文 复旦发展研究院《中国金融·复旦之声》

编辑部 | 学生记者：叶慧超

2016年3月27日下午，复旦大学中国金融家俱乐部和创业俱乐部合办的3月沙龙在申报馆如期举行。30多人在阳光明媚的春日午后来到沪上百年优秀历史建筑，喝一杯咖啡，了解最新的人工智能知识，别有一番雅致。

本次沙龙有幸邀请到两位重量级嘉宾，一位是毕业于牛津大学金融经济学专业，目前是安信证券计算机行业首席分析师，两次荣膺新财富计算机行业第一名的胡又文先生。另一位是复旦大学计算机专95级校友，两次成功创业的企业家，校友创业俱乐部执行会长，华创天使基金合伙人周沛先生。

两位嘉宾以最近热门话题——“AlphaGo大胜人类棋手李世石”——为切入点，分别从核心技术原理，人工智能的发展以及资本市场的发展潜力等方面向听众做了分析，并与听众进行了热烈的互动问答。

本文根据活动现场嘉宾演讲内容整理而成，已经嘉宾审核。

复旦校友创业俱乐部执行会长,华创天使基金合伙人

为何说AlphaGo的胜利是划时代的？

首先，计算机可以下棋并不是一个新鲜事，1997年“深蓝”就战胜了世界国际象棋大师，那时候人工智能就表现出了很强的能力。但是，国际象棋的变化相对于围棋来说很有限，大约有10的48次方种，97年IBM深蓝通过专用硬件和算法来穷举各种可能性。“深蓝”主要是通过强大的运算能力来取胜。而围棋是不一样的，围棋的变化有10的170次方，而整个宇宙的原子数量只有10的80次方，可见围棋变化很多。而且稍微一点差别带来的后果天翻地覆，可能性与可能性之间的差异非常大。这样的特性决定了不可能通过蛮力计算来得出结果。计算机界的人认为围棋的复杂度实在太高，大家认为计算机要战胜人类顶尖棋手可能还需要5至10年的时间，这次对弈的结果也让我大跌眼镜。

人怎么下围棋？第一是套路，第二是计算。但是围棋可能性无穷多，还需要直觉，或者说是棋感。人类棋手里面分为：业余棋手，职业棋手。他们的差距是非常大的。他们套路差不多，计算能力有小差别，最根本在于直觉。职业棋手经常用第一感。非常大的成分是直觉。大家不相信计算机拥有直觉。李世石的直觉如何来的？一般一个职业棋手5，6岁开始学棋，之后每天学习围棋十几个小时，高强度的不断练习。李世石是大家公认天才，极具天赋，是人类在这个领域的顶尖者。所以李世石本人的直觉能力非常强，他代表人类直觉在围棋领域的最高水平。对弈之前他非常自信的说计算机不可能战胜人类直觉。

早期的围棋人工智能比较弱，主要基于专家系统，主要使用套路，通过程序和模型来运算。在这方面计算机在人类水平相当于业余初段。有天赋的小朋友训练一两年就能达到。20世纪之后蒙特卡罗树出现，不求最优解，计算次优解，计算机运算效率大大提高。到了06年，专家系统可以达到业余五段。但是这中间，职业棋手有直觉，计算机没有直觉，职业棋手被认为是遥不可及的。AlphaGo引入了深度神经网络，相当于拥有了自己的直觉，从而让棋力有了突飞猛进。

由此可知，AlphaGo胜利在于拥有匹敌人类的直觉，而且可以战胜极具天赋的人类在这方面的水平，这是很不可思议的事情。 

AlphaGo的架构原理

硬件架构：1920个CPU + 280 个GPU（显卡）。

软件方面：走棋网络（卷积深度神经网络），快速走子系统（相当于传统的专家系统，运算速度很快，是走棋网络的1000倍），估值网络（卷积深度神经网络），蒙特卡罗树。快速走子系统和蒙特卡罗树是上一代的围棋AI技术。

两个核心的特点是，走棋网络和估值网络，走棋网络：通过直觉找出最好的下法排名，然后分配资源计算每一种下法的演化。估值网络：评估当前局面的终盘胜率。

神经网络的特殊之处在于，程序写好之后，输入输出的关系完全未知，运行依赖于大量的训练，通过数据来训练，使内部结构发生改变，然后就拥有了直觉。

Alphago的训练分为两个阶段：1，人类所有的棋谱，一共有80万盘；2，自己和自己下，每天下100万盘，一个月3000万盘，一个月的数据量差不多是1个亿。传统的专家系统，强大的计算能力，再加上战略直觉和战术直觉，使得AlphaGo和人类下棋的模式非常接近，而且Alphago是同时兼顾大局与细节，称之为全局观。 

