人車的還提出了人類該如何與高科技共處的問題。人類應該讓機械承擔哪些任務？並願意為此承擔多少風險？電腦可能犯錯，並引發事故？車輛該怎樣避免被黑客入侵？這些問題都需要被認真考慮。

目前的AI應用有五個領域：一、問題求解：該領域中，AI最大成就是下棋，在下棋中應用AI算法，把難題分解成較容易的子問題，然後運用搜索和歸納這樣的AI算法完成博弈。下棋程序已超出了世界錦標賽水平。二、邏輯推理與定理證明：邏輯推理是AI最早研究的領域，人們找到一些算法，分析大型數據庫中的數據，以此來進行邏輯推理，並用新信息實時修正其推理。人們運用AI來證明數學猜想，找出證明或反證，這需要一個根據假設進行演繹的程序。一些貌似非形式的工作，像醫療診斷和信息檢索也可以和定理證明一樣形式化，並運用和定理證明相同的方法來解決。三、自然語言處理：這是AI的實用典型，經過多年努力，已獲得了很好的成果。目前該領域的研究重心是：電腦如何以主題和對話情境為基礎，生成並理解自然語言。這是極其複雜的編碼和解碼問題。四、智能信息檢索：信息獲取和精確化是計算機科學研究中極重要的課題，AI是該領域最有效的工具。五、專家係統：專家係統是目前最活躍、最有效的領域。這是一個在特定領域內由大量知識與經驗建立的程序係統。專家係統中，AI是最有效的工具。人類專家因其知識豐富，達成了強大的解決問題能力。若電腦能同樣運用這些知識，就該有人類專家解決問題的能力，還能幫助人類專家發現差錯。在礦物勘測、化學分析、和醫學診斷中，專家係統已達到了人類專家的水平。地質學專家係統PROSPECTOR發現了一個價值超過1億美元的鉬礦。化學結構分析專家係統DENDRL的性能超過了一般人類專家。MY CIN係統對血液傳染病的診斷治療方案為醫生提供專業的谘詢意見，其對細菌血液病、腦膜炎方麵的診斷和治療方案已超過了這方麵的人類專家。