這兩天最火的事，莫過於神秘賬號“Master”大勝人類圍棋高手。到目前為止，已經連勝六十局。穀歌也在此之後正式承認，Master就是升級版的AlphaGo。看來，去年李世石對戰AlphaGo以1:3落敗的那場大戰中，唯一的那場勝利，可能會成為人類歷史上最後一次在圍棋上打敗機器的勝利。
對於這連番的勝利，很多人不禁質疑，人工智能是否將威脅到人類？其實，我們不必過度擔心。要知道，Master背後的技術，也就是深度學習，已經存在很長時間了。之所以到現在才有如此進展，還得得益於硬件、數據與算法的進步。
但也不要認為，有AlphaGo這樣的成績，就意味著人類已經完全掌握了深度學習技術。目前，我們所掌握的只是完全有標注監督下的簡單模式識別任務。而更關鍵的是，依賴深度學習的智能，其未來最大的瓶頸在於計算成本。要想完成更複雜的任務，訓練深度學習模型的能源成本和時間成本會越來越高。而解決的方法，可能要來自硬件或算法本身的再次突破。
從人工智能的發展史來看，我們不難發現，人工智能并非單純由某種思想、方法論或技術推動前進，而是在不同階段，由不同的技術、理論與方法推動。上世紀六七十年代，專家系統曾經紅極一時，但現在已經被果斷拋棄。當前，深度學習扮演了這種推動角色，但能否持續下去，接下來會否有什麼新理論技術，我們并不能確定。機器智能或許可以在一夜之間發生質變，也可能長時間停滯不前。
更進一步說，人類之所以會害怕人工智能，是因為我們在用人類的思維去理解它，去解釋所有人工智能的現象。但我們依然還有很多不懂的地方，比如，人工智能的智能產生方式。最初，人類一直試圖通過模仿人類的思考方式讓機器獲得智能，卻無一例外以失敗而告終。直至上世紀70年代，工業界轉變觀念，認為機器未必需要像人類一樣思考才能智能。於是轉而嘗試新的方法，即通過數據驅動加超級計算，來讓機器獲得智能，終於獲得突破。這也是今天AlphaGo獲取智能的方法。通過深度學習、借助海量數據進行訓練學習。其關鍵在於獲取數據間的模式，或者說相關性。這是一種全新的思維方式，與人類完全不相同。 |
