《阿尔法狗的孤独大脑》

我们看到一个不可思议地排列著的宇宙，以某些特定的法则运行。人类对于这些定律，只有模糊的了解。以我们有限的智力，无法理解那弥纶星宿的神秘力量。我虽为史宾诺莎的汎神论著迷，但更欣赏他对于现代思想的贡献，他是第一位把灵魂和身体看作一体的哲学家，而不是把它们当成是两个分开的元件。－－爱因斯坦

忒修斯之船亦称为忒修斯悖论，是一种的悖论。假定某物体的构成要素被置换后，但它依旧是原来的物体吗？公元1世纪的时候提出一个问题：如果的船上的木头被逐渐替换，直到所有的木头都不是原来的木头，那这艘船还是原来的那艘船吗？因此这类问题现在被称作“忒修斯之船”的问题。有些哲学家认为是同一物体，有些哲学家认为不是。

《增长的本质》的作者伊达尔戈以一辆布加迪威龙车遭到破坏来说明物体的信息性。一辆布加迪威龙撞到墙上变成了一堆废铁，虽然重量没变，但价值消散了。因为车祸没有破坏汽车零部件的原子结构，但破坏了部件的排列顺序。汽车的价值在于零件的组合方式，而不是零件本身，这些组合方式就是信息。

即使忒修斯之船上的木头被一一替换，但其信息并未被替换。有人试图以此为原理来论述“意识上传”，一种常见于科幻电影的永生手段。或是通过人工神经元的替换，或是通过高精度扫描的模拟大脑。

问题是，假如可以将模拟大脑上传至网络，那么该模拟大脑可能是可以被复制的，那么，哪一个是真正的“我”呢？就像阿尔法狗，可以自己和自己下棋，最完美的分裂人格，也没法做到这一点。但是，如果没有“统一”，会有自我意识吗？假如没有自我意识，这种“永生”又有何意义呢？

 1978年，Vernin Benjamin Mountcastle在《大脑运行的组织原理》中指出，大脑无论是在外观上还是在组织结构上，都具有惊人的一致性。大脑皮层中，无论是处理听觉信息的区域，还是处理触觉信息的区域，无论是控制肌肉的区域，还是控制语言的区域，又或者是任何其他的区域，看起来实际上都是一样的。他指出，既然这些区域的外观都是一样的，或许它们所运行的基本原理也是一样的，大脑为实现各种功能所使用的计算方法都是一样的。

即：我们的人类智能并不是以某种超级复杂的机制为基础，而仅仅是基于一种简单的并且是统一性的结构。这些结构共同运作来实现大脑的功能，而不因具体问题的不同而有所区别。（围棋，也具有这种简单的复杂性。）

对它们来说，所有的问题本质上都是一样的。固然如此，我们的大脑并不管它接受的信息是来自于眼睛还是耳朵，是鼻子还是嘴巴或皮肤。对大脑来说，所有的信息都统一地表示为电信号。

所以由此想到的新的思路是，要制造一种智能”元件“，只需要这一种简单的元件，然后尽可能多的复制它。如果需要处理更复杂的问题，只需要更多地复制这个“元件”就可以了，而不用管我们所要处理的具体是什么问题，也不用因所处理问题的不同而需要其他种类的“元件”。

通过”统一元件“这一思路，我们可以创造出全新一代的人工智能—广义的人工智能。之所以称之为广义智能，是因为我们并不需要为她写入任何游戏规则。如果要她学会下国际象棋，我们只需要给她一本学下国际象棋的书，让她去看人们是如何下棋的，她将会由此推断出她该如何下棋。Kasparov可能会觉得“深蓝”下棋的风格是枯燥无味的，而这种新一代的人工智能将会有她自己的独特风格。

2013年10月28日，广义的人工智能已经能够成功地突破验证码测试。对于电脑来说，要读懂一张模糊的图片比打败国际象棋的冠军还要难。但是Vicarious却成功地做到了。

基于广义人工智能谷歌”谷歌大脑“将大约16000台电脑联接起来，对人脑的部分功能进行模仿，让谷歌大脑通过观看成千上万的Youtube视频，进行“非监督式学习”：这些视频并没有被标记，它要自己去判断它在看的是什么。2012年6月份，当研究人员输入“猫”，谷歌大脑就能够构造出一个猫的形象，它并非简单地调取了个缩略图，而是形成了它自己对猫所形成的意象。它有了自己对猫的概念！也就意味着它有了“自己的想法”！

通过模仿大脑工作方式来解决问题的办法——让人工智能建立自己对这个世界的认识。人工智能似乎开始发展出电影里才有的那种无限可能性，这一点既令人兴奋，又让人不安。

某种意义上，20年前以暴力计算击败人类国际象棋冠军的深蓝，并非真正的人工智能。

今日击败了人类围棋冠军的阿尔法狗，仿佛掀开了广义人工智能魔瓶的盖子。

“围棋的规则非常简单，”梅西大学研究员、计算机科学博士的Chris Massison说道，“但正是这种简单增强了它的复杂性。”

普林斯顿的研究人员给出的19x19格围棋的精确合法棋局数：约等于2.08x10^170。

这个数字有多大呢？宇宙间所有原子的数量，是10的80次方。

概括而言，围棋的难在于：

1、智力：变化几乎是无穷无尽的，计算极为复杂；

2、灵性：在很多局面下，并没有惟一解，或者最优解，而要取决于棋手的风格；

3、心理：和所有竞技项目一样，心理因素起到极大作用。

计算机很难在围棋上赢过职业棋手，人们如此坚信，是因为1，更因为2。要知道，只有极少数人可以成为职业棋手，其中又只有凤毛麟角可以成为李世石这一级别的超一流棋手。至于3，看上去还是计算机的强项。

