牛三律# Stock
s*r
1 楼
【 以下文字转载自 Go 讨论区 】
发信人: AlphaCode (Alpha), 信区: Go
标 题: 王垠：AlphaGo与人工智能zz
发信站: BBS 未名空间站 (Mon Mar 14 01:47:52 2016, 美东)
AlphaGo与人工智能
在之前的一篇文章中我指出，自动驾驶所需要的“视觉识别能力”和“常识判断能力”
，对于计算机来说是非常困难的问题。至今没有任何计算机，可以在视觉方面达到驴子
之类动物的水平，更不要说和人比。可是最近Google的AlphaGo战胜了围棋世界冠军，
闹得沸沸扬扬。
本来是玩个游戏而已，偏要吹成是“历史性的人机大战”，说得好像是机器挑战了人类
的智能，伤了人类的自尊似的。这整个项目起了一个相当高大上，唬人的名字，叫“
Deep Mind”。当然，其中的技术也被起了一些吓人的名字，什么“神经网络”啊，“
深度学习”啊…… 于是乎，就有人根据科幻电影的情节开始展望，这样厉害的技术，
应该可以用来做其它更加“智能”的事情，然后就开始对“人类的未来”作出一些杞人
忧天的猜想，说人类的工作很快都要被机器取代了，甚至Skynet)就要实现了，云云。
不同AI问题的难度比较
当然也有人扯到自动车的事情，说现在AI有了长足的进步，离实现自动驾驶应该不远了
吧？有这种理解的人，其实不明白人工智能的难点在哪里。他们可能根本没上过基本的
AI课程，没实现过A*之类的“树搜索”，神经网络一类的基本AI算法，不知道所谓“神
经网络”，跟神经其实没有屁点关系。视觉识别和自动驾驶，其实比起下围棋，难度要
大许多倍，根本不在一个量级。机器视觉，并不是AlphaGo所用的树搜索和神经网络那
么简单的方法就可以解决的。由于需要用极高的速度处理“模拟信号”，它可能根本就
不是“数字计算机”可以解决的问题。
其实很早以前，人工智能专家们就发现一个很有趣的现象，是这样：
对于人来说很难，很烦的事情（复杂的计算，下棋，推理……），对于计算机来说，其
实算是相对容易的事情。
对于人来说很容易的事情（认人，辨别物品，走路，开车，打球……），对于计算机来
说，却非常困难。
计算机需要精确的，离散的，死板的输入。它们不能适应环境的改变。
人擅长于处理模糊的，连续的，不完美的数据，对环境的适应能力非常高。
棋类是相对容易的AI问题
从以上几点你可以看出，象棋，围棋等活动，正好符合了计算机的优势。棋类活动都具
有离散的，精确的，有限的输入。棋盘上就那么几十，几百个点，不是随便放在哪里都
可以的。一人走一步，轮流着走，不能乱来。整个棋盘的信息是完全可见的，没有隐藏
的，缺损的信息。棋局的“解空间”虽然很大，却非常规整，有规律可循。围棋的第一
步可以有361种情况，第二步有360种情况，……
计算机利用自己的“计算暴力”，可以有计划有步骤，兢兢业业的把各种可能出现的情
况算出来，一直到许多步以后，然后从中选择最有优势的走法。所以下棋归根结底，就
是一个“树搜索”问题，只不过因为规模太大，需要加入一些优化而已。围棋的解空间
虽然大，却是一个已知数，它最多有250150种情况。AlphaGo使用所谓“神经网络”，
就是为了在搜索的时候进行优化，尽早的排除不大可能取胜的情况，免得浪费计算的时
间。
这种精确，死板，机械化，主要靠“暴力”的活动，就跟计算一个比较大的乘法算式（
比如2463757 x 65389）的性质类似，只不过规模大很多。显然，人做这类事情很繁，
很累，很容易出错，计算机对此却具有先天的优势，因为它是一个机器。当年“深蓝”
战胜国际象棋世界冠军的时候，我就已经预测到，计算机成为围棋世界冠军是迟早的事
，所以我早就不屑于下任何棋了。可惜的是，挺多人仍然把精通棋艺作为一种荣耀（因
为“琴棋书画剑”嘛）。我不关心围棋已经十多年了，只记得十年前很多中国人认为，
中国人下围棋总是输给韩国人，是一种耻辱。现在看来，这是多么可笑的事情。这就像
因为心算乘法不如韩国人快，就觉得是耻辱一样。
所以，现在AlphaGo在围棋方面战胜了人，正好说明棋类游戏根本就不是值得人去做的
事情
“琐事”才是真正困难的AI问题
现在来对比一下人们生活中的琐事，就说倒水端茶吧。
file:///D:/QMDownload/AlphaGo%E4%B8%8E%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD_
files/68562-a2a10fbeb02f06e3.jpg
让一个机器来给你倒水，有多难呢？意想不到的难！看看这个场景，如果你的电脑配备
