阿尔法狗 人工智能-阿尔法狗凭什么打败世界冠军

最近几天，ChatGPT爆出圈子，继几年前的阿尔法狗之后，再次引起社会对人工智能的关注。OpenAI的联合创始人马斯克评论说：“好得令人难以置信，我们离危险强大的人工智能不远了。

人工智能现在似乎表现出的创造力不亚于人类，写文本，写代码，创造极具想象力的绘画。

这个可以在智力上碾压人类，取代人类在这个世界上的危险机器真的要出现了吗？

直截了当地得出结论：如果目前的算法和技术没有基础性和突破性的进展，人工智能的理想仍然遥不可及！

人工智能

在这个结论中指的是大众所理解的那种具有独立思考能力的人工智能。

公众认为的人工智能和行业目前正在实施的东西是两回事。

按照目前常用的方法，人工智能通常分为三个层次：

弱人工智能。能够并且只能解决特定领域问题的工作。没有推理和创造力的能力。强大的人工智能。一个可以代替一个人做所有工作的人。推理学习能力强，能够理解人类的自然语言，直接与人类交流。超人工智能。它可以超越最聪明的人类，创造人类无法创造的知识理论和产品。

目前业界实施的人工智能阿尔法狗 人工智能，包括碾压世界冠军柯洁的阿尔法狗，以及目前火爆的ChatGPT都是弱人工智能。

大众认为的人工智能是强人工智能甚至超级人工智能，类似于科幻影视作品中的高智商机器人。

不幸的是，如何实现具有类似人类的感知、推理和创造能力的强大人工智能是可惜的。目前，业界和理论界甚至没有实际的线索和方向！

01 当前AI的优势只在于其强大的计算能力

阿尔法狗可以碾压世界冠军柯洁，它的优势在于算力而不是推理能力。像ChatGPT这样的AI的创造力仍然来自强大的计算能力。

事实上，围棋、象棋等人类智力竞技游戏本质上不是在争夺推理和逻辑分析能力，而是为了记忆力和计算能力。

之前的布局取决于对每种布局的优缺点的熟悉程度，而棋盘的后半部分完全是算力的竞争。所以现在的围棋世界冠军越来越年轻，越来越老，算力在下降，国际象棋实力也会下降。

内存和计算能力是计算机碾压人类的优势。

媒体对AI的宣传往往强调，围棋的胜利证明了AI解决了复杂的问题。其实严格来说，围棋是计算难度很大的简单游戏，而不是复杂的游戏。

相比其他游戏，它的规则是最简单的，说难，可能性太多，很难判断每一步的优缺点。

但是棋盘上每个点的价值不一样，不再是无法计算的问题，而是计算量太大，原来的计算机无法在有限的时间内完成这样的计算，以至于击败人类的时间被推迟到几年前。

02 通过图灵测试是人工智能的现实吗？

人工智能的想法早在上世纪80年代就由图灵提出，图灵也是计算机科学之父，参与了早期的计算机开发。

图灵机

还提出了一个确认人工智能是否已经实现的标准——图灵测试：如果一个人找不到正在和他说话的机器，那么可以认为这台机器已经有了人工智能。

前几年，人工智能产品声称已经通过了图灵测试。但是，图灵测试不是标准测试。

我

不记得在哪里看到一个女生说，无论什么时候什么场景，只要三个字就能在电话里安慰一个抱怨的女朋友;

嗯（第二声）。

啊（第二声）。

怎么会这样？

可以使用随机组合。这个女孩简直就是一个天才，她开发了一个通过图灵测试的程序！提供可在不到十行代码中实现的解决方案。

基于在一些人的社交网站上聊天的糟糕体验，我们也可以提炼出一个更简单的解决方案：

嗯（第二声）。

哦（第三声）。

哼

事实是，声称通过图灵测试的程序是通过一些模棱两可的、毫无意义的对话进行测试的。

不过对于普通人来说，只要和Siri、小冰等各种当下的聊天机器人交谈，看看能不能快速确认对方是机器人，就能知道人工智能的实际进展。

当你和ChatGPT交谈时，你是否认为它更像人类，你看不出它是一台机器？

03 语义识别和无人驾驶更能体现当前人工智能水平

聊天机器人是人工智能领域的一个技术术语，称为自然语言语义处理。

另一个让普通人容易观察到人工智能实际进展的领域是无人驾驶。

目前，自动驾驶的真正进步是一线工程师仍在使用尖端的工程方法进行DEMO编程，以实现企业高管的伟大梦想（为高管和媒体吹嘘的牛头制作示范道具）。

由于目前的AI算法本质上仍然是统计和拟合的，因此很难实现这两个领域的目标。

语义识别的问题在于那人类对语义的识别依赖于语境和对话场景阿尔法狗 人工智能，

如果语境还能是数据，对话场景对数据就不好了，人类的语义理解也很大程度上依赖于表情和肢体语言，这就更难了......

