聊在前面

开聊前，先来统一一下对人工智能的认知。

（但，现在人工智能领域都没有一个公认的认知，我们怎么统一？）

那就说一个目前普遍的认知：人工智能是一个立志于要把机器做得跟人一样智能的领域。有时，也被称为是要模拟、延伸和扩展（超越）人的智能。

而智能是什么？这里主要指的是运用知识解决问题的能力。所以，建立一个能感受到痛或者爱的机器人显然不在这个领域之内。

人工智能基于一个信念，人类的思考过程是可以推算的。

这个信念起源于古典哲学家，那时候哲学家们天天辩来辩去，谁也没能说服谁。他们觉得语言真是太无力了，要是可以把人的思考用一种可以计算的方式表达出来，那哲学家们见面就不用浪费那么多口水了，直接掏出草稿纸，开始演算。

继承了这种思想的人工智能，它的核心其实是用数字理解世界，靠计算解决问题。

好奇心

1997年，IBM的深蓝打败了世界国际象棋冠军卡斯帕罗夫，引发了热议。

2016年，谷歌的AlphaGo打败了世界围棋冠军李世石，引发了热议。

前段时间，AlphaGo Zero在围棋上打败了AlphaGo，引发了热议。

每次引发热议，大家都在说终结者要来了。看上去，只要人工智能下棋下得好，它就离终结者近了一步，为什么呢？

这就要从人工智能的起源说起了。

19世纪30、40年代的时候，就有人开始想要做一个智能的机器。可是，到底什么算是智能，没有一个统一的认定。然后，大家就想，这个机器得先做一个人类觉得挑战智商的事情。如果它能成功，就说明它有智能。顺着这个思路，策略游戏成了第一个挑战目标。

1949年的时候，信息之父克劳德·香农（Claude Shannon）说，让我们从国际象棋开始。因为下国际象棋的规则和目标都很清楚，难度适中，需要思考，一旦机器能下赢，那大家就不得不承认机器是会思考的，或者，大家就得重新定义什么是思考。

1952年，计算机和人工智能之父艾伦·图灵，写了一个国际象棋程序。可惜，那时没有一台计算机能执行这个程序，他就自己假装自己是一台电脑，按程序指示下棋，每计算一步都花了用半个小时，可惜最后还是输给了他的同事。但他证明了，起码机器是可以下棋的。（不认识艾伦·图灵的同学可以去看卷福演的电影《模拟游戏》，讲的就是他的故事，挺好看的）

4年以后，人工智能这个领域被正式的成立了，命名为Artificial Intelligence（AI）。

看完人工智能的简单历史，让我们来聊聊它博弈的能力。

一开始，我们就说了，目前人工智能的核心其实是用数字理解世界，靠计算解决问题。而下棋是一个容易用数字理解的问题，所以难点在计算。

计算有两个部分，一是算得有多快，被称为计算能力，由硬件决定。另一个是怎么算，被称为算法，由软件决定。举个例子，这就像你要去海边玩，开车、骑车或走路是计算能力，走哪条路线是算法。你多快能到海边，或者说能不能到海边由两者同时决定。

人工智能学会下棋的思路，就两条，听上去也很简单。

暴力穷举，算完所有的走法，然后选择赢率最大的那个。这个需要强大的计算能力。

有技巧的选择计算，例如计算5步之内40种合理走法，选择赢率最大的那个。这需要聪明的算法判断出什么是合理。

像1997年的IBM的深蓝，主要依赖了前者。它拥有在当时而言，强大的计算能力，可以计算出落子后12步的棋，而世界冠军大概可以预判10步。深蓝因为这种强大的计算能力，赢了世界冠军。

2016年，AlphaGo则是在两条思路上都有突破，才能赢了世界围棋冠军。据估计，AlphaGo所使用硬件的计算能力是深蓝的30万倍，并且它使用了深度学习的算法。

为了说明深度学习是什么，我们得先退两步，再看一眼人工智能。

虽然说，人工智能界都想要创造一个超级聪明的机器，但是要怎么样让它变聪明却一直有两派之争。

第一派觉得如果把人类的知识和总结的逻辑教给机器，再让机器用强大的运算能力来执行，它就获得了解决问题的能力。这条思路是自上而下类，IBM的深蓝就是这一类。他拥有很多大师的走法知识，使用了专精于双人博弈的算法，虽然赢了世界冠军，但应用也就止于国际象棋。

第二派当然就是自下而上类。这条思路的人相信智能不是来自于某种先天的规则和知识，而是来自于通过与环境的互动和反馈来逐渐自我学习的。在这一门派下，诞生了机器学习。

那机器怎么学习呢？目前的方式是，给它一堆数据，告诉它一个对应的结果，让它自己去发现规律。

好吧，我们还是需要使用算法来告诉它，怎么发现规律。

而深度学习就是机器学习中的一种算法分类，它呢，还有一个叫法是deep structured learning，所以，深度主要是指它的学习模式是一个多层次的结构，而不是说它专精某个领域。

说得有点头晕，看图就明白了。

深度学习的最当红代表是人工神经网络，也就是AlphaGo用的算法。

它把一个复杂的问题，例如在图片中找到猫（是的，这对人工智能是特别复杂的事情），分解成很多层次和局部，到让每一个小圆圈去负责一个局部，最后汇总它们的报告，做最终决定。

不过，有的小圆圈说话的分量重一些，有的小圆圈说话的分量轻一些。

至于每一个小圆圈分量为什么是这么多（或少），没人能解释。他们只能告诉你，根据大量数据的训练和验证，这个比例下，准确率最高。所以，这种深度学习机器的工作过程更像是下图。

（因为这个黑箱子，有人说之前的人工智能是在算，而现在的人工智能在思考。这个言论引来懂代码同学的不满，表示这也是在算。但你要是去问人工智能的创始人们，他们肯定会说，你管我是不是算出来的，只要我们用机器做到了人脑思考才能做到的事情，这台机器就是会思考了！）

深度学习之所以会火，是因为它的这套自学找规则的方法很通用。只要你有大数据，对它进行训练，找到合适的权重，就可以用于推算和预测，像是诊断疾病、精准投放广告、审核图片（甚至是视频）等等。但是，每一种用途都需要单独训练，也就是说擅长找猫的，并不擅长下棋，虽然背后都使用了深度学习。

那刚打败了AlphaGo的AlphaGo Zero呢？听说它都不需要人的指导就自学成才，感觉人分分钟就要被超越了。

和大部分报道的惊叹不同，我觉得，这种深度学习的这个特质，反而展示出了它投入使用的局限。至于它的优势和局限到底是什么，且听下回分解。

. . .

今天这个好奇记·AI系列的首篇就聊到这里。之后会陆续更新。

现在各大科技公司都在争相雇佣人工智能方面的人才。读完这个系列，你就能拿到人工智能相关的工作offer，年薪百万。

……

这是不现实的。

但你会对这个领域有个认知背景，看得懂相关新闻和趋势，不会被人用一些科技名词忽悠。

今 日 美 图

先 到 这 里 吧