由买买提看人间百态

boards

本页内容为未名空间相应帖子的节选和存档,一周内的贴子最多显示50字,超过一周显示500字 访问原贴
Military版 - 人一辈子最可悲的两件事,一是没有钱,二是人到中年发现年轻时
相关主题
看看王垠怎么说阿尔法狗这个如果是真的,岂不是扇了某些人的大嘴巴?
将军们,AI之前为啥死掉了Google围棋击败职业选手,即将挑战李世石 (转载)
现在AI就是忽悠吹大泡Google围棋的事又来了:大象关冰箱要几步?
支持围棋软件速胜论的基本都不是懂围棋的,我讲几句不一定对啊中科院提出国际首个深度学习指令集
计算机在无概率的棋类完胜人类只是时间上的问题柯洁叫嚣了半天,被阿拉法狗创始人顶回去了。
棋类压根就不是什么真正的智力活动AI真要能起来还是应该留在美国
有啥电脑上可以实现的游戏是电脑无法赢人类的?Deepmind与暴雪开源接口,人工智能挑战星际争霸到哪一步了?
alphaGo开源了!百度宣布要开发贝塔狗阿尔法狗再进化:自学3天100:0碾压旧狗
相关话题的讨论汇总
话题: 机器话题: ai话题: alphago话题: 茶壶话题: 智能
进入Military版参与讨论
1 (共1页)
c****x
发帖数: 6601
1
鄙视的人恰恰是现在的自己。
http://www.youtube.com/watch?v=PCe-ZNTmhHk&t=9m10s
---------------------------------------------------
《AlphaGo与人工智能》
http://www.yinwang.org/blog-cn/2016/03/09/alpha-go
在之前的一篇文章中我指出,自动驾驶所需要的“视觉识别能力”和“常识判断能力”
,对于机器来说是非常困难的问题。至今没有任何机器可以在视觉方面达到驴的水平,
更不要说和人比。可是最近Google的AlphaGo战胜了围棋世界冠军,挺闹腾的,以至于
对AI的误解又加深了。
本来玩个游戏而已,恁要吹成是“历史性的人机大战”,说得好像是机器挑战了人类的
智能,伤了人类的自尊似的。这整个项目打着一个相当高大上的招牌,叫做“Deep
Mind”。当然,其中的技术也有一些吓人的名字,什么“神经网络”啊,“深度学习”
啊……
听到这些,总有一知半解的人,根据科幻电影的情节开始展望,这样厉害的技术,应该
可以用来做更加“智能”的事情,然后就开始对“人类的未来”作出一些猜想,比如自
动车就要实现,人的工作很快都要被机器取代,甚至Skynet就要控制人类,云云。
我只想在这里给这些人提个醒:还是别做科幻梦了,回到现实吧。
棋类是相对容易的AI问题
一个常见的外行想法,是以为AlphaGo真的具有“人类智能”,所以Google利用同样的
技术,应该可以实现自动车。这些人不但大大的高估了所谓“AI”的能力,而且他们不
明白,不同的“AI问题”的难度,其实有着天壤之别。
围棋是简单的,世界是复杂的。机器视觉和自动车,难度比围棋要大许多倍,根本不在
一个量级。要达到准确的视觉判断能力,机器必须拥有真正的认知能力和常识,这并不
是AlphaGo所用的树搜索和神经网络,就可以解决的。由于需要以极高的速度处理“模
拟信号”,这根本就不是人们常用的“数字计算机”可以解决的问题。也就是说,不是
写代码就可以搞定的。
很早以前,人工智能专家们就发现一个很有趣的现象,是这样:
对于人来说很难,很烦的事情(复杂的计算,下棋,推理……),对于计算机来说,其
实算是相对容易的事情。
对于人来说很容易的事情(认人,走路,开车,打球……),对于计算机来说,却非常
困难。
计算机不能应付复杂的环境,只能在相对完美的环境下工作,需要精确的,离散的输入。
人对环境的适应能力很高,擅长于处理模糊的,连续的,不完美的数据。
从以上几点你可以看出,棋类活动正好符合了计算机的特点,因为它总是处于一种隔离
的,完美的环境,具有离散的,精确的,有限的输入。棋盘上就那么几十,几百个点,
不是随便放在哪里都可以的。一人走一步,轮流着走,不能乱来。整个棋盘的信息是完
全可见的,没有隐藏和缺损的信息。棋局的“解空间”虽然很大,却非常规整,有规律
可循。如果完全不靠经验和技巧的话,围棋的第一步可以有361种情况,第二步有360种
情况,……
这对机器是非常有利的情况,因为计算机可以有计划有步骤,兢兢业业的把各种可能出
现的情况算出来,一直到许多步以后,然后从中选择最有优势的走法。所以下棋归根结
底,就是一个“树搜索”问题,只不过因为规模太大,需要加入一些优化。围棋的解空
间虽然大,却是一个已知数,它最多有250150种情况。AlphaGo使用所谓“神经网络”
,就是为了在搜索的时候进行优化,尽早的排除不大可能取胜的情况,免得浪费计算的
时间。
这种精确而死板的活动,就跟计算一个比较大的乘法算式(比如2463757 x 65389)的
性质类似,只不过规模大很多。显然,人做这类事情很繁,很累,容易出错,计算机对
此却任劳任怨,因为它本来就是个机器。当年“深蓝”战胜国际象棋世界冠军的时候,
我就已经预测到,计算机成为围棋世界冠军是迟早的事,所以没必要玩这些虐待自己脑
子的游戏了。可惜的是,挺多人仍然把精通棋艺作为一种荣耀(因为“琴棋书画剑”嘛
)。很多中国人认为,中国人下围棋总是输给韩国人,是一种耻辱。现在看来这是多么
可笑的事情,这就像心算乘法不如韩国人快,就觉得是耻辱一样 :)
认知是真正困难的AI问题
现在来对比一下人们生活中的琐事,就说倒水端茶吧。
