DeepMind带来启示：人工智能目前仍然需要依赖人类创造力

本文由腾讯数码独家发布

人工智能这几年发展势头迅猛，先是阿尔法狗击败了世界顶级围棋高手李世石和柯洁。这一次人工智能算法再一次击败人类专家，称霸了另一款电脑游戏，谷歌DeepMind的AlphaStar系统在《星际争霸2》中战胜了一名高水平的人类玩家。

这一事件被世界各地的头条新闻纷纷报道，媒体又开始宣称这离机器统治世界又近了一步，人类必需对人工智能加强警惕等等。我们除去炒作和夸张的成分来看这件事，AlphaStar的这次胜利至少告诉我们两点，人工智能对人类创造力的依赖还是很高的，以及人工智能在创造力方面并不能取代人类。

对于大多数人来说，深度学习是一个很深奥的名词，一般在我们的想象中，我们平时看的科幻小说中的超级人工智能可以学习世界上所有的知识，轻松地掌握一门技能，并且想尽办法取代人类。事实上，我们今天的人工智能就像其他编程任务一样，它涉及大量的编码、算法设计和选择、数据和逻辑体系结构以及模式实例化。

换句话说，在过去构建情感编码算法需要大量的训练数据并对其进行筛选，利用创造力来识别潜在的模式并将其编到编程代码中。如今随着深入学习技术的发展，这些将交给机器来识别。在创造力方面机器还是取代不了人类，人类在理解数据模式中表现出的创造力和想象力是机器无法做到的。最重要的是人类可以利用外部世界的知识进行推断，这也是为什么人类可以集中学习，而机器学习算法需要大量的数据来达到基本的熟练程度。

传统的人类编码方法面临的挑战之一是查看数据集并预测其内部模式。尽管人类有创造力，但人类确实不如机器擅长搜寻数据。

至于现在的人工智能，人类必须创建和管理训练和测试数据集，人类必须构建数据架构和支持软件，这些软件形成了模型和外部世界之间的接口，从外部世界学习和交互。现在的许多科技公司，他们的人工智能在工作中唯一需要调整的参数就是输入数据，准确性来自于更改输入数据，直到输出满足精度要求，而不是调整底层的学习体系。

仔细看看DeepMind的这场比赛，我们可以看到其中运用了大量的深度学习方法。AlphaStar成功不仅仅是将大量训练数据集合起来，关键在于对这些方法的选择和调整。成功的人工智能应用程序并不只是仅仅通过训练数据来实现其准确性，同时也要依靠人类的创造力，通过选择算法构建模块来引导他们。

我们承认AlphaStar的确取得了巨大的成功，但它也让我们看到，人工智能的进步并非来自人工智能本身，而是来自人类的创造力，创造新的构建块。

简而言之，深度学习进步不是来自机器本身，而是来自传统的人类创造力。就像我们如果把电脑游戏完全交给机器，让它完全靠自己掌握游戏，它还差得很远。我们抛去媒体的炒作和夸张成分，人工智能告诉我们，人工智能算法的成功并非来自某种心灵感应能力，而仅仅是因为我们在将人类行为和自然循环编入计算机代码的统计模式方面做得更好，我们的生活受到基本模式的支配。

换句话说，这次人工智能的成功告诉我们的是，人工智能没有想的那么特别强大，而是我们的世界并不像我们想象的那样混乱，它遵循的结构和模式可以很容易地提取并进行编码。而且人工智能对我深度学习进步仍完全依赖于人类创造力。最后人工智能的进步也在提醒我们，我们的生活一定程度上遵循着一些结构和模式，我们未来需要更深入地探索人类创造力的本质是什么。