深度专访：计算机真的能拥有和人类一样的「直觉」吗？
人工智能在近年得到巨大突破，其背后是深度神经网络和机器深度学习能力的大幅进展，以及对海量数据处理能力的提升。曾经作为人类智能重要表现的「直觉」能力，已经能够被机器拥有。
吴韧博士是国际知名人工智能专家、高性能计算专家、异构计算专家和计算机博弈专家，他现在是异构智能（NovuMind）公司创始人兼CEO。我们以机器下棋为切入点，和他深入探讨了到底什么是计算机的「直觉」。造就：在AlphaGo与李世石的对弈中，为什么会输掉第四局？吴韧：从统计信息上讲，五盘棋并不一定能代表这个棋手的实力，要通过更多的样本才能看出棋手的综合实力，对于AlphaGo也是一样。如果AlphaGo可以开放出来让世界上的顶尖棋手都来下棋的话，样本足够大的时候，比如成百上千盘的时候，我们就能看出程序的综合实力以及优势和弱点啦。那第四盘程序输棋，也肯定是因为它本身也还是有弱点。当然，更重要的是，我们做人工智能是为了让人类和程序共同进步而非取代。吴韧：我想让大家思考一下，人工智能走到这么远，它后面真正的驱动力到底是什么？也就是说，为什么我们现在做到了以前做不到的事情。那如果沿着这个思路继续推进的话，我们还能走多远。实际上，如果你从我的经历或者是以前的一些讲座里面大概也能看得出来，比方说2014年的时候，应该是我到目前做的最有影响力的一场讲座，在其中我提出两个公式。第一个公式就是这个所谓的大数据+深度学习+高性能计算获得更高的智能，往无所不能这个方向做得更好；另外一个公式则是，大数据+深度学习+异构计算才是真正的成功。这两个公式实际上就表明了我心里对智能真正的认——计算能力才是真正的内在驱动力。计算能力增强以后，才真正让我们把以前难以达成的事情做的更好。举个简单的例子，你看深度学习这件事，神经网络模型、训练神经网络算法都是很多年前提出来的，那为什么我们90年代、2000年左右，大家谈到神经网络都不好意思跟别人打招呼？是因为都觉得这完全是一条死路。而到了2006年以后，这个事情会突然变得这么火热，一个原因是我们有了更多的数据，但在我眼里，神经网络的突破在于我们的计算量比当年有了万倍、十万倍、百万倍的增长。有了这样依靠GPU或者是异构计算带来的计算能力以后，同样的模型就可以做得非常大，能够处理非常多的数据，这时候神经网络表现出来的智能能力就远远超出了人类当年所能想象的结果。这就是计算能力的威力。吴韧：对，如果你从时间上来看，整个人工智能计算能力的增长速度是指数级的，基本上每18个月提高一倍。但这不光是芯片的计算能力，我们还有异构计算的能力，还有大规模并行的能力，这些组合起来就形成了非常强大的力量。2000年世界上最大的计算机大概106吨重，它的计算能力不过相当于我们的现在一台PC。也就是说，2000年世界上最好的科学家要共享这样一台计算机的能力，而现在每个普通工程师的桌上就有那么多，这样每个人的创造力和生产力就被极大地提升。人们从60年代开始做国际象棋程序，1997年“深蓝”击败卡斯帕罗夫达到一个巅峰，这个过程中你能看到我们在追求极端的计算能力，同时是在展现人类的左脑能力（逻辑思维）。但是此后人们都觉得，人类更高级的智能，比如说围棋是搞不定的。这是因为围棋更多会体现右脑能力（直觉）。但是大家也知道，今年3月份，AlphaGo的历史性的胜利让几乎所有人大跌眼镜。没有人想到围棋程序可以在一年之内变得如此凶猛。但是对业内人来说，至少对我自己而言，几年前就看到了这一点。这是因为深度学习或者深度神经网络真的让我们有办法去搞定人类的直觉，就是所谓围棋的「棋感」。有了棋感以后，后面围棋的这些东西反而是相对容易的。这就是我刚才已经讲过，深度学习这些都不是新的，但随着计算能力的提升，深度神经网可以做很多以前做不到的事情，围棋棋感正好是其中一个。吴韧：实际上所谓的感觉就是一种映射，你看到某一样东西，产生本能的反应。国际象棋的做法是我走一步棋看你走哪一步棋，我再看我可以走什么棋，然后你再根据我的步骤下棋，就是一个逻辑计算的过程。那围棋的棋感是什么呢？我看围棋就像是看一张图一样，下意识地就会想下一步在哪落子。这种直觉，如果你把它看成一个神经网的话，就是一种直接的映射。因为你看到一张棋盘的图，上面有361个点，你在每一点上应该下怎么样的棋，这就是一个非常直接的本能的反应过程。这就是真正意义上的围棋直觉。造就：其实象棋的话就是按照计算的方式来列举你能走的路数，然后选择最优的那步来走，而围棋的下一步很难被算出来。吴韧：对。