从AlphaGo到ChatGPT:人工智能的伦理边界何在?

审视目前如火如荼的AI研发及其应用能否获得应该的伦理边界以保证将对人类的威胁降到可控范围,可从对AlphaGo的讨论入手,呈现其前世Chinook和Deep Blue与今生ChatGPT:对AlphaGo前世的追溯,发现人的生成性发展是以算术方式展开,AI技术的生成性进化是以几何学方式展开;对AlphaGo今生的展现,揭示人的无限潜能的开发是绝对有限,AI技术自身潜力开发敞开无限可能性。总言之,贯通AlphaGo的前世和今生,AI技术从最初的模拟到迁移再到扩展而生成自建构、自创设工作原理和运行机制,获得人的特质并具备人的主体性能力。在这种状况下,设计人工智能机的伦理边界已不可能,确立人工智能应用和再研发的伦理边界虽有可能性,但也面临研发和应用的公开化和透明化何以可能的实际困难;但更为困难的方面,却是技术专家或研究者、企业以及一些国家的政府能否真正克制本能的贪婪,并达成共识去解构利益、权力、垄断、争霸等理念,避免人工智能的发展走向野蛮的暴虐。

机器学习与行动者能力:技术可供性视角——以谷歌AlphaGo为案例

伴随着新一轮科技革命的兴起,具有颠覆性特征与影响的新兴技术迅猛发展,人类社会即将进入挑战与机遇并存的智能时代。在此背景下,机器学习有望成为行为主体在新历史时期提高自我能力、建立差异化优势、确保可持续发展的重要工具。以谷歌AlphaGo为研究案例,基于技术可供性视角,运用扎根理论研究方法,系统深入分析机器学习对行动者能力的作用机理。研究发现:①在概念内涵层面,机器学习满足技术可供性定义,符合时代发展特定情境,能够与行为主体进行广泛互动与深度融合,进而实现决策者既定目标;②在能动关系层面,人类对未知事物的好奇可以推动科学技术进步与发展,而新兴技术发展能够提高行动者行动能力,随着技术的迭代升级,人类的行动能力得到进一步精进。构建“机器学习与行动者能力”理论框架可弥补现有研究缺口,在实践层面满足时代发展需要,并对相关领域发展提供理论借鉴。

从AlphaGo到BetaGo—–基于任务可完成性分析的定性人工智能的定量实现

AlphaGo程序利用深度学习算法和蒙特卡洛树搜索算法在围棋领域取得了突破性进展,用定量分析技术实现了围棋这一传统定性式的任务.此次突破,实现了对定性人工智能的定量研究,这对人工智能体的研究具有重要借鉴意义.对于人工智能体而言,执行任务前需要考虑任务的可完成性,对下棋任务而言,任务目标是取得胜利,因此,本文先从任务可完成性角度出发,分别从特征完备性、表征空间构建及基于表征空间的搜索角度分析AlphaGo程序.其次,人工智能体在任务完成过程中,不可避免地受到各种扰动的影响,对AlphaGo而言,本质是对人下棋过程的建模,因此,本文从抗干扰的角度出发,分析了AlphaGo的缺陷.再者,人工智能的研究是人类用科学技术的方式模拟大脑活动的过程.AlphaGo所体现出的围棋思想与人类棋手的围棋美学之间的差异,也是定量分析与定性描述之间的差异.因此,本文从美感评价角度对AlphaGo进行了分析和展望.通过上述三个角度,本文诠释了AlphaGo程序所包含的原理以及对定量化分析定性人工智能体研究的借鉴意义.本文认为,AlphaGo虽然取得了里程碑式的进展,但在定性描述(如:美学,艺术)以及系统未知扰动方面仍存在大量问题值得研究.人工智能的跨越式发展,即从Alpha级别提升至Beta级别,应该包含对事物定性分析的能力.最后,希望人工智能算法的研究工作者通过本文能更关注于挖掘定性描述与定量分析之间的关联,并进一步将人工智能算法提升至BetaGo乃至更高.

