“以前柯潔和人類棋手下，始終顯得很從容，但今天臉上充血，顯得很緊張。”韓國圍棋九段金庭賢說。

Google 黑板報整理了一段 22 秒的短視頻，柯潔揪了自己 4 次頭發，剩下時間單手抵住下巴或者扶額。解說嘉賓常昊表示柯潔揪頭發是緊張的表現。

其它一些比如皺眉、咬手指、側身坐、身子前傾等小動作和神情，頻繁被攝像機鏡頭捕捉到。

“他（柯潔）以往在國內比賽，相對來說，他用的時間是比對手少。今天跟 AlphaGo 之間，他幾乎多用了一個小時。”常昊說。

似乎所有人，都在期待柯潔有多緊張。

柯潔所處的對局室里只有寥寥數人，除了幾家攝影媒體，還有 3 名工作人員、代替 AlphaGo 落子的黃士杰博士以及柯潔自己。整場比賽，黃士杰博士幾乎面無表情地坐著，幾乎勻速地執行 AlphaGo 計算出的最佳落子。

比賽進行到 4 小時 25 分鐘時，柯潔輸掉了比賽。

一年多前，AlphaGo 首戰戰勝李世乭，柯潔說“就算 AlphaGo 戰勝了李世乭，但它贏不了我。”

輸了比賽后，柯潔自陳 AlphaGo 越來越像圍棋上帝，“我還是想和人類下棋，因為到未來，我們與 AlphaGo 的差距可能越來越大。”

這個畫面似曾相識。

2016 年 1 月，AlphaGo 戰勝歐洲冠軍樊麾。

“AlphaGo 目前還沒到與我談論勝負的程度，對決結果將會是 5:0 或者 4:1。”李世乭在自己 AlphaGo 比賽的賽前記者招待會上報出出師表。他并不認為樊麾輸給 AlphaGo 對自己起到什么威脅，在他看來，樊麾是業余棋手里的頂尖高手。

兩個月后李世乭 1:4 輸掉比賽。這位時年 33 歲的韓國圍棋世界冠軍如此評價 AlphaGo， “它（AlphaGo）可以始終保持心理平靜和精神專注，就這方面而言，我覺得人類比不過它，盡管我還不大愿意承認，AlphaGo 在棋藝上勝過人類。”

同樣的情況你也可以在國際象棋棋王卡斯帕羅夫 1997 年對戰 IBM 深藍時看到。

他沒有考慮過自己會輸給深藍，之前還說過“國際象棋這游戲就是為我而設的。”

卡斯帕羅夫在 1999 年達到 2851 國際棋聯國際等級分、2005 年退役。之后 8 年一直沒人能超過他，直到 2013 年才由挪威人卡爾森打破記錄。

但現在更多讓人們記住、知道卡斯帕羅夫的事情，還是他在 1997 年輸給國際象棋人工智能“更深的藍”。

1997 年 5 月 11 日，國際象棋人工智能只用 19 步就戰勝了卡斯帕羅夫。棋王這張雙手捧頭的照片成了他最廣為流傳的照片之一。

這次柯潔輸的很少，但 AlphaGo 用的處理器功耗也只有去年的 1/10。下圍棋，人被計算機超過，已經沒有任何懸念。

1. 賽前，外界已經不對人類報什么希望

博彩網站預測給出 AlphaGo 獲勝賠率 1.05、柯潔獲勝賠率 8。也就是說買 100 元柯潔獲勝，將能獲得 800 元；買 100 元 AlphaGo 勝，能拿回 105元，只賺 5 塊錢。

這和去年李世乭比賽前大不相同，當時還有很多人覺得人類能贏，包括人工智能專家。

“一年前我期待李世乭 3:2 或者 4:1 戰勝 AlphaGo，我當時沒預料它那么強大。今年的結果毫無疑問，AlphaGO 三場全勝。”曾帶隊制作跳棋和國際象棋程序的喬納森·謝弗爾教授告訴《好奇心日報》。

2. 從圍棋來看，柯潔是人腦的最后防線

如果說圍棋是“人類智慧皇冠上的明珠”，那么這一次和 AlphaGo 對局的中國棋手柯潔九段無疑是最有資格守衛這份珍寶的人之一。

柯潔 1997 年出生，自幼學棋。2008 年取得初段段位，2014 年獲得第二屆百靈杯世界圍棋公開賽冠軍，成為中國大陸第 16 位圍棋世界冠軍，年僅 17 歲升九段。截至目前，柯潔共在以個人資格出賽的國際圍棋比賽中取得 4 次冠軍。

2016 年 3 月敗于 AlphaGo 的韓國棋手李世乭九段比柯潔年長許多。李世乭 1983 年出生，至今在以個人資格出賽的國際圍棋比賽中獲得 18 次冠軍。

國際上有一個非常簡單粗暴的辦法評價圍棋選手的實力：定級分。法國計算機專家，也是圍棋人工智能程序 CrazyStone 的作者 Rémi Coulom 利用選手的歷史成績結合 Elo 算法，建立了一個給這些選手打分的網站 Go Ratings。因為世界上并沒有一個統一的圍棋國際組織，這個網站的分數在很多時候被引用作為圍棋選手世界排名。

從 1991 年到 2006 年，韓國名將棋手李昌鎬連續 16 年在 Go Ratings 排名第一，李世乭則從 2007 年到 2011 年連續五年排名第一，柯潔從 2015 年開始成為世界榜首。

但柯潔本人認為，Go Ratings 的評分并不科學，認為它沒有公信力。

目前，在 Go Ratings 的排名上，柯潔、韓國棋手樸廷桓、中國棋手羋昱廷、韓國棋手申真谞、中國棋手連笑分列前五名。李世乭排名第 6。

在去年李世乭敗給 AlphaGo 后，柯潔曾發微博稱，自己能戰勝 AlphaGo。他也曾多次在國際大賽賽前，公開表示自己對比賽的信心。歷史上，國際個人大賽中，柯潔和李世乭共有 8 次對弈，大比分為 8 比 2，柯潔占有明顯優勢。

3. 之前柯潔已經輸給了 Master，這次對弈的意義是什么？

2016 年 12 月 29 日至 2017 年 1 月 4 日，一個神秘的賬號 Master 出現在中國大陸的圍棋在線平臺奕城圍棋網和野狐圍棋上。奕城圍棋和野狐圍棋是最熱門的圍棋對弈平臺，包括柯潔、井山裕太、樸廷桓、羋昱廷、連笑、古力等等眾多日韓三國眾多的圍棋冠軍和高手都注冊有賬號。

