文·姜昊骞

人工智能（artificial intelligence，AI）的触角，正伸向个人与社会生活的各个角落。语音识别、决策管理、生物信息处理乃至内容创作等领域的AI应用，越来越多。同时，AI战胜人类的消息，也在不时挑动着人们的神经。

对许多人来说，AI是一个无法具体把握的黑箱，它是如此复杂，以至于我们只能默默地看着它塑造个体、领域与社会。但是，AI并不是黑箱，它是可以理解进而去把握的，我们需要的可能只是一个合适的突破口与契机，而这正是纽约大学教授朱利安·图吉利斯的《人工智能如何玩游戏》一书的目标。作者从游戏切入，深入浅出地介绍了人类智能与AI的区别、AI的基本模式与潜力，以及人类在AI发展的过程中所能扮演的角色。

AI比人更聪明吗？

对大众来说，机器人和人工智能（AI）正在或即将冲击自己的生活乃至社会的命运。快递员会担心配送机器人抢了自己的饭碗，职业译者每次看到人机翻译对比结果时都难免感到紧张。游戏则似乎与我们的切身利益并无直接关系。听到阿尔法狗击败李世石的消息时，人们可能会感到一种没有具体指向的泛化焦虑，不过很快会恢复如常，甚至会觉得AI暂时或永远不会影响到自己。这种自我安慰是否正确暂且不论，却肯定是缺乏建设性的。

如果对AI没有一定的具体把握，那么AI就仿佛是一种类似于陨石撞击、火山爆发的自然灾害，不仅无法理解，更无从应对。为此，纽约大学计算机科学与工程教授朱利安·图吉利斯（Julian Togelius）的《人工智能如何玩游戏》给出了有益的洞见。

图吉利斯从儿时起，就醉心于思考人类与机器的智能。读博期间，他对智能机器人做过研究实验。他发现：“这种实验需要我随时待命，做一名机械师；但我对维修机器人不感兴趣……令人兴奋的是这些机器人背后的理念。”于是，他想到可以用游戏代替机器人来做实验，探索AI在游戏领域的各种应用，最后绕了一大圈，通过游戏思考人类智能与人工智能。

人类历史上，已经为“智能”给出了许多种定义。比如，心理学界的一个主流智力模型是卡特尔—霍恩—卡罗尔理论（CHC理论），列举出了人的11种广义认知能力，包括理解力、数理能力、读写能力、视觉处理、决策/反应时间等。

图灵测试也是一个简洁明了的人工智能衡量标准：只要真人在对话中无法将一台计算机与其他真人区分开，那么这台计算机就可以认为是有智能的。客服机器人的不断进步，似乎暗示计算机正在突破图灵测试。

另外，在许多其他曾经被认为人类特有的活动中，AI也在不断取得新的进展，在很多领域更是超过了人类。最明显的例子就是记忆和计算。用本书作者的话说：“人类总说：‘金鱼的记忆只有7秒’，但是从计算机的角度来看，人类和金鱼在记忆力上并没有差别。”

即使是在运动控制、模式识别、语言处理等传统的人类优势领域，AI的表现都让人不禁怀疑：人类智能是否真的有一条可以永远隔绝AI的红线？近年来，尤其是疫情以来大规模铺开的人脸识别功能，就是一个明证。

但是，计算机比人擅长做某件事并不意味着计算机就有了“智能”。人类擅长适应各种情况和问题，而AI通常仅仅适合完成特定的任务。而且在很多情况下，用简单规则执行简单任务的简单机器人，在实际表现上要优于更复杂的机器人。建造无数种互不相通的专业机器人，抛弃无用的“普遍问题解决能力”似乎更加明智。如此一来，AI是不是智能、AI能否超越人类的问题，就不攻自破了。AI不需要贪大求全，只要做好规定好的任务就可以了，而试图全面模仿乃至超越人类的“广义AI”并无实际意义。

人工智能会不会超越人类的智能，替代人的脑力劳动，甚至摧毁人类作为理性动物的尊严？至少从1950年英国计算机科学家图灵在《计算机器与智能》一文中提出“图灵测试”的概念以来，人们就一直在思考这个问题。随着“深蓝”挫败象棋大师卡帕斯洛夫，“阿尔法狗”（AlphaGo）战胜韩国顶级棋手李世石以来，人工智能碾压人脑的图景似乎越来越近了。

近半个多世纪以来，人们曾预言过许多计算机永远做不到的事。例如，美国哲学家休伯特·德雷福斯（Hubert Dreyfus），曾在1986年的《计算机不能做什么》一书中深入批判了人工智能乐观论的哲学基础。他在此基础上，对语义理解、模式识别、模糊复杂问题求解等具体应用领域提出了质疑。他在当时就遭到了麻省理工学院同事们的批驳，而在三十多年后的今天，我们更有理由怀疑所谓“计算机智能的极限”到底是绝对的边界，或者仅仅是暂时发展程度的局限。

这不仅仅是一个技术问题。重复性体力劳动一向被认为会是最早被取代的职业，但如今越来越多的所谓高级技术工种也有了失业的隐忧，包括会计、律师和医生。要想认清这个社会问题，除了从经济、文化、历史层面进行外部分析以外，内部视角也是不可或缺的。换言之，我们需要了解人工智能处理和解决问题的具体方法与思路。