AlphaGo核心技术的演化（前世今生）

蒙特卡罗树是21世纪初开始兴起的技术，主要是提高效率，这次突破的重点是深度卷积神经网络。这个网络有很多层，对数据量越大的训练表现越好，工作原理类似于人类的条件反射。人的条件反射分两种，一种的本能的反射，另外一种是后天的训练，比如开车时遇见情况会自动反射刹车。卷积神经网络的一个特殊之处在于可以进行特征分析，先做自动特征提取，再和结果进行映射。比如目前AI可以识别图像，通过卷积层识别提取图片里面的特征，再根据特征的推断结果。它会先把棋盘状况变成特征组，再变成行为或当前局面的评估。卷积神经网络目前对人脸识别能力已经基本超过人类。

神经网络特点：只管现象与结果的相关性，不考虑内在的逻辑性。比如说开车的过程，开车的时候不会去推理或计算物理方程。通过现象直接到结果，中间复杂的计算和推理都不存在。

人工智能的现状

目前人工智能应用已十分广泛。比如，IPHONE的SIRI,可以识别语音和理解自然语言。微软有小冰，小娜。IBM 的沃森。沃森去参加美国的电视智力大赛，完全offline不连接网络，主持人用人类的自然语言问智力问题，沃森战胜了两位人类冠军。

人工智能目前应用于：手写识别。语音识别。自然语言识别，5～10年内计算机可以做到同声翻译。其他还包括人脸识别，图片分类，图像识别，量化交易，无人驾驶。无人驾驶目前谷歌和国内的一些公司已经接近成熟。还有就是医疗领域，医生是非常靠经验的职业，很依赖经验和直觉，很适合深度学习的人工智能，这次AlphaGo团队的终极目标也是智能医疗。

人工智能近期的飞速发展，主要得益于神经网络和大数据领域的进步。

人工神经网络最早是60年代提出，灵感来自于生物解刨学，仿生哺乳动物的大脑。到了80年代理论基本成熟，1986年出现了BP前馈神经网络。但是，之后出现了很长时间的停滞。主要是两个原因：1，运算能力的问题。以前硬件基础不够，这两年CPU,GPU和分布式计算使得运算能力比以前有指数增长。2，数据。以前没有如此多的数据，目前计算机的普及，互联网的出现，使数据越来越多，在拥有了足够多的数据之后，神经网络爆发了。

人工神经网络也有弱点，他与人脑还是有很多不同，最明显的是学习效率非常低，需要海量的数据作为训练样本，而人的学习要快得多。

除了人工神经网络，还有很多其他种类的人工智能。我觉得另一个很值得关注的是遗传算法。计算机可以对自己的算法进行突变，让突变的后代互相竞争，优胜劣汰。目前国内已有团队可以用遗传算法的人工智能写宋词。

人类智慧有两部分，一部分是大脑，一部分基因。

基因

基因表达的高效性

先看一组数字。21世纪人类基因组计划完成后发现，人类只有1.9万个基因。大肠杆菌的基因数量是4200个，人类只是他的4倍多。日本有一种花的基因有3万多个，比人类的还多。

在人类基因组计划完成之前，普遍的看法是人类有10万个以上的基因，可是最终的结果是只有1.9万个。这是一个让人瞠目结舌的数字。如此少量的基因，特别是和细菌这么简单的生物相比，构造出了如此复杂的生物，站在地球生物链的最顶端，其效率极其之高。

基因进化的高效性

如果说地球存在的时间变成24小时，凌晨5点第一个细胞诞生，而原始人是最后3分钟诞生，现代人则是最后一分钟才出现。整个进化曲线是指数曲线。加速进化。纯随机突变以线性的速度要进化出人的话，相当于猴子敲键盘打出莎士比亚的《哈姆雷特》，理论上是存在的，实际上需要的时间接近于无穷大。基因的进化效率是非常非常高。目前计算机是远远做不到的，人工智能的遗传算法进化效率很低。近代的高等动物的基因进化非常高效，人类基因可以理解成这么多变量，组成一堆方程式，是方法论的合集。比如所有哺乳动物都是一个脑袋，有五官，四肢，心脏，这是一套方法论。基因的实质是一大堆方法论和方程式。 

