ai发展到最后会实现星球跨越吗（这个问题不解决）

近日一个挂着韩国国旗、说着日式英语的神秘ID“Master”，在中国围棋平台上大杀全球棋手，连胜60盘。Master棋风怪异，招式狠辣，顶级棋手败下阵来直呼“也许围棋定式、真理会发生颠覆性的改变”。

这位只下30秒内快棋的Master，昨天终于被认领为AlphaGo 2.0。

AlphaGo声明：我只是最新测试版。

过去一周如迷的局面曾让人恐慌，大家纷纷猜测：一个时代已经到了。讨论人类如何被自己制造的AI颠覆，这个点特别让人类兴奋，《西部世界》就凭借完美点燃这一兴奋点而火爆一时。

但是，尽管Master连胜60盘，这里要说的仍是——

人类还是比AI牛逼，别因为输了几把棋就自信心崩坏吧？

我们距离被AI征服的时代，还远得很。

终极战场是NP完全问题

P问题，叫做多项式时间问题（PolynomialProblem）。NP问题，叫做非确定性多项式时间（Non-deterministic Polynomial）问题。

不明觉厉是吗？据说这已经是美帝数学家们（准确地说是计算机科学家，因为这其实主要关系到计算机领域的命脉）征集到的名字里最言简意赅的一个。

说人话：P问题，就是对于一个问题，比如，不管给你多少个城市，分部多混乱，你都能通过一套已经证明的公理，立刻求解出一条线路。不就是小学数学里的二次元方程吗？差不多。

NP问题，就是如果从随便谁譬如上帝那儿喂给你一个解，你就能很快验证这个解是不是成立，但是你自己不管怎么努力都找不出来。

P/NP问题就是要证明是不是所有的NP问题都能得到一套定理啦公式啦巴拉巴拉小魔仙变变变就变成了二次元方程。

举个魔（例）方（子）

通常的NP问题，其数量级都是非人的，甚至是碾压谷歌超级主脑计算机的。

我们拿大家都听过的魔方举例子：任何人，按照公式一步一步转，都可以还原出一个任何一个打乱的三阶魔方（3X3魔方）；然而，任何一个打乱的三阶魔方，最少转几步就可以还原呢？

这是一个绝好的问题，因为一个六面三阶魔方，其组合状态竟然多达约4.325x1019种！这是什么概念呢，一个人从宇宙大爆炸开始转，转到现在都没有转完……

在这恒河沙数般的可能性中，如何去证明一个适用于每种可能性的最优解？

当然，现在这是一个已经解决的问题，公式有了，上帝之数（还原任何一个魔方的最少步数——20）在无数魔友、数学家和程序员的智慧贡献中被发现了。这同时也让谷歌花了35CPU年（请自行百度CPU-year）的计算机资源去验证了。

魔方看似简单至极，但它的确是最有深度的玩具兼教具，能直观切入NP完全问题这个计算机领域的支柱理论。

魔方“上帝之数”的发现也完整演绎了人类智慧如何制造AI智慧并与之竞技的过程。

现在，验证4325亿亿种组合的算法装在魔方机器人脑袋里之后，机器人最快用0.873秒就能还原一个三阶魔方。而人脑的最高计算速度和手速，在上个月被刷新的记录里，是4.73秒。

看上去机器人AI又一次碾压了人类是吧？别急。

谷歌与NP问题

这里还需引入算法和公式的概念差别，公式是一劳永逸解决问题，算法只能优化你的计算过程，走走捷径。解决P问题用公式，解决NP问题靠算法。

同时，算法，也是谷歌程序员们的命根子。对googler来说，滑滑梯、免费自助餐、打折马杀鸡、躺在太空椅上看热带鱼那些都只是小福利，谷歌真正诱人的是一个对所有员工开放的代码库，可以理解成一个不断维护、更新的内测安卓系统。

你可以随便偷窥，记在自己的小本本上，然后偷出去卖钱（想多了小朋友，谷歌的理念是只要你看得懂，就送给你，就是这么嚣张）！

不仅可以学习海量的天才算法、程序优化、设计创意，还可以针对任何一段代码递交新的提案，挑战前辈，一旦得到维护人员的认证，就能收获一笔价值不菲的，成就感，和，少得可怜的奖金（要做代码王的人，还在乎这点小恩小惠呢多大点出息？）。

