論人腦與電腦

論人腦與電腦          / Ajin

怕在雙魚鏡這篇 人工智能 討論太多，佔據別人篇幅不好意思，所以搬回自己攤子繼續開朴逗第二場。

「人工智能」這話題越談就越有趣。智慧這咚咚。姑且不必說定義，用俺阿嬤聽懂的話語，就是動腦筋的能力，過程與結果，最終就是思考產品。

再提另一名詞：「科學」。「科學」是自然法，規矩，公式，定理。

那試問，思考是科學，或是藝術？

要理解這個問題，俺姑且舉個例子來膳述，比較容易了解到底俺在喃喃說啥。

10  = 1 + 1 +  … + 1

      = 5 + 5

      = 3 x 3 + 1

      = ( 4!/ Log100) – (2 x tan45)

      = … … …

以上都是科學表列，但要選擇那一路徑得到10，表現10，嘿嘿，哪是藝術咧！所以思考本身是一種根據科學方法讓腦部發揮功能的藝術。嘿嘿，問題來了。啥是藝術？

很簡單，非科學就是藝術啦。然而，藝術有一個非常重要的因素在內，就是必需包含主觀的喜惡，換句話說，就是有價值判斷的選擇。

一般而言，用科學方法處理最普遍的價值判斷，大都是以偶發的隨機事件（Random Events）作為取決標準。

說到此，人腦與電腦的思考差別大概可以窺知一二了。

電腦的人工智能所能依據的頂多是偶發隨機性的各種排列組合情況下，對比出來最佳方案。電腦本身無法超出記憶體內Algorithm的範圍。而人腦雖然沒有這麼廣大的記憶體，與隨機性的快速比對能力，但人腦有電腦所無法成長的藝術細胞與天份，有超出經驗法則異想天開的機率，有出奇不意創新出現之可能，這些是人工智能辦不到之處。

http://cn.nytimes.com/opinion/20160317/c17mcafee/zh-hant/

AlphaGo是怎麼學會下圍棋的

安德魯·麥卡菲, 埃里克·布林約爾松 2016年3月17日

由Google的子公司DeepMind創建的人工智能系統AlphaGo，剛剛在一場圍棋比賽中以四比一的成績戰勝了人類冠軍李世石(Lee Se-dol)。此事有何重大意義？畢竟在1997年IBM深藍(Deep Blue)擊敗加里·卡斯帕羅夫(Garry Kasparov)後，電腦已經在國際象棋上超越了人類。為什麼要對AlphaGo的勝利大驚小怪呢？

和國際象棋一樣，圍棋也是一種高度複雜的策略性遊戲，不可能靠巧合和運氣取勝。兩名棋手輪番將黑色或白色的棋子落在縱橫19道線的網格棋盤上；一旦棋子的四面被另一色棋子包圍，就要從棋盤上提走，最終在棋盤上留下棋子多的那一方獲勝。

然而和國際象棋不一樣的是，沒有人能解釋頂尖水平的圍棋是怎麼下的。我們發現，頂級棋手本人也無法解釋他們為什麼下得那麼好。人類的許多能力中存在這樣的不自知，從在車流中駕駛汽車，到辨識一張面孔。對於這一怪象，哲學家、科學家邁克爾·波蘭尼(Michael Polanyi)有精彩的概括，他說，「我們知道的，比我們可言說的多。」這種現象後來就被稱為「波蘭尼悖論」。

波蘭尼悖論並沒有阻止我們用電腦完成一些複雜的工作，比如處理工資單、優化航班安排、轉送電話信號和計算稅單。然而，任何一個寫過傳統電腦程序的人都會告訴你，要想將這些事務自動化，必須極度縝密地向電腦解釋要它做什麼。

這樣的電腦編程方式是有很大局限的；在很多領域無法應用，比如我們知道但不可言說的圍棋，或者對照片中尋常物品的識別、人類語言間的轉譯和疾病的診斷等——多年來，基於規則的編程方法在這些事務上幾無建樹。

「深藍」幾乎全憑強大的計算力實現了超人表現：它吸收了數百萬份棋局實例，在可能選項中搜索最佳的走法。問題是圍棋的可能走法比宇宙間的原子數還多，即使最快的電腦也只能模擬微不足道的一小部分。更糟的是，我們甚至說不清該從哪一步入手進行探索。

這次有什麼不同？AlphaGo的勝利清晰地呈現了一種新方法的威力，這種方法並不是將聰明的策略編入電腦中，而是建造了一個能學習制勝策略的系統，系統在幾乎完全自主的情況下，通過觀看勝負實例來學習。

由於這些系統並不依賴人類對這項工作的已有知識，即使我們知道的比可言說的更多，也不會對它構成限制。

AlphaGo的確會在某幾步棋中使用模擬和傳統搜索算法來輔助決策，但它真正的突破在於它有能力克服「波蘭尼悖論」。它能通過實例和經驗自行得出制勝策略。這些實例來自2500年圍棋歷史積累下來的高人對局。為了理解這些棋局的制勝策略，系統採用了一種叫做「深度學習」的方法，經證明這種方法可以對規律進行有效梳理，在大量信息中認清哪些是重要的東西。

