2016年1月，谷歌旗下的DeepMind公司在《自然》发表封面论文，介绍人工智能围棋程序——AlphaGo的算法。论文同时宣布，AlphaGo已于去年十月完胜欧洲围棋冠军樊麾。2016年3月9日、10日，AlphaGo迎战围棋界顶级高手李世石，再次完胜。
一棋激起千层浪。围棋的变化如恒河沙数，一直是人类最引以为豪的智力游戏，如今却被程序无情地攻破。看客纷纷惊呼奇点已经临近，机器纪元即将到来，超越人类的物种雏形已经出现。
人工智能是否会在不久的将来，接近甚至超过人类智能?人类智能的本质是什么?
李世石对战AlphaGo现场
人类智能简史
人类的智能是什么?人类自十万年前进化成为智人。人类的大脑里有这我们一路进化的痕迹。我们从爬行动物，哺乳动物，再进化到智人。每一段进化的历程都在对我们大脑的结构造成影响，直到形成我们今天的大脑。
我们从环境中演化而来。我们的智能一直就和环境不可分离。作为个体，我们通过我们的感官来感知世界，同时控制我们的身体和环境交互。就如任何哺乳动物，我们在脑中接受我们的感官输入，形成对环境的基本认知模型。我们通过和环境交互产生个体意识，通过记忆积累个体体验，通过情绪产生直觉反应。对环境的有效判断，让我们在物种竞争的长河中取得优势，得以繁衍。我们的感官输入和我们对世界的理解密切相关。如果我们如蝙蝠般弱于视觉，我们对世界的理解，对美的认知，和现在相比会截然不同。
而人类独有的发达的新皮层，或称理性脑，让我们具有了远超于其他哺乳动物的高阶认知功能。我们能进行抽象思维，对环境中的现象进行归纳，关联和推理。我们能对记忆进行重组，进而对未来进行思考。我们能创造工具，对环境进行改造。我们不再满足于适应环境，而试图让环境适应我们。
更重要的是，我们发明了语言。通过语言这套灵活的符号系统，我们能互相交流，让个体的智能成为群体智能的一部分。语言让我们把每个人的智慧结晶沉淀，形成人类的集体智慧。而每个个体又能站在巨人的肩膀上，从集体智慧中吸取养料，并进一步提升。同样的人类大脑结构，能产生爱因斯坦，也能产生隔壁班的差生。语言让我们每个人都能受益于人类星空中偶尔闪耀过的天才。
我们所处的环境，我们的感官，我们的身体，我们的语言所带来的社会知识结构，这些因素和我们的大脑能力综合在一起，形成我们今天的人类智能。它们互相依赖，缺一不可。我们可以宣称，我们是地球环境中进化出的最高等的社会化生物。虽然仅此而已，但也足够骄傲。
人类进化的过程中，工具也在不断改变。
人工智能
人工智能在近几年飞速发展，被广泛用于语音识别，自然语言处理，图像识别等领域。“智能”两字，给人们无限遐想。人工智能是否真能和人类的智能比拟?
“计算机科学之父”艾伦·图灵在他1950的论文《计算机器和智能》中，为了回答机器是否有智能的问题，提出了著名的图灵测试：电脑如果能回答一系列人类的问题，而且能让提问者不能分辨是否为电脑，那么电脑就通过了智能测试。
图灵测试绕过了直接回答什么是智能，把答案交回到我们手里。当人类不能辨别电脑是否和自己有区别，那电脑自然就具备了人类智能。从哲学上，这是一个不需证明的证明。
更有意思的是图灵的传记电影《模仿游戏》中的一段话。图灵说到：“机器当然和人的思维方式不同。机器和人本来不同，当然思维方式不同。有趣的问题是，机器和人的思维方式不同，是否意味着机器就不在思考?”