但 Master 在快棋比賽中展現出了針對人類的絕對優勢。Master 和全世界 60 位世界冠軍、國內冠軍，包括中國著名圍棋大師聶衛平在內對局 60 場，規則定為每 30 秒下一步的快棋。這 60 場比賽無一例外全部獲勝。

Master 背后就是 AlphaGo。

在和李世乭和柯潔的比賽中，AlphaGo 的算法表現出了非常穩定的性能，能夠以很穩定的節奏，平均幾分鐘一步下完整盤，而作為人類的柯潔和李世乭都多次陷入“長考”，花費很長時間思考落子的位置。和限時數小時的正式比賽相比，快棋對于 AlphaGo 這樣的機器來說優勢顯著。

當年深藍戰勝卡斯帕羅夫也是這樣。1994年卡斯帕羅夫就在快棋比賽里輸給過一次人工智能，但兩年后他在不限時的正式比賽里贏了深藍。

真正被認為人類戰敗，是 1997 年，升級版深藍戰勝卡斯帕羅夫。

換句話說，在正式比賽里打敗柯潔，AlphaGo 才能說戰勝最厲害的人類圍棋棋手。

4. 柯潔自己覺得有希望么？

看上去是沒有。

賽前深夜，柯潔在微博上發了一篇題為《最后的對決》的短文。他在文中寫道：“無論輸贏，這都將是我與人工智能最后的三盤對局。因為現在的 AI 進步之快遠超我們的想象。”

柯潔在去年李世乭與 AlphaGo 對陣中曾經發過這樣一條微博：“就算阿法狗戰勝了李世石，但它贏不了我。”那條微博被轉發了三萬次。

但是在今年賽前，柯潔寫道：“我相信未來是屬于人工智能的。”

去年年末與 Master 對戰之后，柯潔深夜寫道：“人類數千年的實戰演練進化，計算機卻告訴我們人類全都是錯的。我覺得，甚至沒有一個人沾到圍棋真理的邊。”

但他也繼續說棋手會結合計算機，邁進全新的領域，達到全新的境界，就像“新的風暴繼續來襲”。

5. 機器，AlphaGo 和一年前有什么變化？

從比賽形式上看，柯潔和 AlphaGo 的三番棋對決和去年李世乭的比賽沒什么差別——AlphaGo 調用云端的運算資源，一位工作人員和人類旗手對坐，負責擺出棋子。

不同的是這次比賽增加了團體賽，柯潔還會在 5 月 25 日和 5 月 27 日與 AlphaGo 再下兩盤。在 5 月 26 日，數名中國頂尖職業圍棋選手還會組成團隊和 AlphaGo 進行兩盤團體和配對比賽。

實際上這一次 Alpha Go AlphaGo 背后的計算能力只有此前對戰李世乭那會兒的 1/10。去年戰勝李世乭時，AlphaGo 的程序需要依靠全世界 Google 很多機房提供計算能力。

而今天的 AlphaGo 的算力需求更小，它不再是分布式運算，整個程序僅運行在一個單一的云服務器 TPU 上。這是 Google 去年在開發者大會上發布的用于人工智能計算的單處理器計算機，全稱是 Tensor processing unit。

從計算機消耗的能耗來看，去年李世乭相當于面對 10 臺計算機打比賽。而今年柯潔的比賽是貨真價實的一比一對抗，AlphaGo 的程序性能提升了至少 10 倍。

6. ?除了柯潔，這次還有兩個人類群毆 AlphaGo 的比賽， 有什么意義？

這次的團隊賽還分為兩種：一種是人類組隊對陣機器，第二種是，人和人工智能算法合作，對陣人類。

意義很明確：如果人工智能算法能夠打敗單個人類，那么用人類的集體智慧和寫作文對應人工智能是否能贏？人+機器這樣的組合，能不能產生更好的結果？

這樣的比賽之前也有過。2005 年，Playchess.com 舉行了一場“自由式”象棋大賽，參賽者可以任意和其他人或者電腦組隊。通常情況下，象棋網站都會運用“反作弊”算法來防止參賽者用電腦程序作弊。

重賞之下，好幾位特級大師都攜多臺電腦參加了比賽。一開始，結果不出預料。人和電腦組隊，要遠遠勝過最強的電腦。“九頭蛇”（Hydra）和“深藍”一樣，是一臺專業象棋超級電腦，而面對棋力較強的人類選手和一臺較弱的筆記本電腦的組合，它卻敗下陣來。人類的戰略引導加上電腦精確的戰術計算。

但更有意思的是，最后的贏家并不是“人+高配置電腦”的組合，而是兩位美國業余選手和三臺電腦的組合。

他們的技巧是通過干預和“教導”，讓電腦們更深入地搜索可能的局面。這一策略不僅勝過了特級大師們對象棋的精深理解，也勝過了其它參賽者的超強計算能力。

“棋力較弱的人類+機器+優化的步驟”比強力的電腦本身技高一籌，也優于“棋力較強的人類+機器+較差的步驟”。

7. ?李世乭在賽后怎么看待自己的失敗？

李世乭在去年 6 月的夏季達沃斯論壇上說，賽前自己存在判斷失誤，低估了對手的水平：

“當時我看了它和樊麾的比賽，之后我覺得 AlphaGo 應該不是我的對手，比較確信我會贏。但是沒想到，深度學習在六個月期間有這么大的進步。”

他說人類和機器對弈的時候，人是處在不利地位的。AlphaGo 始終如一，沒有情緒波動，甚至也不會意識到下到第幾局、整個場面是什么情況。

“我再也不想和 AlphaGo 比賽了。”李世乭說。

8. AlphaGo 到底是什么？

AlphaGo 是一款圍棋人工智能，Google 人工智能團隊 DeepMind 創造了它。

DeepMind CEO 哈薩比斯今年 5 月 19 日接受 BBC 四臺采訪時表示，AlphaGo 是面向圍棋這一“狹窄領域”的人工智能，簡單說，雖然它能打敗世界冠軍，但 AlphaGo 也只能下棋。

