甚嚣尘上的“AI威胁论”卷土重来？科学家来解惑

　　原标题：甚嚣尘上的“AI威胁论”卷土重来？科学家来解惑

　　AI科技评论按：每次AI领域有重大突破时，甚嚣尘上的“AI威胁论”必然会卷土重来。

　　2017年10月19日，DeepMind团队重磅发布AlphaGo Zero，再次震惊世人。相比上一代AlphaGo，该版本的AlphaGo实现了在AI发展中非常有意义的一步——”无师自通“，这也让去年败在未升级版本AlphaGo Master下的中国棋手柯洁惊呼”人类太多余了“。

　　相信看过之前的报道都知道，AlphaGo Zero的先进之处是可以完全从零开始，不需要任何历史棋谱的指引，更不需要参考人类任何的先验知识，完全靠自己通过强化学习（Reinforcement Learning ），左右互搏来增长棋艺，最终达到百战百胜。

　　那是不是就代表AI从此将进入到无需人类知识，不受人类控制的时代 ？显然还达不到。

　　要想理解为什么，首先从围棋这个游戏说起。围棋是一种对弈游戏，具体来说就是信息透明，规则透明，结构明确，并且可用规则是可以穷举的。而如果到了一些数据无法穷举的领域，如语音识别，图像识别，自动驾驶等，AlphaGo Zero中的算法很难迁移过来，也很难“无师自通”。

　　那AlphaGo Zero中的算法可以借鉴到哪些领域？他的核心技术是什么？他的伟大之处又是在哪里？这还得请AI科学家来谈一谈。AI科技评论得知，此版本的AlphaGo所采用的核心技术就是出自华人团队研究的深度残差网络（ResNet）。就此背景，雷锋网（公众号：雷锋网）联系到了深度残差网络ResNet作者之一孙剑博士来对这次的技术升级做阐述。ResNet技术正是他在微软亚洲研究院时期的发明。

　　　旷视首席科学家，旷视研究院院长孙剑博士

　　在他看来，本次技术提升足够伟大，但同样在真实技术落地过程中有着众多局限，并指出未来的主流深度学习技术还将会围绕大数据训练模式的方式。换句话说，AI想脱离人类控制还为时尚早。

　　孙剑博士在接受雷锋网的采访过程中说道：“AlphaGo Zero的伟大之处是第一次让机器可以不通过任何棋谱，不通过任何人类的经验，在只告诉规则的前提下就实现了成为一个围棋高手，这种无师自通的学习模式在AI整个发展上是非常有里程碑意义的。”孙剑博士讲到AlphaGo Zero的技术意义时讲到，“但是同时这种无师自通在很多AI落地上也存在一些局限，因为严格的讲，围棋规则和判定棋局输赢也是一种监督信号，所以严格意义上来讲，说人类无用，或者说机器可以自己产生认知都是对AlphaGo Zero理解的不精确。”

　　在很多AI行业落地中，实际上弱监督学习或无监督或者所谓的无师自通还是无法在短期成为主流。比如，就人脸识别来讲，这个能力是人类后天学习的能力，是通过时间不断演化出来的一种生存能力，人只有具备了人脸识别能力，人类社会才能正常运转，把这种后天能力输出给机器，其实就需要人的监督信号。除了人脸识别，还有很多人工智能研究的方向，比如自然语言处理，都是在模拟人类的一种技能。让机器实现这种任务就需要海量的数据与更多的信号输入。再比如医学领域的图像识别—AI医学影像读图主要依赖于高水平医生对影像的数据精标，从而机器学习对疾病的识别，这关乎于人的生命问题，自然马虎不得。所以今天，甚至今后很长一段时间内，监督学习依然是AI研究与AI商业化的主流方向。

　　关于AlphaGo Zero中的算法可以借鉴到哪些领域？孙剑博士没有直接给出答案，而是总结了此算法为何能在围棋领域表现如此出色的几点原因。首先，围棋它没有噪声，能够完美重现算法；其次围棋中的黑白子双方的信息是完全可观测的。最后，也是他认为最重要的一点，围棋对局可以用计算机迅速模拟，很快输出输赢信号。看一个领域是否能借鉴此算法，基本就要看是否满足以上三点。