本篇文章1305字，读完约3分钟
作者:田元东，facebook人工智能实验室研究员。
(李时珍的《上帝的一只手》第四场)
阿尔法围棋赛以4:1的比分结束。说几句话。
每个人都可能误解了计算机依靠暴力来解决问题，而人们依靠智力。事实上，面对空指数问题的解决，机器的暴力搜索所能覆盖的范围只是沧海一粟。现在，我越来越认为联结主义和象征主义的结合，强烈的直觉和恰当的探索是解决问题的更好的方法。
到目前为止，人工智能的过程就是人类认识到这个大空并向这个方向靠近的过程。从规则驱动的暴力搜索到特征驱动的线性模型再到数据驱动的深度学习，模式识别能力的不断增强使得“直觉”这个词从神秘变成了可以通过大量样本学习的模型。因为机器有更强的直觉，它可以在图像识别和围棋方面击败人类。毕竟，围棋太难了，每一步都需要有效的修剪。我在比赛前说过，dcnn+mcts对框架有一个很强的整体看法，正因为这个原因，在你知道它之前，国际象棋是相互关联的，在你知道它之前，国际象棋是非常厚的，不能被打破。因为mcts从整体上估计分数，dcnn比大局长。
与普遍的理解相反，机器仍然很难像人类一样进行理性推理。有效的逻辑和理性思维能力也依赖于大量的直觉来找到正确的逻辑链和理性判断，然后回去验证它。直觉的错误率很高，就像Go的dcnn经常给出不可靠的方法一样，需要MCT的价值判断来纠正。逻辑思维的力量不是说你想得有多深，你转得有多快，而是从过去的经验中找到解决办法，并有意识地用理性来判断解决办法的正确性。一旦这样的框架在你的头脑中建立起来，你就会有自我学习和自我纠正的能力。在这方面，人类仍然比计算机好得多。在比赛之前，我说过当地的生与死会有杀人和抢劫的问题。看了五盘棋后，每个人都惊讶于电脑不会计算，因为阿尔法戈没有明确地模拟本地生死，但人们可以根据当前的磁盘情况主动改变搜索方向，而机器会厌倦全局搜索，不知道在正确的时间将火力集中在重要的部分。如何将离散余弦变换神经网络和最小均方误差技术相结合仍然是一个很大的研究课题。
我曾经写过“给人工智能泼些冷水”，但现在看来，这冷水绝对不会熄灭每个人的热情。但是我还是要说人工智能还有很长的路要走。
围棋是在固定规则下的一个完整的信息游戏。再加上大量的人类游戏样本，两位大师多年来对电脑围棋的坚持，以及谷歌投入的大量资源、时间和人力，阿尔法围棋如今已经辉煌。相比之下，人类每天都生活在信息不对称的环境中，在未知的世界中摸索，从嘈杂、模糊甚至错误的引导信息中学习，在稀缺的样本中寻找规则，在极其狭窄的通信带宽下相互交流，仍然拥有远远超出纸面数据的判断和推理，远远优于大量机器的直觉和洞察力。另一方面，对神经网络模型的解释还处于初级阶段，有多少人会问为什么计算机能做奇妙的事情？职业棋手有自己的判断和逻辑，并能在一定程度上解释清楚；不幸的是，对于人工智能研究者来说，在堆积了大量数据后，他们只能用双手露出无奈的微笑。多年来，如何让机器学习人类的能力仍是一座有待攀登的大山。
我记得比赛中的一张令人印象深刻的照片。一边是阿尔法戈，需要数千台机器，另一边是李世石和一杯咖啡。大自然的鬼斧神工总是令人敬畏；最杰出的创造是我们自己的人。
