虽然从大比分来看，AlphaGo昨天已经达成五局三胜赢得胜利，但人类并不打算放弃：在今天下午进行的围棋人机大战第四局中，李世乭在局面不利的情况下，弈出神之一手，逼得AlphaGo“阵脚大乱”，甚至让各直播间疑惑“狗是不是出bug了？” 最终，AlphaGo投子告负，目前比分3：1。
AI有死穴吗？人类找到AI的死穴了吗？李世乭今天的成功是可以复制的吗？AI会修补这个“bug”吗？目前，这一切依然没有解答。下面这篇文章，或许能提供一种思路。
AlphaGo下赢了欧洲冠军樊麾，又下赢了东方高手李世乭（五局三胜制）。这件事情本身还没那么可怕，毕竟棋界人士普遍认为这几盘棋的人类发挥得并不够好，而李世乭又刚刚扳回一局。但是毫无疑问，AI迟早会碾压人类，区别只是时间长短而已，——甚至是放话“它赢得了李世乭也赢不了我”的柯洁也这么认为。
那怎么办？是否我们就要安心承认机器的霸主地位，甘做二流棋手了呢？当然这样不见得就是坏事儿。人类画师的仿真能力早就输给了摄影，但绘画也没有因此失去意义；国际象棋的顶尖AI已经连续十年没输给人类了，但人类间的国际赛事依然如火如荼。无论把围棋看成竞技还是艺术，战胜自己都是最重要的。世界第一不过是名分而已，无论是人还是机器。
但是如果有一天我们必须决出胜负，如果反叛的AI要求以围棋裁断地球的归属，如果我们必须向外星人证明人类智慧，那是不是就束手无策了呢？人还会偶尔失误，AI难道不是滴水不漏的吗？也不一定。如果真的有那么一天，我们可能还会有一根救命稻草：“对抗样本”。神经网络，在意想不到的地方绊倒。2014年底，三位人工智能研究者在arxiv上贴出了一篇论文预印本。论文标题很有趣：《深度神经网络很好骗》。
深度神经网络是目前最热门的人工智能路线之一，谷歌的AlphaGo围棋软件就以它为核心，而且相当多的人认为这是未来最有前途的高级人工智能。但神经网络的功能当然不止下围棋，它们还在许多其他领域实现了卓越成就，比如“视觉分类”任务——神经网络可以相当准确地判断出图片是猫还是企鹅。
相当准确，但并不完美。研究者发现，人为设计的图像很容易骗过它们。这本身没什么了不起，人脑也很容易被骗——但是，令神经网络摔倒的那些图，在人看来却是完全正常的。左图被神经网络判定为熊猫。给它人为叠加上中图所示微小的扰动（实际叠加权重只有0.7%），就获得了右图。在人类看来，左图和右图没有区别；可是AI却会以99.3%的置信度，一口咬定右图是一只长臂猿。这不是意外的小失误，不是偶然的程序bug和出错。
研究者发现，只要对图片做出一些人类无法察觉的修改，就能让ai把它当成完全不同的东西；还很容易设计出一些图片，人类什么都看不出来，ai却能以99.99%的把握确信它是某个东西。更有甚者，这些奇特的错误并不限于某个特定的神经网络，能骗过一个网络的图片，也能骗过另一个；它们也不限于图片识别，甚至不限于神经网络本身——研究者所尝试过的所有机器学习模型，都出现了这样的问题。
AI认为左图是一只狗，右图是一只鸵鸟。图片来源：nautilus。八张图在AI眼中分别是知更鸟、猎豹、犰狳、小熊猫、蜈蚣、孔雀、菠萝蜜和气泡。置信度全部在99.6%以上。图片来源。而最大的问题是，当神经网络犯下这样的错误时，研究者并没有特别有效的修正办法。
AI的盲区，人类的救星？对抗样本自然出现的概率确实非常之低。但是它取这个名字并不是没有理由的：如果真的有人在故意采取对抗手段，那么这就有可能成为该系统的死穴。比如，面对一个靠神经网络来筛选垃圾邮件的系统，垃圾邮件发送方就可以精心设计出对抗样本，逃过法眼（虽然为了垃圾邮件而如此大费周章大概不是很划算）。
