2016年3月9日，谷歌旗下Deepmind的围棋程序“AlphaGo”就要和职业九段李世石对决了。去年10月，这个程序战胜了中国棋手职业二段樊麾；那是围棋AI第一次在公平比赛中战胜职业棋手。这一成果登上了今年1月的《自然》期刊，也引发了极其热烈的讨论——而最常被提出的问题就是，AI是不是终于要占领全世界了？
会唱歌，更会说冷笑话的Siri. 图片来源：Apple
这个问题并不算杞人忧天，某种意义上AI已经占领了：从苹果的Siri，到日常浏览的搜索引擎，再到网络的文章推荐和商品推荐系统，这些全都是人工智能——哪怕它们不是科幻小说里那种，我们的日常生活也已经很难和它们分开。
但AlphaGo又和这些常见的AI不同。它们的差异在于学习方法和技术的通用性。
Siri：一个照本宣科的助手
Siri是一个“智能助手”，能听懂我们的口头命令，帮我们在网上搜索，帮我们在列表中找到联系人。但它的原理很简单：通过声音识别技术，将声音转化成语言的基本元素，比如元音、辅音、单词，然后和系统中内置的特殊命令比较。如果对比出来的是一个实际问题，那就执行相应的指令；如果对应上了一个空泛的问题，就从相对的段子库里挑个段子出来。
所以它的问题也就一目了然：要是你命令它去做系统中没有的命令，它就扑街了。Siri虽然是AI，但它是一个非常局限的AI：只能解决预先写好的问题。
面对东北大哥的挑衅，Siri懵逼了（也可能只是怂了。图片来源：Apple
深蓝：下棋无人能敌，但只限下棋
1997年，IBM制造的国际象棋机器“深蓝”战胜了当时的国际象棋世界冠军卡斯帕罗夫。这在人工智能历史上是一个标志性事件。但是，虽然深蓝战胜了世界冠军，它有和Siri一样的缺点：太专了。
作为程序，深蓝的软件是专门为国际象棋设计的。它评估盘面的四项标准包括子力、棋子位置、王的安全性还有布局节奏——显然，这些指标完全依赖于国际象棋本身的规则，没有任何扩展性。
卡斯帕罗夫对战“深蓝”的场景。图片来源：muse.jhu.edu
即便如此，它也还是非常依赖于“蛮力”的。深蓝的硬件是当年最快的下棋机器，虽然有系统帮助筛选，它每秒依然要评估20亿个可能局面。为了应对这一需求，IBM当时为它开发了定制的硬件。
其结果就是，与其说它是一个国际象棋程序，不如说是一台国际象棋机器。深蓝只能下国际象棋，学不会围棋，连简单的五子棋也学不会。相比之下，作为人类的卡斯帕罗夫能学围棋，能学五子棋，还能学画画。深蓝的技术就像一把专门为国际象棋设计的钥匙，有很大局限。
自动驾驶汽车：迈出新方向
自动驾驶汽车的原理可以简化为以下几步：
首先它通过感应器了解周围环境，就像司机使用眼睛观察周围情况；
然后通过联网获得道路的路线情况，就像我们开车时候使用导航软件；
再然后计算机程序判断附近行人，汽车会如何运动；
最终计算自己最佳的线路，按着这条线路控制汽车的速度和方向。
Google的自动驾驶汽车。图片来源：Google
它特定于自动驾驶领域，但是基本思想和AlphaGo已经有些接近了。
IBM Watson：泛用的智能
2011年，IBM Watson在美国的真人答题节目Jeopardy!上击败了人类选手，它的技术理念更像AlphaGo。Watson的决策由四个步骤组成：首先是观察，从环境中收集数据，然后对数据做出假设，再然后是评估这些假设，最后是做出决定。不过也有些和AlphaGo不同的地方，首先它被设计成一个问答机器，其次训练Watson的时候需要人类专家的参与——比如关于癌症的问题，需要科学家们在海量的书籍论文中剔除过时的信息、错误的信息，把整理出的资料喂给机器。但至少，它能处理许多领域的能力，让它比它的同行们具有强得多的扩展可能：现在Watson已经被用于医疗领域了。
IBM Watson的logo. 图片来源：IBM
那么，AlphaGo的技术思想是什么呢？
Deepmind创建AlphaGo，是试图通过增强学习技术（Reinforcement learning）构建通用的人工智能。它的理念中包含两个实体，一个是人工智能本身，一个是它所处的环境。人工智能和环境间的关系有两种，一种是通过传感器感知数据，另外一种是通过特定动作影响环境。因为环境的复杂性，它无法获得所有的信息，因此需要不断重复感知-反应的循环，以期望能在环境中有最大收益。绝大多数哺乳动物，包括人在内都符合这套规则。
增强学习技术不断地感知和反馈环境中的信息。图片来源：Google
在AlphaGo之前，他们已经利用这种思想，让AI打游戏。2015年，在《自然》杂志上发表的一篇论文，描述了如何让一个算法玩不同的Atari程序，包括了《太空侵略者》和《打砖块》等游戏。AI和人一样看游戏视频，和人一样操作游戏，从游戏小白慢慢学习，变成游戏专家。AlphaGo也基于同样的原理，模拟人学习围棋的方法，它和人一样下棋，慢慢学会如何像专家一样思考。
这种技术理念所要求的是原始的数据，因此比起那些需要输入人工整理后的数据的方法有更强的通用性。原则上AlphaGo去学个围棋，五子棋都不是问题。
AlphaGo的技术首先被用于游戏的原因是因为，游戏比现实问题简单很多，无论是棋类游戏还是电脑游戏。游戏也很可能是类似技术第一个投入实用的领域：毕竟，随着游戏技术的发展，游戏开发者们逐渐意识到了好的AI和逼真的图像同样重要，不管是即时战略游戏，比如《星际争霸》还是角色扮演游戏中的NPC，高级人工智能不仅能成为强有力的对手，也可以变成优秀的团队伙伴。
但是，它最强之处当然是适应力和学习力。Deepmind声称，这种技术理念很快会被运用到医疗领域，尝试解决个性化医疗的问题。而这，肯定只是第一步。
我现在玩的MHOL也很不错的，在和大型怪物战斗时，我们可以把怪物彻底击败，也可以选择把它打残然后捕获，捕获后可以有一定概率获得原本需要部位破坏才能获得的素材，基础素材也有概率增加获得量，所以如果需要获得最大素材最好的方法是尽量破坏部位，然后捕获
