人工智能六十年

余 揚(yáng)

?

人工智能六十年

余 揚(yáng)

繁榮與寒冬

2016年恰好是人工智能發(fā)展60周年。人工智能的標(biāo)志性事件是1956年在美國Dartmouth大學(xué)召開的一個為期兩個月的會議。在會議上，來自美國幾個大學(xué)和企業(yè)的10位年輕人聚在一起，從不同角度討論用計算機(jī)來實現(xiàn)人的一些能力。會議提出用“人工智能”來命名所討論的內(nèi)容，這成為人工智能研究公認(rèn)的起始事件，而該會議也被賦予了專稱——“Dartmouth會議”。后來，從參會的年輕人中，走出了四位計算機(jī)科學(xué)最高獎“ACM/圖靈獎”得主、一位諾貝爾經(jīng)濟(jì)學(xué)獎得主，并且創(chuàng)立了“信息論”。

人工智能發(fā)展的第一個階段大約在20世紀(jì)60年代初到70年代中期。在這一階段，人們認(rèn)為邏輯推理能力是機(jī)器具有智能的重要成分，甚至一度認(rèn)為推理就是智能。這一階段的代表性工作主要有A.Newell和H.Simon兩位后來的圖靈獎得主研發(fā)的“邏輯理論家”程序，該程序在1952年證明了著名數(shù)學(xué)家羅素和懷特海的名著《數(shù)學(xué)原理》中的38條定理，并在此11年后證明了全部的52條定理，而且定理2.85甚至比羅素和懷特海的證明更加巧妙，令人驚嘆。因此，這一時期可以稱為“推理期”。

隨著研究的推進(jìn)，人們逐漸認(rèn)識到，單靠邏輯推理能力遠(yuǎn)不足以實現(xiàn)人工智能，以E.A. Feigenbaum為代表的學(xué)者認(rèn)為，知識是有智能的機(jī)器所必備的，于是在他們的倡導(dǎo)下，在20世紀(jì)70年代中后期，人工智能進(jìn)入了“知識期”，E.A.Feigenbaum后來被稱為“知識工程”之父。在人工智能“知識期”，大量專家系統(tǒng)問世，在很多領(lǐng)域做出了巨大貢獻(xiàn)。但這些系統(tǒng)中的知識，大多是人們總結(jié)出來并手工輸入計算機(jī)的，機(jī)器能進(jìn)行多少推斷完全由人工輸入了多少知識決定，也因此有這么一句對人工智能的調(diào)侃：“有多少人工就有多少智能”。之后，人們意識到專家系統(tǒng)面臨“知識工程瓶頸”，尋找專家來輸入大量知識一方面成本極高，另一方面，對一個特定領(lǐng)域建立的系統(tǒng)無法用在其他領(lǐng)域中，缺乏通用性。于是，一些學(xué)者嘗試讓機(jī)器自己來通過學(xué)習(xí)得到知識，而不依賴于人工輸入，這就是人工智能現(xiàn)在所處的“學(xué)習(xí)期”——從數(shù)據(jù)中學(xué)習(xí)到有價值的知識。

人工智能從“推理期”到“學(xué)習(xí)期”，走的并不是康莊大道，而是崎嶇山路。在“推理期”的高峰，一些進(jìn)展讓人們對人工智能過于樂觀，產(chǎn)生了不切實際的想法。A.Newell和H. Simon曾在1958年預(yù)言，1968年前計算機(jī)將成為世界象棋冠軍（實際是1997年，將近30年后）。

對人工智能的過于樂觀導(dǎo)致了人們過高的期望，而當(dāng)時的人工智能只能解決“玩具”問題，難以在現(xiàn)實問題中發(fā)揮作用，一時間，預(yù)言失敗、承諾無法實現(xiàn)、期望破滅，人工智能遭遇了誤解和冷遇，研究經(jīng)費也被大量削減甚至取消，人工智能進(jìn)入被稱為“AI Winter”的人工智能之冬。

進(jìn)入“知識期”后，從1980年代開始，由于專家系統(tǒng)得到應(yīng)用，人工智能才再次受到關(guān)注。這一時期，日本開始巨額投資“第五代計算機(jī)”計劃，英國、美國也啟動了相應(yīng)的投資項目，人工智能被推進(jìn)了第二次繁榮。然而在1980年代末，“知識期”人工智能技術(shù)局限日益突出，專家系統(tǒng)維護(hù)困難、弱點不斷暴露，日本五代機(jī)計劃破產(chǎn)，人工智能第二次進(jìn)入冬天。

直到1990年代中期，進(jìn)入“學(xué)習(xí)期”的人工智能開始從數(shù)據(jù)中學(xué)習(xí)知識，通用的學(xué)習(xí)方法在許多商業(yè)應(yīng)用中顯示出無可替代的價值，人工智能再度掀起浪潮。此時，我們正處于人工智能“學(xué)習(xí)期”的浪潮之巔。

為什么是AlphaGo

棋類游戲通常被認(rèn)為是人類智慧的濃縮，常常被用于開發(fā)兒童智力，因此，對于追求智力的人工智能，棋類游戲一直被作為檢驗其智能程度的試金石。

早在1951年，研究者們就設(shè)計了西洋跳棋程序。1997年，IBM“深藍(lán)”擊敗國際象棋世界冠軍，舉世矚目。而在“完全信息”棋類游戲（即沒有隱藏信息，例如撲克、麻將不屬于此類）中，圍棋是最難的，也是之前唯一沒有被機(jī)器攻破的。甚至在一年前，還沒有任何圍棋程序能夠達(dá)到職業(yè)棋手水平。因此，AlphaGo戰(zhàn)勝曾獲得世界冠軍的人類九段圍棋高手，在人工智能歷史上記下了重重一筆。

