近日,人工智能又一次成为媒体和公众关注的焦点:谷歌旗下一家公司研制出的人工智能程序“阿尔法围棋”(AlphaGo)在比赛中5:0完胜欧洲职业围棋冠军樊麾二段,在这种复杂度最高的棋类游戏上,人工智能显示出有望超越人类顶尖高手的“智力”。今年3月,AlphaGo将挑战世界冠军李世石九段。

　　1997年,IBM开发的计算机程序“更深的蓝”在六局棋比赛中,击败国际象棋棋王卡斯帕罗夫,成为载入史册的人工智能突破。然而,围棋的复杂度远远高于国际象棋,前者最多有10的约170次方种局面,后者的最多局面仅为10的约47次方种。近年来,人工智能有了什么发展,才有底气与职业围棋选手一较高下?它能否击败围棋世界冠军?如果击败,意味着什么?对于这些问题,专家给予了解答。

　　深度学习“消化”

　　2000万局棋

　　复旦大学哲学学院教授、人工智能哲学专家徐英瑾介绍,传统的计算机下棋程序的基本原理,是有限步数的搜索树,即采用数学和逻辑推理方法,把每一种可能的路径都走一遍,从中选出最优解。显然,这种下棋思考方法是人类无法做到的,发挥了计算机速度快、运算量大的优势。不过,这种“暴力算法”并不适用于围棋。据计算,围棋每回合有250种可能,一盘棋可长达150回合,所以围棋最多有10的170次方种局面。即便对计算机而言,这个运算量也是相当大的。

　　除了复杂度高,围棋还有一大特点——黑白两方棋的每个棋子是一样的,没有大小之分、角色之别。这给计算机程序的运算推理带来了很大难度,因为从哲学上看,围棋具有“语境敏感性”,不太适合逻辑推理;　而棋子各不相同的中国象棋、国际象棋具有“超语境性”,每个棋子角色明确,不因棋局的变化而改变,非常适合逻辑推理,这正是计算机的强项。

　　近年来,不同于搜索树的深度学习技术逐渐成熟,给围棋程序的研发带来了突破。深度学习源于人工神经网络,其模仿对象是人脑。研究表明,人脑由约10的11次方个神经元构成,神经元细胞的外表有很多突起。其中,比较短的放射性突起叫“树突”,外形似树枝分叉,具有接受刺激并将冲动传入细胞体的功能。而要把信息向其他神经元输送,就得依靠“轴突”。人工神经网络从信息处理角度对人脑神经元网络进行了抽象和模拟,建立运算模型。这种网络由大量模拟神经元的节点相互连接构成,每个节点代表一种特定的输出函数,称为激励函数。每两个节点间的连接,都代表一个对于通过该连接信号的权重值,形成人工神经网络的记忆。网络的输出则根据连接方式、权重值和激励函数的不同而不同。

　　“深度学习系统是人工神经网络的升级版。”徐英瑾解释说,这种系统由输入层、中间层和输出层构成,其中,中间层由多层人工神经网络构成,可多达七八十层,故名为“深度学习”。每增加一层,就意味着增加了一个人工智能分析维度。当人把某种大数据样本输入系统后,这种系统即可进行学习,掌握样本中蕴含的规律。为了让AlphaGo具有一流的围棋水平,谷歌科研人员输入了2000万局棋谱。假如一个人要学习2000万局棋,每局棋耗时15分钟,他需要一刻不停地下570年!