DeepMind用同一个算法，攻克了国际象棋、将棋、围棋和雅达利游戏。开发出人工通用智能，一直是人工智能研究的一大目标。此前的许多算法虽能精通诸如围棋、象棋等游戏，却无法“触类旁通”，每遇到新的游戏都需要更改框架，重新学习，更不用说将棋类游戏的方法搬到电脑游戏上了。
然而就在昨天，曾开发AlphaGo的DeepMind公司在《自然》上发文，正式宣布了MuZero：这个新的算法不仅精通围棋、国际象棋和将棋，还能在30多款雅达利（Atari）游戏上全面超越过去的人工智能算法和人类。MuZero的正式发布，为人工智能领域揭开了新的篇章。
故事从2014年开始，基于伦敦的DeepMind公司怀着一腔雄心壮志，着手建造一个巨大项目：他们想要将正在生根发芽的人工智能（artificial intelligence，简称AI）技术大面积地应用到人类生活场景中，让机器与人真正地互动并融合。
他们决定从国际象棋入手：这是一个需要长期计划能力的人类游戏，对初出茅庐的AI技术来说是一项严峻的挑战。即使在1997年IBM的“深蓝”（Deep Blue）击败当时的国际象棋冠军卡斯帕罗夫之后，棋类AI的发展仍步履维艰。以围棋（Go，即日语“碁”字之转写）为例：2013年，AI在不让子的情况下几乎无法击败人类职业选手。
2016年，AlphaGo横空出世，以4:1击败韩国选手李世石，并在2017年的乌镇围棋峰会上击败了世界第一棋手柯洁。中国围棋协会当即授予AlphaGo职业围棋九段的称号。
如果说AlphaGo的成功确立了AI的“围棋霸权”，随后的AlphaGo Zero和AlphaZero则进一步揭示了“棋类霸权”的可能性。作为AI算法，不论是AlphaGo还是其继位者，都需要大量的训练。
AlphaGo依赖于专家棋法（expert moves）数据集，而AlphaGo Zero舍去了这一步，直接与自己对战以为训练提供数据。AlphaZero则除了围棋，更学会了日本象棋（将棋）和国际象棋。值得一提的是，2018年底发布的AlphaZero，从第一次见到棋盘，到成为世界级棋类大师，只用了24小时。
然后，MuZero来了。一篇昨晚正式发表于《自然》的论文，揭示了一个更加通用、强力的算法：MuZero不仅能下围棋、将棋和国际象棋，还在30多款雅达利游戏中展示出了超人类表现。
最重要的是，没人教过MuZero这些游戏的规则。自古以来，哲学家和科学家都幻想着有朝一日能造出“人工通用智能”（artificial general intelligence）。简单地说，人工通用智能需要有极高的可塑性，从而适应（甚至精通）各式不同的任务：一个能下棋、玩游戏、做家务、开飞机的AI。
然而在此之前，最好的AI算法也只能精通数个同类任务；会下围棋、将棋和国际象棋的AlphaZero就是一个例子。这种限制，在很大程度上来自AI算法对规则的依赖性。要想让AlphaZero下好各种棋，人类需要明确地教它各种棋的规则。以国际象棋为例，AlphaZero知道象只能斜着走，还不能跨过障碍物，而马可以跨过障碍物，但需要走“日”字。AlphaZero也知道什么是输赢和平局。
可是一旦更换棋种，人类就需要将新棋种的规则从头教给AlphaZero。
既然这种依赖性限制了目前AI算法的应用范围，那最简单的解决方案，就是去除这种依赖性：人类可以不教AI下棋，只给它一个棋盘。每当AI选择了下一步该如何走时，人类才告诉它这一步合不合法，并且是否导致了输赢或平局。这就是MuZero面临的情境。
对于任何一个游戏或任务，MuZero所掌握的只有一套“思考方式”，并没有该任务的“行为准则”。它不知道国际象棋里的马该怎么走，也不知道将棋中如何达成“王手”。如同第一次见到电脑的小孩，MuZero具有作出推理论断的“思维工具”，但不知道如何才能赢得“扫雷”。
跟人类一样，MuZero的秘诀，在于摸着石头过河，为外部世界建立一个只属于自己的“模型”。在这个内部模型中，MuZero舍弃了一切表面上的规则，只留下对决策有用的信息：价值、策略和奖励。MuZero能为外部世界建立模型，从而指导自己在不同任务中的策略。