下棋的本質(zhì)是搜索，通過交替思考自己和對方可能的走法，找到最有利于自己的落子。AlphaGo的基礎(chǔ)框架是“蒙特卡洛樹搜索”，是一種聰明的搜索算法，但即使該算法已經(jīng)聰明地避免了很多無效搜索，也只能達(dá)到業(yè)余五段、六段的水平。AlphaGo還引入了“機(jī)器學(xué)習(xí)”，通過學(xué)習(xí)人類歷史上高手對弈的棋局?jǐn)?shù)據(jù)，對人類的走法進(jìn)行模擬：記住人類看到一盤棋是如何走下一步的，當(dāng)碰到?jīng)]有見過的棋局時，則參考以往相似的棋局，但它完全不懂得人為何要下這一步。進(jìn)一步，AlphaGo通過“強(qiáng)化學(xué)習(xí)”，即自己與自己下棋來提高自己。許多人驚訝于這種類似于“左右手互博”的學(xué)習(xí)機(jī)制，但這早在20年前就有。實際上，只要使用“強(qiáng)化學(xué)習(xí)”來訓(xùn)練對弈游戲，都是“左右手互博”。最終學(xué)習(xí)得到的模型，被用在“蒙特卡洛樹搜索”中，來為一盤棋的好壞做出較為精確的評估，指導(dǎo)避免更多的無效搜索，從而能夠在短時間內(nèi)看得更遠(yuǎn)、看得更準(zhǔn)，找到更好的走法。

AlphaGo涉及的所有算法部件都是現(xiàn)成的，其“蒙特卡洛樹搜索”已經(jīng)發(fā)展了十年，其學(xué)習(xí)模型CNN成形于上世紀(jì)，被大量使用在圖像識別也有多年，強(qiáng)化學(xué)習(xí)也是經(jīng)歷了數(shù)十年的發(fā)展，大量應(yīng)用在機(jī)器人控制等領(lǐng)域。這些技術(shù)的結(jié)合在近年也成為研究熱點。AlphaGo的貢獻(xiàn)在于使用卓越的工程水平，實現(xiàn)了這些技術(shù)的結(jié)合，用上千CPU和上百顯卡進(jìn)行加速計算，最終取得了與人匹敵的圍棋能力。

我們一方面肯定AlphaGo展現(xiàn)的實力，一方面還要注意到，其中涉及的人工智能技術(shù)，都是許多年基礎(chǔ)研究的成果，并不是突然就從平地冒出來的。未來人工智能的發(fā)展也會如此，今天有哪些積累，未來才會有哪些突破。

人工智能的下一步

人工智能已經(jīng)進(jìn)入人們的生活，正試圖讓生活變得更美好。例如，美國DARPA支持的CALO研究計劃所產(chǎn)生的一個成果——SIRI個人助理，已綁定在蘋果的手機(jī)等產(chǎn)品中，能支持用戶在簡單的任務(wù)上使用自然語言與系統(tǒng)進(jìn)行交互；微軟也推出了Cortana智能助理用于Windows產(chǎn)品； 微軟翻譯工具內(nèi)置到了通訊軟件Skype中，可以在Skype聊天時實時翻譯漢、英、法、德、意、西、葡等7種語言；自動駕駛汽車也在蓬勃發(fā)展?？梢灶A(yù)見，人工智能將成為越來越有力的工具，更好地服務(wù)人類。

然而目前，人工智能技術(shù)的瓶頸仍有很多。例如，在人工智能頂級國際會議AAAI’16大會上，國際人工智能協(xié)會主席T. G. Dietterich發(fā)表主席報告，針對目前人工智能技術(shù)缺乏穩(wěn)健性（例如AlphaGo對戰(zhàn)李世石第四局時下出多步臭棋），指出了“穩(wěn)健人工智能”的發(fā)展方向。

在社會環(huán)境方面，人工智能最近可能要面臨更大的瓶頸是，由“人工智能科幻”而導(dǎo)致的“人工智能威脅”論不斷出現(xiàn)。事實上，正如Facebook人工智能實驗室負(fù)責(zé)人LeCun最近所說，“有些人是因為對人工智能的原理不理解導(dǎo)致恐懼，有些人是為了個人名望宣揚(yáng)人工智能威脅論，而有些人是為了商業(yè)的利益推動人工智能威脅論”。

另一方面，人工智能發(fā)展歷史上經(jīng)歷了多次繁榮和低谷的交替。在每一次人工智能的繁榮期，人們往往在取得一些進(jìn)步后就對人工智能技術(shù)的發(fā)展盲目樂觀，逐漸產(chǎn)生了不切實際的預(yù)期和承諾，最終帶來的沮喪是導(dǎo)致人工智能進(jìn)入低谷的直接原因。對于人工智能未來的發(fā)展，抱以信心的同時還需冷靜對待，防止過大的起伏造成的不利影響。

作者系南京大學(xué)計算科學(xué)與技術(shù)系副教授，主要研究方向為人工智能、機(jī)器學(xué)習(xí)等