“强认知”的心理学研究:来自AlphaGo的启示

本文从Alpha Go战胜李世石的热议话题出发,简要介绍了AlphaGo的算法,通过比较和分析当前先进人工智能技术与人类智能的特点,就当前人工智能迅猛发展背景下心理学的研究取向进行了探讨。笔者认为,心理学研究应重视计算科学这一理论基础与工具,从计算理论取向探讨核心认知问题,重点关注人类所擅长的,而人工智能尚无法解决的计算难题。这一研究取向对进一步推动心理学从定性到定量,从现象到理论的发展具有重要意义。同时该研究取向下所获的研究成果也能在与人工智能、机器学习及神经科学等多学科交叉中,体现出独特的价值。我们将这一类聚焦于"人类智能优越特质"的心理学研究,命名为"强认知"研究。

指挥信息系统的智能化挑战——“深绿”计划及AlphaGo带来的启示与思考

指挥信息系统建设取得了突出成就,同时面临极大挑战,尤其是来自智能化的挑战。如何理解智能化在未来战争中的地位意义,推进智能化关键技术研究,成为信息系统建设必须面对的问题。介绍了美国"深绿"计划目的,以该计划为例分析了当前指挥信息系统发展存在的智能化难题。最后,结合以AlphaGo为代表的智能技术,探讨了对指挥信息系统建设的启示及其智能化发展的方向。

从AlphaGo看人工智能给图书馆带来的影响与应用

2016年AlphaGo的异军突起引起了全社会对人工智能的广泛关注,使其逐渐成为当前全球科技创新和社会变革的重要驱动力。文章从AlphaGo的发展、理论与应用分析为切入点,分析了人工智能的发展历程与应用现状,探讨了人工智能给图书馆带来的影响、发展机遇、发展所面临的主要问题、应用内容与未来发展的主要方向。

解读AlphaGo背后的人工智能技术

随着人工智能在各个领域的应用,越来越多的问题通过人工智能得到更优的解决,但是围棋因其本身的复杂度一直是人工智能领域的难解之题.AlphaGo团队利用了人工智能中的一个重要分支—深度学习训练了一款围棋人工智能程序,并在2016年3月与职业九段选手李世石的对弈中以4:1的比分获胜,受到了大众的广泛关注.本文介绍了AlphaGo这一程序背后的复杂的网络构造以及不同网络的优缺点.

AlphaGo专题介绍

谷歌AlphaGo围棋程序与韩国李世石九段的＂人机大战＂以AlphaGo4：1获胜告终,引起了社会各界的广泛关注,人们一边惊叹于人工智能技术取得的进展,一边对AlphaGo的＂奥秘＂深感好奇。受主编之托，我为本刊组织这个AlphaGo专题，试图从人工智能研究的视角来介绍AlphaGo的“奥秘”．专题有幸邀请到三位专家及其合作者分别从不同角度撰文：田渊栋博士是美国FaceBook公司围棋项目负责人．他领衔研制的DarkForest已在网络上公开，是AlphaGo之前最强大的围棋程序．他的文章对AlphaGo的整体技术面貌进行了分析解读．

复杂性与智能化:从Church-Turning Thesis到AlphaGo Thesis及其展望(1)

软件围棋机器人AlphaGo为解决复杂性与智能化问题带来新的思路,对未来智能军事和智慧战争的指挥与控制问题可能具有深刻影响,并且从技术方面证实了虚实互动的平行理念与方法是建立新军事体系的有效途径.

智能的核心推理:归纳的形式化——AlphaGo归纳学习的进展

探讨智能体的归纳学习中如何进行形式化的问题,首先将归纳学习定义为给定函数的实例集合时如何求得它的近似函数;展开讨论其面临的实例数N过大的困境。然后从基本的决策树学习入手,引入归纳学习中形式化和量化,并讨论学习的可行性。最后给出了先验知识在减小N的范围上的作用,和智能体学习理论上的新进展。

AlphaGo对我国人工智能教育的警示与启示

以AlphaGo对我国AI教育的警示为出发点,系统分析AI教育的现状,并从人才培养、教材建设、高等公共基础教育、学生兴趣和个性培养等方面提出一些见解,以期教育界同行能正视AI带来的冲击,重视AI教育开展与改革,把握发展机遇。

人机协同系统中的智能迁移:以AlphaGo为例

随着计算机与人工智能的发展,人机协同系统开始出现了。人机协同系统可以充分发挥出计算机的计算优势和推理能力,以及人的灵活性和创造性,因此可以更有效地求解各种复杂的问题。人机协同系统的典型代表是专家系统;通过对早期的专家系统到最新的围棋专家系统——AlphaGo的研究,可以发现——计算机从一开始只是帮助人进行辅助性的计算、推理和决策,到后来具有越来越多的自主学习和推理能力,甚至某些计算机和人工智能系统已经具备了原本只有人类才具有的直觉能力。这表明,人类的智能正在不断地迁移到计算机和人工智能系统之中;而由此引发的哲学和社会问题也值得人们深思。