有摄像头，那么它怎么知道茶壶在哪里呢？要知道，茶壶的材料，颜色，形状，和角度
，可以有几乎无穷多的变化。甚至有些茶壶跟哈哈镜一样，会把旁边的物体的形状都扭
曲反射出来。桌上的物品附近都有各种反光和阴影，不同材料的反光特性还不一样，这
些都会大幅度的影响机器对物品的识别。
为了识别物体，机器需要常识，它的头脑里必须有概念，必须知道什么样的东西才能叫
做“茶壶”和“茶杯”。不要小看这一步的难度，这意味着机器必须理解基本的“拓扑
结构”，什么叫做“连续的平面”，什么叫做“洞”，什么是“凹”和“凸”，什么是
“里”和“外”…… 另外，这机器必须能够分辨物体和阴影。它必须知道水是什么，
水有什么样的运动特性，什么叫做“流动”。它必须知道“水往低处流”，然后它又必
须知道什么叫“低”和“高”…… 它必须知道茶杯为什么可以盛水，茶壶的嘴在哪里
，把手在哪里，怎样才能拿起茶壶。如果一眼没有看见茶壶的把手，那它在哪里？茶壶
的哪一面是“上面”，要怎样才可以把水从茶壶的嘴里倒出来，而不是从盖子上面泼出
来？什么是裂掉的茶杯，它为什么会漏水，什么是缺口的茶杯，它为什么仍然可以盛水
而不漏？干净的茶杯是什么样子的，什么是脏的茶杯，什么是茶垢，为什么茶垢不算是
脏东西？如何控制水的流速和落点，什么叫做“水溅出来了”，要怎么倒水才不会溅出
来？……
你也许没有想到，倒茶这么简单的事情，需要用到如此多的常识。所有这些变数加在一
起，其实远远的大于围棋棋局的数量，人却可以不费力的完成。这能力，真是应该让人
自己都吓一跳，然而人却对此不以为然，称之为“琐事”！因为其他人都可以做这样的
事情，甚至猴子都可以，怎么能显得出我很了不起呢？人的自尊和虚荣，再一次的蒙蔽
了他自己。他没有意识到，这其实是非常宝贵，让机器难以匹敌的能力。他闭上眼睛说
道：“机器经过大量的学习，总有一天会做到的。看我们有神经网络呢，还有深度学习
！” 人没想到的是，这些基本功能看似“学习”的结果，而其实都是每个人生下来就
已经固化在脑子的“硬件”里的，不是短短几个月或者几年的“学习”就能得到的。所
有的高等动物都有这种功能，所以这其实已经耗费了自然界几百万年，甚至上亿年的功
夫来“研究”，“开发”，“学习”。小孩子似乎很快就学会了这些能力，而其实这种
所谓的“学习”，只不过是“激活”了这些早就写进了人类DNA里的功能。
发信人: AlphaCode (Alpha), 信区: Go
标 题: 王垠：AlphaGo与人工智能zz
发信站: BBS 未名空间站 (Mon Mar 14 01:47:52 2016, 美东)
AlphaGo与人工智能
在之前的一篇文章中我指出，自动驾驶所需要的“视觉识别能力”和“常识判断能力”
，对于计算机来说是非常困难的问题。至今没有任何计算机，可以在视觉方面达到驴子
之类动物的水平，更不要说和人比。可是最近Google的AlphaGo战胜了围棋世界冠军，
闹得沸沸扬扬。
本来是玩个游戏而已，偏要吹成是“历史性的人机大战”，说得好像是机器挑战了人类
的智能，伤了人类的自尊似的。这整个项目起了一个相当高大上，唬人的名字，叫“
Deep Mind”。当然，其中的技术也被起了一些吓人的名字，什么“神经网络”啊，“
深度学习”啊…… 于是乎，就有人根据科幻电影的情节开始展望，这样厉害的技术，
应该可以用来做其它更加“智能”的事情，然后就开始对“人类的未来”作出一些杞人
忧天的猜想，说人类的工作很快都要被机器取代了，甚至Skynet)就要实现了，云云。
不同AI问题的难度比较
当然也有人扯到自动车的事情，说现在AI有了长足的进步，离实现自动驾驶应该不远了
吧？有这种理解的人，其实不明白人工智能的难点在哪里。他们可能根本没上过基本的
AI课程，没实现过A*之类的“树搜索”，神经网络一类的基本AI算法，不知道所谓“神
经网络”，跟神经其实没有屁点关系。视觉识别和自动驾驶，其实比起下围棋，难度要
大许多倍，根本不在一个量级。机器视觉，并不是AlphaGo所用的树搜索和神经网络那
么简单的方法就可以解决的。由于需要用极高的速度处理“模拟信号”，它可能根本就
不是“数字计算机”可以解决的问题。
其实很早以前，人工智能专家们就发现一个很有趣的现象，是这样：
对于人来说很难，很烦的事情（复杂的计算，下棋，推理……），对于计算机来说，其
实算是相对容易的事情。
对于人来说很容易的事情（认人，辨别物品，走路，开车，打球……），对于计算机来
说，却非常困难。
计算机需要精确的，离散的，死板的输入。它们不能适应环境的改变。
人擅长于处理模糊的，连续的，不完美的数据，对环境的适应能力非常高。