9. AlphaGo 怎么學會下棋，提升棋藝的？

說起這個，“窮舉”、“蒙特卡羅樹算法”、“深度學習”等等一大堆術語經常出現，但沒有這些基礎也能看懂。

所謂 “深度學習”，是 AlphaGo 圍棋訓練的第一步，將人類棋譜輸入計算機，學習人類的落子習慣。這種“識別”與人臉識別、圖像分類等搜索技術類似。

第一步：把棋盤分拆成小塊，輸入數據。AlphaGo 會把輸入系統的人類棋譜的每一步進行分拆，棋盤上每個落子以及隨后的應對落子算作一個樣本，AlphaGo 從這些人類棋局中分解出了三千多萬個樣本。

這些樣本集合在一起，能夠識別出每個特定的落子之后，哪一種應對方法的概率最高，這個最高的概率其實就是人類棋手最喜歡的應對方法。

雖然說圍棋“千古無同局”，但是局部來看還是有很多相似的模式反復出現，AlphaGo 就學會了這些最受歡迎的下法。

第二步：亂下棋，不過比純粹亂下要好一點。

AlphaGo 的思考結合了蒙特卡羅樹搜索。

假設一個從來都沒下過圍棋的人，用了分身術分成兩個人開始在棋盤上亂下，最終這盤棋也會分出個勝負。

第二盤，上一盤贏的那個分身不再完全是亂下了，開始使用贏的那一盤中的一些對應，第三盤棋，第二盤贏的那個分身開始使用第一盤和第二盤中的對應。當第 N 盤棋下完之后，這個始終贏棋的分身就會獲得最有可能獲勝的落子方法。

以上這 N 盤棋就是一步使用蒙特卡羅樹搜索的思考過程，思考結束后的下一個落子，就是被是推演過次數最多，獲勝概率最高的那一步。

AlphaGo 團隊還改進了以上這種傳統的蒙特卡羅樹搜索算法。

上面我們說過的深度神經網絡得出了一套人類棋手概率最高的下法，假設蒙特卡羅樹搜索故事中那個完全不會下棋的人學習了這套下法，那么之后的“亂下”思考過程的起點就會提高很多。這樣一來，蒙特卡羅樹算法的計算量就減少很多，提高了效率。

第三步：AlphaGo 自己和自己下棋，來學習棋局。圍棋畢竟變化太多，AlphaGo 需要更多的棋局來學習，于是通過自我對弈產生新的棋局。

AlphaGo 自己和自己下棋，棋力的來源就是第一步通過學習人類棋局得到的落子方法。AlphaGo 左右互搏，自我對弈幾萬盤，就能總結出贏棋概率更高的新下法，接下來再用新下法自我對弈幾萬盤，以此類推，最終得到了一套棋力比最初只學習人類下法厲害很多的新策略。

那用這新的策略和蒙特卡羅樹搜索結合是不是更厲害呢？答案卻是否。

因為使用概率來訓練的這種策略會讓下法高度集中，變化太少，而蒙特卡羅樹搜索需要更多的變化才更有效。

第四步：局面評估。

這也是 AlphaGo 最厲害的地方是，它可以像人類一樣在比賽過程中估計局面的優劣，這樣才有第四局它判斷獲勝幾率太小，選擇中盤認輸。

當一盤棋開始的時候，AlphaGo 先用第一步訓練的下法下若干步，然后亂下一步，接著用第三步自我對弈訓練產生的更厲害的下法下完整盤棋，然后對結果做一個評估，評估出“亂下”的那步棋造成的局面是好是壞。

AlphaGo 可以在一步的思考中亂下很多次，總有一次能匹配到真實對下棋的狀況。而對這一步亂下以及后續結果的評估，就是對當前局面的判斷。

10.?對弈柯潔的 AlphaGo，有著怎樣的計算能力？

上一次戰勝李世乭的 AlphaGo，根據 Deepmind 的說法，是一部運行在云端，由全世界的 Google 機房協作運算的人工智能。5 月 23 日 AlphaGo 戰勝柯潔之后，Deepmind 老大哈撒比斯說明，這一次 AlphaGo 是全新的版本，不再使用分布式計算的方案，調用的計算能力只有李世乭版本的十分之一。

具體來說，這一次的 AlphaGo 只用了一個 Google TPU 的計算能力。

Google TPU 是 Google 去年首次發布的用于人工智能運算的專用硬件，全稱 Tensor Processing Unit，中文可以翻譯成張量處理單元，是一個飯盒大小的專用硬件。在人工智能研究里，包括 Google 在內都在大量使用通用處理器 CPU 和圖形處理器 GPU 進行運算。比如曾經公布過的一個版本的 AlphaGo，使用了 1920 個 CPU 和 280 個 GPU，取得了 Go Ratings 網站的 3168 等級分，世界第一柯潔的等級分為 3625。

TPU 這種專用硬件的效率比 CPU 加 GPU 快很多。

上周的 Google I/O 大會上，Google 宣布了 TPU 2.0，它具有四個專用芯片，每秒可處理 180 萬億次浮點運算。64 個 TPU 可以拼在一起組成 TPU Pod，可提供大約 11500 萬億次浮點運算能力。Google 同時公布了一個數字，說 Google 的大型翻譯模型如果在 32 塊性能最好的 GPU 上訓練需要一整天，而 8 塊 TPU 就可以在 6 個小時內完成同樣的任務。

2017 年底，Google 就會把 TPU 計算服務變成云服務，全世界的人工智能研究者都可以租用這種云服務，幫助加速人工智能研究。和亞馬遜等公司提供的，基于 CPU 和 GPU 的人工智能云服務相比，Google 的 TPU 更有效率優勢，從成本上來講，也更便宜。

11.?DeepMind 公司有什么來頭？

DeepMind 是一家成立于 2010 年、總部位于英國倫敦的初創公司，主要研究人工智能。2014 年 Google 以 4 億英鎊（約合 6.6 億美元）的價格打敗 Facebook，買下 DeepMind。這筆交易金額可以排進 2014 年全球初創公司收購金額前十。

公司創始人哈薩比斯曾有過數次創業經歷，最后為了創造一個通用的、真正能思考的人工智能，創辦 DeepMind。

12.?今天 DeepMind 在 Google 承擔著什么角色？

DeepMind 的研究圍繞人工智能展開。2016 年 7 月前后，Google 用 DeepMind AlphaGo 的深度神經網絡，預測 Google 內部 120 個數據中心和連帶冷卻風扇的各個時段用電量，然后分配能源，達到控制冷卻系統和計算機服務器的耗電量的目的。

現在 DeepMind 的辦公室還在距離倫敦國王十字車站約 2 公里的一處辦公樓里，那里已經聚集 400 多位計算機和神經科學家。他們還計劃繼續擴充到 1000 人。

