人工智能最大问题：遇到新情况一筹莫展

 　　记者　黄海华

　　这是一场没有悬念的比赛。5月27日，中国棋手柯洁与人工智能AlphaGo展开三番棋比赛的终局对决。历经3个多小时对弈后，柯洁投子认输。至此，柯洁连输三局完败。
　　这场比赛在很多人看来，在科学价值层面已失去看点。因为，人类在某些方面不如人工智能早已不新鲜，倒是未来人工智能发展中的新挑战也许更值得关注。
　　人工智能有哪些问题需要解决？未来发展趋势如何？记者专访了中国科学院院士、清华大学教授张钹，探寻人工智能接下来的种种可能。

　　人工智能为何近些年大显身手

　　人工智能（Artificial　Intelligence），英文缩写为AI。从1956年的美国达特茅斯会议算起，明确提出人工智能的概念并开始科学与技术的研究已有61年。
　　张钹从1978年就开始研究人工智能，在他看来，人工智能实际上是让计算机模仿人类的三种功能：第一种是模仿理性思考，包括推理、决策和规划等，属于人类的高级智能，或叫逻辑思维；第二种是模仿感知，对周围环境的感知，包括视觉、听觉、触觉等；第三种是模仿动作，包括人类手、脚和其它动物的动作。此外，情感、灵感和创造性等也在研究之列，但相对来讲，进展要小一些。
　　人工智能模拟大脑神经元网络的某些工作机理，即人工神经网络（ANN），早在上世纪60年代就问世了，为何近些年开始大显身手？这主要取决于三个方面有了长足进步：一是多层神经网络（深度网）与其相应的有效学习算法，即深度学习算法；二是大数据；三是计算资源（计算能力的提高）。

　　最初没有把AlphaGo放在眼里

　　围棋复杂度太高，主要靠“直觉”，即“棋感”与经验。而下象棋与下其他棋类一样，靠的是推理、预测。过去采用编写象棋程序的方法来编制围棋程序，水平很低，至多达到业余4—5段的水平，根本不是职业围棋手的对手。这点许多围棋手都有体验，因此最初大家并没有把AlphaGo放在眼里，这完全可以理解。
　　AlphaGo抛弃传统下棋程序的编程方法，创造性地利用机器学习来获取下棋的经验与直觉。AlphaGo不仅学习了以往围棋大师们已经下过的棋局——约几千万棋局，还通过强化学习（自己与自己对弈），学习了更多（几亿个）新棋局。这就意味着，AlphaGo下过的棋是任何一位围棋大师一生下过棋的几百上千倍。由于围棋棋局空间很大（约2×10170），在围棋几千年的历史中人类也只是探索了很少一部分，AlphaGo利用计算机的超强计算能力，不仅把人类已探索过的空间加以优化，还探索了新的空间（即新的棋局）。正由如此，人类棋手在AlphaGo面前才显得那样被动，许多情况下都不知道是怎么输的。这也是围棋的魅力所在——毫无止境的探索。

　　当前人工智能缺乏推广能力

　　张钹认为，研究AlphaGo不是为了编制一个围棋程序来代替人类棋手、颠覆围棋运动，而是以“围棋”为平台，研究人工智能解决这类问题的方法以及可能达到的水平。AlphaGo的成功，只是证明人工智能在解决某类问题时，不管问题多么复杂，都可能做到甚至超过人类的水平。
　　这类问题的特点是：一是有充足的数据（或知识）；二是完全信息；三是确定性；四是单领域。这类问题除围棋外，还包括语音识别、人脸识别和图像识别等，其中有一些问题（如围棋）对人类来讲很困难，但对高速计算机来说是比较容易的。
　　不过，当缺少上述四个条件中的任何一个（或几个）时，对计算机来讲就会变得十分困难，人类反而觉得相对比较容易。比如，打桥牌（不完全信息博弈）、无人车（不确定性，不完全信息和多领域）、自然语言理解（多领域）等。在这些问题上，计算机相比人类差距很大。所以，机器智能与人类智能之间通常不是互相排斥和互相替代的，而是互补的。
　　当前，以大数据与深度学习为基础的人工智能存在的最大问题是：不可解释和不可理解，就事论事，缺乏推广能力，遇到新的情况一筹莫展。当面对动态变化的环境，信息不完全，存在干扰与虚假信息时，人工智能系统的性能就会显著下降。此外，人工智能系统由于不可理解，无法实现人机交互，无法与人类协同工作与和谐相处。解决这些问题的困难很大，人工智能发展的道路还很长，机器智能达到适应动态变化环境的能力还很遥远。