汕头市智能制造产业协会
加入收藏 | 设为首页

内容展示

首页 >

AlphaGo之父:没有AI,人类理解世界如何突破?

2017-05-04


现代文明是一个神奇的壮举,一个可由科学实现的壮举。每次乘飞机的时候,我都惊讶于使我们能够翱翔在云层之上的技术——这种技术使得乘飞机旅行成为家常便饭。我们已经绘制了基因组图谱,开发了超级计算机和互联网,向彗星发射了探测器,在粒子加速器中以接近于光速的速度击碎了原子,并实现了人类登陆月球的伟业。我们是如何做到这一切的呢?当一个人开始去思考我们的大脑所能实现的成就时,这确实是一件了不起的事情。

 

  科学方法可能是人类所拥有的最强大的一个创意,而启蒙运动以来的进步更是惊人。但是,我们目前正处于一个关键时刻,我们需要掌握的许多系统都极为复杂——从气候变化、宏观经济问题到阿尔茨海默式病。我们能否解决这些挑战以及我们解决此类挑战的速度,将会影响未来数十亿人的福祉及我们所生活的环境。

 

  问题恰恰在于,这些挑战非常复杂,即使是世界顶尖的科学家、临床医师和工程师,也很难领悟取得这些突破所需要的一切复杂性。据说,莱昂纳多·达芬奇(Leonardo da Vinci)也许是他那个年代最后一个完全明白知识广度的人。从那以后,我们不得不拥有某种专长,而今天,即使是天体物理学或量子力学等单一领域的知识,也需要一个人倾注毕生精力才能完全掌握。

 

  我们现在想要理解的那些系统是以大量数据为支撑——通常是高度动态、非线性、具有突现属性的数据,使得我们难以从中找到某种结构和连接,揭示其中隐藏的奥秘。开普勒和牛顿可以通过方程式来描述地球上行星和物体的运动,但当今的问题极少可以简化成一套简洁而紧凑的公式。


 

  最艰巨的科学任务之一

 

  这恰恰是我们这个时代所面临的最大科学挑战之一。阿兰·图灵(Alan Turing)、约翰·冯·诺依曼(John von Neumann)、克劳德·香农(Claude Shannon)等现代计算机时代的奠基人,都明白信息理论的核心重要性,而今天我们已经意识到,几乎所有的东西都可以在这种模式下进行思考或表达出来。这一点在生物信息学领域体现地最为明显——在那个领域,基因组实际上就是一个巨大的信息编码模式。我相信有朝一日,信息将被视为与能源和物质同等重要的东西。

 

  智能的核心在于,它可以被视为一个将非结构化信息转化为有用且可操作知识的过程。作为一个我倾注毕生精力所从事的研究项目,人工智能的科学承诺是,我们可以综合、自动化和优化这一过程,进而以技术为工具,帮助我们在一些领域快速获得新知识——对人类来说,这些领域目前仍然令人不堪重负。

 

  今天,从事人工智能研究成了一件非常时髦的事情。然而,人工智能一词可能意味着无数取决于语境的事情。在我参与创办的公司DeepMind,我们所采取的方法侧重于学习和普遍性概念,目的是开发我们可用于科学研究的人工智能。如果我们想要电脑去发现新知识,那么我们就必须让它们真正掌握自学能力。

 

  我们开发的算法可以学习如何直接从原始经验中掌握任务,这意味着它们所获得的知识最终是基于某种形式的感官现实而不是抽象符号。我们进一步要求它们必须感觉到,具有相同参数的相同系统可以在一系列任务中表现良好。

 

  DeepMind曾在2015年《自然》杂志上阐述了这两个原则,并称一个计算机程序通过“自学成才”,可以玩几十种经典Atari游戏,这种游戏除了屏幕上的像素和得分外,不需要其他任何形式的信息输入。我们还使用系统级神经科学作为新算法和结构思想的主要灵感来源。毕竟,大脑才是我们唯一存在的证据,证明基于体验的通用型学习系统是可以实现的。


 

  人工智能发展史上的里程碑

 

  这与我们许多前辈的做法完全背道而驰。通过比较在游戏领域取得世界第一的两项突破性研究,或许最能体现出这种差异:IBM的“深蓝”(Deep Blue)超级计算机(1997年击败了世界象棋冠军加里·卡斯帕罗夫),以及我们最近的AlphaGo计划(去年在世界最复杂的游戏围棋比赛中击败了世界冠军李世石)。

 

