1. XenForo 1.5.14 中文版——支持中文搜索!现已发布!查看详情
  2. Xenforo 爱好者讨论群:215909318 XenForo专区

李开复:AlphaGo 本次战胜李世乭较悬,但 1-2 年必完胜人类

本帖由 漂亮的石头2016-03-08 发布。版面名称:知乎日报

  1. 漂亮的石头

    漂亮的石头 版主 管理成员

    注册:
    2012-02-10
    帖子:
    487,766
    赞:
    47
    AlphaGo 能战胜李世乭吗?

    [​IMG] 李开复,创新工场CEO

    先直接回答这个问题,下面再分析 AlphaGo 和人工智能的未来。我认为 AlphaGo 这次的比赛打败李世乭比较悬,但是 1-2 年之内必然完胜人类。

    1. 按照两者的 Elo(围棋等级分),可以算出去年年底的 AlphaGo 打败李世乭的概率相当低。如何算出的呢?AlphaGo 去年年底的顶级分布式版本的 Elo 是 3168(见下面第一张图),而李世乭的 Elo 大约是 3532(全球围棋手 Elo: Go Ratings ,见下面第二张图)。
      [​IMG][​IMG]
      按照这两个等级分的两个棋手对弈,李世乭每盘的胜算为 89%([​IMG],公式见:How to Guide: Converting Elo Differences To Winning Probabilities : chess)。如果对弈一盘,AlphaGo 尚有 11%的获胜的可能性,而整个比赛五盘胜出三盘或更多,AlphaGo 就只有 1.1%的可能性了。(当然,这是几个月前的 AlphaGo,也许今天已经超越了:见下面第三点)。
    2. AlphaGo 不是打败了欧洲冠军吗?有些人认为 AlphaGo 去年底击败了欧洲冠军樊麾,所以挑战(前)世界冠军应有希望。但是,樊麾只是职业二段(Elo 3000 左右),而李世乭是职业九段(ELO 3532)。这两位的差别是巨大的,完全不能混为一谈。就比如说一个人乒乓球打败了非洲冠军,并不代表他就可以成功挑战中国冠军。
    3. AlphaGo 有可能在这几个月突飞猛进,进而击败李世乭吗?AlphaGo 的负责人说:“外界不知道我们这几个月进步了非常多”。(来自:Odds favor machine over human in big Go showdown )。这点确实有可能。AlphaGo 进步的方法有两个:(1)增加硬件:我们从 Nature 的文章可以看到:从 1202 个 CPU 到 1920 个 CPU,AlphaGo 的 ELO 只增加了 28,而且线性地增加 CPU,不会看到线性的 ELO 成长。若要达到 364 ELO 积分的提升,需要的 CPU 将达到天文数字(有篇文章估计至少要 10 万个 CPU:AlphaGo and AI Progress)。当然,谷歌有钱有机器,但是纯粹加机器将会碰到并行计算互相协调的瓶颈(就是说假设有十万万台机器,它们的总计算能力很强,但是彼此的协调将成为瓶颈)。在几个月之内增加两个数量级的 CPU 并调节算法,降低瓶颈,应该不容易。(2)增加学习功能:AlphaGo 有两种学习功能,第一种是根据高手棋谱的学习,第二种是自我对弈,自我学习。前者已经使用了 16 万次高手比赛,而后者也在巨大机组上训练了 8 天。这方面肯定会有进步,但是要超越世界冠军可能不容易。最后,换一种分析方式:如果从过去深蓝击败世界冠军的“成长过程”来看,深蓝大约 1993 年达到职业大师水平,4 年后才在一场六盘的比赛中击败世界冠军(大约 500Elo 积分点的提升)。今天的 AlphaGo 应该和 1993 年的深蓝相似,刚进入职业大师水平。若要击败世界冠军,虽然未必需要 4 年的时间,但是几个月似乎不够。
    4. 还有什么以上未考虑的因素,导致 AlphaGo 获胜吗?如果谷歌刻意未出全力和樊麾对抗,或者有其它学习或并行计算方面超越了 Nature 里面的描述,那 AlphaGo 完全有可能获胜。

    既然写了这么多,就对这个题目再发表一些看法:

