人工智能注定统治人类 在最后挣扎的人机对弈前你要读完这篇文章
2017年5月23日，围棋等级分排名世界第一、中国围棋职业九段棋手柯洁将迎战DeepMind的人工智能围棋选手AlphaGo。
但你可能已经发现了，人们对这场世纪之战，或者说人们对AI下棋已经不那么关心了——为什么发展至今，我们仍旧要关注人工智能是否能在棋盘上战胜人类？
这个问题不如反过来说：如果人工智能比作一个生物，那为什么这种生物比人类对下棋更执着？
很难说清究竟是谁第一个教会了计算机下棋，二十世纪最伟大的计算机科学专家克劳德·香农在1949年发表了论文《编程实现计算机下（国际）象棋》。
而另一位同样被载入计算机发展史的学者艾伦·图灵在1952年编写了第一个计算机下棋程序——当时计算机的算力无法支撑这个程序的运转，图灵用笔和纸进行模拟验算与人类同事对弈，每走一步要花半小时的时间，最后输了。
如果AlphaGo战胜柯洁，那么就意味着：从学会下棋到在棋盘游戏领域完胜人类，人工智能等了这一天50年。
如果输了，它还要继续进化下去。
为什么游戏对人工智能这么重要？
“人工智能这么厉害，但为什么要和游戏较劲，不能把它用在更有实际意义的领域吗？”
这是大众在被AlphaGo轰炸一年之后的一个普遍的疑问。AlphaGo开发者的官方是：让AlphaGo研究下棋，能让人类更好的研究人工智能。回答
或许了解人工智能与游戏，或者说与棋盘、扑克、电子游戏的斗争史，能让你对这个看似简单的回答有一个更深刻的理解。
正如开头所提到的，人工智能的起源就来自于游戏，20世纪最伟大的两位计算机专家艾伦·图灵和克劳德·香农，分别对计算机下棋产生过浓厚的兴趣。
事实上，早期的的游戏是验证AI科学家一次性成果的检验器，许多人工智能的研究都是基于“让人工智能完成某一种游戏”来进行的。而人工智能与游戏的不解之缘并不仅仅局限于棋盘之上。
1957年，计算机专家ArthurSamuel编写了一个跳棋程序，然后让计算机战胜了自己。
在人工智能这个概念一次次被公众捧上巅峰又跌落谷底的往日时光里，游戏一直是人工智能不离不弃的好伙伴。人工智能除了先后攻克了跳棋、五子棋、象棋、扑克等传统桌上游戏之外。80年代电子游戏兴起，它和你一样喜欢玩电子游戏。
只是它和你玩游戏的方式不太一样：你玩游戏，人工智能控制NPC玩你。
游戏中的一些NPC只是简单的复述台词或为玩家复活、加血。但另外一些，却融入了早期人工智能的影子，尤其是那些带有博弈和竞技类的电子游戏。
开发者在制造这些NPC的时候，需要先将游戏规则写在程序里，并且要求电脑依照这些规则去进行游戏。一旦游戏开始，开发者并不能100%的预测这些NPC究竟会怎么操作游戏，这与控制论和80年代较为流行的一种名为专家系统的人工智能所遵循的逻辑十分相似。
人工智能像是欧洲炼金术传说中的人造生命体瓶中小人，尽管人工智能一次次的在瓶子之外受挫。但每当它回到“游戏”这个瓶子之中的时候，所有人都能看到它成长的速度。
在过去，瓶中小人的成长是发生在代与代之间的——研究人员开发了一款AI，让它去进行某种特定的游戏。通过观察AI在既定规则、充分信息的游戏中如何运作，研究人员可以在未来的版本中让这个AI玩的更好。
但到了现在，人工智能拥有了深度学习这一自主进化的能力之后。游戏对人工智能有了全新的意义——游戏是自主学习AI的“学校”和温床。
在解释为什么游戏是AI学校之前，我们要先用一下人话解释一下什么是深度学习。
2014年，DeepMind制作了一款游戏AI，在几乎没有人类干预的情况下通过上百局的反复游戏，学会了如何玩《打砖块》这种游戏。之后这款AI又在相同的模式下学会了如何玩《太空侵略者》（打蜜蜂）和《海底救人》等一系列复古的电子游戏。
DeepMind的AI在进化的时候与过去的人工智能有着明显的不同，它是自主和非监督的。这让它与之前游戏里的NPC划开明确的界限——你不再需要告诉电脑在一个游戏里每走出一步会发生什么，它们会自己学着去适应这个你为它准备的游戏。