  “深蓝”使用了所谓的“专家系统”(expert systems)方法:一个程序开发团队与几位国际象棋大师坐下来商讨,如何将他们的知识明确地提炼出来并编写成一套复杂的试探程序。接着,超级计算机就使用这些规则来评估海量的潜在变量,尽全力计算出正确的方法。

 

  “深蓝”战胜卡斯帕罗夫是人工智能发展历史上的一个重大里程碑。但是,这场胜利只是更多地证明了IBM开发团队和国际象棋大师的聪明才智以及当代硬件的计算能力,而不是程序本身的任何内在智能。在国际象棋大师卡斯帕罗夫被击败后,围棋成为人工智能研究的“新圣杯”。

 

  围棋具有大约3000年的历史,在亚洲具有深远的文化影响,不仅被认为是游戏,还是一种艺术形式,其职业冠军是公众崇拜的偶像。围棋的潜在下法数量达到10的171次方,超过了可观测宇宙范围内的原子总数,即10的80次方,因此即使穷尽整个宇宙的物质也不能存下围棋的所有可能性。人类顶尖围棋选手往往通过直觉和本能来处理这种巨大的复杂性,而国际象棋棋手则更依赖于精确计算。

 

  至于AlphaGo,我们意识到为了捕捉围棋的这种直觉,我们必须采取与“深蓝”等国际象棋程序截然不同的方法。我们使用包括深层神经网络在内的通用技术来构建学习系统,而不是手工编码的人类专家策略,并向其展示了数千个功能强大的业余游戏,以帮助它形成自己对于人类游戏玩法合理性的理解。

 

  然后,我们用不同版本的系统玩了数千次游戏,每次从错误中不断学习并逐渐改进,直到系统变得异常强大。2016年3月,我们做好了进行终极挑战的准备:与世界顶尖围棋棋手李世石(Lee Se-dol)对决,此人获得过18个世界围棋比赛冠军,被广泛认为是过去十年最伟大的围棋选手。


 

  人工智能对科学发展的益处

 

  超过2亿人在线观看了这场对决,最终AlphaGo以四比一战胜李世石,专家们对此的一致意见是,这一突破比预期时间提前了十年。更为重要的是,在比赛期间,AlphaGo下出很多创造性的绝招。令人惊讶的是,其中一种下法颠覆了数百年来的智慧结晶,并从此被棋手们深入研究。在获胜的过程中,AlphaGo向全世界传授了这项可能是历史上最受关注的游戏的全新知识。

 

  这些算法获得灵感的瞬间让我们终于明白人工智能为何对科学如此有益:机器辅助科学发现的可能性。我们相信,AlphaGo的基础技术是通用的,可以被广泛应用于其他一系列领域,特别是可以优化的、具有明确目标功能的领域,以及可以精确模拟的环境中,从而实现高效的高速实验。

 

  例如,在能源效率方面,我们使用这些算法的一个版本,就发明了一套能将谷歌数据中心能耗降低40%的新技术,我们现在正在谷歌所有数据中心推广这种新技术,希望最终能实现巨大的成本节约,并为环境做出巨大的贡献。

 

  我们认为,在接下来的几年间,科学家和研究人员使用类似的方法,将会给人在超导材料设计到药物发现等多个领域产生深刻见解。在许多方面,我看到人工智能就好比是“哈勃”太空望远镜,后者是一种科学工具,可以让我们看得更远,更好地了解宇宙。


 

  加深对人类自身的了解

 

  当然,像任何强大的技术一样,人工智能也必须以负责任、有道德的方式进行使用,使每个人都从中受益。我们还必须明确认识到人工智能算法的实用性和局限性。但是,由于对人工智能的密切关注,加上对相关数据质量影响的更多研究,我们终有一天会发现,人工智能通过发现可逃过人眼的模式和来源,在支持各类专家的工作方面发挥至关重要的作用。

 

  正是科学家与算法之间的这种合作,将决定着未来几十年里科学进步的具体成就。我相信,人工智能将成为科学家可以部署的解决方案,进而提升我们的日常生活质量,使得我们所有人都能更快、更高效地工作。如果我们可以广泛、适度地部署这些工具,创造一种生机勃勃的环境,让每个人都能参与并从中受益,那么我们就有机会丰富和推进人类的整体发展。

 

  在此过程中,我们可能还会学到一些关于我们自己的东西。我一直觉得物理和神经科学在某种程度上是最根本的学科:一个与外部世界有关,另一个与我们头脑中的内部世界有关。因此,两者之间涵盖一切东西。人工智能可以帮助我们更好地理解这两个学科。当我们发现了更多有关学习过程本身的事情,并将其与人类大脑进行比较时,我们有一天就可以更好地了解使人类独一无二的东西,比如揭示思维中一些长期未解的谜团,如梦想、创造力、甚至是意识。


