今年1月，人工智能（AI）领域发生了两件重要的小事：人工智能领域“祖师爷”级别的人物马文·明斯基去世；DeepMind团队在《自然》杂志宣布破解了围棋的算法，并公布如何打败人类选手——欧洲冠军樊麾——的一些细节。

之所以说这是两件重要的小事，是因为它们都是人工智能领域的自家事。中文互联网领域没有多少人知道马文·明斯基——在互联网创业大潮汹涌澎湃、楼市股市蠢蠢欲动的背景下，谁会在意一个一生只在学术机构待着、做了点无趣研究的先驱者呢？

围棋领域对人工智能更是不甚在意。毕竟，樊麾虽贵为欧洲冠军，但只是职业二段，与东亚三国的九段高手相比有巨大差距。当时，几乎所有棋手都确信，3月份李世石一定能完胜Alpha Go。

50多天后，“漂洋过海”的 Alpha Go 送给了李世石一个4:1。作为人类代表的李世石赛后接受采访时说：“第一场比赛，我感到惊讶，但今天我无话可说。如果你看到了比赛局势是如何进展的，我承认我这方面显然处于劣势。从比赛的一开始，就没有任何时刻让我觉得我占优势。”

相信许多人的感觉和李世石完全一致。第一场惊讶，第二场无话可说，第三场倍感绝望。人工智能彻底摧毁了围棋人最后的骄傲。人们开始对“深度学习”、“神经网络”、“蒙特卡洛树”等名词如数家珍，越来越多的人了解了约翰·麦卡锡、马文·明斯基其人其事，并大量收藏来自朋友圈、公众号、微博等渠道的棋局分析、技术演示。

这50多天公众注意力的变化，也是人工智能60多年来发展的缩影。随着Alpha Go 破解围棋神话与马文·明斯基的去世，新一轮人工智能热潮正在崛起，人与机器的关系也被重新定义。

当西方的机器站在东方人的舞台上，击败象征东方人智慧的围棋时，不仅是西方计算思维对东方直觉思维的胜利，也是电脑对人脑的胜利。

首先，我们有必要了解下，为什么人工智能如此偏爱下棋。

阿兰·图灵在1936年发表的《论数字计算在决断难题中的应用》奠定了人工智能和计算科学的基石。在这篇文章中，图灵纵然为机器的发展指明了道路——模仿人类，但他并没有回答一个问题：如何衡量机器的“智能”。

1920年代，美国心理学家刘易斯·利恩·瑟斯顿在研究中发现，受访者在回答问题时更喜欢回答一些选择题，比如“你更喜欢谁的画，A 还是 B”就比单纯回答“你对A 画喜欢多少”要容易得多。这套理论被称为“比较性判断准则”（Law of Comparative Judgement）。通过让人们每次比较多个对象中的两个，最终可以计算出每个对象的测量分数（定距尺度）。

自此，人工智能研究者终于不再为定义“智能”而烦扰了，只需要将机器与人类放在某个同样环境下继续比赛，利用人的智能来衡量机器的智能。棋类游戏首先被用于测试机器的智能，是因为从本质上说，棋类游戏是一种“完美”的信息游戏：对玩家而言，无论人类还是机器，所面对的信息是透明且对等的——就是棋盘和棋子而已。

1956年，IBM 工程师阿瑟·塞缪尔创造了一种西洋跳棋的应用程序，并使用强化学习来训练这个程序。1962年，这个跳棋程序打败了当时全美最强的业余选手罗伯特·尼莱。

与西洋跳棋程序同时进化的还有十五子棋。1979年，汉斯·柏利纳开发的 BKG 9.8 应用程序以7:1 的大比分打败了当时十五子棋的人类冠军鲁基·维拉。BKG 9.8 之后，包括 TD-Gammon 以及随后的应用程序都要比人类玩得更好。

接下来就是国际象棋。1950年，在阿瑟·塞缪尔打造他的西洋跳棋程序之前，克劳德·香农（信息论的开山鼻祖，同时也是“人工智能”一词的提出者）就已宣布，国际象棋对人工智能来说是一项令人兴奋的挑战：“这个问题的解决方案将迫使我们承认机器是否能够思考的可能性，以及重新定义所谓思考的概念。”

但香农的预言显然错了。在1997年IBM 的深蓝打败卡斯帕洛夫之后，人类并没有遇到上述难题的困扰。在几乎所有棋类游戏被机器征服之后，唯一剩下的就是起源于中国的围棋。

想理解围棋的复杂性，不妨来看一组数字：国际象棋平均每一步有大约35种可能的下法，围棋则多达250种，每一种下法之后又有250种下法，依次类推。这意味着，哪怕是最强大的超级计算机也无法预测每一种可能下法的最终结果，即便是现在最强大的计算机处理能力，也无法快速完成这一计算任务。

尽管困难重重，人工智能研究者却并未放弃对于围棋的追求。过去几年，Crazy Stone 和 Zen 这样的人工智能应用先后在人类让子的情况下打败过人类棋手。两年之前，开发了当时世界上最先进围棋系统 Crazy Stone 的RémiCoulom预言，机器打败人类顶尖围棋选手的时间至少还要10年。

