【AI灼见·一】AlphaGo赢了围棋又怎样？有本事来打麻将啊~

人工智能，路漫漫其修远

从过去到现在，人类对于机器人的幻想就从未停止过。

—————————————————————

和人类仰望星空，探索宇宙一样，究其根本，人类的灵魂孤独而寂寞。他们期望出现另一种生命或智慧形式，可以对话。在发现文明且友好的外星人之前，科学家在几十年前就寄希望于人工智能。几十年后，当柯洁投子认输的那一刻，AI的狂热粉丝们开始普天庆祝，另一群人开始惶恐，认为不久的将来机器人将开始对人类的屠杀。然而事实是，人工智能真的已经足够聪明了吗？No！AlphaGo选择围棋与人类对战，是认真而又取巧的。20年前，IBM深蓝在国际象棋上就赢得了人类，20年后，围棋领域人类失守。

在没有硝烟的战场上，人机早已开战。

———————————————

AlphaGo的成功，所代表的其实是智能程度的一个阶段性演进，从智能感知到智能决策，让机器人，像人一样的做决策。

其实下棋对于计算机来说是“很简单”的一件事，它规则明确，这一点对机器来说非常重要，AlphaGo正是基于这些明确的规则去做价值评估。也没有意外和分支，不需要分析情感，它很适合擅长计算的机器人来做，反而人类在此项运动上有生理瓶颈。AlphaGo背后依赖的就是大规模的快速计算，加上算法评估，AlphaGo只是依靠三个函数来做决定。可是它赢了，它居然赢了，它一定会赢。

那么让AlphaGo打麻将呢？那就完全不同了。

———————————————————

虽然麻将的规则也较为清晰，但是它不可预知的因素更多，麻将老手往往更容易输给不按牌理出牌的新手，并且游戏过程中会出现大量的心理战和干扰，另一个不可忽视的可变因子是运气（概率）。说到这里肯定会有人跳出来说，只要规则明确，牌数确定，那么搜索域就一定是有限的，AI的计算能力一定可以支撑。嗯，对此我没什么好说的，如果真有人去做，AI在打麻将上赢过人类也只是时间问题，但这里面还有很多问题需要解决。

想象一下，如果AI刚扔出去一个四条，上手又摸了个四条，它会怎么处理这个四条？

麻将新手会怎么处理这个四条？

麻将老手会怎么处理这个四条？

信仰上苍的人会怎么处理这个四条？

以上不同人类玩家所下的不同决定在AI的眼中会被解读成什么信息？

所以AI很难在麻将中保证高胜率，说白了，麻将和围棋不一样，不是考脑力，而是考综合素质，当然，还有运气。可惜的是，人类也不能保证麻将常胜。那既然人也不能保证麻将常胜，说来作何？其实只是想说明，现在的AI，和我们理想中的AI，差的太多了。即便AlphaGo的围棋能力已经超过了九段，它依然是一个“弱人工智能”。来来，注意了，知识点（学池子敲黑板）：在人工智能研究方向上有两个阶段：弱人工智能和强人工智能。

 弱人工智能 ：主要指机器可以通过编程展现出人类智能的水平。「弱人工智能」被认为是针对特定领域，执行特定任务的人工智能研究，如语音识别和推荐系统（也称工具 AI）（AlphaGo由于基于深度学习和搜索仍被界定为弱人工智能）。

 强人工智能 ：则假设机器出现意识，或者说机器思考和认知的方式可以用以前形容人类的方式来形容，能够胜任人类大部分的工作，在大多数领域甚至达到取代人类50%以上的工作。

从人工智能的历史和研究角度来讲，人工智能的主要目的就是为了让机器表现得更像人。
 
虽然AlphaGo下棋战胜了人类，但它依然是弱人工智能。这对于期望看到更高级别人工智能的孩子来说，可能会有一些失望，因为强人工智能的研究依然处在瓶颈期，进展缓慢，并壁垒重重。在强人工智能之上，还有超人工智能（ASI），它被认为是一种比世界上最聪明、最有天赋的人类还聪明的人工智能系统，它做出高质量决策的能力比人类要强，它能考虑更多的信息和进一步洞悉未来。这才是该引起人类恐慌的力量。如果最聪明的强人工智能是100分，那么下面这个图供参考说明各个阶段的智能程度：

