11月6日，近千位国内智能领域的著名专家、城市学领域的专家学者、城市管理者、媒体、企业家齐聚2016中国（杭州）人工智能产业论坛，展开一场别开生面的人工智能主题演讲。

以下是陈小平教授的演讲实录：

大家好，我的题目是《AlphaGo到底赢得谁》，赢的是二元方法论，二元方法论导致人工智能有新的阶段，我的报告每次都不一样，今天到第9版，早期第一版到第二版，是2009年到2014年，早期的版本主要是在国外讲的，那时候想说没什么人关心，今天到这看，这么多领导、学者都这么关心，我觉得这是非常好的现象。我主要讲这几个方面，都比较简单，一个是人机大战现在半年多了，我们冷静下来看一看，到底是人机大战还是机器大战呢？第二个方面，我是做机器人的，机器人的智能从现象来刻划，就是不可预测的变异场景。第三个问题，不可预测的场景到底有多难？难的原因在哪里？我们过去做了这么多年的计算、智能，我们都会约束了，这叫“图灵计算经典编码原则”，这个原则不仅限制了人工智能，而且所有传统的人造物都尊重这三个原则，历史上所有的人造物尊重三个原则，我们要突破的话是非常难的，如果要突破是人类历史上非常大记录。

陈小平

中国科学技术大学机器人研究中心

人工智能研究中心主任

下面简单汇报中科大的工程。首先回顾人机大战的历史，最早是西洋跳棋，从1956年到1965年，只懂规则，会学习。过了三年战胜了州冠军，再过三年，对阵世界冠军，连输四局。后来的进展就不大了，有比较大的突破是在国际象棋上，他从1985年到1997年，做了12年，国际象棋还是相当复杂，从专业的角度，用两种指标来衡量博弈的复杂度，并不准确，一个是状态空间复杂度，是10的46次方，还有一个是博弈树复杂度，是10的123次方。1997年的“深蓝”战胜了十年世界棋王，前瞻至少14步，多的时候可以前瞻80多步，前以后要评价有一个可能的棋局，然后选择一个对自己最有利的。平均是35种走法，大概是4乘以10的21次方，这个还是太复杂了，用人工智能“剪枝”技术减少到600亿个，利用高性能计算每秒判断2亿个，用5分钟就可以了，所以有赢了。1997年的时候大家对下棋不关心，因为中国香港回归。我总结了是“人工智能+专家+高性能计算会超过顶级专家”。还有一个工作，是西洋跳棋，从1989年到2007年做了17年。状态空间复杂度是5乘10的20次方。1994年Chinook与世界冠军Marion Tinsley战平，后来Tinsley去世了，就失去了对手。后来2007年Chinook可实时找到最优解。有什么意义？它和“深蓝”比有什么推进？它战胜的不是某一个人类的世界冠军，它是所有可能的世界冠军，这个冠军和另外一个冠军谁强？可能以后的冠军更强。其实这个结果在某种意义上是非常有号召力的。

今年到了围棋，围棋的复杂是10的172次方，博弈树复杂度是10的300次方，是非常复杂，AlphaGo战胜了李世石。AlphaGo的团队目标是什么？我们是从学术的角度来分析的，它的目标是什么？它战胜人类呢？我们认为不是，西方人普遍认为，19年前深蓝已经战胜了人类。AlphaGo和李世石下棋的目的是挑战主流人工智能。人工智能技术下不了围棋，所以围棋这个事，对西方人来说不代表人类，但是代表人工智能的挑战性。另一方面，AlphaGo的做法与人工神经网络为基础的学习，再加上搜索，这种做法在人工智能的很多年受到了压制，这下是彻底翻身了，现在是再也压不住人工神经网络了。从他们最初的学术角度说有这样的动机，当然这是发生以后，美国的反应非常快，现在不是一个纯粹学术的市场了。

我们剖析AlphaGo的原理。简单地说，它有两个所谓的大脑，就是两个神经网络，我们要注意这两个网络是AlphaGo是自己设计的吗？不可能，是设计者设计的，这点我们要重视。这两个网络设计非常有讲究，这些都是设计者决定的，设定好的最初这两个网络里的内容很少，就利用深度学习的方法训练它，用强化训练的方法自我训练，就变得非常强。人工智能方法论对比一元方法论，核心只有一个，就是人工设计，现在AlphaGo所揭示的新的人工智能方法论有两个核心，这两个核心谁比谁强都不好说，所以我叫它“二元方法论”。在某些大规模复杂问题上，人工智能系统研发的二元方法论超越了传统的一元方法论。所以这里面没有谁战胜谁，只有某个阶段谁超越谁。

现在很多人觉得最难的棋都赢了人，人就没戏了，人基本上处于下风，其实不是这样的。比下棋更难的问题，我们回顾一下，1961年工业机器人量产。智能机器人有感知有行动，另外，它需要世界模型支持它的决策，这个任务是也规则化的。存在大量的不可预测的变异场景，出现什么情况根本想不到，导致环境和世界模型脱节，这样机器人的行动，就不知道要做什么行动了。AlphaGo下棋都赢了，为什么这个问题不能解决，所有复杂的问题抽象到一个模型，就是不可预测的，变成一个场景。机器人的核心是计算机，计算机就是图灵机，图灵机是有磁带、有输入输出。图灵机，可计算的都是图灵机可计算的，这就厉害了。同时图灵既是计算机之父，又是人工智能之父。