棋类是相对容易的AI问题
从以上几点你可以看出，象棋，围棋等活动，正好符合了计算机的优势。棋类活动都具
有离散的，精确的，有限的输入。棋盘上就那么几十，几百个点，不是随便放在哪里都
可以的。一人走一步，轮流着走，不能乱来。整个棋盘的信息是完全可见的，没有隐藏
的，缺损的信息。棋局的“解空间”虽然很大，却非常规整，有规律可循。围棋的第一
步可以有361种情况，第二步有360种情况，……
计算机利用自己的“计算暴力”，可以有计划有步骤，兢兢业业的把各种可能出现的情
况算出来，一直到许多步以后，然后从中选择最有优势的走法。所以下棋归根结底，就
是一个“树搜索”问题，只不过因为规模太大，需要加入一些优化而已。围棋的解空间
虽然大，却是一个已知数，它最多有250150种情况。AlphaGo使用所谓“神经网络”，
就是为了在搜索的时候进行优化，尽早的排除不大可能取胜的情况，免得浪费计算的时
间。
这种精确，死板，机械化，主要靠“暴力”的活动，就跟计算一个比较大的乘法算式（
比如2463757 x 65389）的性质类似，只不过规模大很多。显然，人做这类事情很繁，
很累，很容易出错，计算机对此却具有先天的优势，因为它是一个机器。当年“深蓝”
战胜国际象棋世界冠军的时候，我就已经预测到，计算机成为围棋世界冠军是迟早的事
，所以我早就不屑于下任何棋了。可惜的是，挺多人仍然把精通棋艺作为一种荣耀（因
为“琴棋书画剑”嘛）。我不关心围棋已经十多年了，只记得十年前很多中国人认为，
中国人下围棋总是输给韩国人，是一种耻辱。现在看来，这是多么可笑的事情。这就像
因为心算乘法不如韩国人快，就觉得是耻辱一样。
所以，现在AlphaGo在围棋方面战胜了人，正好说明棋类游戏根本就不是值得人去做的
事情
“琐事”才是真正困难的AI问题
现在来对比一下人们生活中的琐事，就说倒水端茶吧。
file:///D:/QMDownload/AlphaGo%E4%B8%8E%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD_
files/68562-a2a10fbeb02f06e3.jpg
让一个机器来给你倒水，有多难呢？意想不到的难！看看这个场景，如果你的电脑配备
有摄像头，那么它怎么知道茶壶在哪里呢？要知道，茶壶的材料，颜色，形状，和角度
，可以有几乎无穷多的变化。甚至有些茶壶跟哈哈镜一样，会把旁边的物体的形状都扭
曲反射出来。桌上的物品附近都有各种反光和阴影，不同材料的反光特性还不一样，这
些都会大幅度的影响机器对物品的识别。
为了识别物体，机器需要常识，它的头脑里必须有概念，必须知道什么样的东西才能叫
做“茶壶”和“茶杯”。不要小看这一步的难度，这意味着机器必须理解基本的“拓扑
结构”，什么叫做“连续的平面”，什么叫做“洞”，什么是“凹”和“凸”，什么是
“里”和“外”…… 另外，这机器必须能够分辨物体和阴影。它必须知道水是什么，
水有什么样的运动特性，什么叫做“流动”。它必须知道“水往低处流”，然后它又必
须知道什么叫“低”和“高”…… 它必须知道茶杯为什么可以盛水，茶壶的嘴在哪里
，把手在哪里，怎样才能拿起茶壶。如果一眼没有看见茶壶的把手，那它在哪里？茶壶
的哪一面是“上面”，要怎样才可以把水从茶壶的嘴里倒出来，而不是从盖子上面泼出
来？什么是裂掉的茶杯，它为什么会漏水，什么是缺口的茶杯，它为什么仍然可以盛水
而不漏？干净的茶杯是什么样子的，什么是脏的茶杯，什么是茶垢，为什么茶垢不算是
脏东西？如何控制水的流速和落点，什么叫做“水溅出来了”，要怎么倒水才不会溅出
来？……
你也许没有想到，倒茶这么简单的事情，需要用到如此多的常识。所有这些变数加在一
起，其实远远的大于围棋棋局的数量，人却可以不费力的完成。这能力，真是应该让人
自己都吓一跳，然而人却对此不以为然，称之为“琐事”！因为其他人都可以做这样的
事情，甚至猴子都可以，怎么能显得出我很了不起呢？人的自尊和虚荣，再一次的蒙蔽
了他自己。他没有意识到，这其实是非常宝贵，让机器难以匹敌的能力。他闭上眼睛说
道：“机器经过大量的学习，总有一天会做到的。看我们有神经网络呢，还有深度学习
！” 人没想到的是，这些基本功能看似“学习”的结果，而其实都是每个人生下来就
已经固化在脑子的“硬件”里的，不是短短几个月或者几年的“学习”就能得到的。所
有的高等动物都有这种功能，所以这其实已经耗费了自然界几百万年，甚至上亿年的功
夫来“研究”，“开发”，“学习”。小孩子似乎很快就学会了这些能力，而其实这种
所谓的“学习”，只不过是“激活”了这些早就写进了人类DNA里的功能。