在这里以图像识别为例，用最简单的语言不严谨的解释一下为什么这样的“学习”能够实现：
当研究人员要教会机器从一堆图片里找出“苹果”，多层神经网络实际在做的事情是先把所有的图片拆解成基础的像素，然后一层一层地进行分类。
一张图片的整体色调是什么样的：红绿青蓝紫橙；图片中主要物体的轮廓是什么样的：方、圆、多边；光线在焦点物体上是否有反光：物体表面是否有镜面反光、微弱反光还是不反光；物体的外形是否是多毛、少毛、无毛、硬毛还是软毛的……
经过这样一次次简单的分类，我们很容易知道苹果应该会落在红、圆、微弱反光、无毛的那一类里。
在实际中，研究人员并不会先定义苹果的这些特性。
而是让一个多层的神经网络先把图片中比较像的分为X个类。在下一层里，将X类中的图片按照新的特征重新分一遍生成Y个类，不断分类下去。
在训练的最开始，算法对图片进行的分类是完全随机的，得到的结果也是完全错误的。
研究人员只需要标定最后一层的正确结果。算法会用自己错误的结果和正确结果进行比较，并根据比较的结果从最后一层开始反向地逐层调整自己的参数，每调整一次参数就会更接近正确答案一些。
除了正确结果的标定，所有的调整和反推的计算都是算法自己完成的，不需要任何人工干预。
在经过多轮训练之后，“苹果”这种具有明显共同特征的植物出现在了某一个特定的类别里，研究人员指着这个分类说：这，就是苹果——从此机器学会了如何识别苹果。
第一层、第二层和第五层分类之后的结果
（算法的准确原理无法完全使用非数学的简单语言表达，以上解释并不严谨。输入层和输出层之间的隐藏层并非线性计算。而是对输入的向量进行了空间变换，实现对多个复杂线性计算函数拟合。如果你对深度学习算法有进一步的兴趣，可以在博客园搜索科普文章《》。）神经网络浅讲：从神经元到深度学习
与过去根本性不同在于，深度学习出现之前，单层神经网络算法只能做简单的线性判断。为了解决非线性判断，研究人员发明的多层神经网络在训练上又需要几乎不可实现的计算量。直到上面描述的参数一层一层自动传导的“反向传播”机制出现，才让深度学习成为了可以实际应用的技术。
在多层神经网络中的每一个“神经元”都与我们大脑中的神经元一样简单而优雅，却能至少在一定程度上模拟我们的大脑对世界的感知和判断。这让采用深度学习的人工智能真的可以用一个“孩子”来形容。
而游戏，为尚在幼儿时期的电子大脑提供了一个“安全的学校”。
2016年初，5名微软纽约研究院的顶级研究员，花费数天的时间让他们的人工智能能在任意的《我的世界》地图里爬到最高点。
这听起来仿佛是在浪费世界一流的研究环境，但这其实是微软ProjectAIX的一次实验。ProjectAIX旨在利用《我的世界》这款开放性极高的沙盘游戏为人工智能提供一个虚拟的训练场。
人工智能先学会那些规则简单不开放的游戏比如《超级玛丽》，然后逐渐向规则越来越模糊、标准化信息越来越少、突发状况越多的游戏中发展。聪明如你一定发现了：这些游戏越来越像一个“现实世界”。
研究人员解释说：“如果你把这项任务（登高）交给人类玩家，他们往往会先到一个目所能及的高地去观察一下地形，这也是我们训练出来的AI可能会做的一件事。在这个过程中，AI首先会观察周围的环境，然后判断出哪些要素与任务有关——比如地图里哪里有高山，哪些因素与任务无关——比如山的颜色是什么，然后再开始行动。AI要尝试许多次才学会，但最终它像人类一样观察、思考并完成任务。”
游戏对人工智能的意义在于，它为这个智力不高但学习能力卓越的“瓶中小人”提供了一个可控、可观察、可重复的环境。
举一个更简单的例子，之所以在《GTA5》游戏里实现自动驾驶要比在现实生活中容易的多。其中一个重要的原因一定是因为在游戏里，AI有撞死路人10万次的机会来学会如何在刹车失灵的情况下将损失降到最低。
而正如开头说到的，人工智能用了50年才在游戏这个玻璃瓶里战胜人类。
一段简史：人工智能的三次春天