在我們的大腦中，學習是神經元間形成和鞏固關係的過程。深度學習系統採用的方法與此類似，以至於這種系統一度被稱為「神經網絡」。系統在軟件中設置了數十億個節點和連結，使用對弈實例組成的「訓練集合」來強化刺激（一盤正在進行的圍棋）和反應（下一步棋）的連結，然後讓系統接收一次新的刺激，看看它的反應是什麼。通過另一種叫做「強化學習」的技術，AlphaGo還和自己下了幾百萬盤棋，從而記住哪些走法和策略是有效的。

深度學習和強化學習都是早已提出的技術，但我們直到近年才意識到它們的威力，以及它們能走多遠。事實上我們還是不清楚，但對這些技術的應用正取得飛速的進步，而且看不到終點在哪裡。它們的應用很廣泛，包括語音識別、信用卡欺詐偵測、放射學和病理學。機器現在已經可以識別面孔、駕駛汽車，它們都曾被波蘭尼本人歸為知道但不可言說的領域。

我們還有很長的路要走，但潛能是十分可觀的。就像240年前詹姆斯·瓦特(James Watt)首次推出蒸汽機，技術推動的變革在未來幾年裡將會波及我們的整個經濟，但不能保證每個人都能從中得到同等的好處。快速的技術進步帶來的社會挑戰，依然是需要我們去理解和應對的，這方面不能指望機器。

安德魯·麥卡菲(Andrew McAfee)是麻省理工學院(MIT)主任研究科學家，埃里克·布林約爾松(Erik Brynjolfsson)是MIT管理學教授。他們共同發起了麻省理工數字經濟項目(Initiative on the Digital Economy)，併合著有《第二次機器革命：數字化技術將如何改變我們的經濟與社會》(The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies)。

翻譯：經雷

http://zh.cn.nikkei.com/columnviewpoint/viewpoint/18716-20160317.html

機器人將與人自然對話            / 彼得·李

2016/03/17

　　谷歌機器人Alphago大勝世界頂級圍棋手，人工智慧（AI）的進化正在加速。人工智慧將如何滲透社會，為産業帶來怎樣的影響，又會産生什麼問題呢？微軟研究院院長彼得·李（Peter Lee）接受了日本經濟新聞（中文版：日經中文網）記者的採訪。

　　記者：在人工智慧上，您注重哪個研究領域？

　　彼得·李：實現人與電腦的自然對話。我們希望創造一個不是由人來操縱的電腦，而是由電腦理解人類的需求，從而提供各類支持的智慧環境。

　　記者：您能具體説明嗎？

　　彼得·李：例如在Skype中應用人工智慧，對中文、英文等語言進行同步翻譯，使不同語言的用戶也能進行交流。2016下半年我們將增加日語語種。此外，讀取文章並能回答問題的人工智慧服務也逐步展開。

　　了解用戶習慣，預測下一步將使用的軟體，從而提高IT機器的運行速度，根據技能水平選擇最適合的遊戲對戰選手等，人工智慧在一些看不到的地方發揮著作用。在自動駕駛和機器人等領域我們也抱有興趣。雖無法透露詳細情況，但我們正在開發相關合作夥伴和服務。在圖像識別技術上也能夠有所貢獻。

　　記者：與日本企業在什麼領域最有希望聯手合作？

　　彼得·李：日本在製造業上有很大優勢，物聯網的研發也十分積極。為了創造出更多劃時代的商品與服務，微軟應向日本學習。此外，日本有許多向老齡化等社會問題挑戰的科學家和技術人員。人工智慧和大數據能在這些領域發揮作用，我們能提供幫助。

　　記者：在人工智慧的普及上面臨著什麼問題嗎？

　　彼得·李：為了讓人工智慧的優勢通過雲技術推廣到社會各個角落，強大的計算機能力不可或缺。摩爾定律（由英特爾創始人之一戈登·摩爾提出，即當價格不變時，積體電路上可容納的元器件的數目，約每隔18-24個月便會增加一倍，性能也將提升一倍）即將走向盡頭是個大問題。如果晶片上的元器件縮小速度放慢，日益膨脹的需求便無法滿足。

　　記者：如何克服這個問題呢？

　　彼得·李：為了在今後15年內提升計算機能力，我們研發了電能消耗更少、演算能力更高的晶片。在微軟的數據中心中嘗試使用了1600多個這樣的晶片，改善了搜索引擎的運行狀況。

　　建設海上數據中心的提案也已投入運行。與陸上相比，海上建設時間和場所的自由度都更高，可以稱之為開拓數據中心量産道路的技術。

　　記者：但同時也有人認為人工智慧和機器人會搶走人類工作。

　　彼得·李：技術進步具有破壞性的力量，這是一柄雙刃劍。雖然新技術的出現會造成人類工作發生變化，但同時也帶來了機遇。人工智慧和機器人技術擴大了人類的能力範圍，促進了經濟發展。我樂觀地認為，這比過去任何技術都更加具有建設性。

　　記者為日本經濟新聞（中文版：日經中文網）編輯委員 村山惠一

　　彼得·李　　曾在美國卡內基梅隆大學、美國國防部高級研究計劃局（DARPA）從事IT相關研究，後於2010加入微軟。現年55歲。