AlphaGo、康德和人工智能

人工智能早已从技术领域破圈到大众文化之中，成为一个被广泛讨论的热词，那么除了在技术领域，给生活带来的更多便利性之外，作为非技术人员，能在人工智能当中学到什么，又可以由此改变什么呢？

AlphaGo 不是狗

这一切要从四年前在围棋领域的一系列事件开始说起。

2016年3月，AlphaGo以4：1的成绩战胜了围棋世界冠军、职业九段棋手李世石；2016年末，AlphaGo在中国棋类网站上以“大师”（Master）为注册账号与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩；2017年5月，AlphaGo以3：0的总比分战胜排名世界第一的世界围棋冠军柯洁。

一时间，AlphaGo的故事被演绎成一个江湖中横空出世的侠客，将各路大侠纷纷挑落马下，出手之快，力道之狠，功力之高，都是江湖人所无法想象和比拟的。甚至其结局也非常武侠风，在击败柯洁之后，AlphaGo被围棋界公认棋力已经超过人类职业围棋顶尖水平，也就在登上顶峰之时，AlphaGo团队宣布阿尔法围棋将不再参加围棋比赛，从此隐退江湖，不留功与名。

其实，机器在棋类上击败人类已经不是第一次了，往前追溯，最有名的要数1996 年IBM的“深蓝”击败了国际象棋大师卡斯帕罗夫。虽然当时也引起了广泛的关注，但终究没有引发人工智能的热潮。因为对于机器来说，国际象棋和围棋比起来，难度还是低了很多。比如围棋每一步大概有200种落子点，而国际象棋大概不到40种；围棋大概要通过200次落子才能决出胜负，而国际象棋大概不超过60次；围棋有10的360次方个合规落子组合，而国际象棋也不过10的123次方，不过顺便一提，即便是国际象棋的这个可能性，也是非常巨大的，比如此前有科学家计算出整个宇宙的原子总数也不过10的80次方。

而且当年“深蓝”的策略，似乎也有些暴力，就是利用机器的强大算力，去推测每一步棋的最优解，不过“深蓝”也不过能看到未来6步棋的情况。可以说，当时的“深蓝”只体现出计算机的算法能力和计算水平，但还远远达不到所谓人工智能的意义。

也正是如此，经过了20年的发展，机器才在围棋领域有所突破，同时也让世界看到人工智能的曙光，很多人都在问，AlphaGo会不会是人工智能领域的“奇点”？四年过去了，虽然在技术的迭代上，人工智能有了长足的发展，但依然没有到达一个新的境界，可能真正人工智能时代离我们还远，AlphaGo也只不过是一个起点。但在AlphaGo上面，不仅能让人看到在人工智能领域的应用价值，同时也让人类有了一个参照，以此来反思自身，对人的思维能力也许会有更深刻地认识。

在进入下面的探讨之前，插入一个有趣的小知识，AlphaGo由于发音，被很多国人昵称为“阿尔法狗”，这也挺符合我国互联网发展中“动物园”系列的命名的。但实际上，AlphaGo中的Go，就是英文中围棋的意思。围棋的英译名go是从日语的发音译来的，围棋在日语里写成“碁”（读做ご,即Go的发音）。在美国人亚瑟·史密斯出版的第一本英文围棋书《围棋：日本国技》中，使用了go并沿用至今。所以“阿尔法狗”不是狗，它的大名应该叫阿尔法围棋。

从哥白尼到康德，答案有时藏在视角中

哥白尼的故事，几乎没有人不知道。他改变了人们日常经验和宗教经验中的错觉，推翻了太阳围绕地球而转，确立了日心说，也引发了后续的物理学发展。有时，问题并不见得有多复杂，只需要转换一个视角，就能发现一片新的天地。

在认知领域，也有一个人希望效仿哥白尼，掀起一场革命，那就是被认为是继苏格拉底、柏拉图和亚里士多德后，西方最具影响力的思想家之一的康德。

康德把自己在认知领域的理论称为“哥白尼式的革命”，最核心的也是视角的转换。就像在经验中，每个人都会觉得地球是平的，太阳是围绕着我们而转动的一样，在认知领域，人们会想当然的觉得，我们能认识到的一切，能获得的关于一切外部事物的知识，都取决于外部事物本身。

