人机大战的终极疑问：人工智能=创造力？

摘要

人机大战，尘埃落定，然而，各方议论共同指向的终极问题，依然悬而未决——人工智能，等于创造力吗？来自复旦类脑研究和心理学专家的回答，或可一观。

文｜冯建峰（复旦大学类脑智能研究院院长）

邱江（西南大学心理学部教授）

●　●　●

智能围棋Alphago以四比一战胜九段高手李世石，令几乎所有的围棋高手和智能专家都大跌眼镜，赛前一边倒的预测和赛后一边倒的公众舆论形成了巨大反差，许多人惊呼：机器战胜了人类，人工智能已经到达了取代人类的奇点。但是，正如亚历山大波普在《人论》中对显微镜技术这样评价，“我可以观察螨虫，但却不能理解苍穹”，所有的狂呼都需要更冷静审慎的分析，这是人类最终不断超越自我最重要的科学态度。这里面临的一个基本问题是：什么是智能，人类的智能如何衡量。

而所有争论的终极疑问由此开启：人工智能，等于创造力吗？

当下，经常听到的评论是今天的阿尔法围棋赢了人类，但它产生不了牛顿和爱因斯坦。换言之，它还没有智能，因为它没有创造力。那么智能是创造力吗？学术界，尤其是心理学和认知科学界，对此也有多年硏究。吉尔福特与其南加利福尼亚大学的同事在大规模的能力倾向研究工作的基础上提出了三维智力模型，认为智能包含创造性，如发散思维和聚合思维等。而Sternberg(1988)则提出了“创造力三维模型理论”，认为创造力由智力维度、认知方式维度和人格特质维度组成。这是既相互独立又相互联系的三种维度，任何创造力都是以上三个方面共同作用的结果。因此，高智力并不一定意味着高创造性。创造发明是一种具有创新意义、超乎寻常的问题解决过程。从信息加工的观点看，创造性是在产生有价值的新信息过程中所运用的各种智力品质的总和。

创造性和智能关系十分复杂，如果我们还没法定义和衡量我们自己的智能，当然谈论阿尔法围棋的智能己超越人类也就无从谈起。

在第四局对战中，李世石在进入读秒前后下出了“神之一手”，让AlphaGo的脑子也短路了。这个在给人们带来信心的同时，也让人们更加坚信人类所独有的“直觉”“顿悟”等创造性思维的价值。

1896年，高尔顿最早提出对“创造性”进行系统的研究。一个具有创造力的人往往能超脱具体的直觉情景、思维定势、传统观念和习惯势力的束缚，在习以为常的事物和现象中发现新的联系和关系。模仿力和创造力是两种不同的能力，就像动物能模仿、不能创造，人工智能同样也不具有创造性。人工智能只是按现成的程序来解决问题，而人类却拥有提供解决问题的新方式和新途径的能力——即创造性。创造性思维在广义上是一种高级的思维活动，也就是个体在已有知识经验的基础上，产生具有新颖独特特点和对社会具有使用价值的产品过程。而在狭义上，创造性思维是针对个体而言的，也就是产生对个体具有新颖独特性和实用价值的思维过程。总之，创造性应该包含两个关键要素，即“新颖性”和“适用性”。

一般认为，创造性包括发散思维和聚合思维。发散思维是指个体不依常规方式，沿着各种不同的方向和不同角度去探求多种答案，从而产生有创见的新颖观念。与此相反，聚合思维则是个体利用已有知识经验来分析和整合给定信息，并从中提炼出优化的创造性方案的思维形式。常用的发散思维测量工具，有托兰斯创造性思维测验和一物多用任务；聚合思维测量工具，则包含远距离联想任务和复合远距离联想任务。此外，还有猜谜语任务、字谜任务、创造性成就问卷和人格问卷测量法等重要的测量工具。但以往观点及测试都忽视了知识在创造力中的作用，因此，国内一些学者将知识结合到创造性的定义中，认为创造性就是学习知识，应用知识和创新知识的过程。到目前为止，发散思维测验仍然是测量创造力的重要工具；此外多种多样的创造性测量工具正在试图更加全面地对个体的创造性能力进行评估和解读。

