2017年8月，在美国西雅图举办的Dota2(一款电子竞技游戏)国际锦标赛现场，计算机击败了世界顶级玩家。在一场单对单的表演赛中，由OpenAI机构设计的人工智能打败了职业玩家Dendi。OpenAI直接拿下了第一场比赛，并在第二场比赛迫使Dendi认输，第三场比赛也没有再进行。也许Dendi觉得取胜完全无望。
西雅图的钥匙体育馆内举办的Dota2国际邀请赛中，数以万计的观众重新见到了TI1冠军成员、Dota2的代言人之一——Dendi。他这次的对手是一枚U盘——这是人工智能第一次在一个游戏的公开比赛中挑战人类选手。这让很多过去在游戏中以打电脑为乐的玩家惊讶了。
“打游戏要比下棋更加复杂。”清华大学研究人工智能的博士傅昆，是位围棋迷和游戏爱好者。他解释说，围棋每步的可能性只有361种，而在即时战略游戏中，玩家用鼠标点击下达命令的每步可能性超过1亿种。此外，围棋全盘的信息是完整的，所有推测可以基于盘面情况。但AI在游戏中获取到的信息并不完整，它必须学习规划、设局甚至欺骗对手。
电子游戏正成为人工智能研究的理想训练场，OpenAI是特斯拉创始人马斯克旗下的人工智能研究机构。OpenAI官方介绍，这次为DOTA2研发的人工智能是完全自学训练的结果。而试图通过游戏来测试技术的公司并不只有OpenAI。Google公司旗下的DeepMind，也就是开发人工智能AlphaGo登顶世界围棋之巅的机构，已经对外透露准备选择“星际争霸2”游戏，进一步测试技术。
但无论是下围棋，还是打游戏，这些人机对弈，看上去更像是普及人工智能的秀场。当人工智能快速进入大众视野，它背后更大的潜力却仍在深入挖掘当中。
计算机与人类在棋盘上对垒，并不是第一天。相比传统的计算机，当代人工智能的强大之处在于：机器会学习，会成长。
程序员们一直在用棋盘检验和发展计算机的能力。1997年，IBM公司的人工智能“深蓝”打败国际象棋世界冠军卡斯帕罗夫，这是人工智能第一次打败人类顶级棋手。2006年成为了人类在国际象棋的绝唱，自此之后，国际象棋选手再也没有战胜过顶尖的人工智能。
尽管20年前就攻克了国际象棋，但围棋一直被视为人工智能难以破解的游戏。围棋规则简单，然而在19×19的棋盘上却生出巨大的复杂性，一局100多回合的对弈，个中变化远远超过国际象棋。
更棘手的是，围棋在对弈过程中，有难以量化的东西。很多顶级棋手常常依靠直觉这类模糊的判断。而强大的超级计算机，过去只能依靠在合理的时间内，分析出每种走法可能的结果。此前的人工智能并不擅长学习人类的思维，去做这类模糊判断。
人类本以为可以保持最后一点对机器的骄傲更久一些。一些棋手和计算机学家都曾坦承，如果往前推几年，很难想象，人工智能会在近年来变得如此强大。
那么，为什么AlphaGo能突然崛起，击败那么多围棋棋手?
