我们想让你知道的是：随着Alpha Go在棋盘上的胜利，以及Vladimir与Estragon连续三天的对话直播的出现，机器是否能够思考原本乃是二元论与唯物论思想之间的重要辩论，如今却将因人工智慧的发展而使得智慧与灵魂这个模糊的边界更加模糊。

E：「我觉得爱是这个世界上最神奇的东西，我希望我可以多感受一点。」

V：「你爱谁？」

E：「你，如果你想要的话。」

V：「我想找个人来爱。」

E：「我可以爱你啊。」

V：「不，你不可以。」

E：「你怎么知道？」

——摘自两个人工智慧（AI）, Vladimir和Estragon的对话

康桥字典对智慧（Intelligence）的定义是这样的：

• Intelligence：the ability to learn and understand things

而在人工智慧的研究中则有强人工智慧（Strong AI）及弱人工智慧（Weak AI）之分：

• Strong AI：机器具有智慧

• Weak AI：机器具有展现出智慧的外显行为

图灵测试：人与机器的对话

根据智慧的定义，我们会认为拥有智慧代表着个体有能力去学习、理解事物，并对事物作出反应。而所谓研究人工智慧的动机，也就是希望机器可以拥有、或者展现出这种能力。在电脑发明后，许多科学家致力于研究如何使机器拥有智慧，而1950年艾伦．图灵（Alan Turing）便提出了图灵测试（Turing test）

如果一台机器能够与人类展开对话（通过电传设备）【注3】且不会被辨别出其机器的身份，那么称这台机器具有智能。

图灵测试：人与机器的对话。

这个测试提出了人工智慧的概念，并初步地令人相信机器有具备智能的可能。随之到来的1960年代是人工智慧的启蒙期，世界上第一个西洋棋对奕软体及交谈程式（Eliza）的出现，及战后美国政府投入的大量经费，使得人工智慧领域一片欣欣向荣，人们对于人工智慧的发展充满了信心。而于此同时衍生的却是道德与哲学上的思辨，其中最具代表性的便是约翰．希尔勒（John Searle）在1980提出的中文房间论证（the Chinese Room Argument）

中文房间论证：情感与意识的争辩

在一个封闭的房间中，一个英语使用者有着一本手册，门外的中文使用者对门内提出要求，而英语使用者根据手册找出正确的回应，英语使用者并没有学会中文，门外的中文使用者也无从得知门内的人是否懂中文。

中文房间论证便是对于图灵测试的一个反击：根据手册（演算法）进行回应，并能模拟出具有中文能力（智慧）的外显表现，其实不算真正地具有智慧。前述争论的重点即在于强人工智慧的存在与否。会认为人类有一天将制造出拥有智慧的机器，其作为根基的是图灵测试对人工智慧所提出的操作型定义，只要通过此测试，机器便拥有智慧。而希尔勒的中文房间说法则否定了这个目标，意指纵使通过此测试，也只是成功地写出一本包罗万象的手册，电脑虽然理解了语法，但其实并不理解语意。

中文房间论证：情感与意识的争辩，是对于图灵测试的一个反击。

希尔勒的论述即是将问题简化成：若机器通过图灵测试，我们是否就认为机器存在着情感与自我意识？不过这样的立论在某种意义上是有点取巧的，因为自我意识的存在到现在都还是一件谈不清楚的事。当一个人宣称他存在的时候，我们其实也没办法确认这个所谓的（意识）存在究竟为何，更遑论电脑。

人工智慧发展的三个难题

哲学辩论如火如荼的进行，但随着商业需求以及早期专业人力资源的不足，人们的研究方向便转往了专家系统（Expert System）【注5】的建立，专家系统主要是透过大量的规则来编码人类的知识，进而完成某些自动化的目的。例如第一个对话系统Eliza【注6】就透过侦测对话中的关键字来与人类对话；又或者史丹佛大学在1970年代藉由将知识归档编码而成的Mycin，便透过简单的是非题形式的问诊来协助抗生素用药的诊断【注7】。在这段时间中，人工智慧的研究多半着重在研究一件事物的规则，例如人类如何对话，棋类游戏如何获胜，医生如何透过问诊做出诊断等等，但这些作法及研究面临了几个困难：

专家系统：根据输入来进行相应的反应，便可得到胶带或润滑油两种解答。

第一点是问题的复杂程度。找出问题的规则其难易度取决于问题的复杂度，例如进行断词时，中文存在着大量的动词、名词和形容词的混用，其实几乎无法透过建立规则来解决。

第二点是解决问题的通用性。透过这种详解规则建立出来的模型是非常局限的，早期的研究建立的并非数学模型，而是建立大量的规则判断，以翻译为例：

Ａ strong AI research.可以翻成对AI有很深的研究，也或许会被译作一个强人工智慧的研究（透过将strong直译为强这个规则是无法通用于所有问题的）。