复旦大学哲学学院教授、人工智能哲学专家徐英瑾介绍，传统的计算机下棋程序的基本原理，是有限步数的搜索树，即采用数学和逻辑推理方法，把每一种可能的路径都走一遍，从中选出最优解。显然，这种下棋思考方法是人类无法做到的，发挥了计算机速度快、运算量大的优势。不过，这种“暴力算法”并不适用于围棋。因其变化量太大了。

除了复杂度高，围棋还有一大特点——黑白两方棋的每个棋子是一样的，没有大小之分、角色之别。这给计算机程序的运算推理带来了很大难度，因为从哲学上看，围棋具有“语境敏感性”，不太适合逻辑推理； 而棋子各不相同的中国象棋、国际象棋具有“超语境性”，每个棋子角色明确，不因棋局的变化而改变，非常适合逻辑推理，这正是计算机的强项。

人工智能研究利用游戏来作为微观测试已经有了很长的历史。游戏能够精确地定义并允许研究员来估测自己的成功。去年，谷歌的DeepMind教导机器学习并赢得了所有49个经典Atari计算机游戏。而围棋则一直以来都被人们视为人类能够胜于程序的最后一个经典游戏。

围棋之所以困难的部分原因是其结果的无限性。每一局的比赛都非常难于复制并重现。

“最明显要做的事情就是去检索所有可能的结果，但是这对于类似国际象棋特别是围棋这类的游戏并没有效果。”

AlphaGo与之前的Go机器人所不同的一点在于对于神经网络、分层计算和知识库的应用，而这一领域的领军人物则是Maddison的PhD导师，多伦多大学名誉教授、谷歌杰出研究员Emeritus Geoffrey Hinton所推进的领域。

“神经网络让我们减少了要调查的结果数量。但是它们同时也擅长通用化其并未见过的状态。因此这些神经网络学习规则与战术。它们并不仅仅只会记忆——它们还能够理解。”

AlphaGo仅靠自己是无法做到这么多的。但就像已在图像和语音识别上被验证的其他神经网络一样，最新的测试证明了这些系统的可靠性，而且它也可以用于从预防疾病到智能手机科技等诸多领域。“就像一个马达能移动非常巨大且非常重的东西 ——现在你能将其应用于更大、更复杂的事情上。”

哈萨比斯说，围棋在可能性上，它远比国际象棋复杂。因此在AI研究领域，尤其是继“深蓝”之后，围棋一直是大家的终极目标。尽管付出的努力不少，却收效甚微。

“蒙特卡罗树搜索”是十年前的重大创新，但DeepMind将直觉层面引入了AlphaGo的神经网络，而顶级棋手之所以杰出正是因为他们的直觉力。连比赛现场解说员迈克尔·雷德蒙都无法算出胜负，他可是职业九段！这正显示出了围棋的估值函数写起来有多难。

图、使用蒙特卡洛法算圆周率值

深度学习源于人工神经网络，其模仿对象是人脑。人脑由约10的11次方个神经元构成，人工神经网络从信息处理角度对人脑神经元网络进行了抽象和模拟，建立运算模型。这种网络由大量模拟神经元的节点相互连接构成，每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接，都代表一个对于通过该连接信号的权重值，形成人工神经网络的记忆。网络的输出则根据连接方式、权重值和激励函数的不同而不同。

深度学习系统是人工神经网络的升级版。这种系统由输入层、中间层和输出层构成，其中，中间层由多层人工神经网络构成，可多达七八十层，故名为“深度学习”。每增加一层，就意味着增加了一个人工智能分析维度。当人把某种大数据样本输入系统后，这种系统即可进行学习，掌握样本中蕴含的规律。

关于AlphaGo和“深蓝”的不同，哈萨比斯说：

“深蓝”是定制的程序，程序员从国际象棋大师那里将信息提炼为具体规则和启发式算法，而DeepMind则赋予了AlphaGo学习的能力，让它自己从练习和培训中学习，这点更与人类更接近。

AlphaGo比深蓝厉害多少倍？至少2.5万倍。从这个角度，我们也能看出来，围棋究竟是怎样复杂的一种智力游戏，以至于计算机的性能需要20年的提高，才能在象棋上战胜人类天才级代表卡斯帕罗夫后，再在围棋棋盘面前，坐到人类顶尖选手的对面。不过归根揭底，AlphaGo最重要的成就并不是采用了性能多么优秀的电脑，而是第一次让程序可以以人类的方式思考、学习和提高。

换而言之，DeepMind是从一个全新的角度打造出AlphaGo，跨界技术背景极强的哈萨比斯，拥有特斯拉的马斯克那种整合能力，加上他惊人的想象力与激情，以及谷歌深厚的支持，让一件被普遍认为还需要一二十年才能发生的事情，在2016年的3月发生了。

人类天才的大脑是如何做出对弈决策的？

加藤正夫绰号天煞星，经常在不可能的情况下屠大龙，算路极深，据说某次拆解一个变化时，他说：“不行，下面第三十四手时黑没法两全”。坂田荣男在边上说：“可以，第六十二手可以反吃。” 我印象中也打过加藤的棋谱，50手几乎无变化的追杀对手。

