设下这一场举世瞩目棋局的AlphaGo的科学家们未曾料到，段子手们的想象力，令“人工智能”在中国民间引起的最大热议，竟是它是否会消灭文明、统治人类。

　　科幻文学和好莱坞电影强大的洗脑能力，已经在民众脑中刻下深深的烙印——“人工智能就是那种上天入地无所不能的机器人”。通常人们会觉得它离现实较远，然而一个虚幻的大脑突然出现，在一场智力竞争中横扫了几乎代表人类最高水平的选手，并且是在世界公认的“人类智慧最后高地”的围棋项目上。人类的自尊心很难接受，而人类的统治和防御本能更受到挑战，于是就“细思极恐”了。

　　事实上恐慌大可不必，人工智能早已渗透社会，就在人们未曾在意的点滴之上。比如汽车防抱死系统、油路管理系统，可实时语音翻译不同语言的Google翻译软件，垃圾邮件过滤系统，电商网站根据用户喜好和浏览记录推荐商品的引擎，医院里协助医生诊断的医疗系统，等等。

　　这些都是人工智能的实际应用，并且随着技术的发展，人工智能的应用正在变得越来越高阶，比如苹果手机里的Siri，民用的智能无人机，又比如无人驾驶汽车。

　　AlphaGo背后的黑科技

　　AlphaGo与李世石的这一次世纪之战之所以如此受到瞩目，就因为在基础原理不变的情况下，发展出了新的训练和处理模式，使人工智能更进一步。

　　AlphaGo采用了深度卷积神经网络(DCNN)的技术，DCNN的核心是卷积核，卷积核相当于一个过滤网。而DCNN在图像识别和语音识别中是非常有用的，AI能通过它对棋局做优劣评估。

　　让我们实验一下：我们准备一万张狗的照片，各种表情、各种部位的写真，让机器学习。

　　这个过程如下：

　　1.首先，将各种过滤网呈上来，比如能将图像黑白化、平滑、去噪的等等等等。爱美的各位肯定用过美图秀秀，但我们跟美图秀秀对着干，我们不是为了美化，而是为了模糊。这样可以突出照片中最有特点的部分。

　　2.为降低运算量，把图片统统切成小块，比如一张图片切成10*10的小块，并准备好所谓权值共享等方法，再加上硬件设备，就可以开始算了。

　　3.算什么呢?算这一万张狗照片的各种特征值，通过分类器，形成最优的分类模型。实际上，多层堆叠后产生的分类模型根本就没了狗狗的真实模样，机器不会管狗长什么样。

　　训练结束，模型产生，如下图，算法看见了什么——它看到的就是红黄蓝的色斑图，蓝色区域就是小狗的头部。

　　让我们回到AlphaGo的问题上。通过Google的论文，我们知道它是将19*19的棋盘看作一张图，黑子和白子当作像素，每落一子就相当于加了一层过滤网(当然特征算法和照片识别还是不一样的)，如此对棋局做出胜率评估，其实这就是Policy Network的基础。所以，下棋的时候大家感觉AlphaGo很有大局观，还会落下迷惑诡异的子，其实它只是根据图形判断了一下胜率做出的判断。

　　过去的人工智能是基于人工指定的规则进行推导从而给出专业方案，如今的人工智能更多的是利用神经网络算法对文本、图像、声音进行海量计算，从而自主地找出其中的规律，甚至可能挖掘出人类忽视的规律，正如AlphaGo在围棋中落下的神之一子，利用“人脑”思维的棋手们还无法理解其中的深意。

　　DCNN这样的技术当然不只是成为围棋领域人工智能的制胜法宝，让我们欣赏下它在视觉上取得的成就。

　　这是一张从窗口拍摄的照片：

　　这是梵高笔下的星空：

　　人工智能学习后创作的结果：

　　我们正在选择的AI，也许会让你眼前一亮

　　那人工智能会厉害到什么程度呢?目前来说，这并不取决于AI自身，而是取决于我们。

　　以具体行业为例子，比如教育领域，我们真的需要一个人形的、陪伴孩子成长的人工智能机器人么?比如体育领域，我们真的需要可以和人类对抗的机器运动员么?比如医疗领域，我们真的需要一双机械臂帮你手术么?人工智能不一定非要替代人类，而是帮助人类更好地生活。

　　比如，以帮助人类更好地生活为理念，我们可以想象下AI怎么样在汽车场景得到应用：

　　1.无论是4S店还是路边店，维修技工都无法做到可以对所有车型产生的任何问题找到解决方案。因为人的知识和经验是有限的。但是人工智能加大数据，是否可以帮技师解决这个问题?

　　2.车主在不同的用车场景会遇到各种各样的问题，学车、买车、故障、维修、保养、自驾游等等，他们如何能了解并解决这些问题?一个包括自然语言分析和机器学习的人工智能用车助手也许就是答案。

　　3.上游整车厂、品牌配件商，下游维修厂，他们如何判断整个汽车后市场用户的需求变化和市场走向?人工智能可以针对既有海量B2B数据(例如中驰车福拥有的汽配数据库)的挖掘给你答案。

　　正如围棋在中国传统文化里的另一层精神含义“太极”所代表的理念：这从来不是一个生存的问题，而是生活哲理。