让一个机器来给你倒水,有多难呢?意想不到的难!看看这个场景,如果你的电脑配备
有摄像头,那么它怎么知道茶壶在哪里呢?要知道,茶壶的材料,颜色,形状,和角度
,可以有几乎无穷多的变化。甚至有些茶壶跟哈哈镜一样,会把旁边的物体的形状都扭
曲反射出来。桌上的物品附近都有各种反光和阴影,不同材料的反光特性还不一样,这
些都会大幅度的影响机器对物品的识别。
为了识别物体,机器需要常识,它的头脑里必须有概念,必须知道什么样的东西才能叫
做“茶壶”和“茶杯”。不要小看这一步的难度,这意味着机器必须理解基本的“拓扑
结构”,什么叫做“连续的平面”,什么叫做“洞”,什么是“凹”和“凸”,什么是
“里”和“外”…… 另外,这机器必须能够分辨物体和阴影。它必须知道水是什么,
水有什么样的运动特性,什么叫做“流动”。它必须知道“水往低处流”,然后它又必
须知道什么叫“低”和“高”…… 它必须知道茶杯为什么可以盛水,茶壶的嘴在哪里
,把手在哪里,怎样才能拿起茶壶。如果一眼没有看见茶壶的把手,那它在哪里?茶壶
的哪一面是“上面”,要怎样才可以把水从茶壶的嘴里倒出来,而不是从盖子上面泼出
来?什么是裂掉的茶杯,它为什么会漏水,什么是缺口的茶杯,它为什么仍然可以盛水
而不漏?干净的茶杯是什么样子的,什么是脏的茶杯,什么是茶垢,为什么茶垢不算是
脏东西?如何控制水的流速和落点,什么叫做“水溅出来了”,要怎么倒水才不会溅出
来?……
你也许没有想到,倒茶这么简单的事情,需要用到如此多的常识。所有这些变数加在一
起,其实远远的大于围棋棋局的数量,人却可以不费力的完成。这能力,真是应该让人
自己都吓一跳,然而人却对此不以为然,称之为“琐事”!因为其他人都可以做这样的
事情,甚至猴子都可以,怎么能显得出我很了不起呢?人的自尊和虚荣,再一次的蒙蔽
了他自己。他没有意识到,这其实是非常宝贵,让机器难以匹敌的能力。他说:“机器
经过大量的学习,总有一天会做到的。看我们有神经网络呢,还有深度学习!”
机器学习是什么
有些人喜欢拿“机器学习”或者“深度学习”来吓唬人,以为出现了“学习”两个字,
就可以化腐朽为神奇。而其实所谓机器学习,跟人类的学习,完全是两回事。机器的“
学习能力”,并没有比石头高出很多,因为机器学习说白了,只不过是通过大量的数据
,统计拟合出某些函数的参数。
比如,你采集到一些二维数据点。你猜测它们符合一个简单的函数 y = ax3 + bx2 +
cx + d,但不知道a, b, c和d该是多少。于是你就利用所谓“机器学习”(也就是数学
统计),推断出参数a, b, c和d的值,使得采集到的数据尽可能的靠近这函数的曲线。
可是这函数是怎么来的呢?终究还是人想出来的。机器无论如何也跳不出y = ax3 +
bx2 + cx + d这个框子。如果数据不符合这个范式,还是只有靠人,才能找到更加符合
数据特性的函数。
所谓神经网络,其实也是一个函数,它在本质上跟y = ax3 + bx2 + cx + d并没有不同
,只不过输入的参数多一些,逻辑复杂一些。“神经网络”跟神经,其实完全没有关系
,却偏喜欢说是受到了神经元的启发而来的。神经网络是一个非常聪明的广告词,它不
知道迷惑了多少人。因为有“神经”两个字在里面,很多人以为它会让机器具有智能,
而其实这些就是统计学家们斯通见惯的事情:拟合一个函数。你可以拟合出很好的函数
,然而这跟智能没什么关系。
AlphaGo并不是人工智能历史性的突破
这次AlphaGo战胜了围棋冠军,跟之前IBM的“深蓝”电脑战胜国际象棋世界冠军,意义
其实差不多。能够写出程序,在这些事情上打败世界冠军,的确是一个进步,它肯定会
对某些特定的应用带来改善。然而,这并不说明AI取得了革命性的进步,更不能表明电
脑具有了真正的,通用的智能。恰恰相反,电脑能够在棋类游戏中战胜人类,正好说明
下棋这种活动,其实并不需要很多的智能。从事棋类活动的能力,并不足以衡量人的智
力。
著名的认知科学家Douglas Hofstadter(《GEB》的作者),早就指出AI领域的那些热
门话题,比如电脑下棋,跟真正意义上的人类智能,几乎完全不搭边。绝大部分人其实
不明白思考和智能到底是什么。大部分所谓AI专家,对人脑的工作原理所知甚少,甚至
完全不关心。
AlphaGo所用的技术,也许能够用于其它同类的游戏,然而它并不能作为解决现实问题
的通用方法。特别是,这种技术不可能对自动车的发展带来突破。自动车如果只比开车
技术很差的人强一点,是不可接受的。它必须要近乎完美的工作,才有可能被人接受,
然而这就要求它必须具有人类级别的视觉认知能力。比如,它必须能够察觉到前面车上
绑了个家具,没绑稳,快要掉下来了,赶快换车道,超过它。可惜的是,自动车的“眼
睛”里看到的,只是一个个的立方块,它几乎完全不理解身边到底发生着什么,它只是
在跟随和避让一些线条和方块…… 我们多希望马路都是游戏一样简单,清晰,完美,
没有意外的,可惜它不是那样的。每一个细节都可能关系到人的生死,这就是现实世界。
为AlphaGo热血沸腾的人们,别再沉迷于自动车和Skynet之类的幻想了。看清AI和“神
经网络”的实质,用它们来做点有用的东西就可以,没必要对实现“人类智能”抱太大
的希望。
-------------------------------------------------------
这个评价怎么样?
c****3
发帖数: 10787
2
写的没问题啊
王垠为了挣钱,就是不相信,也得做,这个很正常
p***n
发帖数: 17190
3
我現在做到的遠遠超過我年輕時的夢想

