对话东京大学博士：AlphaGo Zero 的出现在意料之中！没想到的是……

Posted 2020-10-12

AlphaGo Zero 从 0 到 1， 无师自通完爆 AlphaGo 100-0，这款以深度学习为基础的技术 AlphaGo 的基础上摆脱了对人类标注样本的依赖，让深度学习用于复杂决策更加方便可行。

以 AlphaGo Zero 为首的各类拥有庞大数据积累的人工智能被应用于各行各业，代替人类做出了很多更优质的实践，人类将面临从进化到智人以来最大的一次改变——90% 的人将沦为「无价值的群体」，只有剩下的 10% 能进化成特质发生改变的「神人」。

作为人工智能的创造者，人类是否能完美应用人工智能促进技术创新，推动社会进步？还是说注定是一场「你死我活」的零和博弈？

我们邀请到了东京大学博士生 Summer Clover 与您共话 AI，他将用超前的思维带您提前观战、穿越未来。在一问一答间，汲取科技前沿观点，打开人工智能黑箱，洞悉人类与 AI 「相爱相杀」背后的科学依据和利用价值。

首期话题

从 AlphaGo Zero 的突然出现，到机器学习爆发的下一领域。

人物介绍

东京大学机器学习博士生，师从日本机器学习泰斗 Prof. Masashi Sugiyama。本科毕业于中国科学技术大学物理系。先后作为研究助理实习于日本乐天技术研究院（RIT）、理化研前沿综合智能中心（AIP）等研究机构。科技专栏撰稿人，对于科技创新、尤其对于人工智能与物理学的交叉有特别的见解。

---

Q1

在我们今天要聊以深度学习为基础的阿尔法元之前，必须先理清深度学习和机器学习的关系，请问这两者有哪些区别和联系呢？

深度学习是机器学习的子领域。我们把机器学习当中一个有名的模型神经网络——如果我们训练一个很多层的神经网络的话，称之为深度神经网络。深度学习主要指的就是深度神经网络。神经网络是一种很古老的算法，但是最近十来年，多层神经网络改名为深度学习，这也让它重新火起来。

重新火起来的主要原因一个是计算能力变强，第二个是数据量变强。所以我们可以去训练一些比较深度的神经网络，这些神经深度的模型就可以发挥非常重大的作用。

传统的机器学习对数据量的要求一般没有深度学习那么高，所以当数据量少的时候，用传统的机器学习比较容易达到一个好的水平。但是当有更多的数据量，比如之前有一千个样本，现在有一百万个样本，那么一百万个样本对传统机器学习的提升就没有特别高，但是如果转用深度学习的话，深度学习系统很有可能达到一个相当高的水准。

Q2

你对阿尔法元的出现有什么看法？

上周 DeepMind 发表的这篇 Nature 非常有名，引起了轰动。AlphaGo Zero 主要是在原来的基础上摆脱了对人类棋手、棋谱的依赖，让深度学习从零开始，自己学习。

可以说 AlphaGo Zero 的出现并不算特别意外，比较意外的是，他这么早这么快就出现。要知道 AlphaGo 去年才第一次打败了人类的世界冠军，今年就有一个完全不依赖于棋谱的人工智能，从零开始，把 AlphaGo 以 100 比 0 打败，这是非常令人惊讶的进化速度。

Q3

现在能够自己无师自通去下围棋是不是就意味着他们可能产生自我意识的呢，并且具有自我创造的能力？

机器能不能产生自我意识，能不能产生情感是一个很开放性的问题。大家都有各种各样的解释，因为我们并不能对意识，也不能对情感下一个明确的定义，但是我对某一件事是比较乐观的——机器完全可以达到一种人类无法分辨的程度。

如果你把机器伪装成一个人的外表，人类是很难区分这个机器到底是人工智能还是一个真正的人，也就是说我们至少可以把人类的情感反应模仿的非常逼真。

Q4

AI 在围棋上的实践让人类感到震撼，但真正应用在行业内转化为商业机会的，目前看来主要是图像、语音识别等领域。下一个爆发点会是什么呢？

最近一些年，人工智能在图像、语音还有自然语言上的进展都是非常显著的，我们很难说下一个爆发点是一个具体的什么技术。但是从行业的角度来讲，信息技术、人工智能和传统行业的深度融合我认为是一个非常重要的方向。

以材料、医药研发为例，这些材料公司、医药公司怎样在这些研发过程当中，有意识地积累数据，再把数据当中的价值更深刻的挖掘出来，这对他们降低成本还有提高研发效率都是非常重要的。这种深度融合产生的新机会是非常多的，几乎各行各业都会有，就是看什么样的人能把他挖掘出来。

所以我认为所有的行业、所有的公司都应该考虑数据化的问题，谁能更好的数据化，挖掘出这些数据当中的价值、商业利益，谁就会抢占先机，真正的利用好人工智能的福利。

Q5

那发展道路会一帆风顺吗？现在会有人评论说当下很多的机器学习是多种模型在应用上的无意义堆砌，对这点你怎么看？

我不认为机器学习是多种模型的无意义堆砌，其实很多机器学习模型的意义是挺清晰的。

我们能用这些机器学习模型来理解问题，比如贝叶斯学习，我们知道贝叶斯库集里面有一些参数、有什么明确的意义，有一些参数他就是一个均值，有些参数他就是方差。对很多模型我们是有理解的，只是对深度模型来说，深度学习确实像一个黑箱子似的，我们对他的理解比较浅，但是现在有很多科学家在理论和数据上，分析深度学习为什么会有这样好的表现，以及在训练过程当中，深度学习到底发生了什么样的事情。随着了解加深，我们会发现其中很多重要的规律。

人工智能技术确实发展到了一个相当高的阶段了，在不少任务上已经接近人类的水平，甚至超越人类的水平。比如说 AlphaGo 在围棋这个任务上，人工智能已经彻底打败人类，在其他一些问题上，人工智能与人类的水平已经是相当接近的，这就说明确实到了一个门槛了。

Q6

人工智能技术已经到了落地变现的阶段吗？

一家商业公司该怎么利用现在先进的人工智能技术，获得福利和商业利益，这是另外一个问题了。这并不只是技术上的问题，还有很多政策上的问题，社会上的问题和市场上的问题。

以自动驾驶为例，我认为自动驾驶技术在 5 年到 10 年的这个时间尺度上，他的安全性能超越人类司机是相当有可能的事情。但这并不意味着自动驾驶就能很通畅的推广开来，因为人类对于机器事实上是非常苛刻的。很多时候人类的司机可以犯错，但是一个自动驾驶技术不能犯错，因为一个人类司机的犯错可以归咎于某个司机，不会被归咎于整个人类。但是机器不一样，一个人工智能犯错，人类会把所有的问题都归罪于所有的自动驾驶汽车。

所以技术上能实现什么，更是一个比较纯粹的技术问题。但是能在商业上取得多大成功，能不能大规模的推广开来，这其中涉及到的因素会更多一点，并不单纯由人工智能本身决定，还会和人类对于人工智能的接纳，政策上的问题相关。

Q7

那在现在的商业化浪潮中，是否又有很多伪人工智能混杂其中？

现在确实会有一些公司用人工智能来包装自己，或许他们会用到一些比较初级的机器学习算法，但是这并不是他们的核心竞争力，他们也并没有因为这个算法取得多大的优势，但是他们会借助这些把自己包装成一家人工智能公司，这样会更有噱头。

但潮水退下之后，他们只拿到噱头却没有真正地用到人工智能的红利，真正亏损的是他们自己。

本文出自 “七牛云” 博客，转载请与作者联系！