'麥肯錫：12年後8億人將因機器失業；作為父母你瞭解人工智能嗎？'
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
既然沒法得到全部可能的棋局，那該怎麼辦呢？還記得我們開始說到的智能等於搜索加評估嗎？程序員開始從這個思路尋找辦法，並提出了機器學習的概念。
當對方落子後，電腦首先會搜索所有可能的落子點，但與以往不同，計算機不會對每個落點都展開推測，而是推測那些相對來說贏率比較大的落點。
那怎麼確定誰的贏率大呢？這就涉及到了評估。山本一成介紹說，開始時，程序員對每個棋子手動設置不同的權重。以將棋為例，如飛車值1500分、桂馬值500分，同時棋子的分佈距離也一一設定好分數。就好比中國象棋裡車、馬、炮本身和他們之間的位置都設定了不同的價值，計算機通過最後的求和，得出一個最優解，然後移動棋子。
雖然其中涉及了很多具體的高等數學運算，但深藍大體上就是基於這種思路取得的勝利。之所以首先在國際象棋領域取得了成功，是因為國際象棋的棋子機動性非常強，因此棋子數量的多少與勝負直接相關，這就使評估分數的設定相對容易了很多。這也是20年前就能取勝的主要原因。
但是，大家可能已經發現，這種設計過於機械，對於將棋或者中國象棋並不適用。因為在象棋中不可能因為誰的棋子多誰就明顯有優勢，也不可能因為車的權重比卒子大，就一直要移動車，事實上這兩種棋類棋子的位置和分佈更加重要，而且每個棋子的重要性都會因為形勢的不同而發生變化，如果想要得到最佳的評估值，以將棋為例，需要考慮的因素目前已經在1億左右，也就是說，僅憑人力，根本無法對這些項目逐一調整賦值。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
既然沒法得到全部可能的棋局，那該怎麼辦呢？還記得我們開始說到的智能等於搜索加評估嗎？程序員開始從這個思路尋找辦法，並提出了機器學習的概念。
當對方落子後，電腦首先會搜索所有可能的落子點，但與以往不同，計算機不會對每個落點都展開推測，而是推測那些相對來說贏率比較大的落點。
那怎麼確定誰的贏率大呢？這就涉及到了評估。山本一成介紹說，開始時，程序員對每個棋子手動設置不同的權重。以將棋為例，如飛車值1500分、桂馬值500分，同時棋子的分佈距離也一一設定好分數。就好比中國象棋裡車、馬、炮本身和他們之間的位置都設定了不同的價值，計算機通過最後的求和，得出一個最優解，然後移動棋子。
雖然其中涉及了很多具體的高等數學運算，但深藍大體上就是基於這種思路取得的勝利。之所以首先在國際象棋領域取得了成功，是因為國際象棋的棋子機動性非常強，因此棋子數量的多少與勝負直接相關，這就使評估分數的設定相對容易了很多。這也是20年前就能取勝的主要原因。
但是，大家可能已經發現，這種設計過於機械，對於將棋或者中國象棋並不適用。因為在象棋中不可能因為誰的棋子多誰就明顯有優勢，也不可能因為車的權重比卒子大，就一直要移動車，事實上這兩種棋類棋子的位置和分佈更加重要，而且每個棋子的重要性都會因為形勢的不同而發生變化，如果想要得到最佳的評估值，以將棋為例，需要考慮的因素目前已經在1億左右，也就是說，僅憑人力，根本無法對這些項目逐一調整賦值。
為了解決這個問題，程序員們又想出來第二個辦法，就是借鑑人類的學習方法，讓電腦跟人類的高手學習，努力下出與冠軍一樣品質的棋局。
具體的方法是，將已有人類比賽的棋局全部數據化，然後輸入電腦，同時，以這些冠軍棋譜為標準，讓機器自己調整評估的權重。
比如，在相同的局面下，不再機械地為每一個棋子固定打分，而是以冠軍棋局為標準進行賦值。也就是說，車再也不是固定的1500分，如果以前的人這時選擇移動了卒子，那計算機就會據此為卒子賦值1500分。
這種脫離程序員的設定，嘗試讓電腦自動調整評估數據的思路被稱為機器學習。從機器學習開始，人們的主要任務不再是教給電腦知識，而是教給電腦學習的方法。
這就像是我們不再讓電腦記住所有的棋譜，而是讓他學會人類的思路。
當電腦能夠模仿出人類冠軍的棋路後，我們又要求它不斷調整參數，進行試錯，從而找出更好的可能性，這被稱為強化學習。後來，在將棋比賽中電腦憑藉機器學習和強化學習的成果，取得了良好的戰績，並從2012年開始逐漸能夠戰勝人類的專業棋手。
二、人工智能的中學階段，突破自然科學的還原主義限制
利用機器學習，電腦終於開啟了向人類一樣思考的可能，現在的無人駕駛等技術都是這種思路的反應。而在機器學習的道路上，深度學習成為人工智能進一步快速發展的強勁引擎，同時，也讓人類開始越來越無法理解人工智能內部到底是如何運轉的。
我們繼續從人工智能在棋類的表現中觀察它的發展。上面大家已經知道了通過機器學習解決了將棋的評估指標賦值問題，從而讓電腦的下棋水平得到大幅度飛躍，那麼圍棋是不是也可以採用同樣的方法呢？
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
既然沒法得到全部可能的棋局，那該怎麼辦呢？還記得我們開始說到的智能等於搜索加評估嗎？程序員開始從這個思路尋找辦法，並提出了機器學習的概念。
當對方落子後，電腦首先會搜索所有可能的落子點，但與以往不同，計算機不會對每個落點都展開推測，而是推測那些相對來說贏率比較大的落點。
那怎麼確定誰的贏率大呢？這就涉及到了評估。山本一成介紹說，開始時，程序員對每個棋子手動設置不同的權重。以將棋為例，如飛車值1500分、桂馬值500分，同時棋子的分佈距離也一一設定好分數。就好比中國象棋裡車、馬、炮本身和他們之間的位置都設定了不同的價值，計算機通過最後的求和，得出一個最優解，然後移動棋子。
雖然其中涉及了很多具體的高等數學運算，但深藍大體上就是基於這種思路取得的勝利。之所以首先在國際象棋領域取得了成功，是因為國際象棋的棋子機動性非常強，因此棋子數量的多少與勝負直接相關，這就使評估分數的設定相對容易了很多。這也是20年前就能取勝的主要原因。
但是，大家可能已經發現，這種設計過於機械，對於將棋或者中國象棋並不適用。因為在象棋中不可能因為誰的棋子多誰就明顯有優勢，也不可能因為車的權重比卒子大，就一直要移動車，事實上這兩種棋類棋子的位置和分佈更加重要，而且每個棋子的重要性都會因為形勢的不同而發生變化，如果想要得到最佳的評估值，以將棋為例，需要考慮的因素目前已經在1億左右，也就是說，僅憑人力，根本無法對這些項目逐一調整賦值。
為了解決這個問題，程序員們又想出來第二個辦法，就是借鑑人類的學習方法，讓電腦跟人類的高手學習，努力下出與冠軍一樣品質的棋局。
具體的方法是，將已有人類比賽的棋局全部數據化，然後輸入電腦，同時，以這些冠軍棋譜為標準，讓機器自己調整評估的權重。
比如，在相同的局面下，不再機械地為每一個棋子固定打分，而是以冠軍棋局為標準進行賦值。也就是說，車再也不是固定的1500分，如果以前的人這時選擇移動了卒子，那計算機就會據此為卒子賦值1500分。