至于无人驾驶，实现它的可行方法是改造路边。

然而，自然语义理解只是人类的儿科任务，人类驾驶并不需要很多额外的路边辅助设备。如果这两个领域只能达到当前水平，则无法预期其他更复杂的场景。

04 人类可以在信息不完整的复杂情况下做出决定

如果有人不相信数学很简单，那是因为他们没有意识到生活有多复杂——冯。纽曼人类

早已习惯了自己的能力，在感叹人工智能的神奇时，却忽略了人类的大脑和智能是35亿年生物进化的产物，其聪明才智和效率远远超出了人类的想象。

计算不是

它擅长的东西，只是比较计算能力，更不用说现代超级计算机了。它甚至无法与计算器相提并论，甚至无法与古代计算工具、算盘和计算尺相提并论。

但它帮助我们应对生活的复杂性。现在人工智能已经有了先进的图像识别、语音识别和基于上下文的场景对话，这些任务实际上只是人类的简单任务。

就像下围棋一样，涉及的数据相当单一，输入信息相当单一。这样简单纯洁的东西，在人类世界里，有多少呢？在下围棋的同时，柯杰还吃饭、聊天，识别视野中的各种物体，看着各种包装上的包装符号和文字。

如果与他作战的超级计算机必须同时做这么多事情，那就太忙了。

更重要的是，大多数人类决策都是使用不完整的信息甚至大量虚假信息完成的。

这更不可能

对于计算机。

05 不可计算问题

当前计算机的基本工作原理仍然基于图灵的计算通论和冯诺依曼的体系结构。

这意味着它只能解决可计算的问题。好吧，从理论上讲，它无法处理那些不可计算的问题。

有一类问题在数学上是可以计算的，但实际上计算得太大而无法计算结果。这种类型的问题在于算法的时间复杂度，无论是指数还是阶乘。

也就是说，计算结果所需的时间随着数据量的增加呈指数甚至因子增加。例如，直接计算 2 的 N 次方或 N 的阶乘。

那么一旦数据量N大到一定程度，即使消耗了宇宙诞生以来的所有时间，也不可能完成计算。

这种复杂的问题其实在生活中是很常见的，比如如果要去N个地点，如何找到最短的路径而不重复经过每个交货点，或者如何用最少的集装箱装载大量不同规格的箱子。

一旦没有合适的近似算法或必须求解最优解，就只能使用穷举搜索方法，就会遇到这样的麻烦。这样的问题不能用计算机解决。

06 无法决定的问题

前一类问题无法在有限的时间内解决。还有一些问题无法通过计算来解决。例如，停机问题。

所谓关机问题就是计算机没有办法判断一个程序是否可以正常结束，这个问题的另一个表现就是计算机无法判断一个程序是否会进入无限循环。

这是一个已经被严格逻辑证明的结论。这个问题不是一个独立的问题，而是代表一类不可判定的问题。这种类型的问题无法由计算机解决。

另一个经过验证的命题是，不可计算函数比可计算函数多得多。可计算函数对应于自然数集合的可数无穷大，所有需要计算的函数都是无限不可数集合。

哥德尔不完备性定理也可以推导出，计算机不可能通过计算得到一公里系统的所有真实命题。

而人类似乎能够轻易地概括和识别真相，比如牛顿的运动定律，爱因斯坦的相对论是计算机自己不可能推导出来的，人类可以突破自己的感知极限，从一些简单的事实中总结出来。

这种总结过程不是完全逻辑推理的产物，而是依赖于个别科学家的启发所产生的创造力。

07 无法解决的复杂系统问题

另一类无法解决的问题是复杂系统的预测问题。

蝴蝶拍打翅膀可以引发龙卷风。蝴蝶效应类似于物理混乱现象。混沌是一个复杂的系统。由于系统初始状态的差异很小，可以实现结果的大偏差，并且无法预测整个系统的运动趋势。这样的现象其实很常见，天气系统就是一个混沌系统。去年的诺贝尔物理学奖科学家正在预测气候变化。