但康德却像哥白尼一样，把视角转换了一下，太阳并没有动，而是我们在动。在认知领域，我们能获得的一切知识，其决定性的形式和框架，并不在外界事物中，而是深深的植根于我们的思维里。简单地说，康德提出了一个新的看法，从过去的“现象决定认识”，改为了“认识决定现象”。

如果单纯简单的来看，这似乎是一个极其震撼，又极其不合理的论断，我们看到的花，了解到的春夏秋冬，不都应该是自然现象吗，怎么可能由我们自身来决定呢？但想想，花就一定是红的么，在红绿色盲眼中是什么颜色呢，另外虽然我们都说是红色，但每个人眼睛能看到的红又会有着千差万别，所以究竟是花定义了红，还是我们定义了红呢？

康德也许不会喜欢AlphaGo

康德的理论非常复杂，在此就不过多的去深入探讨。简单的来说，康德认为一个知识，比如我们看到的花，或认识到的某一种现象，某一个事件，都是由两个部分组成的，也就是“先验”和“经验”。先验就是先于经验就存在于我们大脑中的，是一些规则性的东西，而经验则是我们在与世界打交道时所获得的内容。

康德认为先验规则是预先就存在于我们的头脑里，当我们与世界接触，先验规则就成为了一个框架，我们用经验把这个框架填满，就像造一个建筑，最终形成了对外界的知识。这二者缺一不可，没有先验规则，我们无法将经验的内容组织起来成为知识，没有经验的内容，先验的规则就只是个框架，一无所用。

如果这个理论，说给一个程序员听，他就会很快的类比出来，先验规则不就是算法么，经验内容不就是数据么。没错，就是这么简单，也是这么凑巧，康德的认识论，跟几百年后的编程理念是相通的。康德的目标是揭示人是如何认识世界以及如何行动的，而人工智能的目标则是模拟人去认识世界，去模拟人的行动。所以二者必然是同源的。

在人工智能的发展中，主要有两个流派。一派是自上而下的，也就是希望通过将人类思维决策的逻辑模拟出来，形成一套完整的符号系统，以此预设，来对输入进行反馈；另一派则是自底向上的，是希望用计算机模拟人脑的神经结构，最终用机器模仿出人的思维方式。

前一派被称为控制派，后一派被称为仿生派。如果让康德去研究人工智能，相信他会比较支持控制派，因为他主要就是研究先验规则是什么，如何运作的，很像是控制派对人类思维决策逻辑的模拟。

不过AlphaGo实际上更偏向于仿生派，是在神经网络的基础上，用深度学习训练出来的一个智能系统。与康德研究的先验规则不同，AlphaGo用到的更多的是经验性的东西，在经验里寻找决策的线索。所以康德应该不会喜欢现在AlphaGo的研究方式和发展方向。

认知与决策，智能的体现

不论康德是否喜欢，AlphaGo已经取得了惊人的成绩，那么我们不妨深入其中，看看AlphaGo是如何工作的。

AlphaGo的大脑大体上是由三个部分构成（以下仅为简要概括，并非专业性的论述）：策略网络、价值网络、蒙特卡洛树搜索。我们跳过专业性的探讨，这三个部分是各有分工的，在一场对局中的任何一个阶段，当要落子时，策略网络去算出接下来有多少个可以落子的地方，价值网络判断这些落子地方未来输赢的可能性，蒙特卡洛树搜索则将这两个部分的结论综合在一起，并最终形成结论。

这其中，策略网络，是将一个棋局的任何一个阶段，都看作是一个19*19像素的图片（围棋是19*19条线交叉形成361个点），而每个像素点上有黑/白/空三种可能。AlphaGo通过收集大量对局的形势图，来进行学习，学习的内容就是，在当前图的情况下，下一幅图会变化成什么方向。而价值网络，则负责判断每一种图型最终可能获胜的概率。

对于这个模型，非常有趣的是恰好也能对应上康德理论中的两个关键核心——时间和空间，康德认为这两个是我们每个人感受外界，获得一种直观的最基本框架。在AlphaGo中，空间就是每一幅图型，而时间则是图型的排列顺序，通过之前的情况来决策之后的情况等等。

此外，AlphaGo也体现出了智能的最核心两个要素，第一就是认知，其次是决策。认知就是对外界，环境、事物的一种知识的获取，而决策就是在外界给定的情况下，决定该如何去做。

