阿尔法狗的胜利带来的教育反思

吴向东

最近，谷歌的阿尔法狗（AlphaGo）战胜了人类顶尖围棋九段李世乭，真是让人堵心！一些人工智能专家们借此大谈特谈“奇点来临”，即在不久的将来，人工智能将会把人类智能甩下十几条街，快速进入机器人大行其道的后人类智能时代，这是不是相当惊悚？更让人堵心的是，一直享受着空谷幽兰般隐居生活的老友相当应景地发来了忧郁的诗句：“我悲剧的性格被你强化/请回过头来 听我说/我将在奔流的鲜血中/等你擦肩而过”。人类的悲剧，难道就是拼命发展人工智能，然后让它擦肩而过——把人类的身躯和文明交由机器主宰？

回想1997年深蓝战胜国际象棋大师卡斯帕罗夫时，我没有如此惊悚过，因为深蓝就如我们应试教育下训练出来的解题机器，它是用暴力算法（ brute-force）应对人类智能。

为什么这样说呢？深蓝的数据库虽然存储了一百多年来优秀棋手的两百多万对局，足以应付一般的棋手，但遇到库中没有的走法，就只能依赖暴力计算。这种死脑筋机器，在1996年挑战卡斯帕罗夫时落败。于是在1997年，深蓝运算速度提升了2倍，运算能力为每秒113.8亿次浮点运算，在当时的超级电脑中排名第259位。另外，深蓝在强大的32颗CPU之外又另加了480颗特别制造的超大规模集成电路国际象棋芯片，使得1997年的深蓝可搜寻及估计12步棋，而人类国际象棋高手大约只可估计10步棋。也就是说，深蓝就是为应付“考试”（国际象棋）而定制的考生，除了会考试（国际象棋）外，其他的事都不会！

更为可笑的是，在对局时，还有一些国际象棋高手和计算机专家在幕后随时调整深蓝的参数，以便在对局时有利，即为了考试成功，还有幕后团队帮它作弊！所以，卡斯帕罗夫很不服气，要求来年再战，但IBM却说，已经将深蓝解体，不了了之。

花这么大的人力和金钱就是为了打造一个只会下国际象棋的呆板的“考生”，你说我会崇拜IBM的人工智能吗？不会，IBM无非是用此噱头多卖机器。

但这次不一样了，谷歌的阿尔法狗接入到1202个CPU组成的网络中，运算能力比深蓝要强至少2.5万倍，不仅有人类围棋棋谱库，更可以通过自身对弈来完成深度学习。对战前，它已在人类棋谱的基础上积累了3000万次的自我对局训练，以优化它比深蓝更优更有效的算法。从实战的结果来看，它的这套算法无论是在总体棋局的判断，还是在近身博弈的策略上，都体现出相当高的水平。在以绝对优势连胜3局之后，李世乭在第4局近身博弈时险中取胜，使得阿尔法狗表现出了莫名其妙的混乱。人类棋手似乎找到了救命稻草，纷纷认为这可能是它的死穴。但机器可以从失败中学习来丰富大数据并优化算法，落子选择是不会像人类那样受到情绪的影响。认识到这一点，果然看到第5局时阿尔法狗毫无悬念地又奏凯歌，让人类黯然神伤。

人机大战结束，人类围棋顶尖高手们纷纷表示要向机器学习如何下围棋，而冷静的人工智能专家们却站出来给人类打气，“蒙特卡洛树搜索法在阿尔法狗身上异常有效，但用到其他棋类游戏就没有这么明显的作用了。”“总体上看，目前的人工智能产品都还处于弱人工智能阶段。”云云。

但无论如何，人工智能的研究已掀开了新的一页。从学习科学领域的视角来看，有几点值得时下的教育好好反思。

一是死记硬背的学习与抽象出策略的学习。深蓝与阿尔法狗都有大量的死记硬背，人类的高水平棋谱均囊括其中为大数据。但不同的是，深蓝的算法更死脑筋，遇到不熟悉的变式就较容易出现不知所措，且不会自学。阿尔法狗则不同，基于大数据可以抽象出策略，并可以不断地自学，不断地完善自己。

