|
?? 
世界第一圍棋棋手李世石愁眉苦臉地走向布置好的主席臺，坐在一張椅子上，放眼望去，臺下滿是媒體記者長槍大炮般的攝影機，燈光閃爍。左一為李世石，他旁邊的是AlphaGozhiu之父戴密斯·哈薩比斯
李世石剛剛與AlphaGo系統(tǒng)進行完第一場比賽，落敗。賽前，他信心滿滿地說：“我相信人類的直覺還是遙遙領(lǐng)先于機器的，人工智能難以望其項背，我將竭盡所能捍衛(wèi)人類的智慧?！崩钍朗Ｍ?：1或5：0戰(zhàn)勝AlphaGo。AlphaGo系統(tǒng)由英國計算機公司DeepMind（DP）研發(fā)，2014年DP被谷歌收購。DP把AlphaGo在圍棋的對抗視為“人工智能領(lǐng)域的阿波羅計劃”，DP的任務(wù)是從根本上理解智能，然后人為塑造智能。第二局開始，全世界有八千多萬人在看比賽，六千多萬在中國。AlphaGo在此局中第37手下了一個人類只有萬分之一概率會選擇的“敗子”，全世界的人都疑惑為什么會如此選擇時，棋局進入臨界點，李世石再次輸了，“敗子”把整個棋局盤活了。每局比賽結(jié)束，李世石都要面對媒體。在聚光燈下，李世石和人類一同進入焦慮時刻，他說，自己一開始就喪失了主導權(quán)。全世界的媒體也從一開始討論AlphaGo如何厲害，變成恐懼和傷感。第三局沒多久，李世石落敗，媒體上鋪天蓋地出現(xiàn)了關(guān)于他的質(zhì)疑，他不再是代表人類對抗人工智能的英雄，反而成了一個落敗者。李世石也在媒體面前道歉：“如果我的棋藝更高超，或智商更高超，結(jié)果可能截然不同，這一次我讓很多人失望了?！?/span>在輸贏已定的情況下，李世石內(nèi)心的重擔反而放下了，第四局進行到1個小時14分時，李世石在第78步用挖，在對手相隔一路的棋子中間落一子。這招之后，AlphaGo預測的勝率開始大幅下降，直至脫軌，它更換評估方法和搜索路徑，所有人都不知道它在做什么，大家都覺得它的行為表現(xiàn)很奇怪。AI的核心算法是深度神經(jīng)網(wǎng)絡(luò)，也就是在電腦上模擬人類大腦的神經(jīng)元網(wǎng)絡(luò)，這種算法的美妙之處就在于程序能給自我學習，也就意味著它能做出超出程序設(shè)計師所知范圍的事情。忽然，電腦對弈屏幕上，出現(xiàn)一條彈窗：“the result 'W+Resign’ was added to the game information”。“the result 'W+Resign’ was added to the game information”。在AlphaGo的預測中，李世石走第78步的概率只有0.007%。李世石也不知道自己為什么會走第78步，他說，那是他知覺中唯一能走的一步。即便如此，李世石最終只拿到一個勝局，而他與AlphaGo一同完成了人工智能的有一個里程碑，上一枚里程碑建立在1997年，IBM的超級計算機DeepBlue（深藍）擊敗了世界西洋棋棋王加里·卡斯帕羅夫（Garry Kasparov）。簡單來說，因為游戲很容易量化計分，我們很容易從中測量漸進式進步（incremental progress），DP想要AI取得突破，就繞不開圍棋，因為圍棋是人類有史以來發(fā)明過最復雜的游戲。圍棋起源于中國，擁有兩千多年歷史沉淀，只有一種棋子，也只有一種落子方式，雙方各執(zhí)黑白棋子，目標是把棋子連接起來，制造一個彼此相連的群體，把一個空地圈起來，被包圍的棋子就會被清除出去，通過保衛(wèi)領(lǐng)土的方式消滅對手，獲得勝利。表面看起來很簡單，實際上很抽象，不是所有人都玩得轉(zhuǎn)。DP研究人員計算過，圍棋每一步大約有兩百種選擇路徑，棋盤上出現(xiàn)的棋局數(shù)量，比宇宙中的原子數(shù)量還要多，圍棋變幻的數(shù)目，即使運用全世界彼時的電腦算力運轉(zhuǎn)，100萬年也沒法窮盡它可能變化的形式。認知決策模型是人機對抗規(guī)程中的核心環(huán)節(jié)。AlphaGo由三個主要部分組成，首先是策略網(wǎng)絡(luò)，DP用數(shù)以萬計的高水平棋局訓練它，并模仿那些厲害棋手的招式；第二部分是估值網(wǎng)絡(luò)，第一個棋子落入棋盤，可以衡量棋局的形勢，計算出各個位置的勝率，第三部分叫做樹搜索，用來分析棋局各種可能變化的情形，并嘗試推演棋局未來的演變。“AlphaGo是要最大化自己的勝率，它不關(guān)心自己具體贏了多少子多少目?！