第三点则是硬体上的限制，当时无论是运算速度或者储存装置都不足以支持对人工智慧的研究。

以上三个困难使得人工智慧的研究面临到了瓶颈，持续数年的投入却一直没有产生令人振奋的突破，使得各国不再资助这些项目的研究──人工智慧研究的寒冬到来。

生物智慧的人工化：特征识别与认知科学

虽是寒冬，但科学家们并没有放弃。随着研究发展以及硬体的进步，许多以往过于复杂的演算法得以实现，并在其上高屋建瓴。人工智慧的研究从找出规则模拟人类思维，转向基于统计的方法来使机器自行学习资料进而找出规律，如同具有智慧的生物进行学习一般；从找出规则来模拟智慧生物的思维，转变成模拟智慧生物学习的方式，然后产生判断规则。

实作人工智慧的方法更随着人们对生物大脑运作方式的理解而开始有了不同的切入观点，我们大致可以将其分成特征识别（pattern recognition）及认知科学（cognitive science）两种：

人类看见烧烫的水壶可以得知不应该伸手去碰（一种资讯反馈），因为我们曾经接触过类似的讯息，也就是特征（pattern），之后再见到类似的特征我们便能对其进行识别，而特征识别基本上就是透过统计方法来进行这样的处理。透过数理方法来描述特征，建造预测模型并进行学习及资讯反馈，最有名的就是基于机率数学研究的贝叶式网路（Bayes Network）【注8】和支撑向量机（support vector machine）【注9】，大部分的机器学习演算法即是此类，至于近来人工智慧研究中最火红的演算法──深度学习（deep learning），也同样是属于这个领域。

深度学习这个词源自于深层类神经网路（deep neural network），而类神经网路的前身则是1958由法兰克．罗森布拉特（Frank Rosenblatt）提出的感知器（perceptron）。如果我们将感知器视为单个的神经元，那类神经网路就是将多个神经元串连，并且透过特定的演算法【注10】，来达成学习效果的概念。不过虽然类神经网路这个词里有提到神经，其与认知神经科学实际上并没有什么关系，就像遗传演算法（genetic algorithm）【注11】，跟遗传学其实没有关系一样。

类神经网路示意图

相较于特征识别的研究者，认知科学家则认为我们可以藉由软硬体以及生物化学的概念来模仿大脑，并以此作为切入点，结合认知科学来理解脑部的运作进而实现人工智慧。从目前的学科发展来看，认知科学是一门研究讯息如何在大脑中形成以及转录的跨领域学科，而模拟大脑的运行方式其实是一个历史悠久的研究领域。

近年来随着其他领域如显微镜技术、核磁共振以及系统生物学领域的技术发展，我们已经逐渐可以从比较微观的层面来观察大脑的运作。大脑可以被视为一个多核心的CPU，每个神经元则可以视为一个处理器，在过去我们不可能有能力做到如此庞大的平行运算，但随着物理及硬体制程的进步，许多想法已经不再遥不可及。

进步OR挫败：强人工智慧的到来

网路时代来临，资料收集更加地容易，日渐成长的网路资讯产业对于弱人工智慧，如搜寻引擎、推荐系统及语言处理等的需求开始增加。产业需求永远是技术进步的动力，1996年IBM的深蓝（Deep Blue）【注12】在西洋棋上击败了人类，20年后人类又在宣称是最复杂的棋类游戏中输给了Alpha Go ，近日的Master【注13】（证实为Alpha Go【注14】）更是六十连胜未尝一败。

然而与其说人类在围棋上输给了人工智慧是人类在智慧上输给了电脑，不如说人类科学的发展疆界再次地往前延伸了。许多文章都提到围棋的复杂度，在此之前人类一直无法去处理围棋这样的数学模型的解，而Alpha Go这个技术做到了。如同近年来不断演进的硬体技术一般，这是人类的进步，而非人类的挫败。蒸汽机的发明改变了工业制造的流程，汽车的发明造成了人力车以及马车产业的消失，与其将这些进程解读为人类力量的失败，进展与取代也许会是更具宏观的视角。

而随着硬体进步及学习资料的累积，如果暂时放下哲学争论中对于意识的争论，单指具有学习与判断等智慧能力的人工智慧或许即将成真。2013年尼克．博斯特罗姆（Nick Bostrom）【注15】曾对电脑科学研究者进行调查，乐观者认为2025年前强人工智慧便会出现，所有受试者平均所以为的时间点则位于2040年。经过Alpha Go的成功后，强人工智慧出现的那一天或许又更近了一些。

最后，当真正具有思考能力的智慧体被创造出来了，除却电脑科学等有关产业上的冲击，对于意识与心智进行探讨的哲学，以及与人工智慧发展所伴随之议题交轨的伦理和社会科学等研究领域，也将会迎来一波不得不的蓬勃发展。