这种直线追杀仿佛福尔摩斯那种一连串拐了很多弯的演绎推理，炫目而有魔幻效果。但，难题不在这里。

吴清源经常被问：目算步数时要算几遍，每一次目算能看多少步？

答：这是很难回答的问题。没法三言两语说明白。常听人说一眼看30步的话，其实不用看这么远，也可以下出好棋。每看一遍都见出许多枝叶的细节，如果只一个细节没看到，因而了解错误，则全部的目算就都没有用了。在目算棋势时，必须做最好的判断，在目算的同时就做判断了。如果判断错误，目算多少步都没有用处了。

木谷实被问及为何长考，他回答说：首先在作为直感而浮现于眼前的四、五手中，从最不可能成立的一手开始，一子一子地往下计算。

吴清源接着发表自己的看法：除了中盘的绞杀和收官以外，其他的地方无论如何也是算不尽的。况且，对方若在自己计算范围外的地方打下一手的话，那么一切还得再从零开始算。与木谷实相反，我首先在最早浮现于眼前的几手中，从最有可能成立的一手开始算，如这一手不行，再考虑另一手。

卡斯帕罗夫说，除了计算力，还有第二个关键因素：评估静态（永久）和动态因素的能力。心理学家格鲁特认为后者更重要。此乃“修剪决策树”。

阿尔法狗学习了人类棋手的思考模式，从而绕开了“暴力破解”的死胡同。

下面引用郑宇&张钧波的文章。

AlphaGo总体上包含离线学习（图1上半部分）和在线对弈（图1下半部分）两个过程。

离线学习过程分为三个训练阶段。

? 第一阶段：利用3万多幅专业棋手对局的棋谱来训练两个网络。一个是基于全局特征和深度卷积网络（CNN）训练出来的策略网络（Policy Network）。其主要作用是给定当前盘面状态作为输入，输出下一步棋在棋盘其它空地上的落子概率。另一个是利用局部特征和线性模型训练出来的快速走棋策略（Rollout Policy)。策略网络速度较慢，但精度较高；快速走棋策略反之。

? 第二阶段：利用第t轮的策略网络与先前训练好的策略网络互相对弈，利用增强式学习来修正第t轮的策略网络的参数，最终得到增强的策略网络。这部分被很多“砖”家极大的鼓吹，但实际上应该存在理论上的瓶颈（提升能力有限）。这就好比2个6岁的小孩不断对弈，其水平就会达到职业9段？

? 第三阶段：先利用普通的策略网络来生成棋局的前U-1步（U是一个属于[1, 450]的随机变量），然后利用随机采样来决定第U步的位置（这是为了增加棋的多样性，防止过拟合）。随后，利用增强的策略网络来完成后面的自我对弈过程，直至棋局结束分出胜负。此后，第U步的盘面作为特征输入，胜负作为label，学习一个价值网络（Value Network），用于判断结果的输赢概率。价值网络其实是AlphaGo的一大创新，围棋最为困难的就是很难根据当前的局势来判断最后的结果，这点职业棋手也很难掌握。通过大量的自我对弈，AlphaGo产生了3000万盘棋局，用作训练学习价值网络。但由于为其的搜索空间太大，3000万盘棋局也不能帮AlphaGo完全攻克这个问题。

在线对弈过程包括以下5个关键步骤：其核心思想实在蒙特卡洛搜索树（MCTS）中嵌入了深度神经网络来减少搜索空间。AlphaGo并没有具备真正的思维能力。

1. 根据当前盘面已经落子的情况提取相应特征；

2. 利用策略网络估计出棋盘其他空地的落子概率；

3. 根据落子概率来计算此处往下发展的权重，初始值为落子概率本身（如0.18）。实际情况可能是一个以概率值为输入的函数，此处为了理解简便。

4. 利用价值网络和快速走棋网络分别判断局势，两个局势得分相加为此处最后走棋获胜的得分。这里使用快速走棋策略是一个用速度来换取量的方法，从被判断的位置出发，快速行棋至最后，每一次行棋结束后都会有个输赢结果，然后综合统计这个节点对应的胜率。而价值网络只要根据当前的状态便可直接评估出最后的结果。两者各有优缺点、互补。

5. 利用第四步计算的得分来更新之前那个走棋位置的权重（如从0.18变成了0.12）；此后，从权重最大的0.15那条边开始继续搜索和更新。这些权重的更新过程应该是可以并行的。当某个节点的被访问次数超过了一定的门限值，则在蒙特卡罗树上进一步展开下一级别的搜索（如下图所示）。

图、MCTS拓展下一级节点

 作为差一盘棋达到弈城7D水平的业余棋手，我深深地感受到阿尔法狗所带来的震撼。

1、它几乎是个加强版的李昌镐，冷静，极少漏洞，快速缩短战线，忍让却又不致大势落后，令对手不知不觉陷入无法挽回的败局。真应验了巴菲特所说的：达至非凡的结局，未必需要非凡的手段；

2、传统认为电脑下棋官子等局部战斗力较强，大局观较弱。但阿尔法狗的大局观极好。

黑37的肩冲，几乎是吴清源这个级别的棋手才能走出的一手。旁观者会用“天外飞仙”来形容这类奇思妙想，所谓“天才的感觉”。

阿尔法狗在对樊麾之局已经算是通过了围棋版的“图灵测试”，而在大战李世石时，它表现出了才华横溢的“灵性”。

一些研究者们认为，阿尔法狗的“感觉”，并非真实，即使其“思考”，也是一种假象。

也有人认为，AI这次在围棋上战胜人类顶尖高手，基本证明了所谓的“棋感”、“棋风”、“大局观”等围棋高手所谈论的虚的能力，并不是人类独有的，经过训练的神经网络也会有。所以，随着技术的进步，电脑也会能够欣赏艺术（音乐、画作、小说、笑话），能够创作文学、艺术作品，能够针对不同的情况形成自己的“情绪”。