辟惽埃珼P團隊成員期待，“如果能戰(zhàn)勝人類，那就非同凡響了。”后來，人們復盤AlphaGo與李世石在第四場對戰(zhàn)失敗中尋找原因，發(fā)現(xiàn)第78手后連續(xù)出現(xiàn)錯誤，直指人工智能的魯棒性。可以簡單把魯棒性理解為穩(wěn)定性，指一個計算機系統(tǒng)在執(zhí)行項目過程中處理數(shù)據(jù)時維持正常運作的能力，如果穩(wěn)定性差，能力也就差。DP想要解決AlphaGo的這個問題，關(guān)鍵是提高策略網(wǎng)絡(luò)和估值網(wǎng)絡(luò)的精度。他們很快做了調(diào)整，在之后與中國圍棋職業(yè)九段棋手、世界圍棋史上最年輕五冠王柯潔的比賽中“三連殺”，讓柯潔經(jīng)歷至暗時刻，掩面而泣。業(yè)界很快從本次世界頂級對抗賽中吸收經(jīng)驗，在之后的同類型比賽中，不論是棋牌游戲，還是策略游戲，研究團隊把其視為珍貴的AI魯棒性論證支撐材料。DP團隊后來推出另一個機器人取名AlphaZero，僅僅運行8個小時，便以100：0的戰(zhàn)績碾壓掉AlphaGo（擊敗李世石的版本），它還在繼續(xù)進化。就在2016年圍棋界劃時代的“人機大戰(zhàn)”一年后，“機機大戰(zhàn)”在日本頃刻上演。2017年3月19日，第10屆UEC杯計算機圍棋大賽在東京落幕，30個AI軟件參賽，來自騰訊AI Lab團隊研發(fā)的圍棋人工智能程序“絕藝”過關(guān)斬將，在總決賽擊敗對手日本選手DeepZenGo，最終11戰(zhàn)全勝，摘得桂冠。如果說游戲為AI的進化提供了完美的試驗場地，那么人類的豐富經(jīng)驗則為AI不斷進化提供了充分的養(yǎng)料。基于策略型手游《王者榮耀》的王者絕悟AI，其側(cè)重點是多智能體，面臨更多更復雜的環(huán)境，每天深度模仿職業(yè)玩家戰(zhàn)術(shù)方法，同時自我博弈。為了評估控制能力的魯棒性，2019年8月1日起，人類玩家可以與AI英雄1V1挑戰(zhàn)。統(tǒng)計結(jié)果顯示，AI英雄在比賽中幾乎無敗績。AI Lab提供技術(shù)能力，王者榮耀團隊解決人工智能研究三大課題里面的場景和數(shù)據(jù)難題?！皟蓚€團隊共享核心代碼、數(shù)據(jù)、能力結(jié)構(gòu)，在這基礎(chǔ)之上強化機器學習?！毕嚓P(guān)負責人告訴刺猬公社（ID：ciweigongshe）。游戲的互動性優(yōu)勢適合人們學習和實操一些靜態(tài)知識，科研人員與游戲從業(yè)者協(xié)作工作，把游戲與科研融合成了一個很早就被看中的方向。此類實驗有很多，比如廣為人知的太空題材游戲《星戰(zhàn)前夜》探索計劃。這是一個融合項目，是冰島游戲公司CCP在2016年發(fā)布的公益類共創(chuàng)內(nèi)容，他們與日內(nèi)瓦大學、瑞典皇家理工學院等科研機構(gòu)合作，吸引非專業(yè)科研人員參與其中，幫助科學家操作一些相對簡單重復的識別與分類工作，目前主要推進了“人類蛋白圖譜”“地外行星”兩個項目。在“人類蛋白圖譜”項目中，玩家要對1300萬個人類細胞蛋白質(zhì)染色體圖進行分類，在互動性和使命感號召下，超過30萬名玩家參與該項研究，總計完成3300萬個圖像分類，確實幫助科學家提升了研究效率。在更早些時間，華盛頓大學科研人員開發(fā)過一款益智游戲《Foldit》，開發(fā)人員利用人類天生的三維圖形匹配能力，允許普通玩家對氨基酸進行自由組裝，最終組建一個蛋白完整結(jié)構(gòu)。一個與艾滋病相關(guān)的蛋白結(jié)構(gòu)曾困擾科學家15年之久，2011年，《Foldit》和玩家用10天時間，幫助科學家成功解讀。《Foldit》沒有停止腳步，2020年2月，針對新冠疫情，研究人員推出新關(guān)卡“1805b：冠狀病毒尖峰蛋白結(jié)合劑設(shè)計（Coronavirus Spike Protein Binder Design）”。簡單來說，需要玩家針對既定蛋白中的鏈，重新設(shè)計出一種新的蛋白質(zhì)結(jié)構(gòu)，阻斷新冠病毒與人體細胞結(jié)合，幫助研發(fā)人員發(fā)現(xiàn)抗病毒新藥。幾年前，《美國國家科學院院刊》刊登過一篇3.7萬人寫的論文，但“作者”也是游戲玩家，他們在科學游戲《EteRNA》中設(shè)計核糖核酸（RNA）的分子創(chuàng)造蛋白質(zhì)。