从围棋博弈到数字经济发展新动力

　　围棋，曾经一度被视为智力游戏的“最后堡垒”。即便当“深蓝”击败卡斯帕罗夫后，围棋也凭借自身千变万化的变局，让无数人工智能“棋手”望而却步，让无数人工智能研究者捶胸顿足。但技术的发展，从来就没规定过只能匀速发展。

　　随着技术上的突破，被俗称为“阿法狗”的人工智能棋手AlphaGo及其后续升级版本，成功征服了围棋游戏。

AlphaGo的出现让围棋走向了人工智能的时代|Wikipedia public domain

　　是什么让它成为“围棋之神”呢？

　　人工智能在20世纪后半叶诞生以后，主流发展方向一直是高度适于处理特定问题的“专家系统”。而在上个世纪60年代开始，神经科学也迎来了大发展。尤其是大卫·休伯尔（David Hubel）与托斯坦·维瑟尔（Torsten Wiesel），他们对哺乳动物视觉皮层信息处理通路的研究，在相当程度上启发了人工智能学者。我们耳熟能详的“神经网络”一词，作为一种人工智能设计方案，就此诞生。

神经网络作为一种人工智能设计方案，已经诞生｜Pixabay

　　这种一定程度上模仿大脑内部“天然神经网络”的“人工神经网络”算法，同样把运算结构划分为一个个“神经元”。其中，“前排”神经元负责接收并处理加工外界输入的信息，然后再将结果交由“后排”神经元进行整合并输出结果。

　　不过，在上个世纪80-90年代的计算机浪潮中，率先崭露头角的人工智能方案却并不是神经网络。当时的研究人员开发了一类算法，模仿人类在解决谜题或进行逻辑推理时使用的“逐步推理”。这类算法，通过层层设置选择条件，来根据现有局面构建尽可能全面的发散状选择树，并在运算能力和反应时间允许的极限内，尽可能检索出已知范围内的最优解。

　　显然，相比于死板地依照预设代码执行“如果……那么……”式命令的传统计算机程序，这种能够主动进行逐步推理算法，在处理不确定性问题或面对信息不完整局面时，会有更灵活的反应。在国际象棋领域终结人类统治的“深蓝”，其基本运行原理就是基于这类算法。在与人类对弈时，“深蓝”会基于已经学习的海量对局，为当前局面进行分析，快速检索出各种主要选择，然后在有限的时间中内尽快挑选出最优解，作为下一手打出。

　　简而言之，“深蓝”最核心的部分，就是一个“局面”检索算法。

　　当然，这种人工智能有一个明显的弱点，就是当它们面对足够复杂的大型推理问题时，会遭遇名为“组合爆炸”的叹息之墙，找出最优解的速度急速下跌。

　　因此，可以在国际象棋赢下人类顶级大师的“深蓝”，并不适合应付围棋这样变局数量近乎无穷的思维游戏。这也是演化赋予人脑智能的特点——追求效率，但不求尽善尽美。

　　此时，经过进一步演化的神经网络算法开始重出江湖。经过“超进化”的新一代神经网络，在原本只有输入和输出两层的神经元结构中间，塞进去了大量名为“隐层”的神经元。这一模仿人类神经网络逐层加工信息的“三明治”设计，极大增强了神经网络算法的信息处理能力。位于输入层与输出层中间的“隐层”神经元，可以将输入信息进一步加工——“卷积神经网络”中的“卷积”一词，就是在数学上描述这种“信息叠加”。

　　简而言之，隐层神经元就像人脑中那些处理输入信息的生物神经元，可以根据各自不同的“偏好”（数学上表述就是“卷积核”）来对输入信息进行过滤和加工。如此一来，神经网络对输入信息关键特征的抽取和整合能力得到了空前的增强。

　　此外，研究者还把生物神经元之间随着共同激活而加强连接强度的“设定”，也带入到人工神经网络的虚拟神经元中。神经网络算法，因此拥有了近似人脑的学习适应能力，可以通过不断比对不同输出结果的成绩，自动对内部的运算结构进行优化。以至于如今的程序员，已经不敢再说自己“编写”神经网络，而只能说“训练”它们。

　　而阿法狗，在横扫棋坛之后，开始了下一轮演化。

　　经过一轮又一轮的算法优化，完全不接触人类对局、“从零开始学围棋”的AlphaGo Zero，又“卷”出了全新的高度：它只用了3天的训练时间，就将自己的“前辈”AlphaGo Master斩于马下。这就是“弱”人工智能的力量。

　　当然，阿法狗依然有着“专家系统”的通病——不擅长处理任务之外的输入信息，也不擅长面对充满“噪音”的非标准环境。对于阿法狗来说，围棋那个64*64的棋盘是一个简单纯粹、黑白分明、便于理解的世界，而纷繁复杂的现实世界，则是一片完全在它认知能力之外的滚滚红尘。更何况，和所有的弱人工智能一样，如果没有人类预先设定游戏规则和胜败目标，并给出指令让它学习，阿法狗也根本不会对这种兴起于周朝的古老中国游戏有任何反应。

就复杂程度而言，围棋要远远大于国际象棋｜Pixabay

　　但是AlphaGo的出名所带来的关注度，切实推动了更多的研究与资源向人工智能领域倾斜。而数字经济的发展，离不开新一代信息技术的支持，人工智能技术就是数字经济领域相关技术中的中坚力量。

　　根据科技部于2019年印发的《国家新一代人工智能创新发展试验区建设工作指引》显示，到2023年，我国将布局建设20个左右的人工智能创新发展试验区，打造一批具有重大引领带动作用的人工智能创新高地。

　　人工智能技术提高了各行各业对于数字信息的敏感度与反馈效率，有利于产业结构的调整与产业的智能化转型，也有利于推动整个产业生态体系的智能化转型。数字经济时代的到来对于人工智能的发展而言，即是一个机遇，也是一场挑战。我们所能做的，就是充分挖掘人工智能技术对于数字经济的牵引作用，切实促进社会的发展。

　　参考文献

　　[1] Chen J X . The Evolution of Computing: AlphaGo[J]. Computing in Science & Engineering, 2016, 18(4):4-7.

　　[2] Granter S R , Beck A H , Papke D J . AlphaGo, Deep Learning, and the Future of the Human Microscopist[J]. Archives of Pathology & Laboratory Medicine, 2017, 141(5):619.

　　[3] 焦李成. 神经网络系统理论[M]. 西安电子科技大学出版社, 1990.

　　[4] Martin T. Hagan, Howard B. Demuth. 神经网络设计[M]. 机械工业出版社, 2002.

　　[5] Heinz K K . Application of neural networks[J]. ence & Public Policy, 1995(3):3.

　　[6] Hsu H . Deep Blue[J]. Artificial Intelligence, 2002.

　　作者：张雨晨

　　编辑：韩越扬

　　排版：洗碗