而且，从绝对数量来看，对抗样本是非常之多的。如果在空间中任取一点，大部分都会错误归类。谷歌研究者伊安·固费罗（Ian Goodfellow）说，他们将随机生成的噪声样本给一个神经网络看，结果它以很高的置信度将70%的样本判定成了一匹马。另一种方式构造的八张图，在AI眼中分别是王企鹅、海星、棒球、电吉他、货车、遥控器、孔雀和非洲灰鹦鹉。图片来源。现在，对抗样本是个坏消息，是系统漏洞。
但如果有一天我们真的要和AI正面对决，那么对抗样本也许会成为我们的救命稻草，因为它有这三个特点：第一，对抗样本并不限于一个具体的神经网络，因此制造对抗样本也不需要获得该模型的源代码之类的东西。只要模型是被训练来执行相同的任务的，它们就会被同样的对抗样本欺骗，哪怕这些模型有不同的架构、使用了不同的训练样本，也没有关系！
因此，我们只要自己做一个模型，创造出相应的对抗样本，就能用这些样本攻击那些同样任务的AI。第二，对抗样本很难用常规的办法解决。固费罗的研究组尝试了各种各样传统手段，包括多个模型取平均值、同一图像多次判断取平均值、带噪音训练、生成模型等等，都不能解决对抗样本问题。有针对性的专门训练可以让模型的抵抗力更强，但也无法真正消灭盲区。第三，人类不会被这些样本欺骗。
当然，人类也会在意想不到的地方跌倒——心理学已经提供了浩如烟海的视错觉和其他错觉例子。这些错觉可以认为是人类专属的“对抗样本”。但是面对神经网络的对抗样本，和面对人类的对抗样本，二者并不重合。我们都会犯错，但犯的错误不一样。
著名的丁香视错觉图。——人也有bug。研究者正在努力堵上对抗样本的漏洞，但是完全有可能出现无论如何也堵不上的情况。在这样的背景下，人类和AI的战争如果爆发，也许将进入全新的战场。
对抗样本时代的围棋会是什么样子？其实根本上讲，我们不能说机器被对抗样本“骗”了——也许被骗的其实是我们呢？也许AI真的在那些噪点中发现了某种真正的本质的规律，而我们只是肉眼凡胎不识真面目呢？但是我们让AI做图像识别，它要分类的图像就是人眼中的场景，它要遵守的规则就是人类大脑的规则。因此某种意义上，我们是主场。
围棋作为一种人类设计的游戏，也许也会是另一个主场。谷歌AlphaGo的源代码尚未公开，但是研究者在论文中明确指出了它对深度学习的依赖。因此有理由猜想，它也会受困于精心设计的对抗样本——而当人类真的无法在棋盘上正面战胜AI的时候，可能必须开辟新战线，在大脑中决一死战。
同样的机关算尽，人机对战的思路将不同以往。到那时，围棋将成为一种双重游戏。对战双方不但要在物理的棋盘上攻城略地，还要设法引导对方步入心智陷阱。应该会有某些棋局能让AI错判，从而让它们下出大错棋，就像现在的研究者能让AI把大熊猫认成长臂猿一样。
但是对方的盲区棋局是什么样的？如何下出这样一盘棋局？实现这一局面需要在棋盘上做出多少牺牲？引导对方失误带来的收益能否补偿？是否有可能制造出这样的盘面，令对方陷入更大的心智陷阱，乃至直接死机？AI反过来也可能也会利用人类的缺陷。我们不知道人类的围棋盲点在哪里，但原则上这也是可能存在的。这一看不见的战场，或许将比看得见的棋盘更加血腥。
唯一幸运的是，正如猫狗牛马的概念诞生于人类所处的物理世界，人类不会在它们身上犯错；围棋也是经人类之手诞生的，这也许能带给我们一些先天优势。如果哪一天我们必须去玩AI所创造的游戏，那也许才是真正的末日。