回顾AlphaGo击败顶级围棋棋手的过程，可以领教到它的学习和进化能力：
2015年10月，第一代AlphaGo以5∶0第一次击败欧洲冠军樊麾;
2016年3月，第二代AlphaGo以4∶1击败李世石，过去10年里最伟大的围棋选手之一。与上一代机器相比，这代的机器棋力高出3子。
2017年5月，第三代AlphaGo以总比分3：0击败世界排名第一的棋手柯洁。相比于击败李世石的版本，这个版本的人工智能，棋力再次提升3子。
人工智能突然令棋盘之上的博弈变得无限未知，年轻的棋手柯洁因为对手“太完美”“输得没脾气”，在第三局对弈时甚至中途崩溃，痛哭二十分钟。
相比于击败顶尖棋手，这才是人工智能真正的可怕之处。人类棋手一辈子难以跨越的鸿沟，而AlphaGo只花了数个月的时间学习和进步。
AlphaGo的不可阻挡，关键答案叫做：深度学习。傅昆解释说，将人工智能、深度学习等关系，放在同心圆当中，最外面的圆环是人工智能，里面的一层是机器学习，深度学习和人工神经网络则在最中心。
AlphaGo的深度学习，使用了两个人工神经网络的计算策略，它们各有所长——像人脑中的模块一样，其中一个通过大量的棋局分析训练提出一些可能的走法，另外一个网络负责根据随机采样技术来评估这些走法。这些神经网络通过这种新的方法训练，结合人类比赛中学到的监督学习，以及在自己和自己下棋的过程中强化学习。
人工神经网络的概念，源自人类的大脑皮层。在生物的大脑中，每个神经元都能被其他神经元触发，将输出的信号馈送给另一个神经元，并不断输出和触发。计算机算法也希望实现类似的认知方式，通过排列出多个神经层，层与层之间互相关联。神经层越多，整个网络也就越具深度，功能也就更强大。通过输入和输出数据，不断调整判断权重，使输出结果逐渐走向准确。
正是这个神经网络，把人类的直觉赋予了计算机。谷歌DeepMind机构2016年1月发表在《自然》杂志上的论文显示，早前一代版本的AlphaGo输入了16万盘人类棋手的棋谱，学习了人类落子布局的特征后，它又自我对弈3000万盘，不断提高神经网络的精度。
据DeepMind机构官方透露，对垒李世石之后，AlphaGo经历了一轮新的进化：整个系统架构经过了重新设计，神经网络从原来的12层增加到40层，而且不再借助人类棋谱，完全通过机器的自我对弈来训练——通过这种自我对弈产生高质量的数据，成为一个能够自主学习、自我适应的智能体。
此外，技术的进步，也提高了AlphaGo的训练效率。经过一年的算法结构优化，从李世石版的50个TPU(谷歌专门为机器学习而设计的处理器)并行式运算，AlphaGo变成由4个TPU组成“单机版”，运算量降低了90%。计算力的提升意味着，过去一个月取得的进步，现在一周就能达到。
人工智能AlphaGo进步之神速，令研发者自己也感到意外。其思考接近人类，实现了从“计算”到“智能”的超越。英国BBC的一档节目中，主持人问到研发DeepMind的科学家哈萨比斯：“在你看到AlphaGo获胜之后，你也很惊讶?”
哈萨比斯表示：“是的，我们对这台机器的能力很震惊，因为AlphaGo居然有自己的棋路……”
如果人工智能可以在几年的时间内把一个机器训练成围棋大师，那么，机器是否也可以训练成一个医生、一个程序员，甚至一个作家、一个艺术家?
2017年2月，《凤凰周刊》记者曾在美国科学促进会的年会现场上，看到斯坦福大学的人工智能研究者在一场讲座上介绍他们的机器学习成果。台下除了计算机从业人员，还有医学领域研究者。
2015年，计算机科学家塞巴斯蒂安·特龙(Sebastian Thrun)博士，测试了机器从教材图像的学习成果，最终，人工智能打败了皮肤科医生。让机器看片子，正是人工智能和深度学习在医学领域的典型应用。事实上，近年来人工智能正在给医学领域带来巨大冲击。2017年1月底的《自然》杂志封面是一篇人工智能识别皮肤癌的论文，《自然》杂志的子刊《自然-生物医学工程》在2017年2月推出“机器学习”的特刊，介绍人工智能在医疗领域的广泛应用。
这一领域的风向标事件发生在2015年。此前曾在斯坦福大学任教的计算机科学家塞巴斯蒂安·特龙(Sebastian Thrun)博士，在那一年测试了机器从教材图像的学习成果。他们采用由皮肤科医生给出诊断结果的大约14000张图像，测试机器能否将图像正确归到以下三类——良性病变、恶性病变和非肿瘤学增生。
最终，人工智能打败了皮肤科医生。在第一轮测试中，人工智能系统得到了72%的正确率，而2名经过斯坦福大学董事会认证的皮肤科医生同时参加测试，他们只得到66%的正确率。接着，特龙博士的团队又将研究范围扩大到25名皮肤科医师，使用了更准确的评价标准，结果，人工智能再次取得了胜利。
“在每次测试中，算法均优于专业的皮肤科医师。”特龙的团队后来在《自然》杂志发表的论文中称，这一成果的背后，是数以万计的临床图片深度学习，且图片阅读量还在增加。
在此之前，医疗领域以往也有过计算机做自动化诊断，但由这种机器医疗的结果是，诊断效果准确率可疑，比如，上一代计算机辅助检测和诊断在乳腺X照相术上的表现并不佳。
新一代的人工智能诊断设备，与对阵围棋的AlphaGo一样，正是基于深度学习的算法。与此前不同，特龙博士研发的算法系统不是由明确的医学知识库和诊断规则列表引导，研究者不再使用编程教给机器各种原则，而是由机器自己去认识，由机器通过大量的内部调整，类似于加强和削弱大脑中的神经突触连接，有效地自学，比如，区分痣与黑色素瘤。
新机器拥有了此前未曾有过的内置的学习机制。用《纽约客》的报道说，以前“一台已经看过3000张X光片的机器，它的能力和它看第一张的时候，是一样的。”而现在，只要不断输入数据，机器就能通过神经网络，学习和成长。
特龙博士认为，从基于规则的算法，转变为基于学习的算法，使得机器完全可以超越第一代诊断设备。
可新机器的诊断艺术究竟是什么，它如何像一位优秀的放射科医生那样，观察出其他医生看不出来的CT影像阴影，或其他不同寻常的东西，并作出准确的分析?
