博主头像

认为AI赢不了人类，是我10年前犯的错误【TEDx】

外来客 • 2026-10-15 07:48:55

分享
𝕏 f ◉
声明：本文为对公开内容的摘要整理， 未经本站独立核实，可能与原内容存在出入，不代表本站立场、观点或建议； 观点与版权归原作者及原平台所有。 如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

🧠 AI 发展认知与核心观点

  • 早期误区：十年前普遍认为 AI 仅能基于人类资料预测下一个字，导致输出平庸且缺乏创意；当时认为人类训练数据即将耗尽，AI 能力已见顶。
  • 现状突破：近期 AI 在编程和数学领域取得重大突破，解决了多项难题，“AI 只会预测下一个字”的说法已不再成立。
  • 核心论点：人类所谓的独特性（直觉与创造力）本质上是更深层次的模式识别；随着 AI 不断跨越界限，其能力将在艺术、科学和哲学上逐渐超越人类。

📜 国际象棋的演进路径

  • IBM 704 (1958)：基于 Bernstein 等人的论文，计算机首次学会下棋。设定棋子固定价值（如王后 9 分），采用八级优先级决策，每步计算约 2401 种局面，耗时约 8 分钟，水平仅相当于业余初学者。
  • 深蓝 (1997)：战胜世界冠军卡斯帕罗夫。依赖复杂的人工评估函数、庞大的开局库及七子残局库（当时仅部分建成），是人工知识与暴力计算的巅峰。
  • 局限性：依靠人类知识和蛮力计算的方法在围棋等复杂博弈中失效，因为围棋变化数量远超宇宙原子数，且缺乏明确的局势评估函数。

🎯 AlphaGo 的直觉与学习机制

  • 监督学习：将 19x19 棋盘视为图像，设计 48 个通道（包含气、吃子等人类知识）。利用 KGS 平台 6-9 段棋手的 16 万张棋谱（拆解为 3000 多万张图），训练 13 层卷积网络预测落点，准确率达 57%。
  • 强化学习：通过自我博弈（50 块 GPU，每日数百万盘）形成选择偏好；利用三千万盘自对弈数据训练价值网络，使 AI 无需逐步计算即可直接预判胜负胜率，获得类似人类的“棋感”。
  • 架构整合：结合快速模拟（蒙特卡洛树搜索 MCTS）与直觉判断，2016 年以 4:1 战胜李世石。

🚀 AlphaGo Zero 与通用智能体

  • AlphaGo Zero (2017)：不依赖人类棋谱或知识，仅输入棋盘黑白子位置及最近历史（17 个通道）。通过自我博弈在 36 小时内超越前代版本；9 小时后击败国际象棋引擎 Stockfish。
  • 效率对比：AlphaGo Zero 每秒评估 8 万局面，而 Stockfish 为 7000 万局面，但前者凭借更高的单局评估效率获胜。
  • MuZero (2020)：在未知规则环境中学习“脑内地图”，无需完美模拟器即可进行直觉式推演。应用于 YouTube 带宽调节（节省约 4%）及 Atari 游戏，证明了 AI 在开放环境中的决策能力。

⚖️ 现实挑战与未来方向

  • 奖励函数难题：围棋、数学等有明确对错标准，AI 进展迅速；但现实世界问题（如视频审美、艺术价值）定义模糊，人类评分存在偏差且可能限制 AI 潜力。
  • 安全性与分工：AI 仍存在被人类利用漏洞“骗过”的风险，需设计规则检查其是否钻空子；人类监督在异常情况下仍具必要性。
  • 最终结论：关注点应从“机器能不能”转向“机器该不该”。梦想、价值和方向应掌握在人类手中，通过合理利用 AI，实现人与机器的共同超越。

博主头像 👤 同一博主

查看该博主全部 17 篇

🧭 类似博主

0 条评论

发表评论

请先 登录 后参与讨论。