扒开双腿疯狂进出爽爽爽视频,麻豆免费版,安全生产标准化

2016-03-14

20 年前就打敗了人類，「深藍」開發者又如何看待 AlphaGo？

IBM 深藍的開發者，如何看待AlphaGo的圍棋之戰？

DeepMind 的圍棋人工智能 Alphago 對人類的碾壓來得促不及防，現在它以 3:1 領先圍棋冠軍李世石。由于圍棋的復雜性，很多人工智能專家曾認為，計算機要戰勝頂尖人類，還需要數十年時間。而在約二十年前，IBM 也同樣在人機之間挑起過爭論，當時它開發的深藍計算機打敗了國際象棋大師加里·卡斯帕羅夫 (Garry Kasparov)。

Murray Campbell 是深藍開發中的關鍵人物，也是 IBM 認知計算部門的高級經理，正是這一部門管理著現在的 Watson 人工智能平臺。那這位深藍的開發者，是怎樣看待新世紀人機之戰的呢？最近 Theverge 與他進行了對話，深圳灣對文章編譯如下 (有刪減)：

在20年前，你們如何解決象棋問題，打敗卡斯帕羅夫的？

我們還在卡耐基梅隆大學讀研時，就在開發象棋程序了，接下來 IBM 招了我們其中三個來開發下一代象棋計算機，也就是后來的深藍。我們當時意識到，單純的暴力破解方法很難打敗世界冠軍；但另一方面，擁有強大的計算力確實有用，而且程序的能力確實與計算速度有關，這有文獻支持。所以我們將一些人工智能類的先進算法 (搜索和評估方面的)，與大型超級計算機相結合，來開發冠軍級別的程序。1996 年的比賽我們失敗了，但次年用改進的系統卷土重來，并取得了勝利。

你當時為什么會做這事？是出于對象棋的興趣，還是對計算的挑戰？

兩者都有。我對象棋很感興趣，在成為計算機科學家前也是象棋玩家，還曾獲得過加拿大亞伯達省的冠軍。不過我也認識到，真正厲害的高手有一些我沒有的東西。這也讓我想知道，怎樣才能開發一個高水平的計算機來下棋呢？后來加入 IBM 時，我感到這是個機會，可以證明自己的想法。

除了個人興趣，打敗人類也對早期的計算機科學來說是個挑戰。1949年，知名數學家克勞德·香農 (Claude Shannon) 發表了一篇論文，描述了如何創造一臺象棋計算機，并認為這是一個大挑戰。

開發中，多大程度上你自己要了解國際象棋？是輸入一些規則就行了，還是根據自己的經驗來？

我認為了解一些象棋知識很重要。在開發的早期階段，我們不需要成為個中高手，而且當時也不是。但進行到最后階段時，會有很多關于如何下棋，以及大師的標準是什么的細節需要考慮，所以有個高手來幫忙很重要。當時我們請了象棋大師 Joel Benjamin 來幫忙。最后，我們還請了其他大師與機器對戰，測試系統性能。

當時的目標是模仿人類風格，還是開發一個不惜一切取得勝利的系統？

我們完全沒想著模仿人類，只不過是人類多數情況下，棋下得不錯，所以我們也希望系統如此。人類的風格被研究得很好，雖然沒被研究透，但心理學家數十年前就在研究了。而得到的結論是，象棋高手在考慮走棋時，只會關注少量的步數和位置。有時他們會計算到很深，才能決定怎么走，有時候不會。但他們很擅長棋局評估和搜索機制，這有助于決定選擇哪種方式探索棋局。模仿人類是很困難的事。

最初的人工智能確實想讓計算機有人類的網絡，但往往會敗給那些更「計算機風格」的計算機，即少進行評估，盡可能計算可能的步數。僅靠純粹的搜索確實能達到一定的水平，但我們也意識到，這還不夠，還是得在某些方面模仿人類。人類長于根據關鍵路線進行深入思考，我們也希望系統能這樣做，而這也是深藍能成功的一個重要原因。