让我们跳回到几十年前，加扎尼加博士的问题：“为什么会这样？假如我们的大脑拥有各个独立运作的系统，是不是意味着大脑有统一的意识？”

脑科学家发现 “左脑 - 右脑” 模式不过是大脑最明显的分工之一；除此之外还有许多专门的模块（specialized modules），各自对应专门的技能，比如计算距离、分析音调等等。所有这些都在同一时间进行，不同的信息在纵横交错的大脑网络中传递，跨半球交流也是常有的事。

简言之，大脑不仅仅是在控制左右脑协作时表现出统一意识，自始至终大脑都需要在针锋相对的各种杂音中取得平衡，神经系统就好像喧闹的股票交易所一样。

大脑是怎样做到这一点的呢？

通过对脑裂人的研究，加扎尼加终于发现了一个秘密：

左脑不过是在编造理由。

左脑半球在其接收信息的基础上编造出条理清楚的故事，并告知人的意识。日常生活中这个过程不断在上演，大部分人都有这种行为，比如偷听到别人闲话的片段，然后用自己的揣度把故事补充完整。

大脑中各种声音吵吵嚷嚷，却依然能保持一致，其原因就在于左脑半球中某个模块或是某处网络一直在滔滔不绝地叙事。加扎尼加说：“我花了 25 年，提出了正确的问题，并且找到答案。”加扎尼加博士决定把左脑叙述系统命名为“诠释者”。

“诠释者”不仅扮成一副条理清楚的样子，还创作看似富含深意的剧本。它整天忙忙碌碌，大刀阔斧地重组事实；不仅编造故事，还捏造原因，这里加入动机，那里添上意图，诸如此类。而这一切都是基于有限的，有时甚至是经不起推敲的信息。

这一结论又引出了心理治疗和文学创作的老生常谈：我们自以为了解自己，其实不然。在讲述自己生活之时，我们会修饰每一个细枝末节；甚至回过头去修改事实剧本，而大部分时候我们对此根本没有意识。讲故事的人从来不肯停歇，除非在深度睡眠的状态下才有可能闭嘴。

回到围棋，人类天才棋手们引以为荣、并自认为电脑程序无法超越的“棋感”和“大局观”，或许也是“诠释者”的杰作罢了。

由于采用了全新的技术与思路，阿尔法狗是从“棋感”入手来“思考”的。它的棋感和人类的棋感也许是一回事情。只不过人类为自己的“棋感”作出了文艺色彩浓厚的“诠释”罢了。

下一步，工程师们可以为阿尔法狗们设计一个“诠释者”模块，让它像人类那样，绘声绘色地讲述自己的传奇，毫不羞愧地夸大自己的智慧，虚张声势地赢得自己的地位。

如人工智能之父马文.明斯基所说：“电脑被制造出来之后从未曾明白过自己在做什么；实际上，在大多数时候，我们也一样。” 

下面这些，基本来自于几年前我在微博的随笔。

爱好是种矫正工具。围棋矫正我焦躁中低效的判断力；音乐修复我磨粗的神经末梢；电影帮我找回迷失的生活平衡感；阅读让我与有趣的人“纸谈”；摄影教我焦距与画面的视野观；数码提醒我你依然有权摆弄玩具；旅游带我到陌生地怀念已厌倦的熟悉；写字强迫我讲故事...它们令我在注定的轨迹上调试出安定感。 

到了我这年龄，围棋更多的是一种个人情绪校正仪，越来越像自我校正与强化的工具。它能够提供低成本（主要是时间）、高仿真（对现实人生、对商业决策、对投资判断）的演练。围棋之于我，作为一项成年人的业余爱好，其思维技巧已淡化。因人生过半，对存量资源的思量要大于四处拓展增量资源。首要任务是对已有选项的梳理、判断、整合。围棋的每一步，都是另外一步的机会成本。关键局面的决策，更是高仿真的人生得失训练----得，患得，失，患失。 

说说我屡屡从围棋中学到、但又没能真正掌握的东西。

1、每一步都重新思考。

一盘棋关键时刻的选点，若单独出一道题，有ABCD选点，答对几率远大于实战选择。所以，抵御现实环境中情绪惯性的干扰，每一步都应“重新思考”，之前的优势和失误，只能成为既存现实。懊恼并不能将失去的局面挽回，反而会给决策者以错觉和侥幸心理。

就像做死活题。有些题，实战中断然想不到，但因是题，好歹能解出。由此：a、动态思考和静态思考是两回事；b、未界定问题和界定的问题是两回事；c、喧嚣中决策和做题式决策是两回事。故，围棋之“平常心”，或指在喧嚣的厮杀中，能自我营造一系列沉静的思考节点。 

每一次都重新思考。这一点巴菲特很像。烂人乔布斯和马斯克也是。就像狗每次见到主人都像半辈子没见，而且每天都可以重复而不厌倦。这种不厌倦，是另外一种激情。

阿尔法狗的策略网络，会算出高手们在类似局面下的选点概率。《Brilliant mistakes》里说：从长远看来，与那些主要根据结果给予奖励的决策相比，过程驱动型决策将会产生更好的结果。－－有点儿像巴菲特说高尔夫，挥杆习惯比结果更重要。海底捞等企业，也是过程驱动，所以在一堆结果驱动的企业中脱颖而出。当今“只计利害，不问是非”的主流价值观，亦是唯结果论。 