现代文明是一个神奇的壮举,一个可由科学实现的壮举。每次乘飞机的时候,我都惊讶于使我们能够翱翔在云层之上的技术——这种技术使得乘飞机旅行成为家常便饭。我们已经绘制了基因组图谱,开发了超级计算机和互联网,向彗星发射了探测器,在粒子加速器中以接近于光速的速度击碎了原子,并实现了人类登陆月球的伟业。我们是如何做到这一切的呢?当一个人开始去思考我们的大脑所能实现的成就时,这确实是一件了不起的事情。

 

  科学方法可能是人类所拥有的最强大的一个创意,而启蒙运动以来的进步更是惊人。但是,我们目前正处于一个关键时刻,我们需要掌握的许多系统都极为复杂——从气候变化、宏观经济问题到阿尔茨海默式病。我们能否解决这些挑战以及我们解决此类挑战的速度,将会影响未来数十亿人的福祉及我们所生活的环境。

 

  问题恰恰在于,这些挑战非常复杂,即使是世界顶尖的科学家、临床医师和工程师,也很难领悟取得这些突破所需要的一切复杂性。据说,莱昂纳多·达芬奇(Leonardo da Vinci)也许是他那个年代最后一个完全明白知识广度的人。从那以后,我们不得不拥有某种专长,而今天,即使是天体物理学或量子力学等单一领域的知识,也需要一个人倾注毕生精力才能完全掌握。

 

  我们现在想要理解的那些系统是以大量数据为支撑——通常是高度动态、非线性、具有突现属性的数据,使得我们难以从中找到某种结构和连接,揭示其中隐藏的奥秘。开普勒和牛顿可以通过方程式来描述地球上行星和物体的运动,但当今的问题极少可以简化成一套简洁而紧凑的公式。


 

  最艰巨的科学任务之一

 

  这恰恰是我们这个时代所面临的最大科学挑战之一。阿兰·图灵(Alan Turing)、约翰·冯·诺依曼(John von Neumann)、克劳德·香农(Claude Shannon)等现代计算机时代的奠基人,都明白信息理论的核心重要性,而今天我们已经意识到,几乎所有的东西都可以在这种模式下进行思考或表达出来。这一点在生物信息学领域体现地最为明显——在那个领域,基因组实际上就是一个巨大的信息编码模式。我相信有朝一日,信息将被视为与能源和物质同等重要的东西。

 

  智能的核心在于,它可以被视为一个将非结构化信息转化为有用且可操作知识的过程。作为一个我倾注毕生精力所从事的研究项目,人工智能的科学承诺是,我们可以综合、自动化和优化这一过程,进而以技术为工具,帮助我们在一些领域快速获得新知识——对人类来说,这些领域目前仍然令人不堪重负。

 

  今天,从事人工智能研究成了一件非常时髦的事情。然而,人工智能一词可能意味着无数取决于语境的事情。在我参与创办的公司DeepMind,我们所采取的方法侧重于学习和普遍性概念,目的是开发我们可用于科学研究的人工智能。如果我们想要电脑去发现新知识,那么我们就必须让它们真正掌握自学能力。

 

  我们开发的算法可以学习如何直接从原始经验中掌握任务,这意味着它们所获得的知识最终是基于某种形式的感官现实而不是抽象符号。我们进一步要求它们必须感觉到,具有相同参数的相同系统可以在一系列任务中表现良好。

 

  DeepMind曾在2015年《自然》杂志上阐述了这两个原则,并称一个计算机程序通过“自学成才”,可以玩几十种经典Atari游戏,这种游戏除了屏幕上的像素和得分外,不需要其他任何形式的信息输入。我们还使用系统级神经科学作为新算法和结构思想的主要灵感来源。毕竟,大脑才是我们唯一存在的证据,证明基于体验的通用型学习系统是可以实现的。


 

  人工智能发展史上的里程碑

 

  这与我们许多前辈的做法完全背道而驰。通过比较在游戏领域取得世界第一的两项突破性研究,或许最能体现出这种差异:IBM的“深蓝”(Deep Blue)超级计算机(1997年击败了世界象棋冠军加里·卡斯帕罗夫),以及我们最近的AlphaGo计划(去年在世界最复杂的游戏围棋比赛中击败了世界冠军李世石)。

 

  “深蓝”使用了所谓的“专家系统”(expert systems)方法:一个程序开发团队与几位国际象棋大师坐下来商讨,如何将他们的知识明确地提炼出来并编写成一套复杂的试探程序。接着,超级计算机就使用这些规则来评估海量的潜在变量,尽全力计算出正确的方法。