13.?除了 DeepMind 之外，Google 還收購了什么人工智能公司？

2014 年收購英國 DeepMind 公司不是個例，Google 在最近 5 年間投資收購了不少人工智能公司，例如 api.ai、Timeful、Kaggle 等等。

從 2013 年開始到現在，Google 已經收購了 16 家人工智能公司了。可以說是各大科技公司里收購最多、布局最早的。

主要是來自策略的轉變。Google CEO 桑達·皮蔡在 2016 年 5 月宣布將公司從“移動為先”的策略轉變成“人工智能為先”（AI First）。根據 Google 員工的說法，他們已經在公司的每一個產品上都應用了機器學習的算法。

Google 買下的公司主要用于拓展現有業務。比如 2013 年 Google 收購了聚焦于深度學習和神經網絡的初創企業 DNNresearch，用于幫助提升圖像搜索功能。

它也收購了像 Deepmind 這樣本身發展成熟的團隊，收購后依然保持獨立運營。今年，Google 主要收購了一家做視覺搜索的初創公司 Moodstock，以及語音識別開放平臺 Api.ai。

14. AlphaGo 對 Google 有什么影響？

去年 2 月，AlphaGo 在圍棋上打敗李世乭的消息，讓不少人開始關注人工智能。

而也是在這次比賽之后，Google 制定“人工智能為先”的策略，今年 5 月舉行的開發者大會上皮蔡再次強調這一點，現場還做了不少人工智能都能做什么的演示，例如這樣的用語音控制的調酒機：

15. ?AlphaGo 之后還要打更多游戲么？

更多的比賽只有營銷價值。圍棋就是終極比賽，是人腦在公平游戲里的最后防線。

這是因為圍棋棋盤一共有 361 個落子點，圍棋每一步的可能性都是天文數字，靠計算機窮舉原理上就是不可能的。其它游戲的限制少很多，人工智能更有機會依靠窮舉法取得比賽勝利。

對于把下棋當作人工智能測試平臺的研究者來說，1997 年 IBM 超級計算機“深藍”(Deep Blue)在戰勝國際象棋世界冠軍加里·卡斯帕羅夫(Garry Kasparov)之后，圍棋就一直是最大的挑戰。

之前有報道稱 AlphaGo 要和人類選手比賽《星際爭霸 2》，你能想象人類和計算機比操控單位的速度么？

16. ?那 DeepMind 接下來要干什么？

在醫療領域，DeepMind 已經有所建樹，他們跟倫敦皇家免費醫院（Royal Free London）簽訂一紙為期五年的付費合約，處理后者 170 萬條患者記錄。

DeepMind 的第一項醫療研究是幫助醫生診斷眼部疾病，2016 年 7 月，他們宣布了與英國國民健康服務（National Health Service）的最新合作項目，與倫敦摩菲眼科醫院一起，讓人工智能幫助醫生診斷，預防眼部疾病。

這個長達五年的研究項目將利用摩菲眼科醫院超過百萬的患者數據庫，讓人工智能學會“看”眼部掃描。簡單來說就是讓人工智能把這些掃描結果全部“看”一遍，從而訓練出能夠發現病變征兆的模型。

DeepMind 還被運用在了 Google 的數據中心：幫 Google 省電費。它那套深度神經網絡被用來預測 Google 內部 120 個數據中心和連帶冷卻風扇的各個時段用電量，然后分配能源。據稱，現在整套算法能將 Google 的能源利用提高 15%。

DeepMind 還和哈佛一起研究了讀唇語的軟件，他們研發的這個唇語閱讀軟件 LipNet 準確率高達 93.4%。這個準確率遠高于此前研發出來的其他唇語設備。

去年 11 月，DeepMind 宣布將與暴雪娛樂合作，讓人工智能學會玩《星際爭霸 II》游戲，因為與棋類比起來，《星際爭霸》更能模擬真實世界的混亂狀況。

對于 DeepMind 來說，無論是讓人工智能學會圍棋還是打游戲，目的都是研發“通用型人工智能”，DeepMind 創始人哈薩比斯去年在劍橋大學的一場演講中表示：“我們的首要使命便是解決人工智能問題；一旦這個問題解決了，理論上任何問題都可以被解決。這就是我們的兩大使命了。”

今年 3 月，省電這件事被 DeepMind 用到了公司之外，他們與英國國家電網公司討論，計劃用人工智能技術幫助英國節省 10%的用電量。

17. ?人工智能真的會下圍棋么？這得看你怎么理解下棋這回事

這個看上去有點明顯的問題，可以套用在很多東西上。人工智能是不是真的懂 365 種語言？人工智能是不是真的會寫詩？

哲學家 John R. Searle 在 1980 年（一段人工智能很熱的時期）提出過一個關于人工智能的思維游戲，叫“中文屋子”。

游戲假設人工智能的研究已經可以成功造出一臺表現起來懂中文的電腦。它能輸入中文，然后在電腦程序的指導下輸出一個個中文字符。這臺電腦執行起任務來叫人如此信服，能輕松通過圖靈測試：讓一個講中文的人以為電腦程序也是一個懂中文的人，對所有中文提問它都能給出合適的回答，因而會有人相信他們正在和一個懂中文的人聊天。

所以本質上說，即使人工智能靠模仿騙過人類，但它對問題仍然沒有任何理解，因此不具備真正的智能。

18. ? 通過圖靈測試，也不等于人工智能有智力

計算機科學之父艾倫·圖靈在 1950 年首次提出了這個關于機器人是否可以思考的著名實驗：人類測試員在不知情的情況下面對計算機，用文字和其交談，如果計算機成功欺騙了測試人員假裝成一個真實的人類，那么該計算機便被證實“會思考”。

后來英國皇家學會將圖靈的標準具體化：在一系列時長為 5 分鐘的鍵盤對話中，只要計算機被誤認為是人類的比例超過 30%，那么這臺計算機就被認為通過了圖靈測試。

一年一度的 Loebner Prize 比賽便以此標準，這個大賽也早就出現了“通過測試”的機器人，比如 2011 年的 Cleverbot 程序達到 59% 的通過率。

2014 年還出現過這樣的新聞標題《俄羅斯團隊開發人工智能機器人，首次通過圖靈測試。》這臺名為 Eugene Goostman 的計算機被描述為“把自己偽裝成十三歲的男孩，騙過了超過 30% 的評測人員。”

