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。