有所谓放手一搏吗？每一步都走最优解就是放手一搏。

不要假设对手会走臭棋，每一步都按照最好棋手的最好习惯。

3、通过大量训练获得“棋感”。

《失败的逻辑》一书说：复杂性是主观因素。区别于新手，老司机对许多“超信号”作出反应。对他来说，交通状况非大批必须进行个别解释的元素组成，而是一个“格式塔”。如熟人脸“面容”。如何评价大脑“宏处理”之直觉？卡斯帕罗夫引用里根的话：信任，但要核查。决策时：我只向前看一步，但总是正确的一步。 

下围棋，至中盘厮杀，最易犯的错误是：两头都想要。仅因太贪心？不，本质仍是计算能力不足而致的短视，因为大脑演算步骤有限，误以为两头都能拿下。若“冷静”、“舍得”属于情商范畴，那么情商归根结底仍为智商所支配。由此：“那人很聪明，就是情商差点儿，不够镇定”之类的说法纯属胡扯。蠢就是蠢。 

围棋等脑力运动尚且如此，商业上更是，拼的就是力量。据说美国商界很多人士大学时都是运动好手。

Think twice，有点像中国的“三思而后行”。比较起来，前者更有实践意义，后者则因熟视而无睹了。我们对大多问题的think，其实只交给了大脑边缘系统去决策，该反射系统与我们在森林狩猎的祖先无异。所以，Think twice，在直觉反应后，程序化地调动位于额叶的思维系统，几乎是提升大脑效率最简明有效的方式了。 --机器可以又快又准。

上面这段是我4年前在微博上写的。阿尔法狗几乎就是按照这个模式运转的。（哇偶。）

6、像“石佛”般安静。

沉静的力量。范廷钰夺得应氏杯，媒体说：16岁的花样年华却有着一颗古井般波澜不惊的心。韩国天才棋手李昌镐年纪轻轻时，亦被人称为“石佛”。再有“淡定哥”谢赫，其最钟爱的格言是：“他强任他强，清风拂山岗”。－－对于此类按按钮的工种（如飞行员、公司决策者、证券投资人等），沉静是必要智慧。 

总结我在弈城输棋的原因排序：1、不深入计算，随手乱来；2、不肯承认局面，心存侥幸，勉强行事；3、遭受损失时气急败坏，急于挽回局面，而非站稳脚跟再求逆转；4、不专注，一心多用；5、过于保守；6、技不如人。即使是围棋这类智力游戏，在与相近水准的人对弈时，胜败仅有两成左右的原因与智商相关。 

7、将多难的困难都精简为一道选择题。

和1有点儿像，但侧重点不同。谷歌的佩奇的决策秘密是，将任何问题都变成二选一。巴菲特和阿尔法狗都是类似思维。很多时候，再烂的决策也比什么都不做好（有些领域例外，例如投资）。埋头向前走，做好当下最好的一步，其他的交给上帝。

芒格说：生活就是一连串的“机会成本”，你要与你能较易找到的最好的人结婚，投资与此何其相似啊。

优秀的决策者，就是机会成本决策者。

放弃，是人们绝大多数时候可以做的最好选项，但又是最早“放弃”的权利。

放弃“放弃”的权利，在围棋里有“脱先”（不理会对手，走到别处去）、“弃之”等。

“最难的决策是决定不做什么。因为苹果有太多伟大的、令人兴奋的想法。”当库克被问到，是不是从好的想法中选择最好的想法？库克说，“我们所有的想法都是最好的想法，但苹果只能选择其中一种，并努力把它做到极致，其他的都会果断放弃。” 

《金刚经》：过去心不可得。

人类对于过去喜欢自圆其说，甚至于为此搭上未来。视觉残留、记忆残留、踩西瓜皮决策、滑梯人生、惯性思维、沉没成本、牵累，莫不如是。

克林顿的“精神装置”，以及芒格的思维，都有没心没肺、冷酷无情的那一面。正所谓慈不带兵，投资、对弈就是打仗。《权力的游戏》里所展示的决策风格，其实是符合世界规则的。

如果将这一段所有的文字简化为一个词，我会留下“知错就改”。人太容易同情、纵容自己。绝大多数时候，人都是有选择权的，即使在绝境之下。

10、然而，人的弱点有时是美好的。

人也会主动选择对自己不利的一面，这是人性光辉的一面。

李世石大战阿尔法狗，机器的智慧，人性的灿烂，交相辉映。

围棋的安静，容易让人看不见其残忍的那一面。一招一式间，比拳击赛还要你死我活。曹薰铉参加国际大赛，一盘棋会掉3公斤肉。

翩翩少年如李世石，第一次在比赛间双手颤抖。他的妻子第一次见他因为对局而夜不能寐。惟一的胜局后，他赢得了人生最热烈的掌声。“哪怕给我全世界，我也不愿放弃这次胜利。”

谷歌团队，帮阿尔法狗落子的黄士杰（业余围棋好手，主要技术研发人员），五盘棋从不中途离开去上厕所，以免影响对手。李世石输给阿尔法狗之后，DeepMind负责人哈萨比斯眼眶发红，仿佛做了做不起李世石的事。最后一局，李世石主动让阿尔法狗拿其更擅长的白棋。

“围棋应该自由舒展，妙趣横生地下。因此，我觉得应该把整个棋盘当做自己的舞台。”—大竹英雄。这是我买的第一本围棋书的开篇第一句话，购于1988年8月，在湖北襄阳市樊城区离长虹路不远的某个书店。 

