“从0到1”基础研究: 从人工智能三盘棋说起

国家科技部、国家发改委、国家教育部、中科院和国家自然科学基金委等五部门于3月3日联合发文《加强“从0到1”基础研究工作方案》，提出了很多切实可行的举措以加强“从0到1”的原创性基础研究，以鼓励我国科学家，尤其是青年科学家，开辟新领域、提出新理论、发展新方法，取得重大开创性的原始创新成果，抢占国际科技竞争的制高点。该方案出现得非常及时，是“破除四唯”的组合拳之一，是广大从事基础研究的科研人员，尤其是青年科研人员的“福音”。

由于该方案是全国性纲领性文件，以宏观原则和总体思路为主。 针对每个具体学科，还需要具体问题具体分析，提出相应的对策。 本文从现在热门的人工智能（AI）学科的发展，试图总结如何实现“从0到1”基础研究的一些具体的规律。人工智能自从1956年提出以来，其发展里程并非一帆风顺，也看不到今天的如日中天，走过的道路非常曲折，经历了三落三起。在每一次即将衰落之际，恰巧有一个大专家（团队）临危受命，以一盘棋挽狂澜于既倒，扶大厦之将倾。人生如棋局局新，幸亏棋局AI终复兴。

第一盘棋，是IBM的萨缪尔（Arthur Lee Samuel） 研制的西洋跳棋AI程序，在1962年击败了当时全美西洋棋冠军，引起了巨大的轰动。这个AI程序采用了机器学习中的强化学习技术，具有自学习能力，能不断提高弈棋水平。萨缪尔参加了人工智能起点的1956年达特茅斯会议， 是AI的创始人之一。他提出了“机器学习”的概念：让机器在学习中不断提高性能，并在跳棋程序中进行了实现。因此，一个AI跳棋程序，实现了2个“从0到1”基础研究：机器学习和强化学习，直到今天还影响深远。据说萨缪尔研究和完善这个程序化了约10年的功夫，做到了十年磨一剑。

跳棋AI程序把AI从谷底拉起，使得AI名声大振，让更多研究者获得更多的支持。但是，跳棋游戏还是有些简单，复杂度不高。之后，虽然有80年代神经网络的兴起，但是毕竟解决的都是些简单的问题（Toy Problem），大家慢慢对人工智能又失去了兴趣。此时，急需AI解决一个高难度的问题以重振士气。

国际象棋比跳棋复杂得多，国际象棋大师是人类智慧的杰出代表。从读博士期间，就专注计算机下棋的许峰雄博士，在IBM公司的支持下，花费约12年时间，终于研发出国际象棋AI程序深蓝（Deep Blue），具有超级运算，快速推理和搜索能力。在1997年5月12日，深蓝击败了棋王卡斯帕罗夫。当时虽然没有移动互联网，也有数以亿计的观众观看了现场直播，基本实现了AI家喻户晓，也再一次挽救了无数AI研究者和研究项目。深蓝也有2个“0到1”基础研究： 1.  将通用处理器和象棋加速芯片相结合，极大地提高了计算和搜索速度；2） 汇聚了诸多人类国际象棋大师的知识与智慧，形成了超级专家系统。

在此之后，人工智能的研究又平稳发展了一段时间。虽然在2012年，深度卷积神经网络技术，使得图像识别的精度大幅度提高。但是，图像识别还局限于人工智能很小的领域，知道的人不太多，在社会上反响不大。与此同时，人工智能的热度也在逐渐下降。如果任其发展，人工智能有可能再此跌入谷底。这个时候，AI急需一场更大的胜利来鼓舞人心。

围棋是最复杂的棋类，复杂度远超国际象棋，围棋大师是人类智慧的最高代表之一。 AlphaGo是 由谷歌（Google）旗下DeepMind公司戴密斯・哈萨比斯领衔的团队开发。2016年3月，在数十亿互联网观众的围观下，AlphaGo以4：1战胜了世界围棋冠军李世石，终于引爆了人工智能，使之家喻户晓，妇孺皆知。AlphaGO实现了2个“从0到1“基础研究突破：1）将深度学习和强化学习完美结合，形成深度强化学习核心算法；2）将蒙特卡洛方法与深度强化学习有机结合，快速找到超级复杂问题的次优解。

从这三盘棋，我总结人工智能研究“从0到1“基础研究有三个具体思路。首先，AI研究要挑战各种人类冠军，比如中国象棋冠军，世界桥牌冠军和各类游戏冠军等等。各类人形机器人要与人类选手同场竞技，比如与博尔特比短跑，与费德勒比网球 等等。其次，要公开进行比赛，现场直播，尤其要网上直播，形成社会热点。AI研究水平，是骡子是马要牵出来溜溜。论文中的结果与仿真中的结果可信度不行，不太靠谱。必须要真刀真枪的公开比试，类似于我国古代的登台打擂。最后，要实现相互比赛，看谁家能独领风骚，一览众山小。 比如，谁研究的围棋程序能击败谷歌公司的AlphaGO，我们就承认他的AI研究水平达到了世界领先水平。