那么对于认知部分，康德是如何界定的呢？

康德认为最底层的认知是人的一种感觉，当把感觉对应到一个事物的时候，那就是认识。认识有两种形式，一种是直观，也就是直接关联到一个具体的事物，比如一个苹果，我们在脑海里就会显现出这个苹果的特征；另一种是概念，也就是间接关联到一些事物，比如我们有一个苹果的概念，这个概念并不是指某一个苹果，而是一种概括的苹果的统称。那对于概念，也有两种区分，一种是经验的，比如苹果的概念们就是经验的，还有一种是纯粹的。在纯粹的概念里，有一部分能被用在经验当中，比如因果这种，就被康德称作范畴，而不能被应用在经验，也就是超出经验可能性的概念，比如上帝，就被称作理念。

对照着康德认知的层次，AlphaGo可以有直观，也就是对应着围棋的图型，应该也能产生一些概念，比如哪一些图型更接近胜利，可以从图形中寻找到规则，并运用回图型中。但相信AlphaGo是不会产生理念的，也许当某一天，某个人工智能可以跟人类谈论上帝、自由这类话题的时候，人工智能才真正的显现。

而如果真的有一天，人工智能不仅可以谈论，而且也能够在理念的范围内，或者说根据一些道德观念来实践的话，那么人工智能才可以说是一种接近人的状态。毕竟类似于电车难题（在铁轨上，究竟是救一边的1个人还是救另一边的5个人）这种道德问题，并非能够用所谓价值网络就可以判断出该如何做的。而且即便是人也都无法轻易做出抉择的问题，人工智能该如何去思考呢。

用人工智能超越人的智能

有个有趣的事情，当人们根据量子理论，发现现实世界并不是连续的，细分下去会遇到最小的量子尺度时，有人就提出了一个假设，这不就跟计算机世界一样么，在二进制所构成的宇宙中，一切也都不是连续的，我们看到的图像，只不过是一个个的像素模拟出来的，就好像是量子一样，那么是不是可以说我们现在所处的世界，是计算机模拟出来的呢？

实际上，这有可能犯了一个逻辑谬误。因为我们更熟悉计算机，而没有那么懂量子理论，所以我们会把量子理论的发现，放到计算机世界中去参考。实际上计算机的基本构成也是我们这个量子的世界，所以它们应该具有同样的特性，所以并不是说现实世界是计算机模拟的，只能说计算机也没有逃脱出量子的掌控而已。

在这个例子中，我们看到了神经网络未来的可能性，也就是当我们在结构上模拟出人脑的时候，也许是可以模拟出人脑的功能的，因为至少它们是同构的。但这也不过是一种可能，就像在生物进化中，千百年来，也只进化出一种人脑，而其他动物并不具备人脑最核心的功能。

那么有没有其他路线呢？

也许我们可以在对现实世界的新发现中，找到一些端倪。根据最新的量子理论和相对论的结合中，我们逐渐的会产生一些哥白尼式的认知革命。比如此前我们一直认为世界是由物质构成的，时间主宰了物质的发展和变化。但在新的理论体系中，世界是由事件构成的，物质是粒子相互作用时短暂的固定形式。就好比两个电子只有在相互作用时才出现，当它们无关时，甚至可以说它们都不存在一样。

这样一来，我们重新审视大脑的功能，就会发现，我们通过直观去认识物质，然后利用思维去发现物质之间的关系，最终形成了一个统一的世界图景。我们现在也是按照这个结构去开发人工智能。但也许可以有一种新的认知方式，对计算机而言，它更擅长的是处理数据以及发现数据之间的关系。人是通过物质的形态，然后逐渐深入到其中的关系，这是由于人的感官在外，思维在内所决定的。那么人工智能是否可以突破人类的认知局限呢？

也就是说打破人类这种从看、听入手，去了解世界，然后利用思维去发现世界的特征，比如因果性，再根据这些特征来作出反应，人工智能是否可以在事件、关系层面有其独特的直观方式，而不用像现在那样，非要把围棋棋局变成图片输入。

回到“从哥白尼到康德，答案有时藏在视角中”这一小节，也许当某一天我们对人工智能的视角发生了转变，才能更接近那个想要的答案。