阿爾法狗VS百度大腦，人臉識別難度大于下圍棋？

近期人機大戰又在不斷上演，這次比較巧的是，谷歌的AlphaGo在網絡上化身Master，碾壓各路9段高手，最后以60勝的成績戰勝了所有人類對手，也創造了有史以來第一次，人類在棋藝領域被人工智能全面碾壓的情況。

而另一方，近期江蘇衛視播出的《最強大腦》節目，也開啟了人機決戰的比賽，而在第一期以人臉跨年齡識別挑戰的節目中，百度大腦以3：2的優勢戰勝了人類，人工智能也再次戰勝了人類。

而這兩場戰役也引發了網友們對于AlphaGo與百度大腦誰更厲害的討論，更多的人傾向于下圍棋的AlphaGo應該更勝一籌，因為下圍棋似乎難度更大，但實際上并非如此，這里我們來做一些科普。

深度學習到底是什么

AlphaGo與百度大腦的技術，其實師出同門，都是采取了最前沿的基于神經網絡的深度學習技術。

傳統的計算機技術都是線性模型，即輸入一個值之后，就會獲得一個唯一的答案。但是深度學習則通過模擬人腦的方式，將數據網絡進行“分層”，通過監督學習的方式，給機器各種數據，不斷反復訓練，最終讓機器給出一個最大概率的答案，如果答案不夠準確，那么機器就會通過監督反復學習。

而阿爾法狗下圍棋與百度大腦的人臉識別，背后都采用了深度學習的方法。

阿爾法狗下圍棋的原理

我們這里不討論具體的技術細節，而是討論技術本質原理。

下棋這件事一直都是機器的難題，因為把每顆棋子可能的落子考慮進去，以輸贏為結束，那么所有落子的可能性總數加起來比宇宙原子數還要多。早期的機器受制于、存儲根本無法勝任如此巨大的挑戰，因此能夠挑戰國際象棋大師卡斯特羅已經是非常不錯，而挑戰圍棋則是天方夜譚。

而隨著這幾年硬件設備的發展，計算機的存儲、CPU、集群運算等能力急劇提升，當年打敗卡斯特羅的只是一臺小計算機，現在則變成了集群計算機，計算能力從只能單打獨斗階段上升到了，可以用成百上千臺計算機群毆的階段。

而另一個關鍵點則是深度學習技術，深度學習技術，可以反反復復的訓練與模擬對決，而以勝負為終結標志，有了學習反饋，因此可以模擬出成千上萬個棋局，再日以繼夜的學習后，最終達成大師水平。

也就是說集群計算+深度學習，讓計算機大幅度減少了暴力窮舉的次數，調試人員只需要不斷修改算法模型，就可以獲得最佳結果。

百度大腦跨年齡識別的核心原理

此次百度大腦所挑戰的跨年齡識別，同樣運用的也是深度學習原理，但是也有區別。

即使下棋用了深度識別，但是本質依然是暴力計算，只不過深度學習模型讓其大大減少了無用的暴力計算程度。而圖像識別并簡單的非暴力計算就可以達成，因為面對太多的不確定性，每一張圖片中都充滿了太多意外的問題，例如光照因素、側臉、臉部眼鏡口罩等遮擋物，等等都會影響到機器的結果。

因此，長期以來，機器在各種棋藝上對人類有著頗多挑戰，但是從沒有看過機器挑戰人臉識別的案例，正是因為難度極高，即使有深度學習的助力，依然不能立即取的立竿見影的成果。

此外，此次比賽是跨年齡識別，這更又是一個世界頂級難題，對于下棋的深度訓練來說，最終可以通過勝負給機器一個反饋結果，機器可以有效的進行反復訓練，直到勝出為止。但是人臉的跨年齡識別就沒有這么幸運了，這其中的數據實在太少，訓練數據難以收集。沒有足夠多的數據，基于深度學習的神經網絡很難學習到跨年齡的類內和類間變化。

正所謂巧婦難為無米之炊。

而此次百度大腦挑戰跨年齡識別，則是在數據稀缺的情況下做出的挑戰，其通過更改各種算法策略，以及深度訓練模型，最終實現了一個非常好的結果。

人臉識別難于下圍棋，但引起的感受效果不同

機器善于做的就是做重復性的邏輯性工作，而對于圍棋這種黑白分明，完全依賴經驗的事情，對于機器來說其實更為容易，因為并不需要面對不確定的環境。

而像人臉識別這種工作就不是如此了，機器不僅能夠依賴的經驗有限，更需要面對隨時出現的不確定性，因此整個攻克難度依然巨大。

當然，歸根到底上述所說的都只是方向上的問題，人工智能在人臉識別的這個研究方向整體上，難于下棋。因此，人臉識別要想取得一點點的進步，所需要花費的代價比下棋的代價大多了。

下棋是機器所擅長的領域恰恰又是代表著人類的智力顛覆，因此給我們所有人造成的震撼也就更大一些，而人臉識別則是機器的弱項，但又是我們每個人與生俱來的能力，并不能讓人產生很大的震撼，因此甚至會有人認為下棋的難度大于人臉識別，這不過是站在人的立場上去考慮問題而已。

結語：

最后，我們需要公平的看待這兩場比賽，AlphaGo與百度大腦，由于各自從屬領域不同，因此不存在誰優誰劣的說法，只不過是從人的立場上去看，產生的主觀感受不同而已。

事實上是這二者的表現，均體現了人工智能在不同領域的頂尖水平，都值得尊敬。

作者公眾號：首席發言者（shouxifayanzhe）