讓柯潔感嘆我的天，人工智慧現在到底有多智能？

題圖：《黑客帝國2：重裝上陣》

如何看待 Deepmind 宣稱最新版 AlphaGo 能讓李世乭版本 AlphaGo 三子？

知友：不會功夫的潘達

5月24日，在未來圍棋峰會會場上，DeepMind團隊首席科學家David Sliver介紹了AlphaGo的最新進展。

其中的這張圖，吸引了吃瓜群眾的眼球。

簡單說，就是最新版的AlphaGo（以下簡稱Master），能夠讓對戰李世乭版本的AlphaGo（以下簡稱AlphaGo-Lee）三子。讓三子是什麼概念？有請柯潔為大家解說。

這個問題，我們還可以再深入一點討論。

前幾年的《圍棋天地》雜誌，每期有個固定欄目，《36問》，就是問一位職業棋手36個問題。其中一問就是，你認為你和圍棋之神的差距多大。我的印象中，除了個別奇葩答案以外，認為棋神讓自己三個旗鼓相當的職業棋手是最多的。與之對應，AlphaGo的機械臂，黃士傑博士，去年也曾在推特上說，他也認為圍棋之神不能讓頂尖職業棋手四個子。

等等，現在Master能讓AlphaGo-Lee三子，而AlphaGo-Lee戰勝了李世乭，那麼Master豈不是至少能讓李世乭三子？也就是說，最新版本的AlphaGo，已經和圍棋之神能夠平起平坐了？

非也。

去年5月，就在AlphaGo-李世乭五番棋之後，David Silver在倫敦大學學院做報告，其中也有一張類似的圖。

（這圖拍的，應該召喚饒羅翔老師）

圖中說，AlphaGo-Lee能夠讓Nature雜誌上那一版本的AlphaGo（以下簡稱AlphaGo-Nature）三到四子。這裡的讓子是帶貼目的，所以要打一個小小的折扣。打完折扣以後取平均值，可以認為AlphaGo-Lee能夠讓AlphaGo-Nature三子。

注意，在這張圖裡，AlphaGo-Lee的等級分是4500分！而今天峰會上的圖，AlphaGo-Lee只有3600+分。這也容易解釋。在上圖的左下角，有一行小字：「注意：等級分評估基於自對弈結果」。也就是說，4500這個分數是AlphaGo的不同版本之間互相戰鬥之後，根據比分評估的。而3600+這個分數，是根據AlphaGo-Lee與人類的對局結果評估的。AlphaGo-Lee和人類一共就下了五盤棋，也就是對李世乭的4勝1負。李世乭當時的等級分在3550分左右。根據貝葉斯ELO演算法，將AlphaGo-Lee的分數定為3600+，恰如其分。

那麼問題來了，按照AlphaGo自評估的4500分，她理應碾壓李世乭，為什麼最後還輸了一局呢？

這裡涉及到一個概念，「過擬合」。

過擬合，在機器學習領域指，在訓練AI的過程中，因為樣本太少或訓練時間太長等原因，訓練結果只適應（特殊的）訓練樣本，而不適應一般情形。用一張圖說明。

綠線代表過擬合模型，黑線代表正則化模型。雖然綠線完美的匹配訓練數據，但太過依賴，並且與黑線相比，對於新的測試數據上具有更高的錯誤率。 （來自維基百科）

過擬合這個概念，具體表現到AlphaGo身上，就是新版本的AlphaGo更善於對付舊版本的AlphaGo，而相對不善於對付一般性的對手，比如李世乭。

講回DeepMind團隊今天的報告。

現在再看這張圖，應該就豁然開朗了。Master的4700分，同樣是基於自對弈的評分。Master能讓AlphaGo-Lee三子，可能含有過擬合的水分。因此，Master能否讓柯潔三子，以現有數據無法判斷。

也許你想問，Master到底能讓柯潔幾個呢？

我的看法是，棋手的水平越高，讓子的難度就越大。剛學圍棋的人，可能被一個連業餘段位都沒有的棋手讓九個以上。水平相當的業餘棋手之間，有「互讓三子好勝負」的說法。而據 @傅奇軒 說，李世乭九段經常在北京，找業餘6段棋手下帶彩的讓三子棋。一盤一萬美金，李世乭大致勝負各半。頂尖職業棋手和高水平的業餘棋手相比，可以算是兩個世界的人，但最多也就讓三個子。想讓柯潔三個子，難度非常大，也許棋神能做到。

另外，AlphaGo也有技術問題要解決。對李世乭版本的AlphaGo，逆風局穩定性遠不如順風局。而讓子棋從一開始就是大逆風局。AlphaGo在逆風局會如何表現，是未來的一大看點。