这点，在NP问题中就有个非常谷歌，非常人工智能的例子——手。

是的，手的构造，目前的机械工程学技术完全可以精确复制。然而即使一个googler也很难让这只手哪怕系个蝴蝶结（当然，拧个魔方还是行的）。

翻译成P/NP问题的思想，就是你如果已经有了一个打蝴蝶结的程序，输入进这只机械手，给它个蝴蝶结就知道这个程序能行不能行。

但如果P=NP，那你一定能写出一个程序，让它做任何事。写不出，那只是你还不够聪明。相反，如果不，那这只手就总是有些事没法做，一辈子都得拧三阶魔方了……

所以，要等到AI来征服我们，至少得解决无数个类似于“让这只手系个蝴蝶结”这样的P=NP问题，或者说，终于找到一个能够征服人类的关键性P=NP问题，并终于有算法可以验证。

所以，在P/NP问题中，真正能产生突破性进展的是P=NP（即，NP完全问题）。什么意思呢？

一言以蔽之，有“一堆问题”被确证是NP问题中最难的（当然找出这“一堆问题”的过程也是超级艰辛滴），同时更关键的是这堆难题是所有NP问题的归约，他们彼此之间又可建立互相可归约性。也就是说，只要解决其中任何一个，就证明了P=NP。

只要一个，随便哪一个，随便你挑，随便你选，一律2块，全场2块。就是这么梦幻！这有多梦幻呢？这不仅意味着你可以去克雷研究所领一百万美金，更意味着谷歌公司会成为你的子公司，甚至，意味着，你可以真的得到一个阿拉丁神灯，并许下任何心愿。

但P=NP显然是最小概率的事件。

绝大多数计算机学家，包括googlers，对他们来说NP完全问题的出现，只不过是让他们在坚信即使无法验证P等于NP，也至少知道该从天花乱坠的NP问题中划出几个最具实战价值的案例来考验自己对算法的优化能力，为人类智慧做些微小的工作……

比如，为可口可乐公司的饮料装配工厂提供一个可以瞬间节约数百万美金的优化作业调度方案。或者，让带孩子去迪斯尼乐园排队的家长们可以尽量多玩几个项目，都是非常接地气又有爱的选择。

不管P是不是完全等于NP，哪怕只是能得到一些验证手段，快速地划分一些问题的类型，都能够让谷歌这样的大公司调整其研发方向和资金投入，精确指导。

最简单的规划，属于NP完全问题的，以优化算法为主；属于P问题的，全力攻坚求解。

特别是在谷歌目前最关注的搜索优化、人工智能等等领域，有无数介于可计算性和需要借助人力不断改进甚至直接介入的难题。

人与AI之间的距离，几乎就等价于P/NP问题

这一点在计算机之父图灵在设计图灵机，提出图灵测试以及计算机原理是不是以人脑为原型这个问题时，已经奠定了基础。

把任何描述起来也计算起来特别复杂的问题，如果能归约到一个只需要输出“Yes”or“No”的判断语句，并且能通过计算机的内部程序得到答案，也就是图灵机的停机，而不陷入死循环。那么，计算就是可能的。否则，就只好放弃。

这样一个1或0的output，就是计算机的实质了。事实上也是如此，P/NP问题甫一问世，就蝉联了两个计算机界的诺贝尔——图灵奖。此后，在NP问题算法优化方面的杰出贡献者，几乎包揽了该奖项。

狗狗与NP完全问题

当然，你们关心的Alpha-go也和NP完全问题有着莫大关联。

象棋、跳棋、围棋是一个对战游戏，对战游戏的每个局面在对手落子之前都是未知数。但是，换句话说，只要对手落子，那就形成了一个固定的局面。

应对一个固定局面，拢共就这么多格子，无非就是找到哪个格子接近最优解（无论它是走“策略网络”的算法，还是“价值网络”的算法）。这种思维和NP完全问题是相似的，其核心，也近似于NP问题的算法优化。

只不过这个“最优”在内涵上有所不同，正如谷歌工程师的自述，

Alpha-go是基于每一手的胜率预测落子的，而不是神之一手。

涉及到诸如对手分析、分割区域、定式、胜率计算、深度学习等等各种扑朔迷离的领域了。对局棋类，肯定不是一个NP问题能概括的，但难度又相当于一个NP完全问题。

又可以说，Alpha-go和Master是一个和NP问题有许多交集但又跳出这个框架的AI产品。但千万别搞错了，阿尔法狗啃完李世石，Master血战顶尖棋手60回合，登顶世界围棋积分榜，是不是超越了人类智慧呢？

谷歌一定会告诉你，绝不，而且一点也不是谦虚。

一个也不用太高的围棋高段，几乎可以完美预测一个初学者的每个落子，而Alpha-go和Master是不可能的。

感谢撰稿人刘诗晨贡献了99.9%的智慧和内容

本卡编辑时如出现明显谬误，请各位留言指正

,