Eugene Goostman 的批評者認為，這個所謂機器人就是單純地為了通過這個 5 分鐘測試而設計的，編寫者還頗有心機地把它設定成一個 13 歲的非英語母語的小孩，以便在很多問題無法回答或者出現錯誤的時候，讓裁判誤以為這是因為他年齡小而產生的語無倫次。也就是說，Goostman 既不是“第一個通過測試”的程序，也不是一臺人工智能機器人。

話說，想讓計算機蒙混過關并不復雜，這里還有 10 個伎倆，有興趣的話可以看看。

19. 很顯然人類也沒有創造出像人腦一樣的計算機

今天大小科技公司都在談人工智能，而神經網絡計算則是說明自己技術前沿的最佳例證。當它的原理被市場部們幾經簡化之后，已經變成“像人腦神經網絡一樣工作”。

但是 1980 年就已經出現的神經網絡計算和人腦只有極為模糊的聯系。一個大問題是科學家目前根本不知道人腦里那張由無數神經元突觸組成的網絡究竟是怎么“計算”的。

正如伯克利大學人工智能與機器學習專家邁克爾·喬丹（Michael I. Jordan）所說的：“我們完全不知道大腦是怎樣存儲信息和運作的，這里頭的規則是什么？是什么算法？因此我們現在還不能說用大腦的理論去指導人工智能系統。”

Google（Alphabet）董事長施密特也說：“我們不認為讓計算機模仿大腦可以去做人工智能，我覺得這個太復雜，大腦的神經元太多了，計算機只是借助了人類大腦的一些概念。”

20. ?人工智能也還不會自我繁殖并進化

自我繁殖，并且在這個過程里進化，是生命的重要一步。但這還沒實現。

現代計算機創始人之一約翰·馮·諾伊曼（John von Neumann）在 1940 年代就提出了機器人生產機器人的概念。馮·諾伊曼認為，任何能夠自我繁殖的系統，都應該同時具有兩個基本功能：第一，它必須能夠構建某一個元素，并且用這些元素組裝和自己一樣的下一代；第二，它必須能夠把對自身的描述傳遞給下一代。

曾經有人依據這個理論提出了一個名叫 Auxons 的項目，給這個機器人安裝高溫熔爐，讓它在沙漠里獲取原料和能量。不過這個項目最終連概念圖都沒有實現。

21. ?直接上傳思維和記憶也還不可能，因為我們還不知道大腦是怎么運作的

這也是影視作品中的經典設定，比如《超驗駭客》里，德普飾演的科學家把自己的意識“上傳”到云端，繼而成為了不死的虛擬人。英劇《黑鏡》也有人死后把意識存放在云端“天堂”從而永生的故事。

但現在還沒有任何人有辦法移植記憶，原因在于沒人知道大腦究竟怎么存儲記憶。事實上，就連記憶存在大腦的什么地方都是未解之謎，更別提什么保存記憶了。

或者讓我們更（笨拙地）哲學一點，到底什么才算是“記憶”？你記得的那些，還是你認為你記得的那些？

22. ?這幾年，人工智能“學會”了不少人的技能

客服。美國的第四大通信運營商 Sprint 從去年 1 月份大刀闊斧地裁撤了 2500 名電話接線客服人員，取而代之的是能自動為客戶提供咨詢服務的 app 工具。

處理保險理賠。日本富國生命保險相互公司從今年 1 月開始，用“IBM Watson Explorer” 取代原本公司的 34 名理賠人員，他們過去的工作主要是查閱投保人的就醫記錄等文件來確定理賠錢數，定損并且處理相關手續，人工智能可以提高 30% 的工作效率。

資產管理，選股票。管理 5.1 萬億美元資產的全球最大投資管理公司貝萊德也在更多建立自動化流程，用人工智能來選購股票，并裁減了 30 多名分析師和基金經理——占所在部門總人數的 7% 左右。

撰寫新聞稿。全球最大的新聞通訊社——美聯社平臺上大多涉及數字的財經報道是與人工智能合作完成的。騰訊也推出過寫財經和體育新聞的機器人。

用人工智能修復渣畫質的照片。人工智能領域的專家 Roland Meertens 通過自己訓練的算法將 1998 年 由 Game Boy 外置攝像頭所拍攝的渣畫質照片修復成了彩色并且像素更高的圖片。

處理和篩選照片。Google Photos 會給你的照片自動歸類、添加濾鏡、制作相冊。

畫畫。Google 甚至用人工智能畫了抽象畫，賣出了一萬美元的價格。

翻譯。Google Translate 已經全面引入圖像識別，把鏡頭對準不認識的文字，它會自動翻譯成目標語言。Google 表示他們的神經機器翻譯系統（GNMT） 能降低 80% 的翻譯錯誤率，并且十分接近人類譯員的翻譯水平。

駕車。特斯拉、各大車廠推出的輔助駕駛系統，實際上相當于一個機器人在幫你開車。Google 的完全自動駕駛也做到了全程無人。

創作劇本。一個叫 Benjamin 的人工智能寫了一段科幻短片，還被拍了出來參加倫敦科幻電影節的 48 小時短片制作挑戰賽。

23. ?機器可能不會真的學習，但很多人還不如機器

日本國立情報研究所（NII）于 2011 年發起了“東大機器人計劃”（Todai Robot Project）。自 2013 年以來，團隊每年都讓機器人在真實的考場接受演練。

在去年的中心考試（日本大學招生的統一考試）中，Todai 機器人排名在前 20%， 達到了超過 60% 的大學的入學標準。團隊的目標是，2020 年以前能讓 Todai 機器人考進東京大學。

Todai Robot 的考試技能依靠于 AI 的檢索和優化能力。

有趣的是，機器不會理解題目的真實內涵。

問題是，很多人類考生也好不到哪里去。大部分學生都還停留在死記硬背的水平，像 AI 一樣不能理解、不會或者根本不仔細閱讀。

實際工作中，只會照著公司做好的流程處理問題的人并不少見。比如有的電話客服人員就只會跟著公司預先設置的 QA 回答。

同樣并不理解自己學習的技能，計算機快無數倍，還完全不會違規。人被搶走工作也是理所應當的了。

24. 機器已經搶走了不少工作

美國最大的經濟研究機構——全國經濟研究所（NBER，全美超過一半的諾獎經濟學得主都曾是該機構的成員）發布過一份報告，全面分析了 1990 到 2007 年的勞動力市場情況主要針對藍領工作。

