今年年初，围棋AI“Master”横空出世，“棋风怪异，招式狠辣，连战连胜”，战胜了包括柯洁、古力、聂卫平在内的几乎所有顶尖人类棋手。匿名回归，杀得人类棋手溃不成军的Master AlphaGo尽兴之后回去继续修炼了，甩下一脸惶然的人类在2017的年初思考着AI会不会崛起的未来。科学人曾邀请多位计算机科学家聊了聊这位神秘的围棋快棋选手Master；也在第一时间致函DeepMind，探寻过去9个月AlphaGo的成长历程。然而，知道得越多，好奇心越强。天网还有多远？人类还有希望么？这次，我们找到了电气与电子工程师学会（IEEE）的人工智能专家，和他们重新聊了聊崛起的AI。
果壳网科学人：新版本的AlphaGo在中国围棋在线平台上60战全胜，不少人觉得AI打败那么多职业棋手是件特别可怕的事情，作为AI专家，你怎么看？
Prestes：AlphaGo取得60战全胜的成绩，非常振奋人心，但我并不认为这很可怕。从这些比赛当中，我们看到的是一个性能极高的AI围棋程序，但其功能也只局限于棋局当中，它并不是“有生命”的人工智能。围棋棋局千变万化，比国际象棋复杂得多，对棋局预测的算法要求非常高，可见AlphaGo棋力之高。尽管如此，它还未具备像人类处理实际难题中所需的思考能力，距离成为通用人工智能还有一段距离。
果壳网科学人：DeepMind表示他们在过去几个月对AlphaGo的算法进行了创新，而这次匿名测试使用的都是30秒的快棋赛。什么样的算法可能会需要专门采用这种快棋赛的方式来进行测试？
Prestes：我认为需要强调一点，单台计算机或单个CPU并不能满足AlphaGo对运算能力的需求，它需要无数个CPU和GPU芯片组成巨大的运算网络，不断学习以及演练、推算棋局走法。AlphaGO能够进行30秒的快棋赛正是因为这是许多CPU和GPU同时处理数据，并行演算的结果。如果我们忽略这种多硬件的要求，假设AlphaGo的算法能在单个普通机器上正常运作，那么我认为它能够胜任许多实际生活中需要获得及时响应的任务。需要正确规避碰撞风险的自动驾驶汽车就是个简单的例子。如果汽车的系统能够实时评估情景，就能远远先于驾驶员意识到可能出现的碰撞风险。
周志华：一般对电脑程序来说，时间长了可以做更深的搜索，因此电脑程序下好快棋比下好慢棋更难。DeepMind选择快棋，有可能是为了测试他们自己的工程实现能力。
果壳网科学人：按照DeepMind原本的算法框架，AlphaGo从下慢棋变成下快棋，需要有针对性地进行快棋优化吗？如果有，可能做了哪些优化？
Prestes：有很多需要优化的地方，尤其在神经网络相关的领域，例如，优化算法参数，增加样本集，降低计算成本等等。更重要的是，要能理解为什么系统能计算出期望的结果。只有这样，才能保证系统每一次的运算都能给出正确的响应，或是识别出可能导致失败的情况。
果壳网科学人：DeepMind说，AlphaGo也通过自己跟自己下棋来学习提高棋艺。这种自我提高意味着AI已经可以通过学习自我改良了吗？
Prestes：AlphaGo的训练集中存在大量的学习样本。系统生成一部分原始样本后，AlphaGo经过反复对弈获得更多新的学习样本，从而提升棋艺。这样的自我学习过程非常有趣，因为它不再局限于人类棋手已有的棋局样本，能够生成全新的围棋下法和对弈策略。但其实在AlphaGo之前，已经有一些人工智能的子领域应用了这种自我学习方法。例如AI能够分析判断行动是否成功执行，并能从中学习到经验教训。
果壳网科学人：不少公众关心，按照目前AI的发展速度，电影里《天网》那样的超级AI离我们还远吗？
Prestes：我相信超级AI最终会成为现实！不过是在很远的未来。近几十年内还不能实现。要让AI拥有与人类相近的认知能力，这需要理解人脑是怎样运作的。然而这非常困难。举个例子，尽管目前的手机智能助手应用了最先进的语音识别技术，但也只能识别出很少数的词语或语句，而且常常给出错误的答案。因为现在的智能系统还不能突破希尔勒的“中文房间”理论限制。对于房间外的提问者，计算机也许展现出了智能的反应，但其实计算机并不理解究竟发生了什么。
果壳网科学人：AlphaGo的技术和经验对人工智能在其他领域的应用有什么样的借鉴和帮助？
Prestes：对于大多数机器人和AI子领域而言，具有学习如何对外部环境进行正确响应的系统非常重要。因为具有这种系统的机器可以通过观察人类面对某一场景怎样反应来学习，改良自身系统。毫无疑问，这将大大促进人机互动与合作。此外，一旦机器学会了如何正确响应某一场景，它可以通过传播这一知识教导其他人应该怎样做。例如，那些在工厂车间与人类合作的机器人、在机场识别恐怖分子的机器都得具备这样的能力。因此，AlphaGo的改良肯定会影响许多类似的应用领域。
果壳网科学人：把AlphaGo的技术和经验转移到其他领域应用的难度有多大？
Prestes：这并非易事。首先，我们必须有一个信息量足够大的数据库来训练这个系统。然而囿于所需信息的类型以及隐私问题，获取充足的信息可能会很难甚至不可能。另一个难点涉及系统参数的细化。因为每个应用所使用的参数都不同，找到正确的参数是一项艰巨的任务。另一方面，保证系统正常运作也非常难。有很多问题需要系统正常运行作为保障，但目前为止，基于神经网络的系统并不能提供这样的保证。
周志华：基于机器学习技术开发此类系统的经验可以转移。但AlphaGo是专门为下围棋设计的，它本身不能直接用到其他领域应用，甚至把棋盘从19x19换到25x25都会很困难，因为事先没有25x25棋盘的棋谱进行学习。
果壳网科学人：总体而言，如何评价AlphaGo在人工智能领域的地位？
Prestes：不可否认，AlphaGo取得的成功的确令人震惊。到目前为止，我们可以说，AlphaGo在人工智能领域是最优秀的，因为它高度发达的神经网络可以被成功地运用于其他领域。但即使AlphaGo有不俗的成绩，就像我前面所说的，它仍然有许多地方需要进行优化改良。（编辑：明天）