不管你是从什么时候听说的人工智能这个词，但如果将2016年定义为人工智能的春天，那么这个春天已经是第三次。
1964年纽约世博会IBM展馆广告
1964年，纽约世博会上，IBM搭起了一个宛如巨蛋飞船一般的银色展台，巨蛋被架在一片金属、玻璃和树脂构成的森林上方。参观人员要通过一个液压升降电梯才能进入到这片精心布置的未来世界。
在IBM的展台里，最引人注目的是一个名为“光学扫描和信息检索系统”的成果。
参会者可以在一张纸条上手写下一个1851年后的日期，系统在读取这个手写的日期之后，会自动在另一张纸条上打印出这一日期曾经发生的重大历史事件。
如果在纸条上写一个未来的日期，机器会在纸条上写下这段文字：“由于这是一个未来的日期，我们只有在XX天后才能知道当天的事情。”
早在第二次世界大战后的50、60年代，人工智能的第一次春天就已经降临。站在未来，我们知道人工智能的第一个春天是一场被控制论刺激的春梦。
在当时，人工智能是与计算机科学同等让人兴奋的话题，两者之间的界限甚至有一些模糊——人们将模式识别、文字识别、机器翻译和生物学等不同方向的内容混在一起研究。
二战后心理学的学者大幅增加，当时心理学界流行这样一种假设——人是一种复杂的机器，大脑是一种可以被解构成基础反应的部件。
这种说法对一直以来不相信“心灵”这种虚无概念的科学家们极具诱惑，以至于很大程度上误导了人工智能的研究——“既然人只是一台能够对不同输入做出反应的复杂机器，那么我们只需要把现有的机器做的足够复杂就能让它成为人。”
而那时人们对人工智能的理解与其说是在研究人工智能，不如说是在研究机械的自动化。
单层神经网络算法甚至不足以支撑机器完成较为复杂的自动化动作。由芝加哥大学会计系教授詹姆士创立的咨询公司麦肯锡，将这个时代的人工智能描述为“不用手操作机器会自己动”。
《2001：太空漫游》里的人工智能HAL9000取名自“IBM”三个字母各自向前推一个字母，在它被主角关闭时，唱了一首IBM在1968年让计算机首次学会的歌
1968年科幻电影《2001：太空漫游》的上映，加重了公众对人工智能的浪漫幻想。许多科学家甚至在公开场合预言，“距离人工智能解决一切人类可以解决的问题只有10年。”
这种泡沫在1970年达到了巅峰，这一年美国斯坦福国际研究所研制出了世界首台通用机器人Shakey，在媒体的描述中它能自主行走，躲避障碍物，甚至可以用伸缩手臂来完成一些动作。事后证明，尽管作为先驱这完全是媒体的添油加醋。尽管用上了当时最先进的摄像头、传动装置和计算系统，Shakey却如它的名字一样唯一能做到的事情那样就是摇摇晃晃的走路。
随着知名学者MarvinMinsky在1969年出版的著作《感知（Perceptron）》里戳穿了单层神经网络的致命弱点。人工智能的第一次春天迅速结束，人工智能就像从来没来过。
人工智能的第二次广泛出现在大众的视野里是专家系统，这也是人工智能在经历了上次挫败之后，第一次尝试在商业领域大展手脚。80年代计算机工业的发展和双层神经网络算法的发现为这次春天提供了基础。
这个时代的人工智能看起来是这样的：
开发者：小娜是女孩
机器：了解。
开发者：女孩喜欢漂亮的衣服。
用户：小娜喜欢什么？
机器：小娜喜欢漂亮的衣服。
这种能完成“A包含于B，B是C，所以A也是C”的简单推理程序叫“推理机”。而在推理机的基础上加入大量的知识信息（上文中“小娜是女孩”、“女孩喜欢漂亮衣服”就是两条“知识”），就构成了专家系统。
尽管官网还维持着21世纪初的风格，但这家公司确实还活着
Exsys是世界上第一个成功商业化的专家系统，这家公司诞生于1983年，时至今日它依然存在。在Exsys公司的主页上显示，他们的使命与现在的许多人工智能公司差不多——希望通过专家系统，为无力进行人工智能研发的公司提供人工智能服务。
专家系统确实在商业化上取得了一定成功，许多商业公司、政府机构都会使用专家系统来帮助解决一些简单的问题。今天你依然能在与小冰、小娜和Siri的对话中看到专家系统的影子，一些医疗机构也仍旧在使用专家系统对患者进行标准化诊断。