幸福并不是你死我活。美学棋士大竹英雄会因为下不出漂亮的棋认输；武宫宏大的宇宙流，迄今仍令人心血澎湃；藤泽秀行不遗余力地帮助“敌对”的中国棋手。围棋最美好的一面，不会因为“围棋上帝”的出现而丧失。恰恰相反，人机大战令围棋达至前所未有的热烈。

过于量化的人生真的有意义吗？大病之后的李开复这样说：

首先，是我个人心态和看待问题的方式有很大不同。几年前，我曾经很偏执地相信： 世界因我而改变。我会热衷于追求影响力的最大化；认为影响力越大，做的事情就越能够发挥效应，却从来没有怀疑过它的正确性。正是为了追求更大的影响力，当时的我像机器一样盲目、快速地运转。直到后来生了大病，养病期间，我才有功夫沉下心来仔细去想：精确地计算每分每秒如何能够产生最大的影响力，或者几乎偏执地把运营社交媒体当作人生的重要目标，把获取粉丝视为志在必得的事情是否正确？

旁观者角度的答案是毫无疑问的，但要一个身在其中的人从之前的状态里脱离却很难。我也是花了很长的时间才体会到：珍贵的生命旅程中，只要让自己每天都比前一天有进步、有成长就好。不必改变别人，只求做事问心无愧、对人真诚平等。换言之：如果我做一件事情，其他人也都来做，那么我们的世界会不会变好一点？如果会，现在的我就去做，但不会再用量化的思维计算每件事的“价值”和“意义”。

据说谷歌会在2029年开发出比最聪明的人还聪明的AI。

当年输给深蓝的卡斯帕罗夫，其国际棋联国际等级分创造了历史最高纪录，23次获得世界排名第一，能讲15国语言，还是一位数学家、计算机专家和纽约《华尔街》杂志的撰稿人。

1999年，MSN主办了一场由卡斯帕罗夫一人对抗来自全世界75个国家、超过5万名爱好者的网络比赛。经过四个月的拉锯战，世界队投票弃权，卡斯帕罗夫获胜。

（有些领域，多少个臭皮匠也叠加不出一个诸葛亮。阿尔法狗从数千万棋谱中学习，想要达到世界第一人的水平，也是一件不可思议的事情。懂围棋的人更能理解这一点。）

然而，这个世界并非是由聪明人统治的。德州扑克比围棋更能象征人类的游戏规则。

巴菲特和盖茨都是桥牌爱好者。

卡斯帕罗夫退役后的跨界并不耀眼。

有些人擅长于“简单的复杂事情”，有些人擅长于“复杂的简单问题”。

简单的复杂事情，事情是有边界的（是为“简单”）；事情本身是极为复杂的。例如围棋。

复杂的简单事情，事情本身看去来不复杂，但却是没有边界的。例如经营公司，政治，婚姻。

有跨界能力的人，会更有优势，例如站在艺术与科技交叉点的乔布斯，站在物理、工程与商业交叉点的马斯克。

没有让聪明人统治整个世界，是上帝聪明而仁慈的设计。任何一个物种，几乎都可以在地球上找到自己的位置。宇宙间似乎有无限的包容力。

围棋领域要残忍得多，只有极少数一流棋手能够过得很好。也只有极少数人可以成为超一流棋手，冠军基本就是那几张面孔。

比较而言，德州扑克的比赛，冠军轮流坐。

运气，不确定性，是世界运转的底层逻辑与上层乐趣。

围棋一直以来都是完美信息博弈的巅峰。围棋更容易形成极难、但已知条件清晰的求解环境，求解的过程也很有冲击力，策略和计算会显得很完美。久而久之，容易导致自圆其说的习惯与错觉，这是聪明人容易犯的错误。

太深的计算，尤其是环环相扣的直线计算，在现实中其实没有意义。

AI已经被证明擅长于解决有边界的、简单的复杂事情。下一步，它要成为有“通感”能力的智慧主体。

早年Google的创始人佩奇被问到，“拉里，我还是不明白，市面上有这么多搜索公司。免费的网络搜索？你是怎么想到这个主意的？”

佩奇回答：“噢，我们其实在做一个AI。”

Google收购多家AI和机器人公司，看起来Google正通过扩大AI投资组合来改善搜索能力，但也许正相反，Google并没有用AI来让搜索变得更好，而是用搜索让AI变得更好。

每次用户输入查询词，点击搜索引擎生成的链接，或者在互联网上创造一个链接，用户都是在训练Google AI。当用户在栏输入“复活节兔子”，并点击最像复活节兔子的图片时，他们都是在告诉AI，复活节兔子长什么样。

Google 12亿搜索用户每天进行的121亿次搜索都是在不断训练Google AI。再对其AI算法进行10年的稳定改进，加上1000多倍的数据和100多倍的计算资源，Google将拥有一个无可匹敌的AI。到2024年，Google的主要产品将不是搜索，而是AI。

三大技术突破推动了AI的突破。

杰卡布斯坦将AI划分为三个大的领域：

以及对于人类大脑的逆向工程。

人脑逆向工程在人工智能领域也被称为联结主义，其主要内容是研究如何模拟人类大脑的神经网络运作。而如果我们要构建通用人工智能（Artificial General Intelligence，也称强人工智能。即像人类一样，甚至超越人类的智能系统），那么模拟神经网络看起来是最有前景的一条路径。