为了进一步剖析智能问题，让我们先来看一下阿尔法围棋练习了什么绝招来战胜李世石的。在它的算法中，本质上用了两个人工神经元的多层网络和一个搜索算法。这两个人工神经元网络用了深度学习算法，一个从上世纪80年代发展起来的学习理论。具体实现上，用了一些概率论里常用的方法如贝叶斯估计和蒙特卡洛树搜索方法等，辅之以一个宠大的有16万盘棋、共有3000万幅图构成的五至九段棋手以往比赛棋谱，作为训练例子。除了有教师的学习算法之外，阿尔法围棋还首次引进了强化学习，一种基于有教师学习和无教师学习之间的学习算法。

阿尔法围棋算法的本质在于缩小它的可能搜索空间。直接穷举一盘围棋的可能所有结果，是一件不可能的事，这需要计算10的170次方的可能性。通过上述被称为决策和取值的2个人工神经网络，把需搜索的可能性，即宽度和深度降了下来，从而使阿尔法围棋战胜李世石成为可能。因此，阿尔法围棋实现的是一种准优化算法，这达到了智能吗？值得我们忧虑吗？或者说，我们的智能是一种优化算法吗？

为回答这问题，也许我们可以回顾一下人工智能的发展简史。它的第一次高潮在1957年由Frank Rosenblatt发表的单层神经元网络—感知机带来。但在1969年明斯基等人严格证明了感知机仅能解决简单的线性问题，人工神经网络研究随之陷入低潮。第二次高潮是在1980年，当时笔者之一还在北大数学系做硕士。记得是BP网络和Hopfield网络盛行一时，BP网络的提出者之一是今天深度学习的倡导者Geoff Hinton。第二次高潮延续了十来年，由于缺乏创新，神经网络再次冷却下来。近几年来，随着大数据和计算机能力的提高，Hinton本人的持之以恒努力终于再次得到回报。他提出的深度学习算法(其实早在80年代他就在做类似的工作)，能比人还精确地识别人脸，能标注图形。这次阿尔法围棋也主要用了他的算法。

深度学习算法实现了智能吗？我们来看看它的工作原理。基于诺贝尔奖的工作，我们知道人类初级视觉层的工作原理。一个物体投射到我们的瞳孔后，我们的视觉系统开始分解它成为各个非常简单的影像单元，经过几层神经网络的不断投射，最后汇总于高级脑皮层进行更为复杂的加工和处理，融入了其他脑功能，如注意力、情感、决策等。今天的深度学习，以人工的方式模仿了这些初级视皮层的多层结构，在海量数据基础上，在一些特殊领域如人脸识别等，取得了傲人成果。但这是某一特殊领域的特殊应用的成功，与人类智能全面性还相差甚远。

今天的阿尔法围棋，给我们人工智能的研究无疑会带来巨大推动作用。计算机早在记忆存储、数值计算方面远远超过人类，加上今天的阿尔法围棋又在解决复杂问题的优化上战胜人类。但这些突破都是点上，这些机器优势并没有达到全面，阿尔法围棋需要一个人坐在棋盘前，优雅地拿起棋子，把该子放在棋盘上。就光这一点，己是今天智能机器人很难匹配的。随着2013年启动的欧洲脑计划和美国脑计划的推行，以及呼之欲出的中国脑计划，我们对大脑的理解会进一步深入，也会进一步推动类脑智能方面的研究，从而为人类生活的方方面面带来福音。

原载上海观察（微信号：shobserver），《知识分子》获授权刊载。

知识分子，为更好的智趣生活。

关注请加微信号:the-intellectual或长按下方二维码。投稿、授权事宜请联系：zizaifenxiang@163.com。