很快，这个预言又被破除了。当西方的机器站在东方人的舞台上，击败象征东方人智慧的围棋时，相信很多人都有一种历史课本的穿越感——只是这一次，不仅是西方计算思维对东方直觉思维的胜利，也是电脑对人脑的胜利，更是电脑在和人脑互相模仿的游戏中的胜利。

人类实际上是一种机器，他们的大脑由许多半自治但很愚蠢的“代理”组成。既然人类就是个机器，就可以制造出与人类类似的机器。

在1985年出版的一本开创性哲学著作《心智社会》（The Society of Mind）中，马文·明斯基提出了一项基本假设：人类与机器之间并没有真正的区别。人类实际上是一种机器，他们的大脑由许多半自治但很愚蠢的“代理”组成，完成“不同的任务需要完全不同的机制”。

明斯基的这一观点同样也是一大批人工智能从业者的努力方向：既然人类就是个机器，就可以制造出与人类类似的机器。曾与明斯基并肩作战的“人工智能之父”约翰·麦卡锡在整个职业生涯中，都希望通过正规的数学逻辑方法来模拟人的头脑。

为了能够复制类人的思维，这些学者提出了各种各样的项目和研究，大部分都在对人脑结构和功能进行模拟。其中，瑞士洛桑联邦理工学院（EPFL）大脑与心智研究所的“蓝脑”（Blue Brain）计划拥有较高的知名度；“蓝脑”起始于2005年，计划在2023年之前搭建出一个基本等同于人脑模式的工作模型。

任何大脑模拟器都面临着两个主要问题。首先，人脑非常复杂，它拥有大约1000亿个神经元和1000万亿个突触连接。这些连接都不是数字连接，它们依赖于具有互相关联的时序的电化学信号和模拟组件；其中的分子和生物学机制我们才刚刚开始懂点皮毛。

即使简单一点的大脑都依然神秘难解。2015年年初时，蓝脑计划取得了具有里程牌意义的进展：研究人员成功复制了啮齿动物（小鼠）大脑中的信号。然而对于哺乳动物来说，小鼠大脑中这个拥有30000个神经元的区域，只是大脑的一点皮毛。随着神经元数量和突触连接的增加，模拟的复杂程度也将呈指数式增加——现有的技术手段基本无法处理。

这又引出了大脑模拟需要面临的另一个问题：目前还没有任何一个完备的理论能解释“思维”到底是什么。这又带出了另一个值得思考的问题：难道做一个成功的飞行器，一定要模拟鸟的飞行方式吗？

在另一部著作《情感机器》中，明斯基则有力地论证了情感、直觉和情绪并不是与众不同的东西，只是一种人类的思维方式。同时，他也揭示了为什么人类思维有时需要理性推理，有时又会转向情感的奥秘。他列举了人类的19种思维方式，比如“知道解决方式”、“类比推理”、“简化法”、“理想化思维法”等。看完他的论证你会发现，这些特性是人类独有的，机器根本无法学会。

如果说明斯基的《心智社会》是人工智能前期研究的映射，那么《情感机器》则展现出下一轮人工智能发展的蓝图——让机器的事儿归机器，人类的事儿归人类。谷歌创始人拉里·佩奇的“恩师”特里·威诺格拉德曾坦言：“人类智能没什么高深莫测的。从理论上讲，如果你发现了大脑工作的方式，就可以人为建造出一个具备一定功能的智能机器，但你建造不出具备符号逻辑和计算能力的机器。”

这一理念不仅塑造了谷歌，也影响了一大批人工智能新一代研究者。以DeepMind 为代表的新一代人工智能公司，采用深度神经网络，摒弃了打造所谓可替代人类智能的旧传统。DeepMind创始人戴密斯·哈萨比斯表示：“癌症、气候变迁、能源、基因组学、宏观经济学、金融系统、物理学等，太多我们想掌握的系统知识正变得极其复杂。”这种程度的复杂，人类与机器都无法独自面对。正如哈萨比斯所言，在未来，超级智能机器将与人类专家合作解决一切问题。

丘吉尔曾说：“我们塑造了建筑，后来，这些建筑又塑造了我们。”人类所创造的人工智能，正在多维度地模仿人类的行为与思维模式，同时它们又拥有人类无法具有的“优点”——没有情绪、不知疲倦。吴清源认为，围棋不是比赛技术，而是心态——当五番旗第一盘Alpha Go逼得李世石无法贴目时，李世石脸上显出沮丧的表情，而Alpha Go则“面”无表情。

在对 DeepMind 创始人的专访中，记者问：“Alpha Go是否会休息？”哈萨比斯这样回答：“不，没有休息！甚至圣诞节也不休息。”记者追问：“它是否需要偶尔停下？”哈萨比斯的答案是：“或许它更喜欢继续向前。”

这也许就是对人工智能发展现状最好的描述。