IBM严骏驰：征服棋类后，AI“技”归何方？

网易科技讯10月28日消息，由网易科技和网易智能主办的第七季“网易开物沙龙”今日在杭州浙江大学召开，本次沙龙的主题为“AI将引发生活大爆炸？”。会上，IBM中国研究院资深研究员严骏驰分享了IBM近年来的研究历程。。

严骏驰介绍早在上世纪1997年，IBM的科学家也通过深蓝击败了当时的国际象棋冠军。严骏驰表示因为边界条件比较封闭，规则能够清晰定义，信息较为对称，因此棋类游戏一直是人工智能非常重要的试金石。

严骏驰认为人工智能已经征服了棋类。同时他亦解释道深蓝国际象棋基于专家理解，设定函数，程序相对封闭，棋艺并不会长进；而现在AlphaGO围棋基于机器学习的程序，通过大量的棋盘的数据训练网络，这个程序有自我学习、自我演化的能力，因此AlphaGO还能模仿棋手的风格。

此外，严骏驰也提到目前IBM在做的深度学习QA，这是一个软硬结合的体系，但是功耗比较高。严骏驰表示，现实生活中强AI需要解决的问题很多是开放的环境 ，在与人进行人机问答的时候，需要去挖掘主观意图。

目前，更多的大数据以及大的计算力的背景能够支持以神经网络、深度学习为代表的技术。严骏驰认为即便神经网络式微了，开发出更好的机器学习的模型和人工智能的软件，继续在大数据的支持下亦可以保证人工智能的研究和应用一直兴旺下去。第三次面临AI冬天的可能性会大幅降低。（五比一）

以下为演讲原文：

严骏驰：各位来宾大家好，非常荣幸今天下午，感谢浙江大学和网易科技提供这么好的机会和大家在这里通过自己在IBM多年工作的观察和体会分享一些自己对AI技术的理解。

我今天想从下棋，还有刚才的两位嘉宾都提到的谷歌的AlphaGO，围棋比赛，所以我的PPT也是第一页从下棋这个事情开始讲起。第一页咱们看到左边是我们上世纪97年IBM的科学家通过深蓝击败了当时的国际象棋冠军，另一边是AlphaGO的团队在自然杂志发表的论文的封面。在这里我想表达的一个观点是对于像人工智能这样的技术，棋类游戏的研发一直是人工智能非常重要的试金石，主要它具有边界条件比较封闭，它的规则都是清晰定义好的，然后它的棋牌上的信息都是明确确定的，而且比赛双方的信息都是完全对称的。所以这就是为什么说很多人工智能研究的学者都会把棋类作为他们试金的平台。

讲到棋类IBM作为一家有百年历史的企业，在上世纪50年代其实就是人工智能这个概念被提出的第一年就通过系统开发了一个与人类选手进行对弈的西洋跳棋的程序，这一步90年代IBM人员开发了一个达到世界冠军水准的西洋陆战棋的程序，直至97年众所周知IBM研发的深蓝技术打败了当时的国际冠军，取得了一个里程碑。

围棋比赛机器获得了胜利，说明棋类已经被人工智能技术完全征服了，或者棋类已经不是一个人工智能技术，已经没有那么高大上了。

为什么说围棋会那么困难？因为围棋它的棋盘格非常大，总子的棋数非常多，具体来讲，它有一个分支因子的概念，围棋有250个可选择的比较好的解，下一步的走法，对比国际象棋是几十十几，所以一下子有一个数量级的差别，导致围棋一直以来是非常难以解决的问题。刚才吴飞教授提到直觉的概念，围棋是一个非常好的表达，很多专业选手都会有一个棋感或者大局观的概念，但是传统的国际象棋很困难，很难用一些精巧的专家规则、知识库进行对大局观进行很好的目标函数的设计。这个时候值得注意的事件是说在12年的时候，H教授为代表的团队发表一篇论文，深度学习非常成功的用到图片的分类里头，像吴院长说到的，以谷歌为代表的研究人员开始在做围棋比赛的时候，他们也是把棋盘看成图象，用神经网络进行提取，抛开了原有的做深蓝技术采用的一些专家规则和一些知识库的做法。AI技术已经进入寻常百姓家，国内的一个网站天弈围棋，可以很容易的跟人工智能的围棋比赛，这可以达到比较高级的业余的选手的水准，它也在不断的更新和演进，用的技术跟AlphaGO是类似的。

我们再从一个更广的一个角度来看刚才一个深蓝国际象棋和现在AlphaGO围棋的比较。刚才我讲到深蓝的国际象棋的程序是通过非常多的国际象棋专家对棋盘的深刻的理解抽象，设计出非常好的规则和目标函数来指导程序的执行，但反过来说这个程序往往是封闭的，即使这个程序下了一百一千一万盘棋，棋艺是不会有长进的，因为程序已经编好了。但是AlphaGO为代表的我们叫认知计算的基于机器学习的程序来说，可能它的程序反而是比较精简和逻辑简单的，可能就是一层一层的神经网络而已，卖点是我需要有大量的棋盘的数据训练网络，这个程序就有自我学习、自我演化的能力，你教的棋局越多能力越强，甚至学习不同人的风格。从历史的角度来看，我们把40年代以前称为制表机的时代，50年代计算机兴起的时候可以叫做一个编程的时代，主要是满足一些传统的计算机的应用的业务。当然从这里，IBM觉得从11年自己的DB出来之后我们进入一个认知计算的时代，计算机可以有自我学习、演化、与人交互进行改化的时代，从一个完全代码控制变成更趋向数据驱动技术的到来。

谈到刚才的认知的时代不得不提一下IBM的J的技术，当时在美国一个益智游戏中，当时它获得了当时美国的全美冠军，比起这种条件清晰的场景，现实生活中强AI需要解决的问题很多是开放的环境。像人机问答有一点这个方面的趋向，就是人提的问题本身是带有歧异性的，像三位吴飞老师到底哪一位是我这个问题真正牵扯的，可能我需要上下文的信息和主持人提示消减它的歧异。还有人本身是比较主观的生物，你要跟人交流的时候，一方面需要挖掘它潜在的意图，另一方面能不能在多轮问答带来更多的趣味性，这些不是像围棋、象棋可以非常容易的进行量化的。当然这也是更靠近真正的强AI或者开放环境下AI需要技术上的挑战。

这里可以看一下回顾一下J，开发的历程及07年开始要做这个事情的时候，拿当时开源或者论文发表的系统来看，它的效果是非常差，左下角代表它的能力比较弱的，上面是顶尖选手在人机问答的表现，他能回答很多的问题，而且覆盖率非常高。IBM在07年开始直至11年对系统进行了大量的改进和提升，包括软件、硬件、算法方面的集成的测试和提升，大家可以看到这条曲线是不停的增长的，直至10年初已经基本可以和当时的人类的顶尖选手一较高下，导致11年它能在电视上获得全美冠军的原因。

（编辑：三明站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!