AI不仅会玩游戏，还能创造游戏

首先，游戏是AI的未来。游戏是很好的AI试金石。自AI研究开始以来，五子棋、象棋、围棋等经典棋类游戏，就被用来检验AI的能力。“深蓝”和“阿尔法狗”，正是这一方面的产物。此外，更复杂、不确定性更强、难度更高的电子游戏AI，也在蓬勃发展中，例如可以玩《超级马里奥兄弟》、《愤怒的小鸟》、《星际争霸》的AI程序。

作者提出；“在《星际争霸》中，表现最好的代理（AI程序）仍然比不上优秀的人类玩家。在大多数此类比赛中……我们都能看到代理明显的进步。”这似乎印证了悲观者的论调：AI或许暂时还比不上人类，但终将超越人类。

不过，一个值得注意的状况是，AI之所以能在各类游戏中取得越来越好的成绩，很大程度上是因为AI算法被“降级”了。以赛车游戏AI为例，为了追求跑圈速度，开发者会对算法进行深度定制，针对游戏中车辆配置、赛道形状、驾驶行为制定细致的人为规则，而并非完全依赖大众想象的“机器学习”或“深度学习”。于是，包括深蓝、阿尔法狗在内的游戏AI代理，成为了纯粹的专用人工智能。用作者的话说：“阿尔法狗很擅长玩围棋，但也只能玩围棋。它玩不了其他游戏，连国际象棋也玩不了。”

传统上，开发专用AI是一个乏味且劳动密集型的工种。如果玩家在游戏中看到了一个看起来很聪明的非玩家角色（NPC），原因很可能并不是开发商采用了某种高精尖的算法，而是因为某个或某群程序员用大量代码和时间来规定它的行为。

最基础的算法是“有限状态机”。开发者先要为角色设定若干状态，以射击游戏中的一个简单敌人为例，他可能有六个状态：守卫（在两个点之间来回走动）、掩护（跑到设定好的掩体）、躲藏（蹲在掩体后面）、射击（起身，并以设定好的频率和角度向玩家开枪）、近身攻击（向越过掩体的玩家连续射击）、死亡（生命值降到0时倒地停止活动）。

接着是设定状态之间的转换规则。比方说，玩家出现在NPC视野内时，NPC就会从默认状态“守卫”进入“掩护”状态。可见，角色状态越多，状态转换规则越细致，则NPC就会显得越聪明。这是游戏行业长期以来的主流模式，在工业机器人和无人驾驶汽车领域中也有广泛运用。

显然，这并不符合大众对人工智能的浪漫想象。能够自我开发、自我完善的AI才算得上是真AI，不是吗？本书作者以赛车游戏AI为例，展示了AI自我开发的一种基本逻辑—神经网络。开车时，司机要观察自己的车与道路边线的距离、车辆的角度、与其他车的距离等输入信息。接着，大脑会对这些信息进行处理，得出要采取的行动，比如踩油门、左转弯等。最后，行动产生的结果又会产生新的输入信息，如此往复。

神经网络的反馈回路正是如此：传感器输入信息，程序处理信息，输出结果，产生新的输入信息。但是，这还做不到自我开发。如果归根结底还是要人来设定、观察和修改程序参数的话，那与传统模式也没有多大区别。

在这一方面，计算机科学家借鉴了进化论。生物个体会发生随机的基因突变，这些突变大部分是中性或有害的，但凭借自然选择的力量，生物种群会越来越适应自己所处的环境。物竞天择中，并没有某个高等智慧在调试基因。同理，只要先随机生成100个不同的程序，再设定好选择的标准，比如“30秒内行驶的距离”，然后就可以让程序互相比拼了。每一轮筛选掉50个最差的随机程序，将其余程序投入下一轮的竞赛。只要持续足够多的轮数，程序总会得出越来越好的成绩。

采用同样的逻辑，AI不仅能够成为越来越好的玩家，甚至可以自主创造游戏关卡乃至完整的游戏。本书作者讲述了美国程序员卡梅隆·布朗（Cameron Browne）的经历。布朗用计算机语言，自动创建了跳棋、围棋、黑白棋等多种传统棋类的许多变种。这种棋类游戏的规则，可以用几行代码来表示，接着就可以采用上一段描述的模式来挑选可玩性比较高的新规则。他开发出的“嵌手棋”（Yavalath），甚至被发行商相中并推向市场，这可能是世界上第一个完全由计算机生成的商业游戏。

诚然，AI目前取得的成绩是不平衡的。AI在有些游戏里已经超越了最强的人类玩家，但在另一些游戏中还完全没有摸到门路。AI游戏开发眼下主要还是一种学术界的概念设想，少数技术展示性质的项目还远远达不到商业化的程度。

但是，游戏是人类认知能力的一种典型综合应用。而如今AI不仅能玩游戏，甚至还能开发游戏。因此，与其漫无目的地害怕AI抢了自己的饭碗，摧毁自己的尊严，不如从一个具体的角度切入，试着了解AI的思维方式，进而考察AI对自己和社会到底意味着什么。《人工智能如何玩游戏》为此提供了一个扎实易懂的入门导引。