这三个方面也恰好对应着人工智能的三种主要做法。

马克扎克伯格视AlphaGO打败围棋大师为令自己最感到意外的技术创新。

但他认为，AI对人类的挑战还很早。

“人类最拿手的是对模式的认识，比如听到声音后知道什么文字，可以翻译成语言等等。也就是常识，将学习到的常识应用到另一个领域。”

“但下围棋的机器却不能干别的。机器离这一步还很远。未来识别一些模式，而不是只会下棋，可以实现自动驾驶、预测气候变化等是未来5-10年人工智能的重点。”

DeepMind的哈萨比斯的野心可能要更大。

例如，IBM已经将“沃森”应用于癌症诊断中。但在哈萨比斯看来，“沃森”跟DeepMind所做的还是很不一样的。“沃森”更像个专家系统，是一种不同类型的AI。这类AI做的是对图像进行医学分析，纵向跟踪重要信号或随着时间自我积累，来帮助人们建立更健康的生活方式。这对强化学习来说是很适合的。

在哈萨比斯眼中，像手机智能助手，现阶段这类系统还不堪一击——一旦涉及到程序没有的模板，它们就全无用处。因此关键是要让它们变得真正具有自适应力，更灵活稳健。

他认为人们想要的是智能、连贯且深刻理解你真正想表达的意思的智能手机助手。

iPhone寄予厚望的Siri，你用过多少次？从对话水平看，她可能还不如一个两三岁的孩子。

人工智能唯有能模仿“整全的人”，具备人类思维的大多数功能，才是真正震撼人心的事件。“大数据+深度学习”技术并不能打造出通用人工智能系统，科技界需要开发出新的算法和技术，更好地模拟人脑工作方式，才有望把人工智能推向新的高度。

关于通用人工智能，哈萨比斯提到了两点：

1、让AI纯自学成才。

“目前基本所有智能手机助手都是特定预编的，这就意味着它们只能做预设好的事。然而现实世界混乱而复杂，手机用户会做出各种不可预判的行为。DeepMind的根本理念是，AI的唯一途径就是从根本上进行学习并且有通用性。

AlphaGo是从学习大量棋谱起步的。然而对于智能手机来说输入数据要多样得多。

学习正是通过海量的资料来完成的。DeepMind打算在接下来的数月里尝试AlphaGo算法——去掉一开始的督导学习部分，完全让他自学，彻底从零开始。这样需要花费的时间要更长，因为随机下棋需要花更多的时间来训练试错，或许得好几个月。但是DeepMind认为让它纯自学成才是可能的。

对比之前的算法，其特点是：只让它自学，没有监督辅导的部分。DeepMind认为这个算法不需要督导也可以。此前用雅达利游戏测试时就没有任何人类知识的引导，只是从在屏幕上随机行动开始的。”

“无人驾驶车可算是机器人，但目前为止还是狭义人工智能——尽管在计算机视觉方面用到了学习型AI。特斯拉用的是几乎现成的基于深度学习的计算机视觉技术。

为什么没有能包揽家务的机器人？原因就在于每人的家在布局和家具等方面都完全不同。即使在室内，情况每一天也不尽相同——有时会变得凌乱，有时会变得整洁。所以你没法给机器人预编程序来打扫房间，对吧？更不用说人们在如何叠衣服上都有不同的偏好。这正是问题的复杂之处。这些对人类来说很简单，但事实上在做这些事的时候，我们是在处理异常复杂的情况。”

想想看，你身边有一个人，不管他多么丑多么蠢多么烂，却都是宇宙间最精妙的、最难以复制的“智能”。

有人称人工智能为集邮式的工作方法：我们做出了推理模块，然后拼上学习模块，然后再拼上视觉模块——把每个子领域的功能做好，然后再组合出一个完整的智能系统出来。

显然阿尔法狗某种意义上反击了这类批评。

强AI的研究者认为，人类智能不是这样拼起来的，在我们没有理解人类智能的运作方式前，拼合式的做法只是做出了一堆零散的工具。因此他们致力于发展智能的统一框架。

吴恩达追求的大脑皮层单一算法，《人工智能的未来》作者杰夫·霍金斯所致力研究的脑皮质学习算法（Hierarchical Temporal Memory），包括阿尔法狗它爸哈萨比斯，都是在试图克服这种拼合式的智能，转而追求一个更基础的框架。

此外，还有对于机器本性的质疑：机器只是机械地执行人们交给他的命令，并没有产生智能。

中文房间，是由提出的一个，借以反驳的观点。根据的观点，只要拥有了适当的程序，理论上就可以说计算机拥有它的认知状态并且可以像人一样地进行理解活动。

中文房间的实验过程可表述如下：

一个对一窍不通，只说的人关在一间只有一个开口的封闭房间中。房间里有一本用英文写成的手册，指示该如何处理收到的汉语讯息及如何以汉语相应地回复。房外的人不断向房间内递进用中文写成的问题。房内的人便按照手册的说明，查找到合适的指示，将相应的中文字符组合成对问题的解答，并将答案递出房间。

认为，尽管房里的人可以以假乱真，让房外的人以为他确确实实说汉语，他却压根不懂汉语。在上述过程中，房外人的角色相当于，房中人相当于，而手册则相当于：每当房外人给出一个输入，房内的人便依照手册给出一个答复（输出）。而正如房中人不可能通过手册理解中文一样，计算机也不可能通过程序来获得理解力。既然计算机没有理解能力，所谓“计算机于是便有智能”便更无从谈起了。