复杂系统在现实世界中非常广泛，除了混沌、凝聚态物理学、非线性动力学、复杂系统生物学、数学中的分形、复杂性经济学......单

单蝗虫危害不大，一旦聚集成蜂群就是破坏性惊人，高度自组织的蜂群、蚁群，都属于复杂的系统。

人类的社会制度更加复杂。

复杂系统的研究和发展揭示了还原论方法的缺点，我们的世界不能简单地分解成部分单独研究，微观场的规律和组合的系统规律可能完全不同。

虽然计算机无法预测复杂系统的未来演变，但模拟和模拟可以帮助人类研究和理解这些系统。

08 变幻莫测、非理性的世界

当图灵

提出了图灵机的概念，他证明了停机问题是无法决定的。但他认为，人脑的推理过程其实和图灵机差不多，但也是一种机械计算设备。计算机无法解决的问题，人类智能也无法解决。

撇开人类智能能否解决这些计算机无法解决的问题不谈。可以肯定的是，人类社会和整个地球生态系统都是超级复杂的系统。人类每天都生活在这个系统中，与它的交互当然不能仅靠计算来实现。

卡尼曼将人类思维分为慢思维和快思维，他认为人类生活中的大多数决策都依赖于直觉的快速思维。换句话说，非理性是人类思维的常规运作模式。

好吧，我们生活的世界是非理性的，充满了各种意外和意外，人类用非理性的思维方式来应对这个非理性的世界。

大脑的非理性工作方式也触及了一个哲学问题：人类真的有独立的意识吗？如果我们所说的自主决策只不过是一种生物条件反射反应。

不过，这种看似不理智的决策方法，往往并不比计算的结果差，比如围棋高手的选拔不是那么好，但也相当不错，不是醉酒的随机选择。似乎很多人都是非理性的，而且相当理性。

09 人类经常根据非理性的经验和直觉解决问题

到目前为止，人类处理过的大多数问题还没有通过计算来解决。

晚餐吃什么？读哪本书？谁比谁更善良？捐款是优先考虑失学儿童还是改善生态系统？哪首音乐更好....

这类问题基本上取决于人们的经验和感受。

从我们的直觉来看，人类社会的大多数事件都没有数学上可计算的普遍规律，是一系列随机事件的产物。

从当前人类认识自然界的历史来看，我们生活的宇宙只诞生过一次;地球上的生命只出现过一次，所有生物都来自古老的共同祖先;智慧生物也只产生过一次。

说这些事件是客观规律发展的必然结果，更像是许多巧合的偶然结果。

量子微观世界的不确定性也告诉我们，随机性和不可预测性是这个现实世界的常态。

如果这是世界的本质，图灵机就不能产生类似人类的智能。人类所谓的非理性，甚至情绪化的思维方式是人类智力的关键组成部分。而这部分力量是计算无法实现的。那么如果不对现有算法和计算机结构进行根本性改变，强大的人工智能是不可能的。

10 主观感觉对智力的重要性

机器没有意识去理解输入信号的实际现实意义，现在的计算机只能处理经过人工处理转换的归一化数字信号。

人类处理的信息来自他们自己的感受，这是高度主观的。换句话说，计算机可以接收的信号只不过是基于人类偏见和认知限制转换的信息。

它不是来自原始世界的直接可靠信息，如果没有人类的预处理工作，它根本无法工作。

而人类的许多感情只对人类本身有意义。如果颜色本质上是可怜的光，这是一种电磁波，我们可以看到它是视觉和大脑提供给我们的感官想象。例如，温度实际上是微观粒子运动的宏观特征值。

我们根据视觉感官看到的世界与现实世界是不一样的。计算机依赖于人类的认知，因此它们自然仅限于人类的认知。

还有一些感觉是无法量化并传递到计算机的，比如个人主观性很强的情绪。还有善与恶、善与坏、公平与正义等人类价值观。

如果计算机只接收人类感官信息的一小部分，它如何发展出与人类相当的智能？

11 有限的 AI 业务应用场景

经过70年代初和80年代初的两个冬天，人工智能的研究从创造通用的类人智能思维机转向具体问题，语音识别、计算机视觉、自然语言处理......