這件事的思路與《Foldit》如出一轍，實質(zhì)都是眾籌科學實驗，集體智慧的力量在某種程度上超越了超級計算機。這種形式更像是“眾包式”的游戲科研方法途徑，科研機構(gòu)把一個科學命題分發(fā)給全世界玩家，自由參與其中，而具體任務(wù)有個人承擔。對《EteRNA》和《Foldit》進行過深入研究的美國信息傳播學者凱西·奧唐納說：“讓游戲和玩家參與到科學，我們改變了科研的形式?！?/span>在工業(yè)制造領(lǐng)域，游戲還推動著數(shù)字孿生的發(fā)展。最早的數(shù)字孿生概念可追溯到2002年的美國。密歇根大學教授邁克爾·格里弗斯（Michael Grieves）在美國工業(yè)制造工程協(xié)會舉辦的一個論壇上，針對產(chǎn)品全生命周期管理提出“鏡像空間模型”概念，構(gòu)思工業(yè)工廠在虛擬空間模仿生產(chǎn)流程，并進行實驗管理，提升效率。對于傳統(tǒng)工業(yè)而言，穩(wěn)定性、安全性和低效能是他們一直追求的方向，行業(yè)先行者曾利用傳感器等方式對現(xiàn)實世界進行掃描投射，但成本太高、操作程度太難，沒能快速前進，直到虛擬引擎的出現(xiàn)與進步，讓游戲成為他們實驗的最佳場所。數(shù)字孿生應(yīng)用是數(shù)字工業(yè)領(lǐng)域目前最火熱的方向和話題之一，包括沃爾沃汽車、京東、阿里巴巴在內(nèi)的很多國際型大公司都在使用Unity支持下的數(shù)字孿生技術(shù)能力。根據(jù)美國咨詢公司Forrester在2020年的一份報告判斷，數(shù)字孿生應(yīng)用正處在大爆發(fā)前夜。55%的工業(yè)公司會在兩年內(nèi)使用數(shù)字孿生應(yīng)用，94%的已使用者會在數(shù)字孿生應(yīng)用方面加大投入，這將會顛覆現(xiàn)有的工作流和過程。春江水暖鴨先知，早早與Unity合作的科技公司并非來自To C互聯(lián)網(wǎng)，而是來自傳統(tǒng)工業(yè)領(lǐng)域，其中包括沃爾沃汽車。但是在實踐過程中，并非一帆風順，內(nèi)部阻力不容小覷。主導這項技術(shù)合作的高級工程師張曉辰透露，現(xiàn)實操作中面臨的第一個挑戰(zhàn)是觀念：Unity是一個游戲引擎平臺，它能在工業(yè)領(lǐng)域做出成果嗎？張曉辰和團隊比較年輕，當他們拿出成果給公司傳統(tǒng)工程師看時，往往能直接改變他們的看法，甚至會啟發(fā)新的思路。因為他們不是為了取代任何人，而是作為輔助工具，提升開發(fā)過程中的信息透明度和迭代效率，更快解決問題，降低成本。除了刻板印象之外，還有工業(yè)流程方面的挑戰(zhàn)，主要來自內(nèi)容供給上。對于小型游戲開發(fā)公司而言，程序員、游戲策劃師、UI美工、3D建模師都在一個團隊里，一般的游戲邏輯都是為了一個游戲而打造。而張曉辰在沃爾沃內(nèi)部很難有這樣的便利，他手頭的3D車模和3D場景一個都沒有，只能向擁有這些資源的人溝通，但并不是所有人都有義務(wù)支撐他們，因為這不是本職工作。他們一度當起中介，協(xié)調(diào)公司內(nèi)部資源。后來，他們從市場部同事那里拿到購買的3D模型，制作了一個安全測速模型——當車行進到學校等路段時，系統(tǒng)自動限速。兩周內(nèi)加班加點完成任務(wù)，這打響了他們的第一槍，逐步在公司內(nèi)部迎難而上。張曉辰后來總結(jié)，沃爾沃和Unity聯(lián)手的過程相輔相成，Unity為沃爾沃提供技術(shù)和資源支持；沃爾沃為Unity提供汽車工業(yè)中的應(yīng)用場景需求，并提供有效反饋。這條經(jīng)驗與騰訊AI Lab實驗室、王者榮耀團隊的總結(jié)基本一致，通過虛擬仿真，推動更多應(yīng)用場景。如今，隨著包括Unreal、Unity等在內(nèi)的一系列游戲引擎的發(fā)展，數(shù)字孿生體的主題角色不局限于車輛，還可以是人體、建筑物、醫(yī)學細胞等。數(shù)字孿生以真實物體的替身出現(xiàn)在虛擬場景中，一切真實事物不方便測試的場合，都可以在通過數(shù)字孿生在虛擬空間中實現(xiàn)。也正是通過游戲引擎技術(shù)能力的不斷外溢，游戲與科技之間的關(guān)系正變得愈發(fā)緊密，在未來的科技創(chuàng)新與發(fā)展過程中，游戲承擔的角色也將會越來越重要。
|