這種脫離程序員的設定，嘗試讓電腦自動調整評估數據的思路被稱為機器學習。從機器學習開始，人們的主要任務不再是教給電腦知識，而是教給電腦學習的方法。
這就像是我們不再讓電腦記住所有的棋譜，而是讓他學會人類的思路。
當電腦能夠模仿出人類冠軍的棋路後，我們又要求它不斷調整參數，進行試錯，從而找出更好的可能性，這被稱為強化學習。後來，在將棋比賽中電腦憑藉機器學習和強化學習的成果，取得了良好的戰績，並從2012年開始逐漸能夠戰勝人類的專業棋手。
二、人工智能的中學階段，突破自然科學的還原主義限制
利用機器學習，電腦終於開啟了向人類一樣思考的可能，現在的無人駕駛等技術都是這種思路的反應。而在機器學習的道路上，深度學習成為人工智能進一步快速發展的強勁引擎，同時，也讓人類開始越來越無法理解人工智能內部到底是如何運轉的。
我們繼續從人工智能在棋類的表現中觀察它的發展。上面大家已經知道了通過機器學習解決了將棋的評估指標賦值問題，從而讓電腦的下棋水平得到大幅度飛躍，那麼圍棋是不是也可以採用同樣的方法呢？
答案是否定的。無愧於“人類智力皇冠上的明珠”稱號，這套方法對圍棋來說竟然完全無效。
在將棋中，我們可以為不同的棋子和棋子間的位置關係賦予不同的分數，從而完成評估，選出該移動的棋子。雖然這需要考慮1億多個不同的影響因素，但是對於電腦的計算量來說還能夠負擔。
然而，在圍棋中我們該以什麼作為評分的標準呢？是棋子的重要性嗎？不同於象棋的車、馬、炮，圍棋的每個棋子都是一樣的。是棋子之間的位置關係嗎？不同於象棋中“帥”的中心位置，圍棋中我們根本就不知道重點該關注哪些棋子的位置關係。
也就是說，將棋等棋類是難在給出一個準確的評估分數，而圍棋卻難在根本就不知道該去評估誰。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
既然沒法得到全部可能的棋局，那該怎麼辦呢？還記得我們開始說到的智能等於搜索加評估嗎？程序員開始從這個思路尋找辦法，並提出了機器學習的概念。
當對方落子後，電腦首先會搜索所有可能的落子點，但與以往不同，計算機不會對每個落點都展開推測，而是推測那些相對來說贏率比較大的落點。
那怎麼確定誰的贏率大呢？這就涉及到了評估。山本一成介紹說，開始時，程序員對每個棋子手動設置不同的權重。以將棋為例，如飛車值1500分、桂馬值500分，同時棋子的分佈距離也一一設定好分數。就好比中國象棋裡車、馬、炮本身和他們之間的位置都設定了不同的價值，計算機通過最後的求和，得出一個最優解，然後移動棋子。
雖然其中涉及了很多具體的高等數學運算，但深藍大體上就是基於這種思路取得的勝利。之所以首先在國際象棋領域取得了成功，是因為國際象棋的棋子機動性非常強，因此棋子數量的多少與勝負直接相關，這就使評估分數的設定相對容易了很多。這也是20年前就能取勝的主要原因。
但是，大家可能已經發現，這種設計過於機械，對於將棋或者中國象棋並不適用。因為在象棋中不可能因為誰的棋子多誰就明顯有優勢，也不可能因為車的權重比卒子大，就一直要移動車，事實上這兩種棋類棋子的位置和分佈更加重要，而且每個棋子的重要性都會因為形勢的不同而發生變化，如果想要得到最佳的評估值，以將棋為例，需要考慮的因素目前已經在1億左右，也就是說，僅憑人力，根本無法對這些項目逐一調整賦值。
為了解決這個問題，程序員們又想出來第二個辦法，就是借鑑人類的學習方法，讓電腦跟人類的高手學習，努力下出與冠軍一樣品質的棋局。
具體的方法是，將已有人類比賽的棋局全部數據化，然後輸入電腦，同時，以這些冠軍棋譜為標準，讓機器自己調整評估的權重。
比如，在相同的局面下，不再機械地為每一個棋子固定打分，而是以冠軍棋局為標準進行賦值。也就是說，車再也不是固定的1500分，如果以前的人這時選擇移動了卒子，那計算機就會據此為卒子賦值1500分。
這種脫離程序員的設定，嘗試讓電腦自動調整評估數據的思路被稱為機器學習。從機器學習開始，人們的主要任務不再是教給電腦知識，而是教給電腦學習的方法。
這就像是我們不再讓電腦記住所有的棋譜，而是讓他學會人類的思路。
當電腦能夠模仿出人類冠軍的棋路後，我們又要求它不斷調整參數，進行試錯，從而找出更好的可能性，這被稱為強化學習。後來，在將棋比賽中電腦憑藉機器學習和強化學習的成果，取得了良好的戰績，並從2012年開始逐漸能夠戰勝人類的專業棋手。
二、人工智能的中學階段，突破自然科學的還原主義限制
利用機器學習，電腦終於開啟了向人類一樣思考的可能，現在的無人駕駛等技術都是這種思路的反應。而在機器學習的道路上，深度學習成為人工智能進一步快速發展的強勁引擎，同時，也讓人類開始越來越無法理解人工智能內部到底是如何運轉的。
我們繼續從人工智能在棋類的表現中觀察它的發展。上面大家已經知道了通過機器學習解決了將棋的評估指標賦值問題，從而讓電腦的下棋水平得到大幅度飛躍，那麼圍棋是不是也可以採用同樣的方法呢？
答案是否定的。無愧於“人類智力皇冠上的明珠”稱號，這套方法對圍棋來說竟然完全無效。
在將棋中，我們可以為不同的棋子和棋子間的位置關係賦予不同的分數，從而完成評估，選出該移動的棋子。雖然這需要考慮1億多個不同的影響因素，但是對於電腦的計算量來說還能夠負擔。
然而，在圍棋中我們該以什麼作為評分的標準呢？是棋子的重要性嗎？不同於象棋的車、馬、炮，圍棋的每個棋子都是一樣的。是棋子之間的位置關係嗎？不同於象棋中“帥”的中心位置，圍棋中我們根本就不知道重點該關注哪些棋子的位置關係。
也就是說，將棋等棋類是難在給出一個準確的評估分數，而圍棋卻難在根本就不知道該去評估誰。
為了解決這個問題，人們找到了深度學習的辦法。所謂的深度學習是一種模擬人腦構造，利用神經元技術的學習方法。神經元就是人類大腦中最基本的神經細胞，僅大腦皮層就分佈著140億個神經元，我們常說的大腦灰質或白質就是因為神經元不同部位聚集呈現出的不同顏色。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
既然沒法得到全部可能的棋局，那該怎麼辦呢？還記得我們開始說到的智能等於搜索加評估嗎？程序員開始從這個思路尋找辦法，並提出了機器學習的概念。
當對方落子後，電腦首先會搜索所有可能的落子點，但與以往不同，計算機不會對每個落點都展開推測，而是推測那些相對來說贏率比較大的落點。
那怎麼確定誰的贏率大呢？這就涉及到了評估。山本一成介紹說，開始時，程序員對每個棋子手動設置不同的權重。以將棋為例，如飛車值1500分、桂馬值500分，同時棋子的分佈距離也一一設定好分數。就好比中國象棋裡車、馬、炮本身和他們之間的位置都設定了不同的價值，計算機通過最後的求和，得出一個最優解，然後移動棋子。
雖然其中涉及了很多具體的高等數學運算，但深藍大體上就是基於這種思路取得的勝利。之所以首先在國際象棋領域取得了成功，是因為國際象棋的棋子機動性非常強，因此棋子數量的多少與勝負直接相關，這就使評估分數的設定相對容易了很多。這也是20年前就能取勝的主要原因。