到 1997 年，多數玩家都知道卡斯帕羅夫被打敗了，他們認為深藍的風格很不尋常嗎？

是的，有這樣一種說法，你看到計算機下出很出乎意料，或反直覺的一步棋時，會稱它為「計算機走法」。這是因為人類有這樣的思考方式，而有些走法，人類高手也不會用。這也是為何計算機能打敗人類，雖然在某種程度上說，它們無法準確評估棋局：由于它們不同尋常，所以能看見一些人類不會看見的走法。不過有趣的是，現在的年輕棋手會比老一代更容易走出計算機的走法，可能是因為他們一直有跟計算機下棋。

所以計算機戰勝人類，也讓人類變得更優質？

很正確。

在計算機科學角度上，圍棋與國際象棋有什么區別？

兩者都需要強大的計算量，都很復雜。但圍棋有一些象棋沒有的特點，那就是很難評估它的棋局。像我一樣的中級象棋選手，可能幾個小時就能寫一個評估函數，用于判斷象棋的棋局。雖然達不到大師的水平，但與搜索結合起來，已經足夠下高水平的棋了。

但圍棋會隨著時間推移而衍變，而且結構和互動非常復雜。象棋中的棋子會移動，沒有很多靜態結構，甚至只要數下誰的子多，你就能很好地預測誰會贏。現實當然會更復雜，但這是個不錯的經驗。圍棋則完全不是這樣，你沒法數棋子，因為一般來說雙方都差不多，而且評估起來難得多。所以我覺得，DeepMind 的高明之處在于，通過機器學習方法找到了更好的棋局評估方法。

你怎么看待 AlphaGo，它用的技術當時能用嗎，能不能用在深藍上？

我也與 DeepMind 的人討論過這種問題。首先我認為 AlphaGo 很厲害，也提高了現在的人工智能水平。如果他們證明 AlphaGo 是一種通用機制，還能用在除圍棋外的其它游戲中，我會更震驚。

至于這種方法能不能用在國際象棋上，我覺得它可能讓程序比所有人類都厲害，但不會是最先進的，因為現在的象棋程序已經很強大，且超越了人類。象棋在搜索上是不同的游戲，即搜索對象棋很重要，但在圍棋上不是這樣。圍棋中也需要深層次的搜索，但其中直覺，評估以及互動更為重要。

可以說，沒有什么能替代搜索，現代程序，比如我知道的最好的 Komodo，都有搜索可能的走法上很高效，搜索的層次也很深。我認為 AlphaGo 所用的通用機制就算用在象棋上，也無法重塑搜索，它需要其它的突破。

AlphaGo 能與自己下棋，看起來能力會不斷提升。

它在與自己下棋時，確實看起來有所提升。我不知道這是否會有限制，它能否不斷改進。但根據我對兩種游戲的理解，AlphaGo 用的方法直接用在象棋上時，無法打敗現有的程序。

處理能力對兩類游戲來說有多重要？

在象棋中可能沒那么重要。處理能力越強當然越好，但現在的智能手機已經能打敗任何人了。算法已經有了優化，程序也相當高效。AlphaGo 似乎用了很多處理能力，發表的論文上也說在 CPU 和 GPU 更多時，表現也更好。(編者注：上周 DeepMind 表示，逐漸達到了收益遞減的臨界點，即再增加計算性能似乎無法讓計算機的表現更好)

AlphaGo 的勝利對人工智能領域來說會意味著什么？會有下一個目標或里程碑嗎？

我認為，這會讓圍棋和象棋的研究減少。會有很好的機制處理這類游戲，部分是因為，雖然它們很復雜，但在另一方面上看又很簡單。他們都是完美的信息游戲，是零和游戲，也是輪流來玩的游戲，所以沒有運氣的成分在里面。但現實世界并不如此，你在決策中很少能完全了解情況，決定的結果也很難理清楚。

所以我很想知道如何將 AlphaGo 的系統用在其它游戲上，以及在沒有人類輸入的情況下用在圍棋上會怎么樣。這些都可以成為里程碑，但我認為我們會瞄準棋類游戲之外。將這種技術用在現實世界的問題會更有價值，也是我們應該做的。不過在這種轉移過程中，系統不會很快超越人類，因為人類與機器都有自己擅長的方面，需要互補。