余揚：人工智能六十年

繁榮與寒冬

2016年恰好是人工智能發展60周年。人工智能的標志性事件是1956年在美國Dartmouth大學召開的一個為期兩個月的會議。在會議上，來自美國幾個大學和企業的10位年輕人聚在一起，從不同角度討論用計算機來實現人的一些能力。會議提出用“人工智能”來命名所討論的內容，這成為人工智能研究公認的起始事件，而該會議也被賦予了專稱——“Dartmouth會議”。后來，從參會的年輕人中，走出了四位計算機科學最高獎“ACM/圖靈獎”得主、一位諾貝爾經濟學獎得主，並且創立了“信息論”。

人工智能發展的第一個階段大約在20世紀60年代初到70年代中期。在這一階段，人們認為邏輯推理能力是機器具有智能的重要成分，甚至一度認為推理就是智能。這一階段的代表性工作主要有A.Newell和H.Simon兩位后來的圖靈獎得主研發的“邏輯理論家”程序，該程序在1952年証明了著名數學家羅素和懷特海的名著《數學原理》中的38條定理，並在此11年后証明了全部的52條定理，而且定理2.85甚至比羅素和懷特海的証明更加巧妙，令人驚嘆。因此，這一時期可以稱為“推理期”。

隨著研究的推進，人們逐漸認識到，單靠邏輯推理能力遠不足以實現人工智能，以E.A. Feigenbaum為代表的學者認為，知識是有智能的機器所必備的，於是在他們的倡導下，在20世紀70年代中后期，人工智能進入了“知識期”，E.A.Feigenbaum后來被稱為“知識工程”之父。在人工智能“知識期”，大量專家系統問世，在很多領域做出了巨大貢獻。但這些系統中的知識，大多是人們總結出來並手工輸入計算機的，機器能進行多少推斷完全由人工輸入了多少知識決定，也因此有這麼一句對人工智能的調侃：“有多少人工就有多少智能”。之后，人們意識到專家系統面臨“知識工程瓶頸”，尋找專家來輸入大量知識一方面成本極高，另一方面，對一個特定領域建立的系統無法用在其他領域中，缺乏通用性。於是，一些學者嘗試讓機器自己來通過學習得到知識，而不依賴於人工輸入，這就是人工智能現在所處的“學習期”——從數據中學習到有價值的知識。

人工智能從“推理期”到“學習期”，走的並不是康庄大道，而是崎嶇山路。在“推理期”的高峰，一些進展讓人們對人工智能過於樂觀，產生了不切實際的想法。A.Newell和H. Simon曾在1958年預言，1968年前計算機將成為世界象棋冠軍（實際是1997年，將近30年后）。

對人工智能的過於樂觀導致了人們過高的期望，而當時的人工智能隻能解決“玩具”問題，難以在現實問題中發揮作用，一時間，預言失敗、承諾無法實現、期望破滅，人工智能遭遇了誤解和冷遇，研究經費也被大量削減甚至取消，人工智能進入被稱為“AI Winter”的人工智能之冬。

進入“知識期”后，從1980年代開始，由於專家系統得到應用，人工智能才再次受到關注。這一時期，日本開始巨額投資“第五代計算機”計劃，英國、美國也啟動了相應的投資項目，人工智能被推進了第二次繁榮。然而在1980年代末，“知識期”人工智能技術局限日益突出，專家系統維護困難、弱點不斷暴露，日本五代機計劃破產，人工智能第二次進入冬天。

直到1990年代中期，進入“學習期”的人工智能開始從數據中學習知識，通用的學習方法在許多商業應用中顯示出無可替代的價值，人工智能再度掀起浪潮。此時，我們正處於人工智能“學習期”的浪潮之巔。

為什麼是AlphaGo

棋類游戲通常被認為是人類智慧的濃縮，常常被用於開發兒童智力，因此，對於追求智力的人工智能，棋類游戲一直被作為檢驗其智能程度的試金石。

早在1951年，研究者們就設計了西洋跳棋程序。1997年，IBM“深藍”擊敗國際象棋世界冠軍，舉世矚目。而在“完全信息”棋類游戲（即沒有隱藏信息，例如扑克、麻將不屬於此類）中，圍棋是最難的，也是之前唯一沒有被機器攻破的。甚至在一年前，還沒有任何圍棋程序能夠達到職業棋手水平。因此，AlphaGo戰勝曾獲得世界冠軍的人類九段圍棋高手，在人工智能歷史上記下了重重一筆。