但是，大家可能已經發現，這種設計過於機械，對於將棋或者中國象棋並不適用。因為在象棋中不可能因為誰的棋子多誰就明顯有優勢，也不可能因為車的權重比卒子大，就一直要移動車，事實上這兩種棋類棋子的位置和分佈更加重要，而且每個棋子的重要性都會因為形勢的不同而發生變化，如果想要得到最佳的評估值，以將棋為例，需要考慮的因素目前已經在1億左右，也就是說，僅憑人力，根本無法對這些項目逐一調整賦值。
為了解決這個問題，程序員們又想出來第二個辦法，就是借鑑人類的學習方法，讓電腦跟人類的高手學習，努力下出與冠軍一樣品質的棋局。
具體的方法是，將已有人類比賽的棋局全部數據化，然後輸入電腦，同時，以這些冠軍棋譜為標準，讓機器自己調整評估的權重。
比如，在相同的局面下，不再機械地為每一個棋子固定打分，而是以冠軍棋局為標準進行賦值。也就是說，車再也不是固定的1500分，如果以前的人這時選擇移動了卒子，那計算機就會據此為卒子賦值1500分。
這種脫離程序員的設定，嘗試讓電腦自動調整評估數據的思路被稱為機器學習。從機器學習開始，人們的主要任務不再是教給電腦知識，而是教給電腦學習的方法。
這就像是我們不再讓電腦記住所有的棋譜，而是讓他學會人類的思路。
當電腦能夠模仿出人類冠軍的棋路後，我們又要求它不斷調整參數，進行試錯，從而找出更好的可能性，這被稱為強化學習。後來，在將棋比賽中電腦憑藉機器學習和強化學習的成果，取得了良好的戰績，並從2012年開始逐漸能夠戰勝人類的專業棋手。
二、人工智能的中學階段，突破自然科學的還原主義限制
利用機器學習，電腦終於開啟了向人類一樣思考的可能，現在的無人駕駛等技術都是這種思路的反應。而在機器學習的道路上，深度學習成為人工智能進一步快速發展的強勁引擎，同時，也讓人類開始越來越無法理解人工智能內部到底是如何運轉的。
我們繼續從人工智能在棋類的表現中觀察它的發展。上面大家已經知道了通過機器學習解決了將棋的評估指標賦值問題，從而讓電腦的下棋水平得到大幅度飛躍，那麼圍棋是不是也可以採用同樣的方法呢？
答案是否定的。無愧於“人類智力皇冠上的明珠”稱號，這套方法對圍棋來說竟然完全無效。
在將棋中，我們可以為不同的棋子和棋子間的位置關係賦予不同的分數，從而完成評估，選出該移動的棋子。雖然這需要考慮1億多個不同的影響因素，但是對於電腦的計算量來說還能夠負擔。
然而，在圍棋中我們該以什麼作為評分的標準呢？是棋子的重要性嗎？不同於象棋的車、馬、炮，圍棋的每個棋子都是一樣的。是棋子之間的位置關係嗎？不同於象棋中“帥”的中心位置，圍棋中我們根本就不知道重點該關注哪些棋子的位置關係。
也就是說，將棋等棋類是難在給出一個準確的評估分數，而圍棋卻難在根本就不知道該去評估誰。
為了解決這個問題，人們找到了深度學習的辦法。所謂的深度學習是一種模擬人腦構造，利用神經元技術的學習方法。神經元就是人類大腦中最基本的神經細胞，僅大腦皮層就分佈著140億個神經元，我們常說的大腦灰質或白質就是因為神經元不同部位聚集呈現出的不同顏色。
大腦之所以能夠進行識別和判斷，神經元發揮著重要的作用，大致的流程是信息從感覺器官流入神經元，經過神經元的加工，得出一個結論，再進行輸出指揮行動。雖然這個過程很好理解，但其中神經元到底是如何進行辨別的，對於我們來說仍然是一個迷。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
既然沒法得到全部可能的棋局，那該怎麼辦呢？還記得我們開始說到的智能等於搜索加評估嗎？程序員開始從這個思路尋找辦法，並提出了機器學習的概念。
當對方落子後，電腦首先會搜索所有可能的落子點，但與以往不同，計算機不會對每個落點都展開推測，而是推測那些相對來說贏率比較大的落點。
那怎麼確定誰的贏率大呢？這就涉及到了評估。山本一成介紹說，開始時，程序員對每個棋子手動設置不同的權重。以將棋為例，如飛車值1500分、桂馬值500分，同時棋子的分佈距離也一一設定好分數。就好比中國象棋裡車、馬、炮本身和他們之間的位置都設定了不同的價值，計算機通過最後的求和，得出一個最優解，然後移動棋子。
雖然其中涉及了很多具體的高等數學運算，但深藍大體上就是基於這種思路取得的勝利。之所以首先在國際象棋領域取得了成功，是因為國際象棋的棋子機動性非常強，因此棋子數量的多少與勝負直接相關，這就使評估分數的設定相對容易了很多。這也是20年前就能取勝的主要原因。
但是，大家可能已經發現，這種設計過於機械，對於將棋或者中國象棋並不適用。因為在象棋中不可能因為誰的棋子多誰就明顯有優勢，也不可能因為車的權重比卒子大，就一直要移動車，事實上這兩種棋類棋子的位置和分佈更加重要，而且每個棋子的重要性都會因為形勢的不同而發生變化，如果想要得到最佳的評估值，以將棋為例，需要考慮的因素目前已經在1億左右，也就是說，僅憑人力，根本無法對這些項目逐一調整賦值。
為了解決這個問題，程序員們又想出來第二個辦法，就是借鑑人類的學習方法，讓電腦跟人類的高手學習，努力下出與冠軍一樣品質的棋局。
具體的方法是，將已有人類比賽的棋局全部數據化，然後輸入電腦，同時，以這些冠軍棋譜為標準，讓機器自己調整評估的權重。
比如，在相同的局面下，不再機械地為每一個棋子固定打分，而是以冠軍棋局為標準進行賦值。也就是說，車再也不是固定的1500分，如果以前的人這時選擇移動了卒子，那計算機就會據此為卒子賦值1500分。
這種脫離程序員的設定，嘗試讓電腦自動調整評估數據的思路被稱為機器學習。從機器學習開始，人們的主要任務不再是教給電腦知識，而是教給電腦學習的方法。
這就像是我們不再讓電腦記住所有的棋譜，而是讓他學會人類的思路。
當電腦能夠模仿出人類冠軍的棋路後，我們又要求它不斷調整參數，進行試錯，從而找出更好的可能性，這被稱為強化學習。後來，在將棋比賽中電腦憑藉機器學習和強化學習的成果，取得了良好的戰績，並從2012年開始逐漸能夠戰勝人類的專業棋手。
二、人工智能的中學階段，突破自然科學的還原主義限制
利用機器學習，電腦終於開啟了向人類一樣思考的可能，現在的無人駕駛等技術都是這種思路的反應。而在機器學習的道路上，深度學習成為人工智能進一步快速發展的強勁引擎，同時，也讓人類開始越來越無法理解人工智能內部到底是如何運轉的。
我們繼續從人工智能在棋類的表現中觀察它的發展。上面大家已經知道了通過機器學習解決了將棋的評估指標賦值問題，從而讓電腦的下棋水平得到大幅度飛躍，那麼圍棋是不是也可以採用同樣的方法呢？
答案是否定的。無愧於“人類智力皇冠上的明珠”稱號，這套方法對圍棋來說竟然完全無效。
在將棋中，我們可以為不同的棋子和棋子間的位置關係賦予不同的分數，從而完成評估，選出該移動的棋子。雖然這需要考慮1億多個不同的影響因素，但是對於電腦的計算量來說還能夠負擔。