他們發現，每增加一個機器人，意味著要干掉 3 - 5.6 個本地崗位。同時薪資水平也受到影響，在 1000 名工人中每增加 1 個機器人，所有人的平均薪資將降低 0.25 - 0.5 個百分點。這也意味著當 1000 人運作的生產線上出現 20 個機器人時，留下來的工人的平均收入就會降低 5 - 10%。

這份報告針對的是自動化機器人，和 AlphaGo 這種人工智能相比還很初級。

25. ?哪些類型的工作會被人工智能取代？

麥肯錫根據情境模型預測認為今天人類 50% 的工作活動將在 2055 年被自動化，因為各種影響因素和經濟狀況的不確定性，這個時間可能會早 20 年，也可能會晚 20 年。

調查涵蓋了美國 800 多種工作崗位的 2000 多種工作，認為當這些工作崗位涉及收集數據、處理數據、以及可預測環境下的體力勞動這些活動最有可能被機器取代，這些崗位需要為員工提供的工資約為 2.7 萬億美元，它們在制造業、住宿和食品服務、零售領域最為普遍。

花旗銀行全球視角及解決方案部門曾發布一份報告稱，歐美銀行預計在 2015-2025 這十年間將會裁員 30%，數量最多將達到 170 萬人，約相當于 6 個冰島的人口，這其中，最重要的影響因素就是 Fintech（金融科技），互聯網技術將越來越多地取代銀行的中介作用，消費者直接和機器互動的時間會越來越多。

投資機構 ArkInvest 預測，接下來 20 年美國會有 7600 萬個工作崗位因為 AI 而消失，這個數字是奧巴馬執政 8 年創造的工作崗位數量的 10 倍。英格蘭銀行估計，48% 的人類工作都將會被機器人和算法取代。

26. 跳棋、國際象棋、圍棋……為什么棋總被當作人工智能的發展標志？

加拿大阿爾伯塔大學的教授喬納森·謝弗在早先接受《好奇心日報》采訪時表示：因為規則是固定的，每步棋子可能性是有限的，下棋的能力有分數可以評估，還有人類的對手可以和程序對壘……所以研究人工智能的先鋒們總是把棋牌游戲當做是人工智能測試的最完美方式。

謝弗帶領的團隊曾經寫出了跳棋程序 Chinook，在 1995 年打敗人類冠軍。

27. 這些棋類是怎樣一個一個被打敗的？

跳棋：1992 年，跳棋程序 Chinook 挑戰跳棋高手馬里恩·廷斯利(Marion Tinsley)，戰敗。1995 年，Chinook 再次挑戰，6 局平手，之后廷斯利因病退賽，Chinook 最終取得了冠軍。現在 Chinook 已經不會輸（跳棋容易平局）。

國際象棋：卡斯帕羅夫 1985 年連續跟 32 臺電腦下棋并取得勝利、1996 年 4:2 戰勝深藍，但在 1997 年，卡斯帕羅夫 2.5:3.5 敗給深藍。

圍棋：AlphaGo 在 2015 年 5:0 戰勝樊麾；2016 年 3 月以 3:1 戰勝李世乭；2017 年 5 月，暫時 1:0 領先柯潔。

28. AlphaGo 的進化看上去更快？

確實如此。

可以參考國際象棋比賽里，人工智能和象棋大師卡斯帕羅夫的對弈。

卡斯帕羅夫不只是世界冠軍，他在很長一段時間被認為是人類歷史上最厲害的棋手。

即便在卡斯帕羅夫退役后，他的定級分也等了 8 年才被目前的世界冠軍，挪威棋手芒努斯·卡爾森（Magnus Carlsen）超過——而早已變成政治運動家的卡斯帕羅夫從 2009 年就開始幫著培訓卡爾森。

1989：深思 vs. 卡斯帕羅夫

臺灣學生許峰雄(Feng-Hsuing Hsu)，寫了一個象棋程序深思（Deep Thought），由此開始了一個慣例，即在程序前加個前綴“deep”來表示它運行在并行處理器上。比賽中，電腦根本不是對手。

1994：Fritz, Genius 在快棋賽 vs. 卡斯帕羅夫

1994 年上半年，英特爾在慕尼黑組織了可能是史上最強的閃電戰大賽，有 17 名特級大師參加。Fritz 最后和卡斯帕羅夫并列第一。在復賽中，卡斯帕羅夫 4:1 大勝。

英國人 Richard Lang 編寫的程序 Geniu 舉行的英特爾職業國際象棋聯合會拉力賽中戰勝卡斯帕羅夫，并把他淘汰出局。不過那是 25 分鐘的快棋賽。

1996：深藍 VS 卡斯帕羅夫

許峰雄加入 IBM，和協作程序員莫雷·坎貝爾（Murray Campbell）開發深藍。首局深藍獲勝，但之后卡斯帕羅夫兩和、三勝打敗深藍。

1997 深藍 vs帕羅夫　

1997 年版本的深藍運算速度為每秒 2 億步棋，是其 1996 年版本的 2 倍。1997 年 6 月，深藍在世界超級電腦中排名第 259 位。一個說法是，深藍可搜索及估計隨后的 12 步棋，而一名人類象棋好手大約可估計隨后的 10 步棋。

最后卡斯帕羅夫以 1 勝、2 負、3 和，總比分 2.5:3.5 輸掉了比賽。再之后，就沒有人類象棋冠軍能在正式規則比賽中打贏人工智能。

28. ?AlphaGo 會改變圍棋選手的訓練方法

在國際象棋領域，卡斯帕羅夫被深藍戰勝之后一樣，一個人機對戰的時代結束了，一個人與電腦一起探索棋力的時代開始了。

人工智能的勝利，并不意味著這門游戲的終結，它幫助提升了棋手的水平，廉價、智能的國際象棋軟件也吸引到了更多的人來參與這項運動。

卡斯帕羅夫之后，國際象棋界仍然有明星誕生，克拉姆尼克、阿南德和近年最耀眼的卡爾森，都是普通人可能聽說過的名字。

十多年來，提供計算機和大量數據分析，已經成為國際象棋頂級賽事的常規服務，頂級國際象棋選手也越來越多借助超級電腦制定競賽計劃。前國際象棋世界冠軍阿南德曾表示：“電腦對于提高(國際象棋)水平有很大幫助。”