上世纪80年代初，专家系统公司曾预言，未来专家系统会成为公司的CEO。这一幕我们至今仍未看到，而且可能永远也看不到了。
因为专家系统的本质依然是编程的变种，它只是为没学过编程的人提供了可以进行简单编程的接口。
专家系统自身没有太强的学习能力，一个标准的专家系统不会因为知道了小娜是女孩儿，再通过一个姓名的大数据库就推断出小冰应该也是个女孩儿。所有的规则都必须预先由人类定义，同时随着规则的增加，规则之间的冲突会让专家系统变得语无伦次和答非所问。
1990年代，互联网的春天来临，公众对人工智能的注意力再次被引开，人工智能又一次落入了短暂的冬天。
一张运行于Win98上的ViaVoice截图，用户可以通过麦克风来进行语音输入和电脑控制。是的，支持中文。
尽管在1997年，IBM就推出了名为ViaVoice的商用语音识别系统，但使用过这套系统的人都对它有着深刻的记忆——每一次安装，使用者必须对它进行长达2小时以上的语音训练，你要对着电脑屏幕用标准的播音腔，不断朗诵那些提前准备好的文案，确保机器学会你的口音。
这种缓慢、机械、蹩脚的学习方式直到深度学习（多层神经网络算法）出现才被抛弃。
2009年，多伦多大学任教的深度学习之父杰夫·辛顿发现了多层神经网络在机器认知上的作用。辛顿实验室中的一位博士生在实习期间将Android的语音识别系统准确率提升了25%，而此前，一直在业内已经使用30年的标准方法其实修修补补不得要领。
辛顿在同年夏天收到了来自科技巨头公司的Offer，人工智能在这一年迎来了第三次春天。之后的故事尽管还有8年，但这些年的进步你应该已经有了直观的体验，人工智能的一段简史到此为止。
人工智能终将战胜人类
20世纪50年代、70年代、90年代和21世纪初，分别有人预言“人工智能马上就要统治人类了”。
按照基调和标题，这篇文章应该也是新的一次预言。
但其实“在人工智能统治人类之前”这个描述十分讨巧——我并没有说人工智能会在什么时候统治人类，这个时间可能是下周、可能是10年，可能是再过50年。
回顾人工智能的进步史，尽管时间并不确定我们却不难得出这样一个结论：人工智能终将战胜人类。
世界第一辆无人驾驶汽车在1995年诞生，那年一辆搭载了最先进数码摄像头、计算机、GPS和陀螺仪传感器的小型货车成功在没有驾驶员的情况下穿越美国。而到了2017年，我们在讨论的是“全自动驾驶汽车可能在未来5年大规模普及”。
这比汽车在人类中的推广速度快了十倍，是什么让人工智能进步的如此之快？
总体来说，人工智能的进步会来自于两方面：一方面爆炸式的算法改进，另一方面是渐进式的算力提升。
人类对算法的研究，更像是对宇宙客观存在的发现。尽管它依然需要积累、尝试和科学家的睿智，但它对人工智能的影响是突变式的。就像我们可以将物理学分为牛顿发现万有引力前和发现万有引力后一样。
多层神经网络算法可能并不是未来真正高级人工智能的最终算法。这意味着即便以AlphaGo为代表的此时代人工智能，在现实生活中可能永远是现在这幅智障模样。但并不意味着人工智能发展会就此停滞。
与算法不同，算力的进步是一种对工程精度和工业化水平的考验——尽管摩尔定律已经主见失效，但量子计算机、生物计算机等前沿计算设备可能会让算力的进步继续下去。
计算力的提升为人工智能提供了长期、稳定的进化速度，填补了每次算法革命之间的鸿沟，并促使那些实验室里的革命转化为你能买得到的服务与商品。依靠着这两种进步，人类在地球这个巨大的玻璃瓶里走过的几十亿年的路程，有可能被压缩在几百年中完成。
而回到眼前的现实，如果人工智能必将战胜人类，那么柯洁与AlphaGo的对决，很有可能是瓶中小人打破玻璃瓶的第一步。
本文部分写作素材来自雷锋网、机器之心、新智元、微软亚洲研究院官方博客，另外特别感谢图森未来科技算法工程师在本文写作中的技术指导。