随着阿尔法狗打败李世石，柯洁作为里程碑事件，开启了第三次人工智能热潮。ALPHA狗，ChatGPT采用神经网络，深度学习算法早在上个世纪就已经提出，在算法上没有根本性的创新。算法的本质仍然是基于大数据统计、归纳、拟合。而不是推理，分析。

实现的也是弱人工智能，只是在视觉、语音识别、游戏等人工智能细分领域取得了突破，技术上有其价值和意义，但对于强人工智能的实现基本上可以说是没有进步的。

从商业应用来看，商业落地非常碎片化，只能在一个实现场景中用于特定的功能，比如没有自然语言语义识别，单纯的语音识别无法完成完整的基于语音的交互。否则，它真的可以取代当前文本菜单按钮的交互模式。

目前的ChatGPT其实可以实现几个特定的单创功能，无法植入实际业务场景，完全取代一个人的互动工作。

应用程序的商业化尚未开始，道德问题已经出现，例如大数据的隐私，包括人脸收集。还有更复杂的问题，比如无人驾驶遇到电车问题，靠程序来决定牺牲谁真的很难接受。

这也限制了目前人工智能的商业应用。

12 人工智能仍有理论上的机会可以实现

目前，还没有理论证明强大的人工智能无法实现。但随着对人类本身的理解，现在人们越来越相信人类的感受和非理性的决定，包括看似无法控制的情绪反应，应该被视为人类智力的一部分。

与当前的计算机实现不同，它只能解决一个狭窄的领域，根据特定的数据输入和确定的规则做出决策。人类根据不确定的场景、不确定的综合信息做出决定，在能力方面，阿尔法狗不如五岁的孩子聪明。

由于算法缺乏新的突破，商业应用领域的拓展受到限制。近两年，人工智能的热潮再次消退，有人开始讨论第三次人工智能寒冬是否即将到来。

让我们把人工智能可能引发的伦理问题放在一边。从行业的实际进展来看，有那些新技术可以提高目前弱人工智能的水平，也许有一天量变到质变，就会找到实现强人工智能的方法。

13 可能的实现路径（1）——量子计算机

首先，量子计算的进步将提高人工智能的水平。从理论上讲，量子计算机可以成倍地提高计算机的计算能力。

可能的计算能力

量子计算机可以轻松超过世界上所有计算机的总和。

突破

当前人工智能的第三次浪潮实际上是计算机计算能力的突破，神经网络算法在上个世纪就已经提出，但受到当时计算机性能进步的限制。

即使量子计算机能够像理论上预期的那样成倍地提高计算机的计算能力，但它本质上仍然是一台图灵机，它不能从根本上解决算法时间复杂度的指数级或层次级问题，也不能解决那些无法确定的问题。

也就是说，单靠算力的提升，只能在一定程度上提高当前弱人工智能的算力和应用范围，无法实现类似人类的推理和决策。

实现的 14 种可能方法 （II） – 让它自行发展

另一种方法是更改软件的算法。一些人认为，人类的智力不是计算出来的，而是进化出来的。

一个孩子从出生时对世界一无所知到掌握了很多知识的过程，是一个学习和经验积累的过程。还有一些人类行为模式即使先天遗传，也是后天习得的，这是生物进化和适应自然界积累的经验。

比如如果你想教一只机器狗学会走路，直接预设的规则和算法不算智能，你应该让它自己走路，摔倒，撞墙，掉进水里......然后设置奖励和惩罚，记住正确的走路方式，这样它就可以学会走路。

这些方法很容易与目前实现的深度学习算法混淆，尤其是无监督学习算法。但两者有着根本的不同。预设深度学习的内容，确定目标的决策规则。

进化算法学习的环境和目标是开放的，不同的机器狗可以学习不同的行走方式。

这个进化的想法听起来不错，但实现起来却很麻烦，人类智能是地球35亿年生物进化的产物。机器需要多长时间？

真正的问题不是时间问题，如何为机器提供一个进化环境，把它放在没有感知能力的真实环境中，把它放在模拟环境进化中，目前没有能力和资金来模拟一个完整的现实世界，也许元宇宙的实现会有所帮助， 直接把它放在元宇宙进化 不过，也是和现实世界不一样的环境。

另一个逻辑缺陷是，这种开放进化，机器狗学不好怎么办，比如好不学、学会骂人、打架、做坏事......