尤其是用電腦進行開局的準備。國際象棋特級大師王皓告訴《好奇心日報》，他們平時都會依靠軟件訓練，比賽結束之后也會用計算機分析棋局。

2014 年，23 歲的挪威人馬格努斯·卡爾森衛冕國際象棋世界冠軍之后，《金融時報》發表了一篇題為《卡爾森：戰勝電腦的國象大師》的文章，這并不是說那場賽事有計算機選手參賽，而是說卡爾森的對手們都習慣用超級計算機來計算開局，卡爾森則不像他的對手們那樣依賴計算機分析。卡爾森的做法，已經成了特例。

在深藍戰勝人類國際象棋大師之后的十幾年后，不使用計算機的人類棋手成為了罕見的特例。但是卡爾森也曾接受過人工智能的訓練，他也被認為是所有人類棋手中最接近電腦的棋手。

可以想象，圍棋的未來也會是類似的方向。

去年年末與 Master 對戰之后，柯潔深夜寫道：“人類數千年的實戰演練進化，計算機卻告訴我們人類全都是錯的。我覺得，甚至沒有一個人沾到圍棋真理的邊。”

但他也繼續說棋手會結合計算機，邁進全新的領域，達到全新的境界，就像“新的風暴繼續來襲”。

圍棋，應該也不會例外。只是未來不會再有超越電腦的圍棋大師，只會有最接近電腦的棋手。

30. ?人工智能可以往前追溯到神話，但它真正接近我們是從電子計算機開始的

1950 年代的黑客馬文·明斯基被普遍認為是人工智能之父，他在去年年初去世。這里有關于他的報道。

另一位從如何看待“思考”考慮人工智能的先驅則是計算機之父阿蘭·圖靈。1950 年，圖靈寫了一份關于機器思考的論文，叫做“機器會思考嗎？”，里面提到了一個測試機器是否有“感覺”的方法，簡單來說就是讓人透過屏幕跟機器聊天，看看能否判斷屏幕背后的是真人還是機器，這個方法后來被稱作是“圖靈測試”。

他的圖靈測試是多年來人工智能研究者的目標，2015 年，首次人工智能算法通過了圖靈測試。

話說回來，圖靈還是世界上第一個象棋計算機程序的創作者。不過當時他的程序沒有計算機有足夠的計算能力去執行，每下一步棋需要 30 分鐘。

31. ?人工智能研究經歷過兩次高潮和低谷

人工智能研究在高潮和低谷之間不斷交替。

第一次低谷出現在 1974-1980 年，這時候人工智能研究開始遭遇批評，隨之而來研究所缺少資金支持。批評主要集中在，研究者們過于樂觀，承諾無法兌現。美國英國政府這期間停止向沒有明確目標的人工智能研究項目撥款。

第二次在 1987-1993 年這一輪低谷主要在于人工智能商業化的失敗。受到日本政府研究規劃的刺激，美國政府和企業再次在人工智能領域投入數十億美元的研究經費，但到了 80 年代末他們重新撤回了投資。一個征兆在于，1987 年的硬件市場需求下跌同時 XCON 等最初大獲成功的專家系統維護費用居高不下。

到了 80 年代晚期，戰略計算促進會決定大幅削減對人工智能的資助，認為人工智能不是“下一個浪潮”。到 1991 年，人們發現十年前日本宏偉的“第五代工程”也并沒有實現。

32. ?近 5 年的人工智能發展可能是史上最快的

據彭博社，2015 年是 AI 的里程碑年份，Google 內部應用 AI 的項目從 2012 年的“零星幾個”擴展到 2700 個。

2016 年，超過 30 個公司說要做自動駕駛。由于數據和人才的關系，人工智能是一個大公司占優的關系。但行業內的大公司都在積極收購。根據 The Information ，過去兩年時間收購人工智能公司最多的是 Google，買了 9 家公司，包括 AlphaGo。接著是蘋果買了 5 家人工智能創業公司，以及同樣買了 4 家人工智能公司的英特爾和 Twitter。

2012 年到 2015 年，在代表計算機智能圖像識別最前沿發展水平的 ImageNet 競賽（ILSVRC）中，參賽的人工智能算法在識別準確率上突飛猛進。 2014 年，在識別圖片中的人、動物、車輛或其他常見對象時，基于深度學習的計算機程序超過了普通人類的肉眼識別準確率。

33. ?這次熱，背后有實際的應用驅動

這一次浪潮背后, 是機器學習在商業產品上的應用，現在它可以解決實際問題了。Google 工程師杰夫·迪恩（Jeff Dean）說：“我認為在過去 5 年，最重大的突破應該是對于深度學習的使用。這項技術目前已經成功地被應用到許許多多的場景中，從語音識別到圖像識別，再到語言理解。而且有意思的是，目前我們還沒有看到有什么是深度學習做不了的。希望在未來我們能看到更多更有影響力的技術。”

實際上最積極推動人工智能的公司，已經把 AI 放進可用的產品之中、解決各種日常問題了。Google 不僅要知道你搜索過什么，還能看懂你上傳的圖片內容。亞馬遜用人工智能幫助推薦商品、調整定價。整個 Facebook 上，用戶看到什么信息也都是由人工智能決定。這些看上去突然對人工智能熱衷起來的公司，已經投入了多年研發。

34. ?關于 AlphaGo，經常提到深度學習，這是什么？

在今年的 Google I/O 開發者大會上，Google 公司的 CEO 桑達·皮蔡解釋了未來戰略：“我們將會在人工智能和機器學習上加大賭注。”“因為深度學習的優勢，我們現在可以讓圖片、視頻變得更有用了。”

這樣的發言不少，很多科技公司都會聲稱自己進入了人工智能領域，靠深度學習。

傳統程序是根據事件條件，給出結果。“機器學習”的定義是不用明確編寫程序，就能讓計算機學習——讓機器大量接觸數據，自己從中找到規律，改進判斷。而深度學習則是機器學習里最熱門的分支，被認為推動了這次人工智能躍進。

“深度學習就是一種人工智能學習技術，通過把大量數據‘喂’進系統，嘗試自己建立模型，通過模型自己做決定，就像我們現在認為的人類大腦工作的原理那樣。”英國阿爾斯特大學計算機科學教授、IEEE 安全技術專家，專門研究計算機網絡和系統凱文·科倫（Kevin Curran）在早先的采訪中這么對《好奇心日報》解釋深度學習是什么。

具體到 AlphaGo 身上。深度學習是通過審視記憶來做出決定的，因為 AlphaGo 已經看過那么多的例子，接下來深度神經網絡中會自動權衡重要性然后進一步做出決定。