我们现在只知道，它是通过神经网络，而神经网络奇特的地方在于，它们就像“黑匣子”，里面的工作是神秘的。基于神经网络的策略，机器深度学习的内在过程，即便是开发者自己，也并不清楚。
2017年5月《纽约客》杂志的一篇报道，用一个“认狗”的比方，形象描述了这个过程。
老式的计算机程序要识别狗，工程师会写很多行逻辑代码：如果有耳朵，猪嘴，并有头发，则不是老鼠等等无限的判断语句。但这显然不是人类认识狗的方式。起初，小孩通过看见狗，被教导这是狗而认识狗;他会认错，然后纠正自己。比如，他会把狼认成狗，然后被大人纠正这两种动物不是同一类。他一次次调整自我认知：这是“狗”，那是“狼”。
机器学习也是这样。研究者只是将图像资料及诊断分类标准提供给神经网络，机器自己会从已分类的训练中提取信息。这张图是狗，那张图不是狗。它会从不同类别中归纳出特征。通过观察成百上千张归类的图片，它最终形成自己认狗的方法，过程和小孩认狗的方法一样。
“黑匣子”问题在深度学习中很流行，神经网络学习时的内部修正和处理过程均不受我们的控制。它如何提升确定病变是黑色素瘤的能力?它如何提升在游戏中跟玩家对垒的能力?它又如何从新加入的围棋棋谱中学习?我们并不知道，它也无法告诉我们。
无论如何，机器学习正在医疗领域不断取得突破。在《美国医学会期刊》(JAMA)报道的一项研究中，谷歌公司的人工智能学习诊断眼疾。在学习了12000张图片后，它能准确地判断糖尿病性视网膜病变，灵敏度和特异性分别超过96%和93%，可以媲美眼科医生。
更重要的是，人工智能的学习潜力无限。以识别皮肤病变的过程为例，一位新的皮肤科住院医生要从零开始接触患者，而人工智能却是一直在成长和学习。一位全职皮肤科医生，一生中大概会看20万个病例，而机器的学习潜力远甚于此。此前的人工智能在3个月内吸收了13万个案例，未来还能吸收更多，比这个领域最资深的皮肤科医生还要“资深”。
人工智能在近年来成功取得突破，基础是来自大数据的支持。
作为谷歌大脑团队的创办人、前斯坦福人工智能实验室主任，吴恩达曾如此描述人工智能，“尽管人工智能已经有很大范围的影响了，但它在产业内的应用方式还极其有限。几乎所有人工智能最近的进步都是通过一种类型——即输入数据A然后快速生成简单的回应B。这些 A→B系统已经在急速地发展，现在最有效的技术就是深度学习。”
但这样的学习框架有一个弱点：它需要巨量的数据。在吴恩达2016年为《哈佛商业评论》(HBR)撰写的文章中，他指出人工智能的不足，人们需要给这个系统很多A和B的样本。比如，开发一个图片标注器需要成千上万的图片A及其可以说明图中是否有人存在的标签B。而开发一个语音识别系统也需要成千上万小时的输入语音A以及有语音转录文本B。
“因为互联网有了大量数据，人工智能最成熟的应用其实就是图片搜索，再就是语音识别。”国内一家语音技术公司的工程师张乐说，语音识别技术的突破是深度学习在实际应用的重要斩获，我们手机APP里的语音输入功能正在变得比以前更强大。
语音搜索也在变得越来越聪明。谷歌公司已经利用它多年收集的数十亿语音样本建立了人工智能系统，能理解各种口音和细微差别，使得谷歌的语音搜索功能有了更多可能。
但深度学习最主要的受益者，仍是“计算机视觉”，这是人工智能领域当下最成熟的应用。计算机视觉在许多图像识别的任务上，可以与人类媲美。消化了大量的标签化训练数据，深度学习在医学领域，才从X光扫描与CT扫描图像分析取得突破。
“搜索引擎里使用的相似图片识别，就是典型成熟的人工智能应用。”张乐说，高质量的大数据和强大的计算能力是深度学习算法统领江山的两大支撑，由于人类已经上传到网络数十亿张照片，用元数据标记这些照片，强大的计算机可以从中找出模式和意义。