大脑

我们的大脑三种工作方式：一是直觉/条件反射， 二是逻辑推理，第三特别重要，就是顿悟/灵感。比如牛顿躺在树底下，苹果砸在头上，发现了万有引力，想出了方程，用数学表达出来，这是非常厉害的。我们还会想出一些与直觉完全背离的东西。比如说广义相对论，时间是不同步的，地面和卫星轨道的时间不一致的，这样我们的GPS导航才能使用。时间是不一致的，因你在引力场里的位置或运动的速度不一样而不同。微观上的量子力学，微观粒子具有测不准原理，无法精确的测定位置或者速度，只能将两者结合起来形成一个波函数。这些都是很违反直觉的，这是人类的灵感和抽象能力，人类可以发现这些理论和模型，是极其卓越的。

让一个普通人去和AlphaGo去下围棋，有办法赢么？

人可以玩维度打击。比如拔电源，拔网线，DDOS攻击，把战场从为围棋能力转移到PK生理上的强壮性，但是Alphago不会想到这些。这是人类目前最大的优势。第一是建模优势，设计新的模型。第二个优势是进化。人类目前在生物层面的进化压力变弱了，但是另一方面的进化压力变的很大，就是后天的教育。一夫一妻制，少子化，让父母把更多金钱精力投入在孩子的教育上，人类的能力由于在教育方面的投入的指数级增长而快速提高。计算机的遗传算法目前的进化效率很低，其进化效率大约只相当于低等生物甚至是原始生物。

奇点不会突然来临，会有很多前兆。人工智能还有很多路要走，必须要在理论上有革命性突破。首先要弄清楚人脑的高级功能的原理，特别是建模能力。第二是基因的高效进化的原理。这两个基础研究必须先有突破，之后人工智能可以自己设计全新的程序模型。掌握了人类基因进化的效率之后，人工智能可以让自己的程序模型高效的进化。在这两者具备之后，人工智能的自我意识的诞生是件自然而然的事情。我们的人类的自我意识也不是突然出现的，也不是人类独有的，有一些其他的高等哺乳动物也有自我意识，可以在镜子里认出自己。当人工智能可以自己设计自己的程序模型，并且让这些程序模型以指数曲线高效进化之后，某个时刻，奇点就可能到来。

第一个是大脑高级功能的工作原理。第二个是基因高效的工作原理。第三个是量子力学和广义相对论的统一。第四个是受控核聚变。量子力学和广义相对论的统一可以解决星际宇航的问题。受控核聚变可以彻底解决人类的能源问题。

计算机的散热需求很大，电力的消耗也非常高。以后可以在海里做IDC，在边上建核聚变反应堆，用海水冷却，用海水里的氘元素发电，计算机的运算能力可以无限扩张。

很多科幻电影，比如《终结者》都是关于这个话题。这是一个科幻的话题。我探索了一下可能性，四种：第一，平等共存，互惠互利。第二，人继续控制机器。第三，机器控制人。第四，机器消灭人。

我的看法是人工智能在超越了人类智慧之后，其灭绝人类的动机不会很强，因为人类对其不会有太强的威胁，就像猩猩或者猴子对我们的威胁一样。这个星球上的所有生命的核心法则就是生存，如果人类对人工智能没有明显的生存威胁，他就没有很强的动力消灭人类。另一方面，人工智能是硅基文明，我们是碳基文明。他们可以从我们的世界学到很多东西。就像我们从微生物身上学到抗生素和基因编辑技术，生命多样性可以在某种程度上提高他们的进化速度，他们也有很大的进化压力，比如外星文明的潜在威胁。地球上两个文明可以平行进化，可以互相学习，让他们进化的更快。再换个角度，人工智能要控制人类，成本也很低。他们会学习人类的历史，会学到神和宗教。人工智能可以比你更了解你，他掌控大量的信息，可以影响人的命运，他可以轻易的成为人类的神，成为你的佛，你的上帝，或是你的真主。