然而，在圍棋中我們該以什麼作為評分的標準呢？是棋子的重要性嗎？不同於象棋的車、馬、炮，圍棋的每個棋子都是一樣的。是棋子之間的位置關係嗎？不同於象棋中“帥”的中心位置，圍棋中我們根本就不知道重點該關注哪些棋子的位置關係。
也就是說，將棋等棋類是難在給出一個準確的評估分數，而圍棋卻難在根本就不知道該去評估誰。
為了解決這個問題，人們找到了深度學習的辦法。所謂的深度學習是一種模擬人腦構造，利用神經元技術的學習方法。神經元就是人類大腦中最基本的神經細胞，僅大腦皮層就分佈著140億個神經元，我們常說的大腦灰質或白質就是因為神經元不同部位聚集呈現出的不同顏色。
大腦之所以能夠進行識別和判斷，神經元發揮著重要的作用，大致的流程是信息從感覺器官流入神經元，經過神經元的加工，得出一個結論，再進行輸出指揮行動。雖然這個過程很好理解，但其中神經元到底是如何進行辨別的，對於我們來說仍然是一個迷。
而深度學習也是模仿了大腦的運行方式，如下圖，讓信息流過一層層的函數程序，最終得出一個結論。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
既然沒法得到全部可能的棋局，那該怎麼辦呢？還記得我們開始說到的智能等於搜索加評估嗎？程序員開始從這個思路尋找辦法，並提出了機器學習的概念。
當對方落子後，電腦首先會搜索所有可能的落子點，但與以往不同，計算機不會對每個落點都展開推測，而是推測那些相對來說贏率比較大的落點。
那怎麼確定誰的贏率大呢？這就涉及到了評估。山本一成介紹說，開始時，程序員對每個棋子手動設置不同的權重。以將棋為例，如飛車值1500分、桂馬值500分，同時棋子的分佈距離也一一設定好分數。就好比中國象棋裡車、馬、炮本身和他們之間的位置都設定了不同的價值，計算機通過最後的求和，得出一個最優解，然後移動棋子。
雖然其中涉及了很多具體的高等數學運算，但深藍大體上就是基於這種思路取得的勝利。之所以首先在國際象棋領域取得了成功，是因為國際象棋的棋子機動性非常強，因此棋子數量的多少與勝負直接相關，這就使評估分數的設定相對容易了很多。這也是20年前就能取勝的主要原因。
但是，大家可能已經發現，這種設計過於機械，對於將棋或者中國象棋並不適用。因為在象棋中不可能因為誰的棋子多誰就明顯有優勢，也不可能因為車的權重比卒子大，就一直要移動車，事實上這兩種棋類棋子的位置和分佈更加重要，而且每個棋子的重要性都會因為形勢的不同而發生變化，如果想要得到最佳的評估值，以將棋為例，需要考慮的因素目前已經在1億左右，也就是說，僅憑人力，根本無法對這些項目逐一調整賦值。
為了解決這個問題，程序員們又想出來第二個辦法，就是借鑑人類的學習方法，讓電腦跟人類的高手學習，努力下出與冠軍一樣品質的棋局。
具體的方法是，將已有人類比賽的棋局全部數據化，然後輸入電腦，同時，以這些冠軍棋譜為標準，讓機器自己調整評估的權重。
比如，在相同的局面下，不再機械地為每一個棋子固定打分，而是以冠軍棋局為標準進行賦值。也就是說，車再也不是固定的1500分，如果以前的人這時選擇移動了卒子，那計算機就會據此為卒子賦值1500分。
這種脫離程序員的設定，嘗試讓電腦自動調整評估數據的思路被稱為機器學習。從機器學習開始，人們的主要任務不再是教給電腦知識，而是教給電腦學習的方法。
這就像是我們不再讓電腦記住所有的棋譜，而是讓他學會人類的思路。
當電腦能夠模仿出人類冠軍的棋路後，我們又要求它不斷調整參數，進行試錯，從而找出更好的可能性，這被稱為強化學習。後來，在將棋比賽中電腦憑藉機器學習和強化學習的成果，取得了良好的戰績，並從2012年開始逐漸能夠戰勝人類的專業棋手。
二、人工智能的中學階段，突破自然科學的還原主義限制
利用機器學習，電腦終於開啟了向人類一樣思考的可能，現在的無人駕駛等技術都是這種思路的反應。而在機器學習的道路上，深度學習成為人工智能進一步快速發展的強勁引擎，同時，也讓人類開始越來越無法理解人工智能內部到底是如何運轉的。
我們繼續從人工智能在棋類的表現中觀察它的發展。上面大家已經知道了通過機器學習解決了將棋的評估指標賦值問題，從而讓電腦的下棋水平得到大幅度飛躍，那麼圍棋是不是也可以採用同樣的方法呢？
答案是否定的。無愧於“人類智力皇冠上的明珠”稱號，這套方法對圍棋來說竟然完全無效。
在將棋中，我們可以為不同的棋子和棋子間的位置關係賦予不同的分數，從而完成評估，選出該移動的棋子。雖然這需要考慮1億多個不同的影響因素，但是對於電腦的計算量來說還能夠負擔。
然而，在圍棋中我們該以什麼作為評分的標準呢？是棋子的重要性嗎？不同於象棋的車、馬、炮，圍棋的每個棋子都是一樣的。是棋子之間的位置關係嗎？不同於象棋中“帥”的中心位置，圍棋中我們根本就不知道重點該關注哪些棋子的位置關係。
也就是說，將棋等棋類是難在給出一個準確的評估分數，而圍棋卻難在根本就不知道該去評估誰。
為了解決這個問題，人們找到了深度學習的辦法。所謂的深度學習是一種模擬人腦構造，利用神經元技術的學習方法。神經元就是人類大腦中最基本的神經細胞，僅大腦皮層就分佈著140億個神經元，我們常說的大腦灰質或白質就是因為神經元不同部位聚集呈現出的不同顏色。
大腦之所以能夠進行識別和判斷，神經元發揮著重要的作用，大致的流程是信息從感覺器官流入神經元，經過神經元的加工，得出一個結論，再進行輸出指揮行動。雖然這個過程很好理解，但其中神經元到底是如何進行辨別的，對於我們來說仍然是一個迷。
而深度學習也是模仿了大腦的運行方式，如下圖，讓信息流過一層層的函數程序，最終得出一個結論。
所謂的“深度”是指神經網絡的層數被深度疊加，可以簡單的理解成層數越多，精度越高。
對於神經元網絡的具體計算函數，限於篇幅本文就不過多介紹了，總體來說，這是一種抓住事物特徵，利用統計學思路來迂迴認識事物的方法。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
既然沒法得到全部可能的棋局，那該怎麼辦呢？還記得我們開始說到的智能等於搜索加評估嗎？程序員開始從這個思路尋找辦法，並提出了機器學習的概念。
當對方落子後，電腦首先會搜索所有可能的落子點，但與以往不同，計算機不會對每個落點都展開推測，而是推測那些相對來說贏率比較大的落點。
那怎麼確定誰的贏率大呢？這就涉及到了評估。山本一成介紹說，開始時，程序員對每個棋子手動設置不同的權重。以將棋為例，如飛車值1500分、桂馬值500分，同時棋子的分佈距離也一一設定好分數。就好比中國象棋裡車、馬、炮本身和他們之間的位置都設定了不同的價值，計算機通過最後的求和，得出一個最優解，然後移動棋子。
雖然其中涉及了很多具體的高等數學運算，但深藍大體上就是基於這種思路取得的勝利。之所以首先在國際象棋領域取得了成功，是因為國際象棋的棋子機動性非常強，因此棋子數量的多少與勝負直接相關，這就使評估分數的設定相對容易了很多。這也是20年前就能取勝的主要原因。