所以說，深度學習是通過審視記憶來做出決定的，因為 AlphaGo 已經看過那么多的例子，接下來深度神經網絡中會自動權衡重要性然后進一步做出決定。

之前開發跳棋應用打敗所有人類的計算機教授喬納森·謝弗用地圖來解釋深度學習的工作方式：

你可以把它想象成一個帶有點和連接的網絡吧。就像一個地圖一樣，我們假設城市是點，然后連接是路。

我們來假設這地圖上的連接會動態變化。例如，本來從 A 到 B 點只需要走 10 分鐘，但現在看著這條路的實時路況，系統自動調整了時間，例如上下班高峰期 13 分鐘，其他時間 9 分鐘。這就是一個學習的例子。更進一步說，這個網絡還可以建新的路，所以 A 和 B 之間的最佳路徑還可能會改變。

對應到 AlphaGo 上，每一個“城市”就是一個知識點，他們之間連接的“路”就是知識與知識之間的連接。想象使用一個地圖在城市中導航，每個城市的計算價值，是連接它的路數量的總和。同樣的，一個知識點的價值，也依賴于它的連接情況。

當我們看紙質地圖的時候，這個地圖是二維的。然后想想兩張地圖疊在一起，在地圖上不同的連接也交織著。AlphaGo 使用的是十三層的網絡，所以也能讓不同的知識點有更多連接的可能。

在一場圍棋比賽中的特定時刻，有些知識點會使用，而另一些則不會。就像是你能去某一些城市，另外一些則禁止你入境一樣。知道這些信息，會改變“城市點”的連接情況，更會改變這個城市的連接價值——這也就是每一個棋步的來源。

35. ?人工智能顯然會搶走工作，但它會創造新的么？

一方面，人工智能取代人類就業的報告一個接一個。

網景創始人、著名風險投資人Marc Andreessen認為，“就像今天我們大多數人都從事著 100 年前不存在的工作一樣，100 年后也會是如此。”

目前來看人類的某些技能機器很難復制，比如常識、適應性和創造力。麻省理工學院的經濟學家 David Autor 說，“即使是實現了自動化的工作崗位，常常也需要人工的參與，比如自動化麻醉設備旁邊，就需要有醫生值守協助操作。”

再比如用機器人為新聞媒體寫稿，這并沒有導致記者數量的減少。人工智能寫的只是需要速度但不需要深入分析的東西，比如體育比賽結果快訊、以及不那么模板一致的公司財報快訊。它們做了許多人沒有精力做的工作，讓有經驗的記者去寫更有價值的報道。

但如果沒有經歷低價值的“笨工作”的訓練，剛走出學校的人又有多少能一下獲得經驗、找到一個不能被人工智能替代的高級工作呢？

36. ?如果人工智能真的搶了工作，人們的生活方式會發生怎樣的變化？

未來學家馬丁·福特（Martin Ford）在今年的 TED 大會做了一場演講，為我們描述了一個人工智能主導社會生產的社會。

從積極的一面來看，人們有了更多的時間休閑，有更多時間來陪伴家人，這似乎是我們現在努力追求的東西，但是問題也出現了。

未來或許人類可以接受沒有工作，或者只領少許的薪水，但是這一切都會給社會造成經濟壓力，因為人類沒有有工作、或者只擁有少量收入，消費能力就就會減弱，從現有的社會經濟制度來看，社會產品和通貨緊縮，容易造成社會動蕩。

福特認為，我們必須在傳統的工作中找到分離收入的辦法，在他看來，最好的解決方案是從保證最低收入開始，這么做很可能會變得必不可少。

但是需要在基本工資的基礎上增加“獎勵機制”，鼓勵那些沒有工作的人去完成教育、參加社區服務，因此獲得更多的獎勵薪資。更重要的是，人們要知道如何在不需要工作的社會里還能找到生活的意義和滿足感。

而這一切都需要社會的機制、體系進行改革和重塑，不會是件容易事。

福特的觀點可以看他的暢銷書《機器人時代:技術、工作與經濟的未來》。

37. ? 悲觀主義者包括霍金、馬斯克還有比爾·蓋茨，他們相信無節制發展人工智能可能導致人類的毀滅

這三位都在最近表示過對人工智能的擔憂。

史提芬·霍金：“我們已經擁有原始形式的人工智能，而且已經證明非常有用。但我認為人工智能的完全發展會導致人類的終結。”

埃隆·馬斯克：“我們需要萬分警惕人工智能，它們比核武器更加危險。”

比爾·蓋茨：“如果我們處理得好，人工智能具有積極意義……我同意伊隆·馬斯克和其他一些人的說法，不明白為什么有些人并不關心。”

去年 4 月，馬斯克和美國初創公司孵化機構 Y Combinator 成立了一個非營利組織 OpenAI，準備籌集 10 億美元的資金，去對抗人工智能可能會帶來的問題。

去年 9 月，亞馬遜、Facebook、Google、IBM 和微軟五家公司在去年 9 月聯合發起人工智能聯盟 Partnership on AI，旨在努力減輕公眾對于正在學習自主思考的機器的恐慌。基于這五個巨頭的共識，這一行業聯合組織制定了一系列用于工程開發和科學研究的基本道德標準。

38. ?就連機器人是不是應該決定人類生死，今天都還沒有定論

科幻小說家阿西莫夫在 1942 提出了著名的“機器人三定律”：機器人不得傷害人類，或因不作為使人類受到傷害；除非違背第一法則，機器人必須服從人類的命令；在不違背第一及第二法則下，機器人必須保護自己。

但這只是阿西莫夫的設想，不是各國軍隊的共識。事實上機器可以輕而易舉地決定人類的生死。目前在全球已經有超過 30 個國家配備了“致命性自主武器系統”，未來戰爭的一些區域可能是人工智能在自主決定是否射殺屏幕上出現的運動物體。

美國國防部已經在實驗讓無人機自己判斷地面上誰是需要被消滅的敵人。

從軍隊角度，人工智能決定生死有諸多好處，比如它效率更高、幾乎一定比人更準確，并且殺人不會有負罪感和戰后創傷。這引起巨大爭議。2013 年 5 月，由它引發的道義、倫理、人權問題首次被提到聯合國人權理事會。但這并不是一場一邊倒的爭論，阿西莫夫的三定律不一定是我們將會面對的未來。

用 MIT 斯隆商學院研究員?Michael Schrage 的話說，“如果庫布里克再拍《奇愛博士》，他會拍這些自動化的武器。”

來源 好奇心日報