热评：AlphaGo对李世石的输赢 对AI发展毫无意义

文/郑凯（微信公众号：科技正能量）

真的难以置信。

并不是因为Alpha Go能否战胜李世石，而是人工智能比预想中走得要慢得多。

在19年前，学生时代记忆中的“深蓝”，战胜了国际象棋世界冠军卡斯帕罗夫。在那个对计算机懵懂的年代，这是我们对人工智能的初体验。

最近的人机对战应该在5年前，Watson在美国老牌智力问答节目《危险边缘》中，战胜了两位人类冠军。这时的Watson表现出的语音理解能力，就是现在所说的认知计算，这也是人工智能的一种体现。

最后则是现在最引人关注的Alpha Go挑战李世石，无论战局如何，都会带来许多疑问。被美国电影不断题材化的硅基文明向人类的挑战，似乎来得并没有那么快。无论Alpha Go比深蓝要神奇多少倍，计算的能力要超出不知凡几。

但仍免不了，只能在方寸之间的棋盘上，与人类一赌输赢。胜负，真的没有那么重要了。

Alpha Go大战李世石之所以如此引人关注，不是因为它能够代表科技的进步，或是人工智能的未来。而是它占据了电子竞技的版面，造成了超乎预期的关注。

但首先必须要承认，围棋比国际象棋确实要复杂得多，毕竟象棋的棋子是越下越少，而围棋的棋盘则是越走越密，这对计算的要求要高了很多。国际象棋的步数完全可以靠计算出来，而围棋除了计算能力，还与个人的思考方式有关。也就是说，与国际象棋人工智能相比，围棋人工智能更像是一个“人”。

Alpha Go能够成长为一个类人的棋手，它的背后也有一些关键的技术。

据说，谷歌的Deep Mind团队给Alpha GO输入了海量的职业棋手的对局，而其自我学习演绎的对局数更是达到了3000万局。

这里能够看出两个细节，第一，必然有大数据的支撑，让Alpha Go能够厘清头绪，形成对规则的认知。第二，Alpha GO具有深度学习的能力，自我进化。确实在本质上，AlphaGo就是一套为了围棋优化的设计周密的深度学习引擎，使用了神经网路加上MCTS (Monte Carlo tree search），并且用上了巨大的谷歌云计算资源，结合CPU+GPU，加上从高手棋谱和自我学习的功能。

所以，Alpha Go其实并不是神秘，也不是人工智能的技术创新，它确切的定义应该是不同机器学习技术的整合。它的核心必须是建立在大数据和深度学习两个基础上的。

比如微软的小冰，就符合同样的基础，首先小冰的大数据基础来自于中国7亿网民的积累和大量公开的文献，其次，正是凭借微软在机器学习和深度神经网络上的技术，实现了最终的人机交互。

再比如，在国内也有相同的案例。京东的智能机器人JIMI，就是一个典型的代表。基于京东在电商交易的核心大数据分析，形成了JIMI的骨架。京东强大的人工智能和深度学习团队，为JIMI提供了深度神经网络的大脑和机器学习的能力。

如何去判断人工智能是否成功的表现呢？其实，有一个很简单的方法，当我们感受不到对面的对象是一个机器人时，这个人工智能就是成功的。

从这个角度去看，Alpha Go确实有这方面的潜质，去年10月以5：0战胜欧洲围棋冠军樊麾时，通过策略网络和价值网络来决定棋路，不去计算每一步的可能性，颇有人类棋手的味道。

而作为京东的购物小助手，JIMI在去年就已经承担了京东整业务咨询量中的30%强。很多用户在咨询过程中，几乎感受不到面对的是一位机器人助手，这也可以看成一个成功的人工智能。

当然，话说从头，如文章开篇提到的那样，人工智能在19年来，没有给世界带来太大的惊喜，根本的原因，还是离应用太远。就像我当初评价3D打印机一样，没有核心的应用，再强的计算和技术都免不了跑龙套的命运。人工智能的未来到底该是什么样的？

Alpha Go所表现出来的人工智能的技术模型和计算引擎，确实代表了人工智能目前在深度学习方向的进步，这是毋庸置疑的。

不过，那些对人工智能最终取代人类生产力的判断，却有些为时过早。索罗斯的“反身性”原理，背后揭示了一个深刻的规则：人不能跳出“人的视角”去验证人。

比如毕加索的抽象艺术，人工智能绝无可能理解格尔尼卡表现出的被炸弹袭击后小城的绝望。所以，首先，对人工智能的理解，必然建立在具体的应用场景中，才有释放光芒的可能。

所以，无论是Alpha Go还是小冰，他们存在的意义，在于展示谷歌和微软在人工智能领域，具有很强的技术积累和人才体系，但他们在应用本身并没有体现出积极的作用。