設下這一場舉世矚目棋局的AlphaGo的科學家們未曾料到，段子手們的想象力，令“人工智能”在中國民間引起的最大熱議，竟是它是否會消滅文明、統治人類。

科幻文學和好萊塢電影強大的洗腦能力，已經在民眾腦中刻下深深的烙印“人工智能就是那種上天入地無所不能的機器人”。通常人們會覺得它離現實較遠，然而一個虛幻的大腦突然出現，在一場智力競爭中橫掃了幾乎代表人類最高水平的選手，并且是在世界公認的“人類智慧最后高地”的圍棋項目上。人類的自尊心很難接受，而人類的統治和防御本能更受到挑戰，于是就“細思極恐”了。

事實上恐慌大可不必，人工智能早已滲透社會，就在人們未曾在意的點滴之上。比如汽車防抱死系統、油路管理系統，可實時語音翻譯不同語言的Google翻譯軟件，垃圾郵件過濾系統，電商網站根據用戶喜好和瀏覽記錄推薦商品的引擎，醫院里協助醫生診斷的醫療系統，等等。

這些都是人工智能的實際應用，并且隨著技術的發展，人工智能的應用正在變得越來越高階，比如蘋果手機里的Siri，民用的智能無人機，又比如無人駕駛汽車。

中馳車福AI研究院對此次人機圍棋大戰的研究看法

AlphaGo與李世石的這一次世紀之戰之所以如此受到矚目，就因為在基礎原理不變的情況下，發展出了新的訓練和處理模式，使人工智能更進一步。

AlphaGo采用了深度卷積神經網絡(DCNN)的技術，DCNN的核心是卷積核，卷積核相當于一個過濾網。而DCNN在圖像識別和語音識別中是非常有用的，AI能通過它對棋局做優劣評估。

讓我們實驗一下：我們準備一萬張狗的照片，各種表情、各種部位的寫真，讓機器學習。

這個過程如下：

1.首先，將各種過濾網呈上來，比如能將圖像黑白化、平滑、去噪的等等等等。愛美的各位肯定用過美圖秀秀，但我們跟美圖秀秀對著干，我們不是為了美化，而是為了模糊。這樣可以突出照片中最有特點的部分。

2.為降低運算量，把圖片統統切成小塊，比如一張圖片切成10*10的小塊，并準備好所謂權值共享等方法，再加上硬件設備，就可以開始算了。

3.算什么呢?算這一萬張狗照片的各種特征值，通過分類器，形成最優的分類模型。實際上，多層堆疊后產生的分類模型根本就沒了狗狗的真實模樣，機器不會管狗長什么樣。

訓練結束，模型產生，如下圖，算法看見了什么它看到的就是紅黃藍的色斑圖，藍色區域就是小狗的頭部。

(注：卷積神經網絡工作原理引用自PRML)

讓我們回到AlphaGo的問題上。通過Google的論文，我們知道它是將19*19的棋盤看作一張圖，黑子和白子當作像素，每落一子就相當于加了一層過濾網(當然特征算法和照片識別還是不一樣的)，如此對棋局做出勝率評估，其實這就是Policy Network的基礎。所以，下棋的時候大家感覺AlphaGo很有大局觀，還會落下迷惑詭異的子，其實它只是根據圖形判斷了一下勝率做出的判斷。

過去的人工智能是基于人工指定的規則進行推導從而給出專業方案，如今的人工智能更多的是利用神經網絡算法對文本、圖像、聲音進行海量計算，從而自主地找出其中的規律，甚至可能挖掘出人類忽視的規律，正如AlphaGo在圍棋中落下的神之一子，利用“人腦”思維的棋手們還無法理解其中的深意。

DCNN這樣的技術當然不只是成為圍棋領域人工智能的制勝法寶，讓我們欣賞下它在視覺上取得的成就。

這是一張從窗口拍攝的照片：

這是梵高筆下的星空：

人工智能學習后創作的結果：

(注：神經網絡本質參考MXNet)

我們正在選擇的AI，也許會讓你眼前一亮

那人工智能會厲害到什么程度呢?目前來說，這并不取決于AI自身，而是取決于我們。

以具體行業為例子，比如教育領域，我們真的需要一個人形的、陪伴孩子成長的人工智能機器人么?比如體育領域，我們真的需要可以和人類對抗的機器運動員么?比如醫療領域，我們真的需要一雙機械臂幫你手術么?人工智能不一定非要替代人類，而是幫助人類更好地生活。

中馳車福AI團隊就汽車場景的應用提出下列這些設想：

1.無論是4S店還是路邊店，維修技工都無法做到可以對所有車型產生的任何問題找到解決方案。因為人的知識和經驗是有限的。但是人工智能加大數據，是否可以幫技師解決這個問題?

2.車主在不同的用車場景會遇到各種各樣的問題，學車、買車、故障、維修、保養、自駕游等等，他們如何能了解并解決這些問題?一個包括自然語言分析和機器學習的人工智能用車助手也許就是答案。

3.上游整車廠、品牌配件商，下游維修廠，他們如何判斷整個汽車后市場用戶的需求變化和市場走向?人工智能針對中馳車福既有海量B2B數據的挖掘，就能給你答案。

所以，人工智能到底是一個和人類拼個你死我活的競爭對手，還是幫助我們提高生活質量、優化生活效率的助手，這一切，都將由我們人類自己做出選擇。

正如圍棋在中國傳統文化里的另一層精神含義“太極”所代表的理念：這從來不是一個生存的問題，而是生活哲理。