一次去农村初中听课，生物老师在课堂上对关节的一个个结构进行了详细的讲解，书写了满满一黑板的知识点，课堂练习时设计了大量的填空、选择和判断题。课后，对于这种满堂灌我们不想多说什么，只是弱弱地问了一句：“为什么不让学生画关节示意图呢？从视觉上去记忆知识点会更好。”但那位老师却回答：“这几年没考过画图的题了！”后来我在武汉农村初中教师的培训中询问同样的问题，一位年长的老师说：“那还用说，肯定不考啦！”我表示惊讶：如果学习就是穷尽海量题库记忆其答案，那么与深蓝死脑筋的暴力算法又有何异？练习的本质是为了如阿尔法狗那样抽象出策略，获得“棋感”，锻炼出灵活的头脑，这样才能让学生的智能得以进步，让他们在遇到不熟悉的变式时能灵活应对。

二是蜻蜓点水式学习与深度学习。从小学到大学，我们为学生安排了众多的课程内容。教育部门和课程专家们编排的这张知识大网容纳进去了许许多多的知识点，犹如一个庞大的数据库。一个知识点接着一个知识点的学习，我们以为学生可以记住，记住了可以使用。可惜人脑比不上深蓝和阿尔法狗的存储器，放进去的信息可以随时检索出来，人类大脑却会把不常用的遗忘掉。经常听到的聊以自慰的话是：“教育就是当你把学校里学到的东西都忘掉后剩下的东西。”如果教育是如此蜻蜓点水，无异于在浪费孩子们童年和青春的大好时光，这不是犯罪吗？

许多普遍存在的现象值得反思。为什么熟读唐诗三百首，不会作诗只会吟？为什么学了那么多力学知识、练习了那么多力学的习题，却不会玩机械？为什么学了C语言编程，却写不出小软件？这种“为什么”可以无穷尽地问下去。学了不会用，顶多只能回忆出来，怀特海称之为惰性知识，中国人的说法是死知识。阿尔法狗的学习就不一样，它存储了人类的棋谱，通过算法从中获得策略，然后又通过无休止的自我对弈不断调整策略，使得围棋智能不断精进。

深度学习的奥妙就在于通过不断使用知识获得灵活的智能。学了就要给学生大量的时间和机会去使用，使得陈述性知识和程序性知识统一，认知与元认知统一，理论和实践统一。做到了这些，人类的创造力才有机会得到培育。蜻蜓点水式的学习适于20年前的机器（深蓝），如果我们现在还不采取比阿尔法狗还要好的深度学习发展学生的创造力，人类将极有可能受制于机器。何去何从？我不想再拿“奇点来临”来“惊悚”世人。

三是发展与机器协同学习、工作的能力。把机器擅长的交给机器，教育要把时间和精力专注在人类的创造力培养和美好人性的发展上。

棋类游戏是完全信息的零和博弈，参赛者可以在棋盘上看到对手的一切信息，它适合人工智能的机器。零和博弈的双方要么赢，要么输，是不可能合作共赢的，但人与机器不是这种关系，人与机器的协同才能使人类在未来获得更大的解放，几次工业革命已经证实了这种乐观预期。但在人类大量的活动中，信息是不完全的，在此情况下，人工智能要胜过人类大脑就缺少了先天条件。为什么大数据这么热门，无不与此有关。数据越多越充分，机器就越有优势。人不如把大量已有的数据交付给机器，并建立丰富的传感网络不断丰富大数据，让机器去做它擅长的事。将腾挪出的时间和精力，去专注于发展人的创造力和美好人性。

在一些自然观察活动中，传统的做法是手绘观察到的事物。对于科学启蒙来说，自然观察的重点将不在于手绘记录，更重要的是发展学生美好的人性——热爱生命、热爱自然、思考自然界中的一些问题。

在一些制造活动中，传统做法最关注的是动手。而现在好了，有了各种智能的制造机器，我们可以把重点放在用电脑去做创造性的设计上，让机器去代替动手。

高水平的创造力和人性是现在的人工智能所不具备的，是时候全力以赴去关注了。幸好在老友发来的诗句里还有这样几行在唤我惊醒：“那依然艳丽至极的/是我们看不见的鲜血/它勃勃流动在脉管里/我们拥有 却不予关注”。是的，创造力和美好人性是艳丽至极的，向内关注，发展人自身，“奇点来临”的惊悚就让它留在科幻里吧！

教育，到了全面反思和全新设计的时候了。