但是，大家可能已經發現，這種設計過於機械，對於將棋或者中國象棋並不適用。因為在象棋中不可能因為誰的棋子多誰就明顯有優勢，也不可能因為車的權重比卒子大，就一直要移動車，事實上這兩種棋類棋子的位置和分佈更加重要，而且每個棋子的重要性都會因為形勢的不同而發生變化，如果想要得到最佳的評估值，以將棋為例，需要考慮的因素目前已經在1億左右，也就是說，僅憑人力，根本無法對這些項目逐一調整賦值。
為了解決這個問題，程序員們又想出來第二個辦法，就是借鑑人類的學習方法，讓電腦跟人類的高手學習，努力下出與冠軍一樣品質的棋局。
具體的方法是，將已有人類比賽的棋局全部數據化，然後輸入電腦，同時，以這些冠軍棋譜為標準，讓機器自己調整評估的權重。
比如，在相同的局面下，不再機械地為每一個棋子固定打分，而是以冠軍棋局為標準進行賦值。也就是說，車再也不是固定的1500分，如果以前的人這時選擇移動了卒子，那計算機就會據此為卒子賦值1500分。
這種脫離程序員的設定，嘗試讓電腦自動調整評估數據的思路被稱為機器學習。從機器學習開始，人們的主要任務不再是教給電腦知識，而是教給電腦學習的方法。
這就像是我們不再讓電腦記住所有的棋譜，而是讓他學會人類的思路。
當電腦能夠模仿出人類冠軍的棋路後，我們又要求它不斷調整參數，進行試錯，從而找出更好的可能性，這被稱為強化學習。後來，在將棋比賽中電腦憑藉機器學習和強化學習的成果，取得了良好的戰績，並從2012年開始逐漸能夠戰勝人類的專業棋手。
二、人工智能的中學階段，突破自然科學的還原主義限制
利用機器學習，電腦終於開啟了向人類一樣思考的可能，現在的無人駕駛等技術都是這種思路的反應。而在機器學習的道路上，深度學習成為人工智能進一步快速發展的強勁引擎，同時，也讓人類開始越來越無法理解人工智能內部到底是如何運轉的。
我們繼續從人工智能在棋類的表現中觀察它的發展。上面大家已經知道了通過機器學習解決了將棋的評估指標賦值問題，從而讓電腦的下棋水平得到大幅度飛躍，那麼圍棋是不是也可以採用同樣的方法呢？
答案是否定的。無愧於“人類智力皇冠上的明珠”稱號，這套方法對圍棋來說竟然完全無效。
在將棋中，我們可以為不同的棋子和棋子間的位置關係賦予不同的分數，從而完成評估，選出該移動的棋子。雖然這需要考慮1億多個不同的影響因素，但是對於電腦的計算量來說還能夠負擔。
然而，在圍棋中我們該以什麼作為評分的標準呢？是棋子的重要性嗎？不同於象棋的車、馬、炮，圍棋的每個棋子都是一樣的。是棋子之間的位置關係嗎？不同於象棋中“帥”的中心位置，圍棋中我們根本就不知道重點該關注哪些棋子的位置關係。
也就是說，將棋等棋類是難在給出一個準確的評估分數，而圍棋卻難在根本就不知道該去評估誰。
為了解決這個問題，人們找到了深度學習的辦法。所謂的深度學習是一種模擬人腦構造，利用神經元技術的學習方法。神經元就是人類大腦中最基本的神經細胞，僅大腦皮層就分佈著140億個神經元，我們常說的大腦灰質或白質就是因為神經元不同部位聚集呈現出的不同顏色。
大腦之所以能夠進行識別和判斷，神經元發揮著重要的作用，大致的流程是信息從感覺器官流入神經元，經過神經元的加工，得出一個結論，再進行輸出指揮行動。雖然這個過程很好理解，但其中神經元到底是如何進行辨別的，對於我們來說仍然是一個迷。
而深度學習也是模仿了大腦的運行方式，如下圖，讓信息流過一層層的函數程序，最終得出一個結論。
所謂的“深度”是指神經網絡的層數被深度疊加，可以簡單的理解成層數越多，精度越高。
對於神經元網絡的具體計算函數，限於篇幅本文就不過多介紹了，總體來說，這是一種抓住事物特徵，利用統計學思路來迂迴認識事物的方法。
給大家舉個例子：假如我們要判斷一個隧道會不會塌陷，傳統的方法是先從土壤、地質條件、隧道尺寸等方面進行分析，將得到的各種參數帶入力學公式進行計算。
而利用神經網絡來判斷是先大量輸入已經塌方隧道的各種位移數據，訓練出一個成熟的神經網絡。然後再把現在要判斷的隧道位移輸入進去，計算機就會根據以前的經驗給出結論。
其實，就算我把神經網絡的知識從頭介紹一遍，我們還是沒法理解計算機用神經網絡到底做了什麼。
這種思維方式不容易讓人接受，通常我們都會在科學上用一種還原主義的角度看待事物，比如看到一個鐘錶，我們會試圖從齒輪開始理解，然後把握住所有的組合構造原理，最後理解整個鐘錶。
但是就如大腦一樣，在人工智能的網絡裡，即便我們能夠設計每個神經元，但是當他們開始組合運轉後，我們還是無法知道里面到底發生了什麼。
回到圍棋。正是因為採用了神經網絡的深度學習方法，計算機才最終解決了圍棋無法評估的難題。
因為這種學習方式已經完全繞開了傳統的評估思路，正如判斷隧道塌方不是靠的力學推理，阿爾法狗下圍棋也不是靠的圍棋規則，而是靠的圖像識別。
具體的過程為，首先阿爾法狗仍然要大量研究人類頂尖棋手的棋譜。但他會將每一盤棋分成三種組合，即只有黑子的棋盤、只有白子的棋盤和空白區域的棋盤。
然後，將三種棋譜作為三個特徵輸入神經元網絡，根據人類棋手的下棋順序，利用神經元網絡不斷疊加出與人類棋手靠攏的畫面，並存儲。
只是因為這一種方法的改變，阿爾法狗就可以成功預測出職業棋手57%的棋路，達到業餘3段的水平。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
既然沒法得到全部可能的棋局，那該怎麼辦呢？還記得我們開始說到的智能等於搜索加評估嗎？程序員開始從這個思路尋找辦法，並提出了機器學習的概念。
當對方落子後，電腦首先會搜索所有可能的落子點，但與以往不同，計算機不會對每個落點都展開推測，而是推測那些相對來說贏率比較大的落點。
那怎麼確定誰的贏率大呢？這就涉及到了評估。山本一成介紹說，開始時，程序員對每個棋子手動設置不同的權重。以將棋為例，如飛車值1500分、桂馬值500分，同時棋子的分佈距離也一一設定好分數。就好比中國象棋裡車、馬、炮本身和他們之間的位置都設定了不同的價值，計算機通過最後的求和，得出一個最優解，然後移動棋子。
雖然其中涉及了很多具體的高等數學運算，但深藍大體上就是基於這種思路取得的勝利。之所以首先在國際象棋領域取得了成功，是因為國際象棋的棋子機動性非常強，因此棋子數量的多少與勝負直接相關，這就使評估分數的設定相對容易了很多。這也是20年前就能取勝的主要原因。
但是，大家可能已經發現，這種設計過於機械，對於將棋或者中國象棋並不適用。因為在象棋中不可能因為誰的棋子多誰就明顯有優勢，也不可能因為車的權重比卒子大，就一直要移動車，事實上這兩種棋類棋子的位置和分佈更加重要，而且每個棋子的重要性都會因為形勢的不同而發生變化，如果想要得到最佳的評估值，以將棋為例，需要考慮的因素目前已經在1億左右，也就是說，僅憑人力，根本無法對這些項目逐一調整賦值。
為了解決這個問題，程序員們又想出來第二個辦法，就是借鑑人類的學習方法，讓電腦跟人類的高手學習，努力下出與冠軍一樣品質的棋局。