    1. AlphaGo 是什么?在今年一月的 Nature 有 AlphaGo 的详细介绍,AlphaGo 是一套为了围棋优化的设计周密的深度学习引擎,使用了神经网路加上 MCTS (Monte Carlo tree search),并且用上了巨大的谷歌云计算资源,结合 CPU+GPU,加上从高手棋谱和自我学习的功能。这套系统比以前的围棋系统提高了接近 1000 分的 Elo,从业余 5 段提升到可以击败职业 2 段的水平,超越了前人对围棋领域的预测,更达到了人工智能领域的重大里程碑。
    2. AlphaGo 是科学的创新突破吗?AlphaGo 是一套设计精密的卓越工程,也达到了历史性的业界里程碑,不过 Nature 文章中并没有新的“发明”,AlphaGo 的特点在于:不同机器学习技术的整合(例如:reinforcement learning, deep neural network, policy+value network, MCTS 的整合可谓创新)、棋谱学习和自我学习的整合、相对非常可扩张的 architecture(让其充分利用谷歌的计算资源)、CPU+GPU 并行发挥优势的整合。这套“工程”不但有世界顶级的机器学习技术,也有非常高效的代码,并且充分发挥了谷歌世界最宏伟的计算资源(不仅仅是比赛使用,训练 AlphaGo 时也同样关键)。
      AlphaGo 的跳跃式成长来自几个因素:1)15-20 名世界顶级的计算机科学家和机器学习专家(这是围棋领域从未有的豪华团队:也许你觉得这不算什么,但是要考虑到这类专家的稀缺性),2)前面一点提到的技术、创新、整合和优化。3)全世界最浩大的谷歌后台计算平台,供给团队使用,4)整合 CPU+GPU 的计算能力。
    3. AlphaGo 是个通用的大脑,可以用在任何领域吗?AlphaGo 里面的深度学习、神经网络、MCTS,和 AlphaGo 的扩张能力计算能力都是通用的技术。AlphaGo 的成功也验证了这些技术的可扩展性。但是,AlphaGo 其实做了相当多的围棋领域的优化;除了上述的系统调整整合之外,里面甚至还有人工设定和调节的一些参数。AlphaGo 的团队在 Nature 上也说:AlphaGo 不是完全自我对弈 end-to-end 的学习(如之前同一个团队做 Atari AI,用 end-to-end,没有任何人工干预学习打电动游戏)。如果 AlphaGo 今天要进入一个新的应用领域,用 AlphaGo 的底层技术和 AlphaGo 的团队,应该可以更快更有效地开发出解决方案。这也就是 AlphaGo 真正优于深蓝的地方。但是上述的开发也要相当的时间,并且要世界上非常稀缺的深度计算科学家(现在年待遇行情已达 250 万美金)。所以,AlphaGo 还不能算是一个通用技术平台,不是一个工程师可以经过调动 API 可以使用的,而且还距离比较远。
    4. 如果这次 AlphaGo 没有打败李世乭,那还要多久呢?IBM 深蓝从进入大师级别到比赛击败世界冠军花了四年。AlphaGo 应该会比深蓝更快提升自己,因为深蓝需要新版本的硬件,和针对 Kasparov 的人工调节优化,而 AlphaGo 是基于谷歌的硬件计算平台,和相对通用的深度学习算法。所以,几个月太短,4 年太长,就预计 1-2 年之间吧。
    5. 从国际象棋到围棋,到底是不是巨大的突破呢?肯定是的,在这篇文章里面(在国际象棋领域,电脑已经可以战胜人脑,那么围棋领域电脑还差多远? - 计算机 ),第一位回答者分析了围棋的复杂度为[​IMG] 而国际象棋则只有[​IMG] 。在 1997 年深蓝击败世界冠军时,大家都认为:深蓝使用的是人工调整的评估函数,而且是用特殊设计的硬件和”暴力“的搜索 (brute-force) 地征服了国际象棋级别的复杂度,但是围棋是不能靠穷举的,因为它的搜索太广(每步的选择有几百而非几十)也太深(一盘棋有几百步而非几十步)。而 AlphaGo 的发展让我们看到了,过去二十年的发展,机器学习 + 并行计算 + 海量数据是可以克服这些数字上的挑战的,至少足以超越最顶尖的人类。
    6. AlphaGo 若打败了世界冠军,就意味着计算机超越人脑?或者可以思考了吗?我的回答:
    • 在可以凭逻辑分析推算的问题上,机器即将远远把人类抛在后面。机器速度会越来越快,学习能力会越来越强,数据会越来越多。当年,大家讨论“国际象棋输给机器不算什么,围棋才是真正的智慧”只是我们人类维护自己尊严但是不实际的幻想!今天,我们该面对现实了!
    • 在大数据 + 机器学习 + 大规模并行计算的时代,我们将看到无数的商机和产品,能够在预测、分析、推荐等方面,产生巨大的商业和用户价值。不过,这些解决方案和人类相比,其实没有什么意义,因为人差太远了(比如说:推荐引擎将能推荐你最可能会买的产品、想吃的菜,想认识的人;自动交易能得到更高的投资回报和风险比例……)。
    • 在感知方面,人类也将会被机器超越。今天的语音识别,人脸识别,未来的自动驾驶,都是例子。
    • 但是,以上都还是冷冰冰的技术,机器打败了世界冠军也没有感到高兴(甚至说不出为什么)。对于那些科幻片的粉丝们:机器人是否会人性化?这还是未知的。毕竟,在情感、喜怒哀乐、七情六欲、人文艺术、美和爱、价值观等方面,机器离人还差的很远,甚至连基础都没有。对人工智能的研究者,这是下一个挑战。对我们人类,在下个突破之前,我们还是多发展右脑吧!

    P.S. - 也许有人好奇,为什么这个话题我说了这么多,因为在 1986 年,我在读书时,曾经开发了一套黑白棋系统(复杂度 [​IMG]),击败了黑白棋的世界团体冠军,而当年的那套系统也有(非常粗浅的)自我学习的能力。有兴趣的网友可以在这里看到我当年的文章:A pattern classification approach to evaluation function learning

    阅读原文
     
正在加载...