AI能推动对人脑的理解吗

    也许是有史以来最强大的人工智能“阿尔法围棋”(AlphaGo)昨天战胜了韩国围棋高手李世石九段,成为学界热议的焦点———人工智能(AI)专家们从中看到了具有深度学习功能的AI一日千里的进步;脑科学家们则在考虑当人类更深刻地理解大脑后,是否能制造出比AlphaGo更强的神经网络。

　　赢在意料之中

　　上海纽约大学研究人工智能的教授张峥此前已经断言,AlphaGo赢棋毫无悬念。“按照AlphaGo的学习和自学习规则,一日千里的行军速度,不要说是在过去五个月中进步飞速,即便是把围棋改成3D模式,它也一定会超过人类棋手。因为同一个棋盘,AlphaGo一天可以死上万次,人一天才只能摔几个跟头而已。”

　　张峥称,此前认为人工智能百分百会赢,是基于AlphaGo的技术细节。因为AlphaGo的卷积网络从小局部开始总结,小局部的经验可以自然迁移(和位置无关)。围棋战斗中局部缠斗居多,抖动全局的蝴蝶效应该有,但不多,这是AlphaGo占便宜的另一个地方。也就是说,19×19的经验可以挪用到20×20。所以,如果想胜,多造蝴蝶。

　　人和机器间的思维鸿沟在昨天的棋局中“一览无遗”。他举一个例子,在昨天的实战评论中出现了“AlphaGo在这里尖了一步”、“AlphaGo这里一步是打劫”、“补了这里”、“压了那里”……张峥说,“AlphaGo如果听了这些评论简直要笑死。不是因为它听明白了,而是因为它根本听不懂,也不会这么去思考。”AlphaGo的策略就是,哪里价值大就下哪里,头脑简单而粗暴。事实上,“飞”“尖”“压”这样的标签,对机器来说是个很难的分类任务:相对哪部分棋子是“飞”,为什么不是对那部分的“尖”?　这是计算机视觉领域的一个传统老问题:what-where。“打劫”这种时间序列上的标签就更难了。AlphaGo根本就不理这种问题,要消化这类问题会难死它。

　　靠什么一日千里

　　据上海纽约大学副校长、计算神经生物学教授汪小京介绍,AlphaGo的工作方式是经典的多层前馈卷积神经网络。这类网络的出现很大程度是受到神经科学的启发,其中尤其重要的是上世纪50年代诺贝尔奖获得者胡贝尔和威塞尔对视觉皮层的工作。AlphaGo的进展很大程度上来源于谷歌强大的计算资源和工程师团队以及对于若干经典算法的整合和改良。