我们从机器人的观点发现行动是发生在机器人内部的，机器人的行动发生在现实世界，感知和人机交互对应信息输入输出。关键在于编码，什么是编码？计算机上要输出字母，那就变成二进制的编码，A是这么一个编码，B也是这么一个编码，所以计算机里头没有字符，没有计算机编码。具体怎么处理呢？实际上是通过图灵机，图灵机最厉害的就是这个，它有通用的程序，要应用的程序输入到磁带上，模拟输入的应用程序，完成应用程序的计算。那么图灵问题应该这么说，凡是可计算的都是通用图灵机可计算的，这里面有更深层的东西，一个是应用的编码，包括应用的程序和数据的编码，还有一个是通用模拟程序和数据的编码，这个叫系统编码。估计到最后，通用图灵机归结为两个编码，两个编码是怎么回事？这个可以研究很长时间，我们总结以后总结出了三条原则：第一，约定的强制性。两个编码最后导致三个结果，第一个结果是约定的强制性，人机交互必须遵守这个约定，不遵守的话，产生的后果自己负责。第二，约定有效性。如果满足第一个原则，另外环境也满足产品的出厂要求，比方说温度等等，这样的机器一定能完成预定的功能。第三，语义的封闭型。这三个原则有作用？第一，人机交互约束条件，第二，机物关系、机器性能。第三，经典计算的基础。我们说几个例子。电子数字计算机及产品和服务，我们研究之后，它是严格遵守图灵计算经典编码原则的。符合原则一的话，少数几个条件符合产品的要求，计算机一定能够正常工作，得到你要的结果。第三，语义的封闭性，系统程序和应用程序都是语义完全定义的。

下面我们看到围棋、国际象棋、西洋跳棋，这些也是满足的，完全遵守图灵计算经典编码三原则：约定强制性、约定有效性、语义封闭性，不存在不可预测性，博弈的规则是经典编码原则的推论，反过来是不成立的。

第三个例子，铁路客运系统，高铁很复杂，“行动”在现实世界中发生，存在不可预测的变异场景。原则一是有效的，原则二和三是近似有效。

下面看几个反例。第一个就是人，人不遵守原则，现实世界中人不遵守原则。第二个原则不成立，人不是所有环境下都能工作，在不满足约定的环境他也能工作。还有编码的语义也不是的。三个新的原则叫“超级编码原则”。

第二个，“像人一样”的机器人，人不遵守三项原则，“像人一样”的机器人也不遵守。

第三个，个人服务机器人，是遵守经典原则还是超级编码原则？有两种观点：一种，个人服务机器人必须超越经典编码原则。第二种，有可能存在既能满足经典编码的原则。

智能机器人出路是两种挑战：工程挑战、科学挑战。工程挑战是妙用经典编码，科学挑战是超越经典编码。工程挑战是一事一议的，科学挑战是一通百用。历史上从来没有任何人造物超越图灵计算编码计算三原则。

下面简单讨论人造物。历史上出现的人机交互的人造物都是符合图灵计算经典编码三原则。图灵计算经典掩码原则是人与现有人造物之间的技术界限。我们要突破经典编码原则就是破传统人造物的历史人造性。

这些是理论思考，具体我们做什么呢？我们从1998年开始做机器人，做了10年之后开始做有创新的东西，我们的原理是几条：第一，我们放弃基本原则一，我们改进原则二，我们把它放宽，另外语义的封闭性我们是彻底抛弃的，我们提出了新的原则，就是基于宽松型定义的编码体系。

现在可佳机器人怎么解决问题：自然语言对话获取用户需求；根据用户需求获取外部知识；自然语言理解、知识提取与转换；针对用户任务自动规划，生动行动计划；不成功是返回2。

难点有这么几个，用户需求有冲突，执行过程有变化，这个就是环境有不可预测性，下面把这块给剪掉了。机器人初始知识不完备的，可以在网上获取知识。另外一个，利用及其们本地知识和新获取的外界知识，自主进行机器人任务规划与推理。同时对变化的环境进行实时检测和建模。

这个是2010年10月做出来的，这个做得挺好的，能不能进入家庭？还有很多挑战，不可预测的变异场景。这种服务机器人要进千家万户，卖一个产品，不可能进到家庭去调。变异场景最后导致的是什么？图灵计算编码三原则，要么把这三原则改了，要么近似满足这三原则。

最后总结一下，AlphaGo的获胜显示二元方法论超越了一元方法论，所以人工智能进入了新的阶段。我们不能再光想着人工智能信息，也不能光想着机器学习。图灵计算经典编码原则本来是计算机行业的主流工程方法论，但是现在它跨行业了，适用于所有的人造物，这个太厉害了，一定要突破它。突破是两个方面，一个是超越经典编码，一个是巧用经典编码，无论哪一个都意味着重大的突破。谢谢大家！