【在 c****x 的大作中提到】
: 鄙视的人恰恰是现在的自己。
: http://www.youtube.com/watch?v=PCe-ZNTmhHk&t=9m10s
: ---------------------------------------------------
: 《AlphaGo与人工智能》
: http://www.yinwang.org/blog-cn/2016/03/09/alpha-go
: 在之前的一篇文章中我指出,自动驾驶所需要的“视觉识别能力”和“常识判断能力”
: ,对于机器来说是非常困难的问题。至今没有任何机器可以在视觉方面达到驴的水平,
: 更不要说和人比。可是最近Google的AlphaGo战胜了围棋世界冠军,挺闹腾的,以至于
: 对AI的误解又加深了。
: 本来玩个游戏而已,恁要吹成是“历史性的人机大战”,说得好像是机器挑战了人类的

d***u
发帖数: 943
4

你妈,这个没法儿评价。一个外行又这么自以为是你再说啥都白搭。

【在 c****x 的大作中提到】
: 鄙视的人恰恰是现在的自己。
: http://www.youtube.com/watch?v=PCe-ZNTmhHk&t=9m10s
: ---------------------------------------------------
: 《AlphaGo与人工智能》
: http://www.yinwang.org/blog-cn/2016/03/09/alpha-go
: 在之前的一篇文章中我指出,自动驾驶所需要的“视觉识别能力”和“常识判断能力”
: ,对于机器来说是非常困难的问题。至今没有任何机器可以在视觉方面达到驴的水平,
: 更不要说和人比。可是最近Google的AlphaGo战胜了围棋世界冠军,挺闹腾的,以至于
: 对AI的误解又加深了。
: 本来玩个游戏而已,恁要吹成是“历史性的人机大战”,说得好像是机器挑战了人类的

d***u
发帖数: 943
5

人类所搞的这点儿屁玩艺儿没啥能过得了他的眼。他就是生错了世界,不应该到我们这
个天地之间来。

【在 c****3 的大作中提到】
: 写的没问题啊
: 王垠为了挣钱,就是不相信,也得做,这个很正常

1 (共1页)
进入Military版参与讨论
相关主题
阿尔法狗再进化:自学3天100:0碾压旧狗计算机在无概率的棋类完胜人类只是时间上的问题
下围棋计算机优势很明显棋类压根就不是什么真正的智力活动
人工智能带来的革命仍在继续有啥电脑上可以实现的游戏是电脑无法赢人类的?
16625份AI论文透露:深度学习正在走向终点?alphaGo开源了!百度宣布要开发贝塔狗
看看王垠怎么说阿尔法狗这个如果是真的,岂不是扇了某些人的大嘴巴?
将军们,AI之前为啥死掉了Google围棋击败职业选手,即将挑战李世石 (转载)
现在AI就是忽悠吹大泡Google围棋的事又来了:大象关冰箱要几步?
支持围棋软件速胜论的基本都不是懂围棋的,我讲几句不一定对啊中科院提出国际首个深度学习指令集
相关话题的讨论汇总
话题: 机器话题: ai话题: alphago话题: 茶壶话题: 智能