为了出现这种超出预期的情况，有必要为进化过程或目标预设规则，那么这不是回到现在的路线吗？而这个规则预设，其实是植入了开发者自己的偏见......

所以，归根结底，这只是对现有算法的改进。或者它只能完成为特定领域目标找到解决方案的任务。

强人工智能的理想无法实现。

实现的15种可能途径（III）——脑科学的进步和局限性

虽然目前人类的知识还没有关于如何实现强人工的头绪。即使在更基本的哲学层面上，我们也没有弄清楚智能是什么。

感觉聪明吗？原始生物也有感情。拥有人脸识别功能是否智能？有些动物和人类也看得出来，他们有这种能力？语言能力是智能吗？有些鸟类可以模仿人类的语言。

决策智能是否明智？错误的决定呢？走路边看手机，猜到天坑甚至撞到树上是明智的吗？

但是，无论世界是否理性，是否所有问题都可以通过计算来解决。真正定义什么智能并不重要。现实世界为我们提供了一个实现智能的实际案例——人脑。

人工智能的最终方法可能依赖于脑科学和仿生学的进步。

今天的神经网络算法受到人类神经元系统的启发。然而，直到现在，人类还不知道神经元系统是如何工作的。

不仅人类神经元系统是如何工作的尚不清楚。事实上，现在连人类都无法弄清楚神经网络算法是如何形成计算结果的。

以至于有学者批评说，目前的人工智能只是一个调整参数、碰大运气的黑盒计算。把对待人和法官这样的判断工作委托给他们，简直是不负责任的，只能是辅助决策工具。

16 物理定律的基本极限——能量消耗和熵增加原理目前，脑

科学的进步已经了解了人脑的一些机制和原理，并且知道神经元网络之间信息流信号的本质仍然是一些电和化学反应。知道某些区域的一些可能特征。但是，仍然无法回答，什么是意识？是什么感觉？

根据一些现代哲学家的说法，意识是什么的问题在哲学上是一个困难的问题。即使我们知道大脑是如何工作的，我们也无法回答意识是什么的问题。

就好像我们知道视觉是如何工作的，我们知道颜色是电磁波信号转换后大脑为我们产生的欺骗幻觉。但我们仍然不知道这种感觉是什么，红色带来的所谓温暖、热情的感觉是什么。

事情似乎又回到了原点，如果我们连意识和感觉是什么都搞不清，怎么能实现真正意义上的人工智能呢？

而且，即使我们知道人脑是如何工作的，我们也可能无法用机械方法完全实现生物方法系统。

从根本上说，人工智能的实施可能仍然受到物理规则的限制。根据热力学第二定律，为了维持复杂机械系统的秩序，必须不断为系统提供巨大的能量。事实上，现在的超级计算机都是电力的消费者，能耗超过十几兆瓦。人脑仅消耗20瓦。没有人类持续的高保养，机械系统，更不用说感觉和智力的发展，根本无法自行正常运行。

17 小结

目前人工智能的实现本质上是统计学，总结了拟合数据的相关性。所谓计算机图像识别，其实就是两张图片对应的数据之间的关联程度，计算机对图片上的猫是什么没有概念。ChatGPT的创意活动也是如此，他们不知道它创造的实际含义。

目前实现的这些人工智能与自然界中的人类意识和智能无关。和很多科学术语一样，在某种程度上，人工智能这个词已经被媒体和一些从业者刻意概括了，毕竟能够超越人类智能的机器对关注和投资更有吸引力。这种判断性的、有自我意识的机器系统的想法更像是一个童话故事。至于人工智能引发的伦理问题，

特别是类似无人机的机器人在军事上使用引发的伦理问题，本质上是科技发展带来的问题。包括基因技术在内，生化技术也引发了伦理问题。技术背后的伦理问题最终取决于掌握技术的人如何使用它。

说到什么是意识和智能到底是什么的哲学问题。反过来，人工智能的发展可以帮助人类更好地了解大脑是如何工作的。神经网络算法的发展也提供了大脑神经元如何工作的模拟。反过来，这可能有助于人类了解自己。

它或许可以帮助我们回答困扰我们数千年的关于人类本身的终极问题：

我们如何感知世界？

因此，人工智能的发展不仅仅是一个计算机科学问题，它是一个涉及脑科学、认知科学甚至哲学的多学科问题。