即便是机器猫这样人格已经非常接近人类的机器人，也不能算“最聪明”的强人工智能，那么只会根据程序和算法去求更高获胜概率来下棋的AphlaGo就更不用说了。

AlphaGo第一次和李世石对战的时候，背后的计算资源就极其庞大，在和柯洁对战时，已经大幅度缩减了计算资源，能力提高了十倍，资源只用了十分之一（Google用了TPU），而且，还是一台单机版的AlphaGo。

图为 AlphaGo 第一次对战李世石时使用的系统资源虽然AI的能力在快速增长，但科学家们依然不太满意当前AI能力，因为人类的心情更为迫切，他们希望强AI早日出现以改变当前的局面。那么为什么强人工智能这么困难？

因为强人工智能期望是得到“类人脑”的计算，但人脑和机器脑还是有很多不一样的，人之所以是人，因为人的大脑有“灰度”和“变通”。别小看这两个好像是个人就会的能力，对机器人来说，实现很困难，目前机器人难以真正掌握“灰度”，因为它们的世界只有0和1，非黑即白。

举个例子，假设你有了一个和AlphaGo这么“厉害”的机器人帮你做事，你指着一堆你批发回来的苹果跟它说“去帮我把烂苹果挑出来，我待会要榨苹果汁。”OK，机器人去挑烂苹果了。它怎么识别烂苹果呢？它可能会去计算溃烂的面积和比重。那么问题来了，烂到什么程度算烂苹果呢？5%以上？10%以上？20%？或者这个线是你预先设定好的，假设你指定了10%这个点吧。那么烂了10.1%甚至10.0001%的苹果，算烂苹果吗？你期望它帮你扔掉吗？人类处理这类事情的时候，其实大脑自动处理了灰度问题，可能你都感觉不到，但对机器人的执行就会有问题。那么机器人真的不能灰度吗？设置一个“灰度区间”不就好了吗？比如你把这条线拉宽，从10%变成[10%,12%]，不就有灰度空间了嘛？那么当出现12.0001%这样的苹果时，怎么办呢？机器人永远是讲究分界的，因为他们只有0和1，是非黑白分的很清楚。即便是你给出了摇摆的空间，但这不是灰度，人类的灰度永远不会有明确的边界，甚至会因为不同的环境不同的对象而出现完全不同的标准，这就是人类的世界。

这个“烂苹果”的例子举得不够全面，只是说明了在处理事实边界问题中如何有一个灰度，或者叫模糊边界，这类问题本身其实全部归结到数学问题也不是不可以做，这里说的“灰度”更多的是一种不确定性，随心所欲的不确定，比如人去做，可能会把一个9%的苹果也扔掉，可能就仅仅是因为它长得不好看而已。

那么当机器人终于把溃烂大于12%的苹果全部扔掉的时候，你觉得它做的足够好了嘛？但如果换成你指使你亲妈来做这件事情，那么她会多做一件事：她会把那些已经溃烂但又没有坏太多的苹果清洗一下，然后切下没有烂的那一半，留下来。因为你亲妈有足够的智慧知道那剩下的一半也是可以来榨汁的，而且你亲妈疼你。

这就是变通，基于对指令的深层次理解的变通。（可能例子举得不够贴切，不过，主要领会意思）这一点，往后出现的更聪明的机器人其实也可以实现，它可以对“挑出烂苹果”有N种方案，扔掉，挖掉，每个苹果切成100片然后扔掉烂的切片，等等。它甚至可以用人类不会去用的方式来更精细的处理，因为它不怕苦不怕累，不会抱怨，只为完成指令而生，在可以的情况下或许它会把苹果切成1000个小苹果丁来尽可能多的为你保留完好的部分。冷冰冰的可爱。说到底，其实又回去了一个经典问题，机器人不知道“盐少许”究竟是多少，它只知道xx克食材要配x克盐，然后去称这一锅食材重xxx克然后算出需要xx克盐。在这方面，人类还是强的。（那些不会炒菜的孩子，你们是最危险的因为很容易就被机器人替代了）为了突破这些问题向强AI挺进，科学界已经在研究“类人神经网络”，甚至一些机构计划从硬件设计上来打破机器人只有“0和1”这种尴尬局面，他们设法让计算得出处于[0,1]区间内的一个随机值。科技总是会进步的，进步就伴随着淘汰。

现在大行其道的深度学习算法，未来很可能会被丢弃，因为深度学习算法很可能成为未来限制强AI能力的瓶颈。AI的路很长，我们仅刚刚起步。