过去几十年我们把人类左脑所擅长的事情做得非常的好，当时觉得做不了右脑做的事是因为对直觉束手无策。围棋的分支因子太大，光靠计算没有办法解决。这就是说，我们在搞定左脑十几、二十年之后，现在终于有办法可以把右脑的事情也做得很好，计算能力和直觉的结合就是人工智能技术真正的发展。其实象棋和围棋目前都是没法用穷举来做的。因为象棋的结果是差不多是10的50次方，围棋差不多是10的120次方，10的50次方也是一个非常巨大的数。但是呢，象棋的模式在计算机领域叫做分支因子（branching factor），也就是说在每一个给定的局面，我们可能走的棋是40或50步，但我们可能在围棋的每个局面走300步。那这个40跟300，使用指数来计算的话，围棋的计算程度就远远超过了象棋。造就：计算能力继续提升的话，能否用下象棋的方式来下围棋？ 吴韧：没有办法。这就是为什么此前很多人对AlphaGo都非常悲观的一个最主要的原因，那就是光靠纯计算，用我们的左脑思维是没有办法搞定围棋的。人类直觉这个通过几千年进化获得的能力是非常重要的，现在人工智能技术的进步让计算机同时也具备这种能力以后，真的可以做很多曾经不可想象的事情。造就：我们所谓的神经网络的直觉跟人类自己的直觉有什么异同？吴韧：在我眼里就是一样的，因为直觉就是一种本能的反应。在一个计算机科学家的眼里，它就是一种映射关系。计算机感知到一些信号，经过处理之后就会有一个直接反应，那这个感知—处理—输出信号的过程就是一个深度神经网。对下围棋来说，就是从361个点中选一个。比如说，此前国内非常流行的微软的看图猜年龄工具http://how-old.net/，这实际上也是一种直觉。对人或计算机来说，这个过程并不是进行推理，是因为看过一百万人，这一百万人里可能有20岁、30岁、40岁。计算机看了这一百万人的年龄分布以后，它再去看一个新的人时，就会直觉反馈面前这个人大概多少岁。造就：也就是说直觉的产生需要有非常庞大的数据基础？吴韧：对，直觉就是所谓的见多识广，你的样本或是例子看多了以后，慢慢地就让神经网拥有这种能力。一个新的样本进来以后，它就会直接用类似的计算方法给出一个结果。造就：如果按照这种深度神经网的发展方式，会不会真的产生与人类近似的直觉方式呢？吴韧：我觉得至少在直觉这一点，我们现在做的就是和真正人类直觉相同的方法。人类还有很多其他的更高的智能，但是在直觉层面，从本能到反应的过程，就是我们现在深度神经网的做法。吴韧：对。有非常多的心理学研究证明人类开车就是一个直觉的过程，最直接的例子就是开车时你在接电话，电话打完才反应过来怎么已经到目的地了。也就是说，你在打电话的过程中，你所有的东西是不经过你的大脑的。造就：但是围棋里面还是有很多理性计算的过程，不是纯依靠直觉。吴韧：这就是计算机有好的棋感之后，就像人类棋手一样，觉得现在就应该挂角、打入，感觉在这里，但是否能成功还是要去算。打入以后你有什么最强的应手，如果你走了这步以后计算机有什么后续的步骤来走，这就是传统的对策展开。因为在围棋里面的很多时候，对局势的判断不是特别清楚，就是说计算机没有办法用逻辑推理算出，走了这步直觉好的棋以后，应的这个强手到底是从哪里来，怎么展开，那现在的做法就是假设落子并在后面下一百万盘棋，看看这步棋之后的一百万种可能，如果这步棋的胜率还是特别高的话，那就是一步好棋。当没有一个彻底解决问题的能力时，采取这种随机模拟的办法可以让我们得到非常好的近似值。吴韧：在深蓝年代的人工智能都是以计算能力为主导，展现的是人类左脑的计算推理能力带来的智能。从2006年开始，深度学习和深度神经网络带给我们人类最引以为傲的直觉，既我们右脑所擅长的智能行为。巨大进步最主要的原因有两个，大数据时代的来临和以及高性能计算科技的发展。当然也要非常感谢谷歌给人类作出了完美的示范，让社会了解了人工智能技术，并不显得高冷了。未来人工智能的应用领域会越来越广泛也更加精细。很多潜在的领域都会用到，比如物流，医疗，自动驾驶，图像识别，语音识别等等。吴韧：我们公司的核心是人工智能的能力。我们是一个全栈式公司，所有跟人工智能相关的技术都有所掌握，并进行统一的优化，这样才能达到更高水平，同时能让人工智能技术在各种形式下应用起来。我们优先考虑并且技术已经成熟的是物联网，我们要把人工智能技术用于物联网，做智能物联网。《人工智能绝不只是下围棋》
吴韧 造就第九期《不可能中的可能》
演讲嘉宾
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
