我并非一个围棋高手,但是由于专业的缘故,对深度学习和人工智能有着自己的理解——或许浅薄,但自己仍深以为然。
在这篇文章里,我想以人工智能和机器学习的视角,分享一下对此次人机大战的感受。
人类和alphago的区别是,人类能抽象出概念,而且是多个层次的——善于总结的围棋大师把基于生活经验产生的概念迁移到围棋上(AlphaGo暂时还不能进行其他领域的知识迁移,目前只是一个专家系统)。
这种基于经验进行抽象所产生的对围棋的理解,一旦获得了教科书般广泛的认同,就成为了所谓的“棋理”。它帮助人们一点一点站在前人的肩膀上。
人类的概念“优劣”,或者说与事物本质的接近程度,取决于接触的样本数目,以及自己的联想和迁移能力,后者是创造力的体现。
然而,这种难以量化的概念并未至善至美,所以革新总是可能的,就看有没有新棋手突破藩篱,打破传统。
机器训练的网络神经元间的权重广义上也算是概念(参考另一篇文章:《神经网络,概念实体》),这种所谓的“weights”也能让它站在老版本的自己的肩膀上——不过人类难以直接理解了,或者说难以interpret成人类既有的某些概念。机器的优势在于,它能在短时间内见识更多的棋谱;与人类相比,它获取新棋局的时间成本很低。
它的所谓“概念”来源,是数据导向的权重的自学习,也就是通过数据训练出来的特征。如果训练得当,我们可以认为机器学习到的概念,是基于其所见识的数据所能得到的最优化概念。
因此归根结底,我认为这场人类和AI的比拼,是数据质量(质与量)和人造概念的比拼。
人类顶尖的概念发展到头了吗,至真至善了吗?
机器对数据的学习足够了吗?见识了所有可能性了吗?
两者都没有。
人类的概念终究只是理论,只能无限逼近,而并非本质或本源。概念,不过是人类理性通过对世界本源产生的现象的解读,进行的暂时性划分——见识越多,划分越精准。人类的见识永无法穷尽存在。机器也一样,见识的数据也并非所有的可能性组合。
所以我觉得无论是人类还是机器,都有进步的空间。
如果人类发挥自己的创造性,借助机器的对弈作为辅助,可以更加接近围棋之神的境界;而人类创造出并探索到的新的可能性,也可以被机器学习,使得两者相互提高。——这是一个螺旋式上升一般的完美的正反馈。
对围棋而言,这反而是一件幸福的事啊。