棋棋书网

ai和我们想的不一样——它不会“思考”，只是擅长“找规律”（第2页）

案例2：AI能赢围棋冠军，但它不懂“围棋策略”，只是会“算概率”

2016年，AlphaGo打败围棋世界冠军李世石的事，让很多人觉得“AI比人类更懂围棋”。但实际上，AlphaGo根本不知道什么是“围棋策略”，它连“围棋的目标是围地盘”都不懂——它只是擅长“找赢棋的概率规律”。

咱们先简单说下围棋规则：棋盘有19×19=361个交叉点，黑白棋子轮流落子，最后围的地盘多的人赢。看起来简单，但每一步的走法组合有10的170次方种——这个数字比宇宙里所有星星的数量还多，人类根本算不完所有可能。

AlphaGo赢棋的核心，就是靠“算概率”，具体分两步：

第一步，学“人类的赢棋规律”。它先看了几百万盘人类围棋高手的对局，比如聂卫平、李昌镐这些大师的比赛记录。每看一盘，它就会记录“在某个棋盘局面下，人类高手走哪一步，最后赢了”，然后算出“在这个局面下，走A步赢的概率是60%，走B步赢的概率是30%”，把这些概率规律存在自己的“数据库”里。

第二步，比赛时“选概率最高的走法”。比如比赛到某一步，棋盘上有10种可能的落子位置，AlphaGo会快速计算每种位置的赢棋概率——比如走左上角赢的概率是58%，走右下角赢的概率是52%，那它就会选左上角。它不会像人类棋手那样“思考”：“我走这里是为了断对方的棋路，下一步再围他的地盘”，它只是单纯地“选概率最高的一步”。

甚至有一次比赛，AlphaGo走了一步让所有人类棋手都看不懂的棋——当时李世石都愣住了，觉得“这步棋完全没道理”。但最后证明，这步棋是对的。为什么人类看不懂？因为人类没发现“这步棋背后的概率规律”，而AlphaGo通过计算，发现这步棋虽然看起来奇怪，但后续赢的概率高达65%，所以就选了它。

但如果换个场景，比如你发明一种新的棋类游戏，规则和围棋完全不同，然后教给AI，再让它和你比赛，它一开始肯定会输——因为它还没看过这种新棋的对局数据，没找到“赢棋的概率规律”。得等它学了几百几千盘对局后，才能慢慢找出规律，然后打败你。这就说明，AI的“围棋能力”不是来自“懂策略”，而是来自“懂规律”。

案例3：AI能识别猫、狗、病灶，但它不知道“猫是什么”“病灶意味着什么”

打开手机相册，AI能自动把猫的照片归为一类；快递分拣中心，AI能快速识别包裹上的地址；医院里，AI能从CT片里找出肺癌的早期病灶——这些都是AI的“图像识别”能力，但它完全不知道自己识别的是什么。

就拿AI识别猫来说，它的逻辑是“找图像特征的规律”，具体过程就像玩“连连看”：

第一步，学“猫的特征规律”。它会看几百万张猫的照片，然后把这些照片拆成一个个“小特征”——比如耳朵是尖的、眼睛是圆的、有长尾巴、身体毛茸茸、四条腿走路。它还会记录这些特征的“出现概率”，比如“90%的猫有尖耳朵，80%的猫尾巴长度是身体的1.2倍”。

第二步，识别时“匹配特征”。当你给它一张新照片时，它会先把照片拆成同样的小特征，然后和“猫的特征规律”对比——如果照片里的动物有尖耳朵（符合）、圆眼睛（符合）、长尾巴（符合），而且这些特征的匹配度超过85%，它就会判断“这是猫”。

但如果遇到“长得像猫但不是猫”的东西，AI就会出错。比如你给它看一张“毛绒玩具猫”的照片，它大概率会判断成“猫”——因为毛绒玩具也有尖耳朵、圆眼睛、毛茸茸的特征，它没找到“毛绒玩具不会动、没有生命、眼睛不会眨”这些“本质特征”的规律，所以只能靠表面特征误判。

医院里的AI识别病灶也是一样。AI能从CT片里找出“像肺癌病灶的阴影”，是因为它看过几百万张肺癌患者的CT片，知道“肺癌病灶常是圆形、边缘不规则、密度比正常组织高”的规律。但它不会知道“这个病灶意味着患者可能得了癌症”，也不会理解“癌症对患者和家人意味着什么”——它只是按规律找出“符合病灶特征的阴影”，然后告诉医生“这里可能有问题”。最后的诊断、治疗方案，还得靠医生根据患者的病史、症状综合判断，因为医生理解“病灶的本质意义”，而AI不理解。

三、核心区别：人类“理解本质”，AI“匹配规律”——用4个例子讲透

看完上面的案例，你应该能感受到：人类的认知和AI的“智能”，最核心的区别不是“谁更聪明”，而是“是否理解事物的本质”。咱们用4个生活里的常见场景，把这个区别扒得更透。

本小章还未完，请点击下一页继续阅读后面精彩内容！

例子1：看到“苹果”，人类和AI的反应天差地别