 

  “深蓝”战胜卡斯帕罗夫是人工智能发展历史上的一个重大里程碑。但是,这场胜利只是更多地证明了IBM开发团队和国际象棋大师的聪明才智以及当代硬件的计算能力,而不是程序本身的任何内在智能。在国际象棋大师卡斯帕罗夫被击败后,围棋成为人工智能研究的“新圣杯”。

 

  围棋具有大约3000年的历史,在亚洲具有深远的文化影响,不仅被认为是游戏,还是一种艺术形式,其职业冠军是公众崇拜的偶像。围棋的潜在下法数量达到10的171次方,超过了可观测宇宙范围内的原子总数,即10的80次方,因此即使穷尽整个宇宙的物质也不能存下围棋的所有可能性。人类顶尖围棋选手往往通过直觉和本能来处理这种巨大的复杂性,而国际象棋棋手则更依赖于精确计算。

 

  至于AlphaGo,我们意识到为了捕捉围棋的这种直觉,我们必须采取与“深蓝”等国际象棋程序截然不同的方法。我们使用包括深层神经网络在内的通用技术来构建学习系统,而不是手工编码的人类专家策略,并向其展示了数千个功能强大的业余游戏,以帮助它形成自己对于人类游戏玩法合理性的理解。

 

  然后,我们用不同版本的系统玩了数千次游戏,每次从错误中不断学习并逐渐改进,直到系统变得异常强大。2016年3月,我们做好了进行终极挑战的准备:与世界顶尖围棋棋手李世石(Lee Se-dol)对决,此人获得过18个世界围棋比赛冠军,被广泛认为是过去十年最伟大的围棋选手。


 

  人工智能对科学发展的益处

 

  超过2亿人在线观看了这场对决,最终AlphaGo以四比一战胜李世石,专家们对此的一致意见是,这一突破比预期时间提前了十年。更为重要的是,在比赛期间,AlphaGo下出很多创造性的绝招。令人惊讶的是,其中一种下法颠覆了数百年来的智慧结晶,并从此被棋手们深入研究。在获胜的过程中,AlphaGo向全世界传授了这项可能是历史上最受关注的游戏的全新知识。

 

  这些算法获得灵感的瞬间让我们终于明白人工智能为何对科学如此有益:机器辅助科学发现的可能性。我们相信,AlphaGo的基础技术是通用的,可以被广泛应用于其他一系列领域,特别是可以优化的、具有明确目标功能的领域,以及可以精确模拟的环境中,从而实现高效的高速实验。

 

  例如,在能源效率方面,我们使用这些算法的一个版本,就发明了一套能将谷歌数据中心能耗降低40%的新技术,我们现在正在谷歌所有数据中心推广这种新技术,希望最终能实现巨大的成本节约,并为环境做出巨大的贡献。

 

  我们认为,在接下来的几年间,科学家和研究人员使用类似的方法,将会给人在超导材料设计到药物发现等多个领域产生深刻见解。在许多方面,我看到人工智能就好比是“哈勃”太空望远镜,后者是一种科学工具,可以让我们看得更远,更好地了解宇宙。


 

  加深对人类自身的了解

 

  当然,像任何强大的技术一样,人工智能也必须以负责任、有道德的方式进行使用,使每个人都从中受益。我们还必须明确认识到人工智能算法的实用性和局限性。但是,由于对人工智能的密切关注,加上对相关数据质量影响的更多研究,我们终有一天会发现,人工智能通过发现可逃过人眼的模式和来源,在支持各类专家的工作方面发挥至关重要的作用。

 

  正是科学家与算法之间的这种合作,将决定着未来几十年里科学进步的具体成就。我相信,人工智能将成为科学家可以部署的解决方案,进而提升我们的日常生活质量,使得我们所有人都能更快、更高效地工作。如果我们可以广泛、适度地部署这些工具,创造一种生机勃勃的环境,让每个人都能参与并从中受益,那么我们就有机会丰富和推进人类的整体发展。

 

  在此过程中,我们可能还会学到一些关于我们自己的东西。我一直觉得物理和神经科学在某种程度上是最根本的学科:一个与外部世界有关,另一个与我们头脑中的内部世界有关。因此,两者之间涵盖一切东西。人工智能可以帮助我们更好地理解这两个学科。当我们发现了更多有关学习过程本身的事情,并将其与人类大脑进行比较时,我们有一天就可以更好地了解使人类独一无二的东西,比如揭示思维中一些长期未解的谜团,如梦想、创造力、甚至是意识。