下棋的本質是搜索，通過交替思考自己和對方可能的走法，找到最有利於自己的落子。AlphaGo的基礎框架是“蒙特卡洛樹搜索”，是一種聰明的搜索算法，但即使該算法已經聰明地避免了很多無效搜索，也隻能達到業余五段、六段的水平。AlphaGo還引入了“機器學習”，通過學習人類歷史上高手對弈的棋局數據，對人類的走法進行模擬：記住人類看到一盤棋是如何走下一步的，當碰到沒有見過的棋局時，則參考以往相似的棋局，但它完全不懂得人為何要下這一步。進一步，AlphaGo通過“強化學習”，即自己與自己下棋來提高自己。許多人驚訝於這種類似於“左右手互博”的學習機制，但這早在20年前就有。實際上，隻要使用“強化學習”來訓練對弈游戲，都是“左右手互博”。最終學習得到的模型，被用在“蒙特卡洛樹搜索”中，來為一盤棋的好壞做出較為精確的評估，指導避免更多的無效搜索，從而能夠在短時間內看得更遠、看得更准，找到更好的走法。

AlphaGo涉及的所有算法部件都是現成的，其“蒙特卡洛樹搜索”已經發展了十年，其學習模型CNN成形於上世紀，被大量使用在圖像識別也有多年，強化學習也是經歷了數十年的發展，大量應用在機器人控制等領域。這些技術的結合在近年也成為研究熱點。AlphaGo的貢獻在於使用卓越的工程水平，實現了這些技術的結合，用上千CPU和上百顯卡進行加速計算，最終取得了與人匹敵的圍棋能力。
我們一方面肯定AlphaGo展現的實力，一方面還要注意到，其中涉及的人工智能技術，都是許多年基礎研究的成果，並不是突然就從平地冒出來的。未來人工智能的發展也會如此，今天有哪些積累，未來才會有哪些突破。

人工智能的下一步

人工智能已經進入人們的生活，正試圖讓生活變得更美好。例如，美國DARPA支持的CALO研究計劃所產生的一個成果——SIRI個人助理，已綁定在蘋果的手機等產品中，能支持用戶在簡單的任務上使用自然語言與系統進行交互﹔微軟也推出了Cortana智能助理用於Windows產品﹔ 微軟翻譯工具內置到了通訊軟件Skype中，可以在Skype聊天時實時翻譯漢、英、法、德、意、西、葡等7種語言﹔自動駕駛汽車也在蓬勃發展。可以預見，人工智能將成為越來越有力的工具，更好地服務人類。

然而目前，人工智能技術的瓶頸仍有很多。例如，在人工智能頂級國際會議AAAI’16大會上，國際人工智能協會主席T. G. Dietterich發表主席報告，針對目前人工智能技術缺乏穩健性（例如AlphaGo對戰李世石第四局時下出多步臭棋），指出了“穩健人工智能”的發展方向。

在社會環境方面，人工智能最近可能要面臨更大的瓶頸是，由“人工智能科幻”而導致的“人工智能威脅”論不斷出現。事實上，正如Facebook人工智能實驗室負責人LeCun最近所說，“有些人是因為對人工智能的原理不理解導致恐懼，有些人是為了個人名望宣揚人工智能威脅論，而有些人是為了商業的利益推動人工智能威脅論”。

另一方面，人工智能發展歷史上經歷了多次繁榮和低谷的交替。在每一次人工智能的繁榮期，人們往往在取得一些進步后就對人工智能技術的發展盲目樂觀，逐漸產生了不切實際的預期和承諾，最終帶來的沮喪是導致人工智能進入低谷的直接原因。對於人工智能未來的發展，抱以信心的同時還需冷靜對待，防止過大的起伏造成的不利影響。

（作者系南京大學計算科學與技術系副教授，主要研究方向為人工智能、機器學習等）