阿爾法狗，言之無文，行而不遠

曹俊

阿爾法狗（AlaphaGo）3∶0戰勝了李世石。也許柯潔上陣結果會不一樣，但也不會太不一樣，畢竟以阿爾法狗的進步速度，擊敗所有人類高手不是今天就是明天。那么，人工智能（AI）將會勝過人類的智慧嗎？顯然不會！幾十年來，AI躍上了第一個臺階，但至少還要躍升兩個臺階，才有跟人類智慧較量的資本。

每個學習圍棋的人，必然背過圍棋十訣、棋經十三篇，知道“單關無惡手”、“棋拐一頭，力大如牛”等諺語，也必然知道“棋形”等美學概念。這些“虛”的指導思想，極大地簡化了具體的計算。

阿爾法狗除了暴力搜索算法外，通過價值網絡和策略網絡形成“棋感”，使它的能力躍上了一個臺階。經過大量訓練形成的這兩個神經網絡，就相當于這些虛的指導思想。在神經網絡中，這些指導思想以各個神經元的系數的方式存在。可以說，通過深度學習，阿爾法狗獲得的知識以一系列的數字表達出來，而不是棋理。

粒子物理學家20多年前就開始使用神經網絡（以及其他人工智能方法， 如Boost Decision Tree）來進行數據分析，比如尋找希格斯粒子，但一般盡量不用，因為訓練出的神經網絡不透明，就是一堆神經元的系數。我們說這里“沒有物理”，因為難以判斷其可靠程度（誤差分析不好做）。此外，神經網絡的一個突出問題是過度訓練。對一個有限的樣本，經過一定次數的訓練，有用的信息基本使用殆盡；如果繼續訓練，在人類對它的績效考核壓力下，它就開始鉆空子，報告說性能更好了，但實際上使用了垃圾信息，其表現為神經網絡“發神經”。據說，阿爾法狗的第四局失誤就來自過度訓練。

“沒有物理”有什么問題呢？首先，其他人難以判斷它是否正確，沒有同行評議，也許是過度訓練得到的假知識呢？其次，就算無條件相信它正確，獲得的知識也無法傳承。在科學研究中，自己知道了什么不是最重要的，更重要的是讓其他人知道你知道了什么。創造知識與傳承知識是同等重要的。否則，獲得的知識無法融入科學發展的長河中，未來還需要重新發現，那其對科學的貢獻實際上就為零。受過專業訓練的科學家與民間科學家的區別，就在于專業科學家看似普通的每一句話、每一個論據，都是建立在前人已檢驗過的知識基礎之上的，需要推敲的新論據每次只有一小點。

同樣，阿爾法狗獲得的知識是一堆莫名其妙的數字，只能它自己用，不能轉化為棋理，因而不能傳播和傳承。如果不解決表達與傳承的問題，AI只能依附于人類的智慧。人類知識由一個個的個體形成網絡和體系，而一個個AI都只能單獨地與人類接口，不能連成網絡。人類永遠是它的老師。

假如阿爾法狗想與人類智慧較量，首先它要形成抽象的表達能力：可以學習人類的語言與思維方式，從而與人類網絡接口；也可以獨立發展出自己的機器表達，比如說，天下的AI都用同一套神經網絡結構。這時候，AI就上了另一個臺階：每一個AI能夠抽象出易于表達的物理和棋理。

下一個臺階，就是將這些知識授予其他機器，從而構成網絡，甚至形成社會。為什么說形成社會呢？AI張三獲得的知識與AI李四的知識也許相反，怎么解決沖突？怎么形成妥協？是不是還要有人類社會的等級結構？

有了這些，阿爾法狗們就可以不依附于人類，獨立發展出知識體系。不過，還得要有文采哦！言之無文，行而不遠，阿爾法狗愿意教，但貝塔狗、伽馬狗愛不愛聽呢？