具體的方法是，將已有人類比賽的棋局全部數據化，然後輸入電腦，同時，以這些冠軍棋譜為標準，讓機器自己調整評估的權重。
比如，在相同的局面下，不再機械地為每一個棋子固定打分，而是以冠軍棋局為標準進行賦值。也就是說，車再也不是固定的1500分，如果以前的人這時選擇移動了卒子，那計算機就會據此為卒子賦值1500分。
這種脫離程序員的設定，嘗試讓電腦自動調整評估數據的思路被稱為機器學習。從機器學習開始，人們的主要任務不再是教給電腦知識，而是教給電腦學習的方法。
這就像是我們不再讓電腦記住所有的棋譜，而是讓他學會人類的思路。
當電腦能夠模仿出人類冠軍的棋路後，我們又要求它不斷調整參數，進行試錯，從而找出更好的可能性，這被稱為強化學習。後來，在將棋比賽中電腦憑藉機器學習和強化學習的成果，取得了良好的戰績，並從2012年開始逐漸能夠戰勝人類的專業棋手。
二、人工智能的中學階段，突破自然科學的還原主義限制
利用機器學習，電腦終於開啟了向人類一樣思考的可能，現在的無人駕駛等技術都是這種思路的反應。而在機器學習的道路上，深度學習成為人工智能進一步快速發展的強勁引擎，同時，也讓人類開始越來越無法理解人工智能內部到底是如何運轉的。
我們繼續從人工智能在棋類的表現中觀察它的發展。上面大家已經知道了通過機器學習解決了將棋的評估指標賦值問題，從而讓電腦的下棋水平得到大幅度飛躍，那麼圍棋是不是也可以採用同樣的方法呢？
答案是否定的。無愧於“人類智力皇冠上的明珠”稱號，這套方法對圍棋來說竟然完全無效。
在將棋中，我們可以為不同的棋子和棋子間的位置關係賦予不同的分數，從而完成評估，選出該移動的棋子。雖然這需要考慮1億多個不同的影響因素，但是對於電腦的計算量來說還能夠負擔。
然而，在圍棋中我們該以什麼作為評分的標準呢？是棋子的重要性嗎？不同於象棋的車、馬、炮，圍棋的每個棋子都是一樣的。是棋子之間的位置關係嗎？不同於象棋中“帥”的中心位置，圍棋中我們根本就不知道重點該關注哪些棋子的位置關係。
也就是說，將棋等棋類是難在給出一個準確的評估分數，而圍棋卻難在根本就不知道該去評估誰。
為了解決這個問題，人們找到了深度學習的辦法。所謂的深度學習是一種模擬人腦構造，利用神經元技術的學習方法。神經元就是人類大腦中最基本的神經細胞，僅大腦皮層就分佈著140億個神經元，我們常說的大腦灰質或白質就是因為神經元不同部位聚集呈現出的不同顏色。
大腦之所以能夠進行識別和判斷，神經元發揮著重要的作用，大致的流程是信息從感覺器官流入神經元，經過神經元的加工，得出一個結論，再進行輸出指揮行動。雖然這個過程很好理解，但其中神經元到底是如何進行辨別的，對於我們來說仍然是一個迷。
而深度學習也是模仿了大腦的運行方式，如下圖，讓信息流過一層層的函數程序，最終得出一個結論。
所謂的“深度”是指神經網絡的層數被深度疊加，可以簡單的理解成層數越多，精度越高。
對於神經元網絡的具體計算函數，限於篇幅本文就不過多介紹了，總體來說，這是一種抓住事物特徵，利用統計學思路來迂迴認識事物的方法。
給大家舉個例子：假如我們要判斷一個隧道會不會塌陷，傳統的方法是先從土壤、地質條件、隧道尺寸等方面進行分析，將得到的各種參數帶入力學公式進行計算。
而利用神經網絡來判斷是先大量輸入已經塌方隧道的各種位移數據，訓練出一個成熟的神經網絡。然後再把現在要判斷的隧道位移輸入進去，計算機就會根據以前的經驗給出結論。
其實，就算我把神經網絡的知識從頭介紹一遍，我們還是沒法理解計算機用神經網絡到底做了什麼。
這種思維方式不容易讓人接受，通常我們都會在科學上用一種還原主義的角度看待事物，比如看到一個鐘錶，我們會試圖從齒輪開始理解，然後把握住所有的組合構造原理，最後理解整個鐘錶。
但是就如大腦一樣，在人工智能的網絡裡，即便我們能夠設計每個神經元，但是當他們開始組合運轉後，我們還是無法知道里面到底發生了什麼。
回到圍棋。正是因為採用了神經網絡的深度學習方法，計算機才最終解決了圍棋無法評估的難題。
因為這種學習方式已經完全繞開了傳統的評估思路，正如判斷隧道塌方不是靠的力學推理，阿爾法狗下圍棋也不是靠的圍棋規則，而是靠的圖像識別。
具體的過程為，首先阿爾法狗仍然要大量研究人類頂尖棋手的棋譜。但他會將每一盤棋分成三種組合，即只有黑子的棋盤、只有白子的棋盤和空白區域的棋盤。
然後，將三種棋譜作為三個特徵輸入神經元網絡，根據人類棋手的下棋順序，利用神經元網絡不斷疊加出與人類棋手靠攏的畫面，並存儲。
只是因為這一種方法的改變，阿爾法狗就可以成功預測出職業棋手57%的棋路，達到業餘3段的水平。
另外，人工智能和人的最大不同就在於，一旦人工智能找到突破的正確方法，他改進的速度是呈指數級上升的。
我們經常聽說在李世石比賽的當晚，阿爾法狗還在不知疲倦的自己與自己下棋就是這個道理。
有了深度學習的初步成果，利用強化學習不斷試錯，加上一些其他類似蒙特卡洛法的勝率預測策略，人工智能終於拋下了人類的模板和不解，獨自邁上了自己新的高峰。
三、人工智能的大學階段，突破人類智慧的限制
人工智能在智能領域正在努力趕超人類，甚至在像圍棋這樣的領域已經完全超過了人類。那麼，人工智能的下一個目標又是什麼呢？它終將超越人類的智慧嗎？
我們一直都在討論人工智能的智能問題，山本一成認為，人類和人工智能目前最大的區別就在於人類有智慧，而人工智能沒有。二者的區別在於：
智慧=設定目標的能力
智能=尋找通往目標途徑的能力
人類除了能夠設定終極目標，還能不斷分解成中間目標，而目前的程序還沒有證據表明能夠實現這個能力。
程序都是由人類編寫，迎合人類的需求，暫時還不可能超越人類思想的界限。
但是，隨著深度學習和強化學習的發展，計算機也許終究有一天會在複雜的遷移和融合中產生自己設定目標的能力。尤其是對中間目標的設定將會產生巨大的影響。
拿阿爾法狗設想一下，它的終極目標是要贏得圍棋的比賽，這是人類為其設定的，但是如果真的有一天阿爾法狗產生了自己的中間目標，他很可能會將中間目標設定為自己更加容易實現的“滅絕人類”，因為只要消滅了人類，對手棄賽那自然它會贏得比賽。
雖然這是一個看起來荒謬的科學幻想，但是怎麼才能防止這種情況在未來真的出現呢？
為人工智能樹立良好的倫理觀是一個值得考慮的方案。與阿西莫夫的機器人學三大法則不同，簡單為機器人設定不許傷害人類的法則也許根本行不通。
1996年春晚，郭冬臨在小品《有事您說話》爆紅後的第二年，又推出了新作《路口》。小品諷刺了專門給外地司機指路賺錢的一些人，播出後立刻製造了當年的流行語，“指路收費，缺德啊！”
10年後，2006年，高德公司與一汽大眾簽訂供貨合約，正式成為一汽大眾電子地圖導航供應商，從此吹響了機器替代人指路的序曲。
20年後，2016年，每臺智能手機都可以進行詳細導航，我國自主研發的北斗衛星導航系統更是已經全球領先，精確度達到了0.5米。