個人觀點。如果現版本的AlphaGo對戰柯潔，我覺得讓兩個子會有看頭，讓三個子我all in柯潔。

柯潔應該對自己有信心。今天他發的微博，大概是這個小心機婊在給自己減壓吧。無論如何，明天，持白棋的柯潔，請加油！

人工智慧達到了什麼程度？

機構帳號：微軟亞洲研究學院

針對這個問題，我們邀請了微軟亞洲研究院機器學習組的首席研究員劉鐵岩博士，為大家帶來他眼中人工智慧現狀，包括面臨的挑戰與機遇。

微軟亞洲研究院機器學習組包含機器學習的各個主要方向，在理論、演算法、應用等不同層面推動機器學習領域的學術前沿。該組目前的研究重點為深度學習、增強學習、分布式機器學習和圖學習。其研究課題還包括排序學習、計算廣告和雲定價。在過去的十幾年間，該組在頂級國際會議和期刊上發表了大量高質量論文，幫助微軟的產品部門解決了很多複雜問題，並向開源社區貢獻了微軟分布式機器學習工具包（DMTK）和微軟圖引擎（Graph Engine），LightLDA、LightGBM等，並受到廣泛關注。

要說人工智慧發展到了什麼程度，我們先來看看人工智能的歷史進程。

人工智慧從1956年的達特茅斯會議開始，到現在61年的歷史，發展過程中風風雨雨，可以看到幾起幾落，至少我們經歷過兩個所謂人工智慧的冬天。

每一次人工智慧的崛起都是因為某種先進的技術發明，而每一次人工智慧遇到了它的瓶頸，也都是因為人們對於人工智慧技術的期望太高，超出了它技術能達到的水準。所以政府、基金會等撤資，導致了研究人員沒有足夠的資金去從事研究。

那麼今天我們處在一個什麼階段呢？有人說現在是人工智慧的春天，有人說是夏天，還有人悲觀一點，說是秋天，秋天的意思就是冬天馬上就來了。作為人工智慧的學者，我們該怎麼看待這件事情，我們能做些什麼？不管大家怎麼預測，至少今天還是一個人工智慧的黃金時代。

為什麼這麼講呢？接下來先給大家展示一些最近人工智慧取得的成果，確實是之前十幾年我們完全想不到的。

首先，我們講人工智慧在語音方面的突破，人工智慧在語音識別，語音合成上面最近都取得了非常矚目的結果。2016年10月份由微軟美國研究院發布的一個語音識別的最新結果實現了錯誤率為5.9%的新突破，這是第一次用人工智慧技術取得了跟人類似的語音識別的錯誤率。

其次，在圖像方面，人工智慧也有很多長足的進步，比如圖像識別的ImageNet比賽，用計算機去識別數據集中1000個類別的圖像。在2015年，來自微軟亞洲研究院的技術——ResNet，獲得了2015年ImageNet的冠軍，錯誤率是3.5%，而人的錯誤率大概是5.1%。所以可看出在特定領域、特定類別下，其實計算機在圖像識別上的能力已經超過了人的水平。2016年我們微軟亞洲研究院再接再勵，在比圖像識別更難的一個任務——物體分割上面取得了冠軍。

除了語音和圖像以外，其實人工智慧在自然語言上面也取得了很大的進展。左邊這張圖描述了各大公司都在不斷地提高各自語音機器翻譯的水準和技術，右邊這張圖展示的是去年12月微軟發布了Microsoft Translator的一個新功能，它支持50多種語言，可以實現多個人多種語言的實時翻譯，比如大家每個人可能來自不同的國家，只要拿著手機用這個APP我們就可以互相交流。你說一句話或者輸入文字，對方聽到/看到的就是他的母語。

前面說的這些語音、圖像、語言，聽起來還都是一些感知方面的東西。大家也知道，最近這段時間，人工智慧在一些傳統我們認為可能很難由機器來取得成功的領域也獲得了突破。比如左邊這張圖描述的是用人工智慧技術來打遊戲，大家可以看到這個敲磚塊的遊戲，在120分鐘訓練的時候，人工智慧就找到了很有效的得分的途徑。當我們繼續去訓練這個人工智慧的機器人，到了240分鐘以後，它又達到了那種所謂骨灰級玩家的水準，它發現了一些平時我們自己都玩不出來的竅門。

右邊展示的是圍棋比賽，大家都知道AlphaGo非常火，使用了深度增強學習的技術，經過了非常長的訓練時間，引用了大量數據做self-play，最終是以壓倒性的優勢，4：1戰勝了當時的世界冠軍李世石。在去年的IJCAI上面，AlphaGo主要的開發人員做了一個keynote，說自戰勝了李世石之後，AlphaGo並沒有停下腳步，因為它是一個self-play的process，可以繼續訓練，只要給他足夠的運算時間和樣例，它就可以不斷地去訓練。所以也能理解為什麼今年年初Master重新回到大家視野里，可以對圍棋高手60連勝，因為這個差距太大了。

這些事情都是以前人們覺得人工智慧不可以去企及的領域。但正是因為這些計算機科學家、人工智慧科學家不斷地去模仿人的決策過程，比如他們訓練了value network，訓練了policy network，就是怎麼樣根據現在的棋局去評估勝率，去決定下一步該走什麼子，而不是走簡單的窮舉，用這些value network來對搜索樹進行有效的剪枝，從而在有限的時間內完成一個非常有意義的探索，所有這些都是人工智慧技術取得的本質的進展，讓我們看到了一些不一樣的結果。

說了人工智慧的這些輝煌之後，如果大家感興趣，可以關注我們微軟亞洲研究院機器學習組，跟我們共同從事機器學習的基礎研究。

本文內容來自「知乎」

轉載請聯繫知乎原作者

未經作者授權同意，禁止轉載

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！