“阿尔法狗—零”确实取得了技术突破，但这仅限于棋类游戏领域。在其他很多领域，这种技术突破会给研发人员带来启发，然而能否“移植”，还有待观察。
阿尔法狗（AlphaGo）再次震惊世界，在最新一期《自然》杂志上发表的论文显示，英国深度思维（DeepMind）公司研发出了“阿尔法狗—零”（AlphaGo Zero），它在仅输入围棋规则、未输入任何人类棋谱的情况下，通过自学习，就具备了完胜阿尔法狗的超强棋力。一时间，许多人惊呼：“阿尔法狗—零”实现了人工智能重大突破。事实真的如此吗？接受解放日报·上观新闻记者采访的两位人工智能专家做了理性分析。
大多数领域离不开人类知识
深度思维公司将阿尔法狗的发展分为4个版本：1.0版本是“阿尔法狗－樊”，它在2015年战胜欧洲围棋冠军樊麾，是计算机程序首次战胜人类职业棋手；2.0版本是“阿尔法狗－李”，它于去年战胜了世界冠军李世石，意味着人工智能具备了超越人类顶级棋手的实力；3.0版本是“阿尔法狗－大师”，今年战胜了世界排名第一的柯洁。这3个版本有一个共同点：开始学围棋时，研发人员都会输入一批棋谱，即人类千百年来摸索出的基本下法，让机器在此基础上进行自学习。而4.0版本“阿尔法狗－零”则不需要任何人类棋谱知识，在起步阶段，它只被输入了围棋规则，完全“从零开始”进行自学习——与自己对弈，并在很短时间内拥有了超强棋力。
柯洁在与阿尔法狗的比赛中擦拭眼泪。来源：新华社
这是否意味着人工智能不再需要人类知识，就能飞速成长？上海交通大学机械与动力工程学院机器人研究所博导闫维新给出了否定的回答。他带领团队研发出了医学影像人工智能分析系统“阿尔法医生”，能识别直肠癌、皮肤癌等多种疾病。在他看来，“阿尔法狗—零”确实取得了技术突破，能完全依靠自我对弈进行学习，但这仅限于棋类游戏领域。在其他很多领域，这种技术突破会给研发人员带来启发，然而能否“移植”，还有待观察。
闫维新以他擅长的人工智能图像识别为例，目前的开发技术需要大量人类知识。如何教会机器对医学影像进行识别和诊断？需要把医生勾画好的数以万计的片子输入人工智能系统，让它对大样本图像进行分类学习、迭代十余万次。如果样本量不够，还要利用样本扩增技术，对图像进行旋转、缩放等处理。“如果不输入医生勾画好的医学影像，人工智能怎么能学会识别病灶呢？”因此，棋类游戏中不依靠人类知识的自学习技术，不可能直接移植到图像识别领域。当然，这种技术或许能给研发人员带来启发，让他们通过创新，减少样本的输入量。
Zero技术应用范围比较有限
复旦大学哲学学院教授、人工智能哲学专家徐英瑾也持类似观点。他指出，棋类游戏是一个比较特殊的领域：游戏规则和输赢判断都非常明确，可以被高度形式化。因此，“阿尔法狗—零”能完全不需要人类棋谱数据，仅靠“左右互搏”产生的数据进行自学习，并成长为顶尖棋手。但大多数领域并不像下棋那样。如绘画，它是没有“输赢”之分的，评判绘画作品优劣的标准也很模糊，所以就不能仅靠输入一套游戏规则（如“越像实物的画越好”）来让人工智能成为大画家。又如军事，这似乎是个可以用“输赢”来明确评判的领域，但其实，军事上的输赢常常很难界定。两方交战中，一场战役的胜利很多时候并不意味着一方就此胜出，因为战争的“大局”没有明确边界，比棋类游戏的“大局”复杂得多。
由此可见，“阿尔法狗—零”技术的应用范围是比较有限的。当然也要看到，它在棋类游戏领域取得了较大的技术进步。徐英瑾介绍，此前的阿尔法狗有两张神经网络——价值神经网和策略神经网，需要48个TPU（神经网络训练所需的芯片）；而“阿尔法狗—零”将两张神经网络合并了，只需TPU，使能耗大幅降低。