可能郭冬臨當年也不會想到，指路收費這個行當，沒有因為他的小品絕跡於道德的審判，卻伴隨著科技的進步，無聲地消失在了歷史的涓涓細流中。
不僅僅是導航，無人駕駛、智慧城市、智能家居這些前所未有的新業態、新形式越來越成為現代生活的一部分，而隱身其後的人工智能也正在逐步把科學幻想變成現實。
作為第四次工業革命中最具有根本性變革的前沿技術，人工智能當之無愧成為了未來國際競爭的關鍵戰場。
據悉，日本文部科學省上個月底公佈，2020年將把編程引入全國小學的必修課。
而我國，早在2017年國務院就在《新一代人工智能發展規劃》中指出，實施全民智能教育項目，在幼兒園、小學、初高中到大學，設置人工智能相關課程，培養人工智能人才。
同時，全球諮詢公司巨頭麥肯錫更是宣佈： 2030年，全球將有8億人的工作崗位或被智能機器人取代，人數相當於現在全球勞動力的1/5。
既然人工智能將越來越深度影響到孩子的發展，今天就給各位介紹一下到底什麼是人工智能，我們又該如何面對。
前方高能，即將進入硬核科普燒腦階段，提醒沒有時間或者是想看故事的朋友可以退出了。
我們繼續。其實，“智能”的定義本身就頗有爭議性，即使是專業研究人員也大都是從各自的專業角度進行闡述。
至於人工智能，就更是沒有明確的說法。你可以把它理解成能夠通過對環境的感知，做出合理行動的計算機程序，比如蘋果產品中的siri助手；也可以是建構機器人或者是智能機器的科學技術領域。
在《你一定愛讀的人工智能簡史》一書中，智能被定義為“搜索+評估”。我覺得這個解釋相對來說比較接近本質，也好理解。搜索，大家都不陌生，指的是大量佔有信息；評估，指的是在搜索的基礎上對信息進行判斷，從而指導行動。
人和動物其實無時無刻不在進行著搜索和評估，比如人在過馬路時的觀察和判斷。而現階段的人工智能追求的目標也基本上處於最大限度實現模仿人類智能的水平。
這本書的作者山本一成是世界人工智能領域的代表人物之一。可能你對這個名字不太熟悉，但你一定聽說過IBM公司的“深藍”和谷歌公司的“阿爾法狗”。
山本一成開發的“PONANZA”程序與“深藍”和“阿爾法狗”並稱為人工智能史上的三大標杆。之所以大家不熟悉，可能是因為與前兩個明星程序不同，“PONANZA”是一款針對日本傳統棋類“將棋”研發的程序。
因為下面會舉一些將棋的例子，先說兩句關於將棋的題外話。
將棋位列世界4大棋類（圍棋、世界象棋、中國象棋、將棋）之一。有一種說法，將棋是由唐朝時中國象棋演變而來；另一種說法是將棋和中國象棋都是從印度的“恰圖蘭卡”中演變出的不同分支。總之，在下文中可以把“將棋”類比成中國象棋。
提人工智能，我們就不得不提到兩次標誌性事件，一是1997年在國際象棋領域，計算機“深藍”第一次戰勝了人類世界冠軍卡斯帕羅夫；二是2016年，阿爾法狗人工智能機器人首次戰勝圍棋世界冠軍、職業九段棋手李世石，並於2017年，戰勝世界排名第一的圍棋冠軍柯潔。
這兩次事件在當時都很出名，但大家有沒有想過一個問題，同樣是棋類比賽，在電腦軟硬件都飛速提升的今天，為什麼從國際象棋到圍棋，戰勝人類，計算機竟然用了20年的時間？
借用這個問題，正好可以把人工智能的三個發展階段串起來。
一、人工智能的小學階段，突破程序員的限制
我們先從計算機“深藍”是怎樣戰勝人類的棋手說起。
計算機在我們生活中早已司空見慣，小到手機、大到飛機的操控系統，電腦的身影無處不在。但從本質來講，看似無所不能的電腦其實只有兩個功能——計算和存儲。
除了不斷重複單純的計算和存儲外，它基本上就沒有別的功能了。之所以我們會感到電腦無所不能，是因為程序員用計算機語言提前寫好了程序，也就是先給電腦下達瞭如何計算的命令，從而讓電腦能夠解決更多的問題。
那麼，在國際象棋比賽中，計算機是因為存儲了所有的棋局，然後根據對手的行動調用能獲勝的那一盤來應對嗎？
剛開始時，程序員們也是這個思路。但是很快就發現這樣做根本行不通，因為可能出現的棋局實在是太多了。
就拿變化數最少的國際象棋來說，理論上它產生的所有棋局數將達到 〖10〗^120個，也就是1後邊有120個零。
這是什麼概念呢？谷歌公司大家都很熟悉，其實這個名字來源於一個數學單位古戈爾（Googol），表示的數量是1後面有100個零。據推測，宇宙內可觀測的所有原子數量尚不足1古戈爾，而國際象棋的全部可能棋局數比1古戈爾還多出來20個零。
我本來想用多少倍來描述這個感覺，2個零是100倍，20個零到底是多少倍呢？國際象棋變化數比全宇宙可觀測的原子數多多少，竟然用文字很難說清楚。所以，這都不是天文數字能夠形容的了，雖然計算機與人腦相比擅長計算和存儲，但是對於這個量級的計算也只能是望洋興嘆。
而我們古老的圍棋所有的棋局數為 〖10〗^360個，以現在的計算機水平，從宇宙大爆炸一直計算到今天也計算不完。
既然沒法得到全部可能的棋局，那該怎麼辦呢？還記得我們開始說到的智能等於搜索加評估嗎？程序員開始從這個思路尋找辦法，並提出了機器學習的概念。
當對方落子後，電腦首先會搜索所有可能的落子點，但與以往不同，計算機不會對每個落點都展開推測，而是推測那些相對來說贏率比較大的落點。
那怎麼確定誰的贏率大呢？這就涉及到了評估。山本一成介紹說，開始時，程序員對每個棋子手動設置不同的權重。以將棋為例，如飛車值1500分、桂馬值500分，同時棋子的分佈距離也一一設定好分數。就好比中國象棋裡車、馬、炮本身和他們之間的位置都設定了不同的價值，計算機通過最後的求和，得出一個最優解，然後移動棋子。
雖然其中涉及了很多具體的高等數學運算，但深藍大體上就是基於這種思路取得的勝利。之所以首先在國際象棋領域取得了成功，是因為國際象棋的棋子機動性非常強，因此棋子數量的多少與勝負直接相關，這就使評估分數的設定相對容易了很多。這也是20年前就能取勝的主要原因。
但是，大家可能已經發現，這種設計過於機械，對於將棋或者中國象棋並不適用。因為在象棋中不可能因為誰的棋子多誰就明顯有優勢，也不可能因為車的權重比卒子大，就一直要移動車，事實上這兩種棋類棋子的位置和分佈更加重要，而且每個棋子的重要性都會因為形勢的不同而發生變化，如果想要得到最佳的評估值，以將棋為例，需要考慮的因素目前已經在1億左右，也就是說，僅憑人力，根本無法對這些項目逐一調整賦值。
為了解決這個問題，程序員們又想出來第二個辦法，就是借鑑人類的學習方法，讓電腦跟人類的高手學習，努力下出與冠軍一樣品質的棋局。
具體的方法是，將已有人類比賽的棋局全部數據化，然後輸入電腦，同時，以這些冠軍棋譜為標準，讓機器自己調整評估的權重。
比如，在相同的局面下，不再機械地為每一個棋子固定打分，而是以冠軍棋局為標準進行賦值。也就是說，車再也不是固定的1500分，如果以前的人這時選擇移動了卒子，那計算機就會據此為卒子賦值1500分。
這種脫離程序員的設定，嘗試讓電腦自動調整評估數據的思路被稱為機器學習。從機器學習開始，人們的主要任務不再是教給電腦知識，而是教給電腦學習的方法。