要明白这种策略的特殊和有效性，我们可以拿MuZero和AlphaZero的神经网络作对比：任何深度学习算法在面对棋盘时，第一步总是观察。AlphaZero能观察当前棋局，并直接利用计划未来的棋步。这要多亏了它所知道的棋类规则：它明白做出一个动作后的下一个棋局长什么样，并可以在下一个棋局的基础上继续规划棋路。“想象”并评估各种不同的可能性。这样的规划方式，在深度学习上称为“蒙特卡洛树搜索”。
MuZero则没有这种“奢华待遇”：它需要摸索出棋盘上各个子的合法走法，还需要弄清输赢的概念；当然，它的目标与AlphaZero一样，赢就好了，越多越好。但在不清楚规则的情况下，MuZero需要另辟蹊径，利用“表征网络”，将观察到的棋盘状态转换成只属于自己的隐藏状态。我们将当前的棋盘状态称为“O”，MuZero的当前隐藏状态称为“”。
但这时，MuZero遇到了第二个大难题：如何像AlphaZero一样评估未来的各种可能性呢？
不像AlphaZero，不知道棋盘规则的MuZero不能预测棋盘的各种可能状态，因此，MuZero需要从零开始，创造自己对棋路的内部模型。
幸运的是，有了隐藏状态之后，MuZero就能算出状态下可以做出的各种行动（经过学习，MuZero得出的可能行动会越来越符合规则），并能通过“动态网络”，利用MuZero选择的行动和当前潜在状态，推演出。在每一个真实世界的时间点内，MuZero都能利用自己的内部模型和MCTS选择出这一个时间点的最佳行为，并将其应用于真实世界中。
在实际做出了一个最佳行为后，这个行为又能再“回收”，用于训练动态网络，从而改进MuZero的内部模型。
也就是说，由于AlphaZero对规则的掌握，它只需要一个预测网络就能精通棋类。而不能预先知晓规则的MuZero，则需要利用动态网络和表征网络，自己学习并建立一个内在模型，从而学会下棋。
在建立内在模型的过程中，人类不会给MuZero设置任何限制：MuZero可以舍弃任何信息，只保留有用的元素（即价值、策略和奖励）。相比于只需要1个神经网络的AlphaZero，MuZero需要3个神经网络来建立内部模型，从而指导精确规划。
与人类一样，MuZero可以在它的“脑海”中创造任何规则和动态。它的目标是做出最精确、最有效的未来规划。舍弃了“循规蹈矩”的MuZero反而因此获得了极强的可塑性，在截然不同的棋类和电脑游戏中都“得心应手”。
就这样，MuZero这样一个“无师自通”的算法，竟然在AlphaZero引以为傲的棋类游戏中轻松与后者打成了平手。
在国际象棋、将棋和围棋中，MuZero的表现达到甚至超过了AlphaZero。而在雅达利游戏“吃豆人小姐”中，MuZero的表现远超此前表现最佳的R2D2算法得分。在国际象棋、将棋和围棋中，MuZero都能达到AlphaZero的水平，甚至在围棋中稍稍胜过了AlphaZero。这表明MuZero“自学成才”建立的内部模型，或许比AlphaZero的“循规蹈矩”更接近围棋的要义。
在雅达利游戏中，MuZero的表现也非同寻常。以“吃豆人小姐”为例，MuZero的得分为243401.10，相比之下，人类的最高分只有6951.60，是MuZero的1/35。在57个测试用的雅达利游戏中，MuZero在37个中取得了历史最高分，而人类则仅在5个游戏中保持着最佳成绩。
但是，在利用AlphaZero和其他算法攻破了这些游戏后，反而对MuZero隐藏起规则，让它“闭上眼”下棋、“背着手”玩游戏的目的是什么呢？正如本文开头所说，DeepMind和整个AI领域一样，并不在乎国际象棋和雅达利游戏本身。这是一场事关智能的征途，目标是理解智能本身。
牙牙学语的婴儿并不明白动名词的区别，却能在短短几个月内连词成句，甚至创造出只属于他们的句子。生物学家也并非生来就知晓细胞的各种秘密，而是在实验和失败中，一步步对生物世界建立了理论和模型，从而获得深刻洞见。
事实很残酷：循规蹈矩不是智能。事先熟知规则再精通下棋，与先摸索规则、建立内部模型再精通棋路是全然不同的。前者只能困于“棋”中，后者则能将一套“思考方式”搬到各种任务上。前者的例子包括AlphaGo到AlphaZero的各种棋类AI，后者则包括MuZero和于尔根·施密德胡波的著名的“循环世界模型”。
为外界建立内部表征是人类最引以为傲的能力之一。如今在AI身上，这个能力再次证明了自己的价值。MuZero不仅让人类看到了创造人工通用智能的可能性，还为我们打开了一扇通往智能本身的大门：智能究竟是什么？我们离答案似乎越来越近。