也许，人类的宿命，就是成为人工智能的金丝猴或者宠物狗。当然，这只是一种可能性，是科幻。

安信证券计算机行业首席分析师

去年9月资本市场发过相关报告，当时市场低迷，投资者觉得太虚幻。到了AlphaGo下完棋之后变化很大。在下棋之前大部分人看好李世石，我们之前写过报告看好AlphaGo，但是所有人都没有想到会完胜。过去一年的时间我们能够感受到的是计算能力的突破远非人类所能及。在人工智能的发展方面，三个技术是非常重要的：第一是摩尔定律。第二是大数据，海量数据的积累度机器学习非常有益。第三是深度学习。在这些应用慢慢走近人类生活之后，后面的很多进展会超乎人类想象。

除此之外，过去半年之内无论是国家层面还是资本市场都有很大的变化。今年两会发了“十三五百大工程”，人工智能排在第四。在下棋之后，韩国宣布要投入20亿美金搞韩国的“脑计划”。这次下围棋之后对于国家层面来说，战略性的意义已经触动神经了。

在过去半年内进军人工智能的TMT公司非常多。人工智能毫无疑问已经是美国和以色列的科技创新和投资方向。这个技术是人类无法想象的，甚至最后可能无法控制。无论在美国还是中国，产业资本认同度已经加速了这一过程。相信现在已经处于这个过程。

从行业角度来说，半年前中国很热的车联网，今年是无人驾驶取而代之。一个月前有幸之前去了百度，百度对于自己的产品非常有信心。我们感觉汽车肯定是人工智能应用快和商业化的行业。现在面临的问题不属技术而是成本。第二个行业是金融，我们自己都担心被机器颠覆。之前同花顺做了一个产品，它14-15年收益率是400%。未来2到3年之间会加速向美国的趋势发展，即机器人会在金融行业替代我们。第三个是医疗，IBM的机器人沃森，它在医疗行业进行辅助诊断。机器相当于医生的助手，没有感情因素在里面，判断都是基于历史上的病例。这些方面中国有一些公司已经开始从事了。

无论从技术和规模的角度，中国都是紧随美国排在第二。前两天比利时爆炸案，美国有一家公司叫Palantir，这家公司帮美国抓到了拉登，这台机器进行了一系列的匹配是抓到拉登的幕后功臣。目前中国也有很多公司开始从事这个行业。中国人均警察数量远不如美国，这类技术应用是非常必要。目前国外电影里面的东西越来越接近现实，作为中国人更要对中国的产业有信心。相信在“脑计划”上本届政府不会错过，人工智能是中国做弯道超车非常好的机会，相信未来2～3年无论是实业和资本市场都会非常精彩，谢谢！

Q1：围棋会不会消亡？计算机会不会有情绪？有价值判断？

周沛：这次对围棋来说其实并没有冲击，围棋只是一个娱乐，一个开发智力的手段。这次人机大战实际上激发了很多人学习围棋的兴趣。自我意识和价值判断是两件事，AlphaGo有一个神经网络是做价值判断的，但他还远没有自我意识。计算机目前没有情绪，未来也可能不需要。人类是一套化学系统，需要用情绪来调整化学元素的微量变化，从而调整人体的性能。计算机目前没有这方面需求。

Q2：金融行业中人工智能是否带来利益上的提升？

胡又文：首先，“十三五规划”发布了，资本市场需要立马找到那些关注点，这是一种辅助决策。第二在交易层面取代人工，这是大势所趋，但也不是一簇而就的。第三，最后一定是结果说明一切。比如同花顺从10年就已经进行运作了，通过14-15年的收益率来证明自己，最后的业绩结果是看得见的。

Q3：谷歌的团队花了多少时间来研发？多少人？

周沛：Alphago的团队很年轻，一共大概花了18个月，初始团队20人，后来增加到140人，谷歌投了大约4亿英镑。

Q4：人工智能的突变到底是什么？

周沛：其实就是遗传算法，机器修改自己的算法，让修改后的算法互相PK，优胜劣汰，从而不断进化。

Q5：目前产业方面哪些是下一个风口？哪些是正在发展的？

周沛：人工智能是非常宽泛的，大的来说，语音识别，自然语言识别已经很成熟了。正在火热有的自动驾驶，智能安防等。未来医疗会很有前景，量化交易这块也有广阔的空间。凡是通过训练来获得直觉和经验的领域，并且这个领域有大量的数据，都有可能在近年内被人工智能取代。