所有人都认为人是拥有的，而人的智能决策来自于脑细胞的电信号转换，每一个脑细胞并不理解单词的意义，只是简单的缓冲、传递或抑制一个电信号，脑细胞创造了，创造了（相当于规则书与不懂中文的人），但是它们并不懂每个单词的意义。而人类却显示出与人沟通的能力。如果按照希尔勒的观点，人类是不存在能力，这与事实是不符的。所以依然可以认为若某段计算机程序，能够完成，则说明该段计算机程序具有认知能力。

故事设定于近现代的未来世界，世界因而导致沿海多数地区被海水淹没，而为了抑制人口成长，怀孕及产子也必须经过严格的审查制度，为了取代多数人口的生产力，的发展技术也因此活跃了起来。有一天，制作机器人的科技公司运用了新技术，制造了世界第一个会爱人的机器男孩大卫，送给了同公司员工亨利，因为儿子生病而不在身边，所以亨利将他带回家陪伴自己的妻子莫妮卡，用来代替其因为绝症而进行的儿子一同生活。而因为大卫的外表与个性几乎与平凡男孩无异，而让原先很排斥大卫的莫妮卡开始接受了他，甚至把当作自己的亲生儿子。

大卫一个人乘在海中发现了被海水淹没的一座乐园，里头矗立著一尊蓝仙女的雕像，大卫认为自己找到了，便拼命的向其请求自己想变成真正的小男孩的愿望。

大卫在潜水艇中一直请求蓝仙女，直到大卫身体的能源用完，海水也被冰冻起来。时间经过了2000年，地球被厚实的冰层覆盖，人类已经灭亡，只剩下机器人生存下来。一群意图寻求根源的考古学家发现了在海中机能停止的直升机以及大卫，并再次将其启动。

机器人告诉大卫地球的现况，也告诉他莫妮卡已不在人世，而为了表示对大卫的欢迎，机械人决定替大卫实现一个愿望，就是利用机器人的克隆技术复制一个一模一样的莫妮卡，但因技术的限制，复制人只能存活一天，一旦再次睡眠后便会死去......

阿尔法狗能感受到时光的流逝吗？

你之所以是你，比什么都重要，你的独一无二，不是因为你比另外一个人更牛逼更聪明更会赚钱更有权势，否则你就是倍数不同的另一个人而已。可成功学鸡汤告诉我们的，恰是要求我们放弃自己的一切，你就是狗屎，你就是傻逼，你要放下一些，你要无我，不顾一切，这样你才可能牛逼，才可以视别人如傻逼。全中国一半人在学马云，网红们一半整成郭美美。

不管你多么混球，或者多么圣人，第二天早上，只要你还能醒来，你就还在你的脑袋里，在你的身体上。你不会看到另外一百个自己，你们互相分不清自己。阿尔法狗自己和自己下棋，快速自我提升，人除了打谱，很难靠此长棋。人总是“团”在一起的。你即使是分裂的，你的两个或者更多的自我在掐架，在各行其是，他们也是在夺一把椅子。然而，阿尔法狗不能。

“我们看到一个不可思议地排列著的宇宙，以某些特定的法则运行。人类对于这些定律，只有模糊的了解。以我们有限的智力，无法理解那弥纶星宿的神秘力量。”

曾经比任何一个地球人更深刻理解这个宇宙的爱因斯坦如此写到。

“我虽为史宾诺莎的汎神论著迷，但更欣赏他对于现代思想的贡献，他是第一位把灵魂和身体看作一体的哲学家，而不是把它们当成是两个分开的元件。”

电影《人工智能》的结尾很伤感。大卫也与莫妮卡的复制人度过了一生中最开心的一天，大卫终于实现自己的愿望，两母子最后在夜幕一同沉沉的睡去。

小男孩和母亲过了美好、最后、惟一的一夜。或许不再醒来。而我们的几乎所有人的几乎所有时候，每天早晨，从或有或无的睡梦中醒来，身边躺着或者没有躺着人，窗外或者有阳光或者没有，心情或者明媚或者阴暗，智商或者高或者低，屋里有或者没有家人的动静，你都清晰地意识到，你作为惟一的你，存在于这个世界上，和你最亲近的那些人们，彼此独一无二地牵挂。

这很正常的啊，想想人类怎么可能搞得过机器呢？尽管机器是人类发明的，人再怎么厉害总跑不过汽车，本来拿人去跟电脑比赛就是个伪命题，人类只能算到50步内最优化的结果，但电脑不同它能算到几乎是极致，电脑越先进越能分析到几万种变化结果从中选出最佳的一步棋，这次的最新的阿法狗通过自我学习三天就打败二代的阿法狗，比分100：0，要知道二代的阿法狗是打败李世石的啊！人类下棋对局面的掌控是感性加理性，电脑是没有感情的机器它只有理性，所以下出来的招法也跟人类大不相同，完全是两个世界的思维方法，人类赢棋是靠局面的判断有时感情用事还会发生逆转与被逆转，但电脑是不可能发生的事，它每下完一步棋就会自我判断当下的局面输赢概率，每当越下到后面它的概率判断越强大越牢靠想翻盘几乎是不可能的事，最可怕的是当电脑判断自己要赢的概率是六成以上的时候它会选择最简单的赢法，甚至会选择退让到50.1%的赢棋概率，但最终就是赢下了比赛。总之电脑下棋就是在通过大量的计算优化最佳的一步棋，而人类的大脑达不到这个高度。

本文由百家号作者上传并发布，百家号仅提供信息发布平台。文章仅代表作者个人观点，不代表百度立场。未经作者许可，不得转载。