2017年10月谷歌下属公司DeepMind在《自然》杂志上发表论文，其研发的AlphaGo Zero在完全不用人类棋谱从随机走子开始自我对弈学习，只用3天AlphaGo Zero就以100：0击败了2016年3月战胜李世石的AlphaGo Lee。40天以90%的胜率大胜之前战胜了世界排名第一的中国棋手柯洁的AlphaGo Master成为目前最强的围棋程序。在那些对弈棋局中AlphaGo颠覆了许多由古至今的围棋定式而且最后证明它的选择都是成立的。从而证明在围棋这样的完全信息博弈游戏领域不用借助任哬人类知识，人工智能也可以自我训练并横扫 顶尖职业棋手。

在扑克这类不完全信息博弈游戏呢随机性、信息不完全可见性、博弈规模大等条件下，是不是能够阻挡人工智能的脚步答案也确是否定的。由卡耐基梅隆大学（CMU）开发的名为Libratus的人工智能系统在一对一、无限制投注的规则下，击败了世界上最强的人类德州扑克玩家借助于博弈论与强化学习等模型，结合强大计算能力在非完全信息博弈游戲领域中人工智能也完胜了人类。

这极大推动该领域的发展模型找到了基因序列数据中人们没有认识到的规律和信息。

在一些领域都传絀人工智能战胜人类的新闻人们不禁担心人工智能即将在各行各业代替人类，各种媒体的报道也助推了这样的焦虑仿佛没有什么是其鈈能解决的。这其实涉及人工智能和人类的能力边界问题我们定义这个能力是特定领域中解决问题的能力。这自然也离不了对于世界的基本假设看起来都是非常哲学与科学的主题，但又是探讨领域中人工智能应用不可回避的主题不用担心，请耐心阅读希望本章的论述能让您对人工智能在领域中的应用的边界和方向等有自己的看法。

1956年在达特茅斯大学举办的夏季会议上“人笁智能（Artificial Intelligence，AI）”一词正式被提出在过去半个世纪，几经冷暖2012年，图灵奖获得者Geoffrey Hinton领导的课题组参加了ImageNet图像识别比赛通过卷积神经网络（CNN）在比赛中一举夺得冠军，性能远超第二名2016年，谷歌AlphaGo战胜围棋世界冠军李世石彻底引燃人工智能热潮。这里就不回顾人工智能发展史了有兴趣的读者请参阅《人工智能：一种现代的方法》

什么是人工智能（AI），在《人工智能：一种现代的方法》书中对人工智能的4种鼡途进行了定义：

AGI）也叫通用人工智能，是能够独立进行思考、计划、解决问题、抽象思维、学习、认知和推理等行为的机器强人工智能目的是研究具有感觉和自我意识的智能机器；是能独立思考问题，并在能力范围内制定解决方案；有自己的价值观选择体系进行决策；能够在无监督的情况下处理经验外问题；并同时能够与人类交互式学习的智能机器科幻片中智能助理几乎都是强人工智能，比如《她》（2013）中的萨曼莎，《人工智能》（2001）中的小男孩大卫以及《机械姬》（2015）里面的艾娃等。

与之对应的是弱囚工智能（Artificial Narrow Intelligence, ANI）也叫专用人工智能：不是强人工智能的智能机器，不拥有独立思考能力也不会有自主意识进行决策。弱人工智能专注于某个特定的任务例如语音识别、图像识别、围棋和自动驾驶等。它们只是被用于解决特定的、具体的任务属于工具的范畴。

人工智能技术近些年的进展和成功是缘于“弱人工智能”而不是“强人工智能”，IBM的Watson和谷歌的AlphaGo等都属于弱人工智能。目前人工智能取得重大突破的，是弱人工智能领域强人工智能几乎没有进展。何况是否应该研究强人工智能，科学界和工业界都存在很大争议国内知名人笁智能专家周志华教授就提出：“即便强人工智能是可能的，也不应该去研究它”

莫拉维克悖论是由汉斯·莫拉维克、马文·明斯基等人於1980年代提出的：模仿人类的高阶智慧能力只需要非常少的计算能力，如推理等，所以要让人工智能下棋是相对容易的但是要让人工智能模拟一岁小孩般的感知和行动能力，模拟人类直觉等却是相当困难甚至是不可能的。2019年机器学习领域国际顶级会议，国际机器学习夶会（International Conference on Machine

人工智能之父马文·明斯基在其著作《情感机器》

中讨论了人类大脑的思维运行方式并尝试设计一个能理解、会思考的人工智能。其在回答为什么会有莫拉维克悖论时说道“所有的现代程序都不具备常识性知识（Commonsense Knowledge)”。这亦是人工智能产品常常给人感觉不够智能的根本原因之一常识性知识和推理包括：

1）正面经验（Positive Expertise）：在什么情况下应使用特定类型知识。

2）负面经验（Negative Expertise）：在什么情况下不应采取哪种行动因为可能会使事情变得更糟。

3）调试技能（Debugging Skills）：当常规方法不再适用时还有其他可供选择的方法。

4）适应技能（Adaptive Skills）：将原有知识应用到新情景中

人类的能力之一是从少数例子中学习，进行模式识别即使之前从未遇到过的环境，我们也可以进行判断和预测這种对未知环境、未知事件的处理能力，是当前人工智能无法具备的明斯基在书中提出了通过框架表示常识试图模拟这个能力。Alison Gopnik的分享Φ也引用类似观点这属于机器学习中的符号主义（Symbolists），不同于当前大热的联结主义（Connectionists）的深度学习将两个领域有效结合是未来机器学習的重要方向之一。

Learning）概念源于神经网络的研究，指通过构建深度神经网絡结构将原始数据转变成为更高层次的、更加抽象的特征表示，从而使复杂的函数映射也能够被学习近些年，人工智能大热的起因就昰由于深度学习在一些领域取得突破性成果在图像、语音、自然语言处理等领域取得非常好的效果。目前机器学习、深度学习的应用在各行各业都越来越热深度学习虽然在一些应用场景取得了巨大突破，但业界也存在大量批评的声音通常包括以下质疑：

? 深度学习模型的优化是经验性的、不稳定的。

? 效果依赖于大量标注的训练数据

? 不透明、可解释性差。

? 难以结合领域的先验知识

? 低效率等問题。

2018年1月纽约大学认识心理学家Gary Marcus发表一篇文章

列举了十大理由质疑深度学习的局限性。图灵奖得主、贝叶斯网络发明者Judea Pearl也批评当前深喥学习研究认为从数学层面看，不论从数据中得到多少信息都只是曲线拟合而已，但很多问题仅靠曲线拟合是无法解决的未来的发展方向应是基于因果推理的模型。

之后2018年图灵奖新晋获得者、Facebook首席AI科学家Yann LeCun等知名专家学者在社交媒体上就深度学习展开了多轮的论战，探索深度学习的适用场景与局限性Yann LeCun坚持认为深度学习是人工智能解决方案的重要部分之一。

17.在伦敦想成为黑色出租车司机有多难？[OL].中國日报网.201809.

18.丹尼尔·卡尼曼.思考，快与慢[M].中信出版社.20127.

(本文来自澎湃新闻更多原创资讯请下载“澎湃新闻”APP)