Alphago人工智能带给教育及职业教育领域的思考

今天Alphago的4∶1完胜,Alphago的最先获三胜,让我吃惊、震撼、失望、迷茫和极度的担忧。我自己从事数据预测以及数据挖掘的教学,Alphago中的蒙特卡洛树算法我曾经教过学生。当时,我就觉得非常有趣,但是,这些算法实际使用时会存在一个巨大的问题,就是现实世界对结果的影响变量太多,所以这些决策算法的结果只能供决策者决策时参考。

范式转变:AlphaGo显露的AI创新奥秘

人工智能(AI)围棋程序AlphaGo的惊人表现给世人带来了众多思考。其中,人工智能研究显露的重要线索是:应当改变"分而治之,各个击破"的机械还原论研究范式,实行"协调发展,优化全局"的信息生态方法论研究范式,才能实现AI的源头创新。

浅谈科技记者职业素养——以《科技日报》及中国科技网对AlphaGo报道为例

运用文本分析法,通过统计2016年3月10日~4月10日之间《科技日报》及中国科技网对AlphaGo的有关报道,对每篇新闻构造11项维度,并分析后得出,我国科技记者在科学传播行为中除了有新闻来源权威化、报道方式灵活化等优点之外,也有科学传播模式单一和新闻报道深度不足等不足之处,并结合新媒体时代科学传播的特色给出相应的建议及意见。

AlphaGo的管理启示

从管理的角度看,AlphaGo的出现意味着智能机器人管理的时代即将来临;智能机器人管理将带来管理方式、管理局限的突破,带来管理文化的变革;智能机器人管理同时也存在一定的管理风险问题;我国应该加快推动智能机器人管理的理论研究与实践应用。

深度强化学习进展:从AlphaGo到AlphaGo Zero

2016年初,AlphaGo战胜李世石成为人工智能的里程碑事件.其核心技术深度强化学习受到人们的广泛关注和研究,取得了丰硕的理论和应用成果.并进一步研发出算法形式更为简洁的AlphaGo Zero,其采用完全不基于人类经验的自学习算法,完胜AlphaGo,再一次刷新人们对深度强化学习的认知.深度强化学习结合了深度学习和强化学习的优势,可以在复杂高维的状态动作空间中进行端到端的感知决策.本文主要介绍了从AlphaGo到AlphaGo Zero的深度强化学习的研究进展.首先回顾对深度强化学习的成功作出突出贡献的主要算法,包括深度Q网络算法、A3C算法、策略梯度算法及其他算法的相应扩展.然后给出AlphaGo Zero的详细介绍和讨论,分析其对人工智能的巨大推动作用.并介绍了深度强化学习在游戏、机器人、自然语言处理、智能驾驶、智能医疗等领域的应用进展,以及相关资源进展.最后探讨了深度强化学习的发展展望,以及对其他潜在领域的人工智能发展的启发意义.

AlphaGo技术原理分析及人工智能军事应用展望

以"深蓝"的技术原理为比对,研究了AlphaGo有监督学习策略网络、快速走子模型、增强学习策略网络和价值网络等核心模块,较为详细地分析了策略网络、价值网络引导的蒙特卡洛树搜索算法的实现;以AlphaGo的技术突破为起点,展望了人工智能在物理域、信息域、认知域和社会域上的可能应用,分析了美国国防部高级研究计划局资助的人工智能军事应用项目;以OODA循环理论为基础,研究了人工智能应用于军事领域可能会带来的颠覆性效果.

基于AlphaGo算法的网络媒体不良词汇自动检测模式研究

论文设计了一种能够自动检测网络媒体中的不良信息的模型。AlphaGo依靠深度学习中的评价网络与估值网络在人工智能方面取得了巨大的进步,文中结合AlphaGo算法中的设计思想,将检测网页文本中的不良词汇的过程分为"挑词阶段"和"判别阶段",统计文本中出现的不良信息对应的信息值,与设置的阈值规则进行比较,将超出阈值的判别为不良文本,对极端负面的文本进行标记。仿真实验表明,该模型能够较好地提高网络媒体中不良词汇的自动检出率。

人工智能AlphaGo技术及其应用探析

在去年谷歌公司的一款人工智能AlphaGo曾以4:1战胜了韩国的九段棋手李世石,后又以3:0战胜了柯洁。本文对人工智能AlphaGo的构成和技术原理进行了介绍,并阐述了对人工智能的应用的几点看法。