這就像是我們不再讓電腦記住所有的棋譜，而是讓他學會人類的思路。
當電腦能夠模仿出人類冠軍的棋路後，我們又要求它不斷調整參數，進行試錯，從而找出更好的可能性，這被稱為強化學習。後來，在將棋比賽中電腦憑藉機器學習和強化學習的成果，取得了良好的戰績，並從2012年開始逐漸能夠戰勝人類的專業棋手。
二、人工智能的中學階段，突破自然科學的還原主義限制
利用機器學習，電腦終於開啟了向人類一樣思考的可能，現在的無人駕駛等技術都是這種思路的反應。而在機器學習的道路上，深度學習成為人工智能進一步快速發展的強勁引擎，同時，也讓人類開始越來越無法理解人工智能內部到底是如何運轉的。
我們繼續從人工智能在棋類的表現中觀察它的發展。上面大家已經知道了通過機器學習解決了將棋的評估指標賦值問題，從而讓電腦的下棋水平得到大幅度飛躍，那麼圍棋是不是也可以採用同樣的方法呢？
答案是否定的。無愧於“人類智力皇冠上的明珠”稱號，這套方法對圍棋來說竟然完全無效。
在將棋中，我們可以為不同的棋子和棋子間的位置關係賦予不同的分數，從而完成評估，選出該移動的棋子。雖然這需要考慮1億多個不同的影響因素，但是對於電腦的計算量來說還能夠負擔。
然而，在圍棋中我們該以什麼作為評分的標準呢？是棋子的重要性嗎？不同於象棋的車、馬、炮，圍棋的每個棋子都是一樣的。是棋子之間的位置關係嗎？不同於象棋中“帥”的中心位置，圍棋中我們根本就不知道重點該關注哪些棋子的位置關係。
也就是說，將棋等棋類是難在給出一個準確的評估分數，而圍棋卻難在根本就不知道該去評估誰。
為了解決這個問題，人們找到了深度學習的辦法。所謂的深度學習是一種模擬人腦構造，利用神經元技術的學習方法。神經元就是人類大腦中最基本的神經細胞，僅大腦皮層就分佈著140億個神經元，我們常說的大腦灰質或白質就是因為神經元不同部位聚集呈現出的不同顏色。
大腦之所以能夠進行識別和判斷，神經元發揮著重要的作用，大致的流程是信息從感覺器官流入神經元，經過神經元的加工，得出一個結論，再進行輸出指揮行動。雖然這個過程很好理解，但其中神經元到底是如何進行辨別的，對於我們來說仍然是一個迷。
而深度學習也是模仿了大腦的運行方式，如下圖，讓信息流過一層層的函數程序，最終得出一個結論。
所謂的“深度”是指神經網絡的層數被深度疊加，可以簡單的理解成層數越多，精度越高。
對於神經元網絡的具體計算函數，限於篇幅本文就不過多介紹了，總體來說，這是一種抓住事物特徵，利用統計學思路來迂迴認識事物的方法。
給大家舉個例子：假如我們要判斷一個隧道會不會塌陷，傳統的方法是先從土壤、地質條件、隧道尺寸等方面進行分析，將得到的各種參數帶入力學公式進行計算。
而利用神經網絡來判斷是先大量輸入已經塌方隧道的各種位移數據，訓練出一個成熟的神經網絡。然後再把現在要判斷的隧道位移輸入進去，計算機就會根據以前的經驗給出結論。
其實，就算我把神經網絡的知識從頭介紹一遍，我們還是沒法理解計算機用神經網絡到底做了什麼。
這種思維方式不容易讓人接受，通常我們都會在科學上用一種還原主義的角度看待事物，比如看到一個鐘錶，我們會試圖從齒輪開始理解，然後把握住所有的組合構造原理，最後理解整個鐘錶。
但是就如大腦一樣，在人工智能的網絡裡，即便我們能夠設計每個神經元，但是當他們開始組合運轉後，我們還是無法知道里面到底發生了什麼。
回到圍棋。正是因為採用了神經網絡的深度學習方法，計算機才最終解決了圍棋無法評估的難題。
因為這種學習方式已經完全繞開了傳統的評估思路，正如判斷隧道塌方不是靠的力學推理，阿爾法狗下圍棋也不是靠的圍棋規則，而是靠的圖像識別。
具體的過程為，首先阿爾法狗仍然要大量研究人類頂尖棋手的棋譜。但他會將每一盤棋分成三種組合，即只有黑子的棋盤、只有白子的棋盤和空白區域的棋盤。
然後，將三種棋譜作為三個特徵輸入神經元網絡，根據人類棋手的下棋順序，利用神經元網絡不斷疊加出與人類棋手靠攏的畫面，並存儲。
只是因為這一種方法的改變，阿爾法狗就可以成功預測出職業棋手57%的棋路，達到業餘3段的水平。
另外，人工智能和人的最大不同就在於，一旦人工智能找到突破的正確方法，他改進的速度是呈指數級上升的。
我們經常聽說在李世石比賽的當晚，阿爾法狗還在不知疲倦的自己與自己下棋就是這個道理。
有了深度學習的初步成果，利用強化學習不斷試錯，加上一些其他類似蒙特卡洛法的勝率預測策略，人工智能終於拋下了人類的模板和不解，獨自邁上了自己新的高峰。
三、人工智能的大學階段，突破人類智慧的限制
人工智能在智能領域正在努力趕超人類，甚至在像圍棋這樣的領域已經完全超過了人類。那麼，人工智能的下一個目標又是什麼呢？它終將超越人類的智慧嗎？
我們一直都在討論人工智能的智能問題，山本一成認為，人類和人工智能目前最大的區別就在於人類有智慧，而人工智能沒有。二者的區別在於：
智慧=設定目標的能力
智能=尋找通往目標途徑的能力
人類除了能夠設定終極目標，還能不斷分解成中間目標，而目前的程序還沒有證據表明能夠實現這個能力。
程序都是由人類編寫，迎合人類的需求，暫時還不可能超越人類思想的界限。
但是，隨著深度學習和強化學習的發展，計算機也許終究有一天會在複雜的遷移和融合中產生自己設定目標的能力。尤其是對中間目標的設定將會產生巨大的影響。
拿阿爾法狗設想一下，它的終極目標是要贏得圍棋的比賽，這是人類為其設定的，但是如果真的有一天阿爾法狗產生了自己的中間目標，他很可能會將中間目標設定為自己更加容易實現的“滅絕人類”，因為只要消滅了人類，對手棄賽那自然它會贏得比賽。
雖然這是一個看起來荒謬的科學幻想，但是怎麼才能防止這種情況在未來真的出現呢？
為人工智能樹立良好的倫理觀是一個值得考慮的方案。與阿西莫夫的機器人學三大法則不同，簡單為機器人設定不許傷害人類的法則也許根本行不通。
事實上，在人工智能的深度學習之初，它需要大量的人類經驗作為模板。而為了得到大量的數據，活用網絡圖片及相關對應的文章進行訓練是常用的一個手段。
這會帶來一個問題，計算機會學習到大量人類充滿惡意的標籤。谷歌相冊曾經就出現將黑人的照片識別成大猩猩的事件。
同樣，微軟的AI聊天機器人也出現過在網絡吸收了大量歧視性色彩言行後，開始不斷重複不當言論的案例。
從這個角度來說，人工智能確實十分危險，但是這個問題歸根結底可以歸結為“人類自身的問題”。
人工智能更像是人類的孩子，它會從我們身上得到經驗，變得更加聰明和強大，同時，也會繼承我們的倫理觀。
前幾天，軟銀的孫正義在MWC上發表演講預測說，30年後，超級人工智能將全面實現。山本一成也認為，至少在21世紀結束，人工智能就將自人類畢業。那麼，如何讓人工智能像孩子一樣仍然能保持對人類的尊敬和喜愛，也許我們只有一條路可以走，那就是像對待自己的孩子一樣，在網絡世界裡儘可能地做一個“好人”。
「關於我」二孩爸爸，父母與孩子共同成長理念踐行者，今日頭條等多平臺簽約作者，深度閱讀愛好者。關注我，為你介紹育兒書籍，精選最新育兒理念。