首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >人类,不要气馁 | 从李世石连败谷歌人工智能看中国制造2025

人类,不要气馁 | 从李世石连败谷歌人工智能看中国制造2025

作者头像
CDA数据分析师
发布2018-02-24 15:28:14
5390
发布2018-02-24 15:28:14
举报
文章被收录于专栏:CDA数据分析师CDA数据分析师

编者按:今天李世石同学又输了,感觉这个曾经的“不败少年”即将成为让广大网友集体心疼的第二个小李子。那个小李子已经拿着奥斯卡逆袭成功了,这个小李子前方的道路依然曲折……

我们心疼代表全人类出站的小李同学,但也不得不承认,在某些领域,机器已经可以取代人类。在追灿数据首席数据官Hyman看来,AlphaGo的胜利让他看到了工业4.0的步伐更快了。

本文来自杭州追灿数据首席数据官Hyman的投稿

前言

在深蓝成功挑战国际象棋的19年后,2016年3月9日,谷歌公司的人工智能 AlphaGo 击败围棋九段韩国棋手李世石。人工智能再一次刷新了机器智能的记录,突破了人类最后一个智力堡垒。这一天,也将载入史册。面对全新的人工智能技术,人类需要气馁吗?

1、一个超出大部分人意料的结果

2016年3月9日,发生了一件事情,当然不是那边的日全食,而是地球这边,谷歌人工智能AlphaGo与韩国棋手李世石的第一场中,AlphaGo 获得今日比赛的胜利。双方在较量3个半小时后,李世石宣布认输。

但大家都对机器很看好吗?

其实不然,很少有人在这次的比赛中看好机器。

在当天早些时候比赛进行的时候,我看过新浪网一个简短的调查,49%的人认为,谷歌 AlphaGo 会 0-5 输给李世石。

在大部分人心中,不管如何,应该或多或少都会隐隐地相信未来会更好,这点是毋庸置疑的,但在今天的结果的反转上来看,我想,也许是大部分人接受不了机器发展的速度。

2、一个大家依然质疑的问题,人类会输吗?

李世石可能会赢吗?

“虽然受到很大冲击,但还是很享受这盘棋,并且很期待后面的比赛。这盘我没下好,所以想后面的棋我胜算还是会很大吧,胜算会是五成吧。” 李世石在今天赛后是这么说的。

我想他是以人类的方式方法这么观察和评估他今天的对手的。所以他认为依然有胜算。

但是!机器是没有特定的 Character 的!

观战的金成龙九段说:“AlphaGo下围棋不像人,可以说是超越了人类的风格。”

是的,对手似人,但不是人。AlphaGo 能快速学习李世石的棋风,但是李世石能知道AlphaGo 的棋风吗?所以这里请允许我用一个词“无懈可击”。

而且大家不要忘记,这还只是一个 Alpha。

这是为什么?

19年前,IBM公司的“深蓝”计算机战胜了国际象棋世界冠军卡斯帕罗夫。当初的方式方法真的追究起来,可以说是胜之不武,毕竟我们认为通过穷举和作弊无两样了。

(图:超级计算机“深蓝”PK国际象棋大师。来自互联网)

这一次不一样。

由于围棋的可能性如此之多,根本就没有什么套路可言。以前的穷举的方式方法根本无法应用于此。下赢围棋的唯一的办法就是让电脑也学会“学习”,而不是死记硬背。

(图:AlphaGo 核心算法原理,来源:gogameguru.com)

简单的说,深度神经网络是AlphaGo的”大脑“,我们先把它当做一个黑匣子,有输入端,也有输出端,中间具体怎么处理先不考虑。那么AlphaGo的”大脑“实际上分成了四大部分: 1、Rollout Policy 快速感知”脑“:用于快速的感知围棋的盘面,获取较优的下棋选择,类似于人观察盘面获得的第一反应,准确度不高; 2、SL Policy Network 深度模仿”脑“:通过人类6-9段高手的棋局来进行模仿学习得到的脑区。这个深度模仿“脑”能够根据盘面产生类似人类棋手的走法; 3、RL Policy Network 自学成长“脑”:以深度模仿“脑”为基础,通过不断的与之前的“自己”训练提高下棋的水平; 4、Value Network 全局分析“脑”:利用自学成长“脑”学习对整个盘面的赢面判断,实现从全局分析整个棋局。 详细算法文献大家可以参考这里(https://gogameguru.com/i/2016/03/deepmind-mastering-go.pdf)

可以这么说,

机器学习思考的方式与人类专家不同。

这是一个不对等的思考。

AlphaGo 能快速基于海量的数据进行反复比较演练学习,李世石能够在一晚上学习到吗?

网上有个段子,“不怕AlphaGo 胜,就是怕它假装输掉。”,细思极恐。

3、而且从某种角度看,传统专家会消失殆尽

这并不是一句戏言。如果上面讲解 AlphaGo 的原理过于技术化,我们依然可以通过这样的方式进行阐述:

如果非要把专家和机器智能进行比较,我们可以这么绝对的理解。以一个人类的技术专家为例,他的大部分的经验模式是从可能长达10年的从业经验上累计必要的事件数据,然后总结这种可能存在的模式并不断测试累积,而技术专家之间又通过一定的方式不断进行知识传授和交流,从而实现因果的转换。

那么机器呢?

过去,很多行业专家对于数据的理解是基于统计的。他们总是想从中得到一些启示,然后再基于他们自己的大脑进行思考决策。这也是我个人在给一些部署和实施数据智慧应用项目中遇到最大的非业务问题,从方案到实地评估等过程无一不充斥着这样的难点。

可见,虽然很多人打着大数据的旗号,但依然采取这种工业3.0时代信息化的做法的话,效率将是非常低的,换作企业的话,这在新的中国制造方面也会很难走出成效。

因为人类大脑根本无法处理这种维度和量级的数据。

因此,不管企业还是社会,如果希望通过大数据和计算获得新的生产效率,势必要从不肯放手的,强定势思维式的分析角度,切换到一个新的角度。

4、与其掌控,不如放手

这不是机器替代人的时代,而是人放手让机器为他服务的时代。带着传统的思维尝试去掌控是没有意义的。这也是从工业3.0跨越到4.0必走的路。

工业3.0时代的特点

过去,我们给机器装了一盏报警灯,试图让机器变的更智慧,可惜,并没有如愿。

(图为一家高度自动化的工厂的警报灯)

从某种程度上,人对机器还是不放心,总是希望人能够及时看到或得到第一手的警报信息进行处置。

但是,人真的能看到故障信息就马上找到故障原因吗?

工业4.0时代的特点

因此我们需要认识到的是试图掌控,实则毫无所控。传统手法的信息化建设并非一无所用,只是需要更高级的方式,跨维度层次的应用。结合我们实际的企业实施项目来看,必不可少的是:

  • 1、从机器的角度重新治理数据信息;
  • 2、在合适的位置及时应用机器智能;
  • 3、转变观念,向机器传授知识并鼓励它自学习。
本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2016-03-10,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 CDA数据分析师 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档