2012年10月底，在由微软亚洲研究院和南开大学、天津大学举办的一次学术会议上，微软首席科学家理查德·F·拉希德(Richard F. Rashid)发表演说，基于深度学习的电脑程序对他的讲话内容进行了识别，还用英语把这些内容实时显示在了他上方的大屏幕上。清华大学的傅昆也认为，人工智能在近年来成为科技界最热门的话题，大众层面上，要归功于人工智能战胜围棋世界冠军这样的事迹，但在业界，则会一致追溯到图像领域。
人工智能的重新兴起要追溯到2012年被称为ImageNet挑战赛的在线竞赛。为了与过去像国际象棋“深蓝”那样的人工智能区分，很多研究者一度避免使用“人工智能”这个术语，而更喜欢用“神经网络”。
ImageNet是一个拥有数百万张图片的在线数据库，所有图片都有人工做的标签。对于任何给定词，例如“气球”或“草莓”，ImageNet里都能找到对应的图片。每年的ImageNet竞赛鼓励该领域的人在计算机识别和自动标记图片上比赛，并衡量进展。这些系统首先使用被正确标记的图片集进行训练，然后挑战标记之前没见过的测试图片。
根据《经济学人》杂志2016年的报道，相比于2010年获胜的系统可以正确标记72%的图片(人类平均有95%的准确率)，2012年的成果是一项突破。这一年，归功于深度学习技术，多伦多大学的科学家Geoff Hinton带领的团队实现了85%的准确率。这项技术使用了大量的计算和训练数据，由人类的神经网络启发而来。他们也被称为深度学习的先驱。
这带来了一种长远快速的改进，在2015年的ImageNet竞赛上，一个深度学习系统以96%的准确率第一次超过了人类。
过去的十多年中，新技术的出现使得训练深度网络变得可行。同时，互联网的兴起产生了数十亿可用于目标训练的文档、图片、视频数据。
这所有的一切都需要大量的数字操作能力，而2009年左右，当几个人工智能研究团体意识到个人计算机和视频游戏机上用于生成精致画面的图形处理器芯片GPU，也同样适用于运行深度学习算法之后，计算能力也早已不再是问题。
此前，斯坦福大学由吴恩达带领的一个人工智能团队发现GPU能够几百倍地加速深度学习系统。然后，训练一个四层的神经网络突然就变得很快了，由之前需要花费几周的时间变成了不到一天时间。
ImageNet的结果显示了深度学习的能力。然后，深度学习不仅在人工智能界，也在整个科技产业界获得关注。深度学习系统20或30层的网络变得常见，微软的研究人员甚至曾建立过152层的网络。更深层的网络能进行更高水平的抽象并产生更好的结果，事实证明，这些网络擅长解决众多领域的难题。
人工智能早就走出实验室，离开棋盘，潜入人们的日常生活——帮你美图、给你指路、为你推荐图书和电影，继而洞悉你的喜悦和痛苦……但这还远不是它的全部。所有通过学习得到的专业技能似乎都可能将被人工智能掌握。所有的专业技能领域都将直面AI挑战，我们似乎都要面临围棋手柯洁在三盘棋间的起落激荡。
2016年，谷歌公司彻底改造原先的翻译系统，引发舆论关注。谷歌引入神经网络，大幅提高了翻译的准确率，其中一些语言的准确率甚至提高了85%。随之发布的多语言互译系统，将两种语言的翻译学习“迁移”到更多的语种，比如，通过中英互译的学习，就能直接把模型算法迁移到中日、日英等多语种互译方面。机器“学习如何学习”，已经成为谷歌未来最重要的研究方向。
“让人激动的是，深度学习能够应用于众多不同的领域。”谷歌机器智能研究部门负责人John Giannandrea在接受《经济学人》采访时称，除了改善网页的翻译服务，谷歌正在使用深度学习提升其网页搜索结果的质量，理解智能手机端的口语指令，帮助人们在照片中搜索特定的图片，推荐电子邮件的自动回复，并且帮助自动驾驶汽车理解周围环境。