机器的思考不会是人类的思考。电脑由人类设计，其处的环境和输入由人类设定和控制。即使在未来，机器能利用身体，自由探索环境，它们也不需要和人类经历同等的进化过程，而且没有人类间的个体化差异。哪一天机器能有智能，会和人类不同。我们面临的会是一种和人类智能截然不同的智能形态。
现在人工智能应用普遍基于神经网络算法。神经网络算法应用多层连接的网络节点，并赋予每个节点不同的参数权重来控制输出。神经网络通过大量的样本学习，来不断调整每个节点的参数，学会给出“正确”的输出结果。虽然基础算法类似，针对不同的应用场景，我们需要开发不同的人工智能程序，并根据应用场景进行优化。每个程序只能做一件专项任务，如语音识别。一个程序不能胜任它的设计者在其设计范围之外的任何功能。这些人工智能程序，不是真正的“智能”，而更像人类的专项工具，成为人类能力的延伸。
虽然神经网络算法的名称由仿生人脑的神经元网络而来。其真正机理，和人脑无法比较。人脑需要很少的数据，就能抽象总结。给一个小孩看一张猫的照片，他就能辨认出下一张图片里的猫。而Google用最好的神经网络算法，看上几千万张照片，识别猫的准确率也不是百分之百。
什么是智能?DeepMind的创始人Hassabis给出他的答案：通用的学习算法。同一个程序能根据复杂环境产生的感官输入，自我学习技能，并不断加强在环境里的生存机会。同时学习的技能需要足够丰富，能够适应不同的任务。他把目前普遍的人工智能应用成为弱人工智能，以区别于通用人工智能。
通用人工智能是研究者的终极目标，只是现在我们还处于起跑线上。
AlphaGo和围棋
围棋本质上是一个计算和搜索类的游戏。其规则虽然简单，但组合变化繁多，甚至超过宇宙中所有原子数量的总和。如果用蛮力穷举，最先进的电脑也不能破解。一个好的算法在于从看似无穷的组合中找出有效的子集。AlphaGo使用了两个不同的神经网络。一个“策略网络”负责评估落子选择，一个“价值网络”负责评估局面胜算。前者减少搜索的广度，后者减少搜索的深度。这两个网络会同时被用在AlphaGo的蒙特卡洛搜索树算法中，得出下一步的最优解。AlphaGo的设计者用历史上的高手棋谱训练AlphaGo，同时还让AlphaGo自我对弈，双手互搏。经过三千多万对局的训练，才剑出江湖，挑战高手。
谷歌AlphaGo团队
无论在围棋爱好者眼里如何神奇，AlphaGo也是一个弱人工智能的应用。和以往人工智能围棋程序不同的是，DeepMind公司花了大量人力物力，根据围棋特性做了很多针对性的设计和优化。前述《自然》论文的共同作者就包括二十名顶级专家，其中还有数人专攻计算机围棋。AlphaGo在技术上没有太大突破，但把现有的技术做了很好的集成。
围棋因其计算量巨大，并不符合人脑先天功能。人类进化过程中从无大量计算的需要。计算是人脑的弱项，也是人类智能中极小的一个部分。人类玩围棋，永远只能算一个小小的子集。顶级棋手也最多只能根据当前局面，评估几百种可能下法。和真正的棋局可能性相比，只是沧海一粟。为了能得到更多的胜算，我们根据有限的过往棋局，总结出不少规律，我们叫它们棋理，大局观。但这些棋理只是在过往极其有限的棋局组合中得出的总结而已。当年吴清源发明新布局，举世皆惊，就是在以往的棋理之外稍作创新。
人类算围棋，本是以己之计算弱项，加上过往经验总结，来玩一个重度计算游戏。因为我们不善于计算，棋局变化又多，我们慢慢便把围棋神化，认为其包罗万象，棋如人生。那一代代的围棋高手，就像居于人类智慧之巅，被人顶礼膜拜。直到有一天，我们设计出的围棋程序更胜于棋盘计算，我们方明白，本来计算就该由计算机来做。
只有人类自己把围棋当一回事，AlphaGo的胜利才有意义。从这点上，人工智能的所谓胜利本来就是我们主观的产物。我们战胜了自己心里的影子。
我们离真正的通用人工智能还有多远?没有人知道。至少AlphaGo没有让我们走得更近。这些弱人工智能程序，只是人类手里工具，没有任何真正的思考功能。未来也许科幻，但今天的“人工智能”，更像是“人工低能”。
