非科幻思考（第3/18页）

就是大数据辅助的“深度学习”，成为这一轮人工智能热的关键。

人们把很多很多大数据扔给机器，用多层神经网络进行“深度学习”，结果发现，机器在很多领域能力有了突飞猛进的提高。图像识别的正确率赶上了正常人，语音识别也过关了，把科学文献作为数据，短时间就能学习几十万份最新文献。金融、电力、能源、零售、法律，“深度学习”都能从大数据中学到优化的行为做法。人工智能的应用，能让这些领域变得高效、便捷、自动化。除了“深度学习”，也还有其他算法，包括后面要提到的决策树、贝叶斯等算法，各种算法的综合使用效果是最佳的。各种算法共同构成机器学习大家庭。

除了深度学习，“阿尔法狗”另一重武器叫作“强化学习”。“强化学习”是什么呢？简单点说，就是“无序尝试，定向鼓励”，就好比小朋友在屋里随机行动，走到数学教具旁边父母就说“好棒好棒”，后来小朋友就特别喜欢走到数学教具旁边（当然，这纯属假想的场景）。这种思维一点都不奇怪，在心理学中很早就已经应用到教学中，对大多数教学场景都有效果，尤其对一些发展迟缓的孩子做教学干预（但也有心理问题）。

最近我们都听说了新版本的“阿尔法狗零”，依靠自我对弈的强化学习，用3天时间战胜了老版本的所有“阿尔法狗”。这是很强大的方法。实际上，在“阿尔法狗”的最初版本中，自我对弈的时候也已经用到强化学习。随机尝试和正反馈能使得行为很快集中到特定的目标上。

现在问题就来了，还有什么是人工智能学不会的吗？

人工智能面临的瓶颈

如果机器学习这么厉害，人工智能什么都能学会，是不是很快就要取代人类了？

可以肯定的是，目前的人工智能还不是什么都能做，我们离万能超级人工智能还有很远的距离。

那是运算速度的问题吗？如果芯片算力按照摩尔定律、指数增长一直持续，我们会不会很快达到智能的奇点？

我个人的观点是，不完全是运算速度的问题，即便运算速度持续翻番，也还有一些阶梯的困难需要一个一个地跨越。这些困难也许并不是永远不可能跨越，但至少不是目前的算法能简单跨越的，而必须有新的算法或者理论突破（其实现在也有很多别的算法，我后面讨论）。

说到这里，闲聊两句。很多事物的发展是阶梯状的。我们往往容易从一件事的成功，推测未来所有事的成功，然而遇到了下一个挑战，仍然需要新的等待和突破。

关于人工智能这件事，人们的议论往往太过于“now or never”，要么认为目前已经条件成熟，只要算力增加，就能奇点来临；要么认为这都是痴人说梦，机器永远学不会人类的心智。但实际上更有可能的是，很远的未来有可能做到，但需要翻越一个又一个理论台阶。

举一个例子。

从牛顿力学和工业革命时期来看，因为牛顿定律的强大，人们就认为自己解决了世界上所有问题，未来只需要算，就能把一切预测出来。那个时候就有哲学观认为人就是机械机器。但事情的实际发展是：牛顿定律解决不了所有事。20世纪初，人们把牛顿定律和电磁理论结合起来，相信人类物理学大厦已经完备，只剩下头顶上的“三朵小乌云”，然而正是这“三朵小乌云”，牵扯出了后面的量子力学和相对论，直到现在人们也没有算出全世界。未来呢？人类有可能完全揭晓宇宙的奥秘吗？有可能。但仍然有一个一个新的鸿沟。

与之类比，超级人工智能有可能成真吗？有可能，但不是立刻。技术上还有一个个困难台阶需要跨越。“深度学习”不是万能的，算力也不是唯一重要的因素。

我把人工智能目前还解决不了的问题，也称为“三朵小乌云”。

什么是人工智能目前解决不了的问题呢？我们仍然从“阿尔法狗”说起。

“阿尔法狗”的强大是所有人工智能的强大，它面临的困难，也是人工智能问题的缩影。

“阿尔法狗”对一些人类认为很困难的问题却觉得很简单，对人类认为简单的问题却觉得困难。举一个很小的例子。这样一个问题：如果一个人从超市的货架上拿了一瓶酒就跑出门，店员会做什么？为什么？它就会觉得困难，难以回答。