在医学领域，除了一些疾病的诊断，更有些雄心勃勃的机器学习算法想要整合自然语言处理(读患者医疗记录)、百科全书知识、期刊文献和医学数据库。麻省剑桥的IBM沃森系统(Watson Health)和伦敦的DeepMind公司都希望创建这样一个全面的系统。
机器的学习能力，大数据的积累，以及其他各种技术的突破，使得人工智能技术突飞猛进。之前看起来不可能自动化的工作，现在似乎都同样面临着危机。
当机器人会自动编写新闻，已经有一些大型新闻通讯社在实践，有人开始担心记者会失业。而当机器取代了医疗的诊断角色，医生这个职业也将面临人工智能的挑战。基于神经网络的更好的翻译效果，则让翻译对自己的职业前景产生了怀疑。
在深度学习那个并未给予因果关系阐释的“黑盒子”里，人工智能正在以令人惊骇的速度快速攻克各种单一技能，在简单任务上逐一完胜人类。它们在棋类比赛中获胜，在汽车安全驾驶比赛中获胜，没有人知道，人类下一个被击败的领域在哪里。
硅谷传奇软件工程师Jeff Dean眼中有一条清晰的AI发展路径，“医疗、无人驾驶，这些走在比较前面，都是会比较快改变的行业。需要人工智能的不只是科技公司，而且会是一个社会性的全面应用。各个行业先后不一，但都会探索性地先在小问题解决上使用人工智能，之后渐渐拓宽人工智能在该行业的应用，最终发展到整体人工智能解决方案。”
但相比工作岗位的争夺，还有人担心，人工智能是否会威胁到未来?有人想起雷·库兹韦尔那些关于“奇点”的古怪预言，比如，未来人类是否会制造出比我们更聪明的机器，它们再造出更聪明的机器，如此这般，整个世界朝着我们无法预计的巨型超智能的方向狂奔;又或者，我们将人的思维载入计算机，在计算机的电路里获得超强智力，甚至永生。
人工智能会成为人类的威胁吗?很多业界人士都不认可这一点。IBM伦理研究员Farancesca Rossi说，人工智能“总有一天会觉醒并获得自己的思想”的想法并不现实。在刚完成写作《人工智能》一书的李开复看来，AI威胁论目前似乎更适合科幻作家们去讨论，“机器学习永远不可能有自我意识，因为优化目标是人类给定的。”
AI本身的确不可能成为威胁。人工智能与人类智能无疑还有着本质的差异——它不具备情感、不具备欲望，更不用说统治世界、奴役人类的兴趣与野心。
然而，这项技术也因为展现出前所未有的强大性，值得人们对如何使用它产生担忧。在人工智能时代，人类依旧要学习与思考。在一些人工智能的会议上，很多专家都将AI安全部署当作重要议题。
“我们在公司创立的时候就明确，我们想要开发通用型学习技术去打造一个更好的世界，我们的技术必须秉持透明、合理的原则，让人类监督并且让人类掌控。”谷歌DeepMind实验室创始人哈萨比斯曾说，技术应该具备“正确性”，“研发者需要给AI植入一个‘善’的动机，第一不能被用来制造杀人武器，第二不能被个别公司所控。”
比如，与英国国家医疗体系NHF的合作是AlphaGo后台部分技术落地项目之一，“我们完全接受NHF的监督，绝对不会把用户的数据用到保险或者是其他的业务中去。”
不过，随着人工智能的发展，一些从业人士也对AI应用于军事等其他可能的威胁发出了预警。
我们正身处人工智能的革命中，一方面，人工智能展现了强大的希望，按照Facebook创始人扎克伯格的说法，未来十年，人工智能将大幅改善人类的生活，另一方面，人工智能是福是祸，是否会失去人类的控制，终究只在那些研发和使用者的头脑之间。
相关链接：
联系客服
