人工智能的第三个春天

顾凡及

最近人工智能弈棋系统”阿尔法狗”与围棋棋王李世石的对弈，引起公众强烈的兴趣和关注。能够在纹枰上与人类高手一争胜负，这是继打败国际象棋世界冠军之后，人工智能的又一项标志性成就。该研究领域几经盛衰，在1990年代中期以后第三次进入“新春”，其未来依然充满生机，却也面临着挑战。

2016年3月9日到15日，人工智能弈棋系统“阿尔法狗”（AlphaGo，又称阿尔法围棋）和韩国棋王李世石进行的5轮围棋大赛，像磁石吸铁般吸住了“地球村”里亿万双眼睛。这场比赛之所以万众瞩目，不仅仅因为计算机赢过国际象棋的世界冠军，而现年33岁的李世石曾经11次在世界级围棋大赛上夺冠，双方一场厮杀肯定精彩，人们更热切地想看一看，人工智能究竟达到了什么样的水平。行家早有分析，围棋比较国际象棋，变数多得多，难以靠“预编程”穷举一切可能走法。1997年当计算机“深蓝”（Deep Blue）战胜国际象棋世界冠军卡斯帕罗夫之后，美国《时代》周刊预言：“计算机要在围棋上战胜人类，还要再过100年甚至更长时间。”因此，人们把李世石与“阿尔法狗”的角逐，看作人类棋手智能如何应对人工智能挑战的一次检验。

比赛结果让人感慨，大家既敬佩李世石顽强的竞技意志，也看到了人工智能的巨大优势，深深认识到人类已经处于机器智能的时代而没有退路。联想起不久前一些名人如物理学家霍金（Stephen Hawking）和微软掌门人盖茨（Bill Gates）等警告说，人工智能可能摆脱人类控制甚至造成人类文明毁灭，一种紧迫感油然而生。不管怎么说，我们有必要了解人工智能，而当今世界也正迎来人工智能的第三个春天。

人工智能的两次“严冬”

虽然在中外的古代神话和传说中，人们早就提到和生物真假难分的机器，但对于机器是否也能有智能的第一次科学思考，当属英国数学家图灵（Alan Turing）。1936年他提出了一种可以实现各种数学计算和逻辑推理的理沦上的计算装置——图灵机。1950年他又在一篇论文开头，开宗明义地写道：“我提议大家考虑一下‘机器能不能思维的问题。”由于很难对“思维”加以定义，他提出，如果让一个人和一台机器通过电传对话，要是在对话结束时人不能区分对话者究竟是人还是机器，那就只能认为对话者有智能。此即所谓“图灵测试”（Turing test）。一般认为，人工智能学科正式诞生于1956年在达特茅斯学院（Dartmouth College）举行的一次学术会议上，在会议的倡议书中写着：“学习或智能的任何其他特性在其每个方面都可精确地加以描述，由此就能用机器来模仿。”以后一般把人工智能理解为机器或者软件所表现出来的智能，或指研究如何创造出有智能行为的计算机或软件的学科领域。

人工智能要实现的所谓“智能”，包括推理、知识、计划、自然语言处理（通讯）、知觉和物体操控等，其远期目标也包括创造有通用智能的机器。这里的通用智能是指人类所有可能的智能。当时的人工智能专家把认知过程当作某种符号处理过程，以后又发展到用符号表示知识，并把知识作为智能之基础。这就是“人工智能的符号主义思潮”。确实，他们编制出了能解代数题、证明逻辑定理和说英语的程序。例如，纽厄尔（Allen Newell）和司马贺（Herbert A.Simon）开发的一个程序能够证明罗素（Bertrand Russell）巨著《数学原理》一书头上52个定理中的38个，其中有些证明甚至比当时已知的证明还要简洁和巧妙。到1960年代中期，人们对人工智能充满乐观，而当时的人工智能也确实在应用符号处理方法演示人的高级思维方面取得了令世人印象深刻的成绩。司马贺预言：“在今后20年内，机器将做人所能做的任何工作。”甚至声称他们的“研究解决了古老的心身问题，清楚说明了由物质构成的系统如何会有心智的种种特性”。

然而到1970年代中期，他们的预言并未见即将实现的征兆，连一些原来认为可以轻而易举实现的课题都未能做到，令人大失所望。美国军方曾对用人工智能方法自动翻译当时苏联的文献资料寄予厚望，结果由于机器小能理解词的含义与上下文关联，在译文中犯了许多令人喷饭的常识性错误，比如把“眼不见，心不烦”（Out of sight，out of mind）译成了“盲白痴（blind idiot）”。这在当时计算机运算速度和存储容量极其有限的情况下，很难取得突破。专家评估认为，比起人工翻译，机器翻译代价既高，又不确切。当然，机器翻译到今天已大有改观，但其中有些问题依然未获解决。在此后若干年（1974-1980年）里，英美政府对人工智能的拨款大幅减少，这段时间被称为（第一次）“人工智能的严冬”。

1970年代，由于计算机的存储容量已经相当大，人工智能研究者开始考虑建立知识库的问题。美国计算机科学家费根鲍姆（Edward Feigenbaum）首先提出“々家系统”的思路。1980年代初，“专家系统”在商业上取得成功，人工智能迎来了第二轮蓬勃发展的春天。所谓专家系统是一种回答或解决某个特定领域中问题的程序，它运用由专家的知识所建立的逻辑规则来解决问题。1985年产业界在人工智能方面的投资超过了10亿美元。另一重大事件是日本政府提出“第5代计算机”计划，声称要实现计算机与人对话、翻译、图片解释以及像k--样推理。这也刺激了英美政府重新投资该领域。不过好景不长，到1991年此计划并未实现其主要目标。专家系统为避免“常识问题”，只能将应用局限于范围很窄的专门领域；一些原来成功的专家系统由于不能根据新获得的信息进行更新，而使得用户难于承受维护成本。这样在1987-1993年期间，人工智能遇上了第二次“严冬”。

分析人工智能两度遭遇“严冬”之缘由时，要看到人工智能在发展之初以符号处理为主流，是通过一步接一步的逻辑推理来解决问题的。纽厄尔和司马贺曾说：“物理符号系统中有既充分又必要的工具，来实现人的各种智能。”可是人的智能不完全是符号处理，还包括许多所谓的“亚符号处理”，人有非常快速的直觉判断。例如，艺术鉴赏家能够一眼看出赝品，这不是通过一步步逻辑推理得到的。在知觉、模式辨认、导航和学习等许多方面，也都是如此。这些内隐的知识构成了符号处理的背景知识。与此相比，传统人工智能指望仅仅用符号处理的方法来解决所有的问题，遇到困难就非常自然了。

跟“符号处理”思潮相应，当时对人工智能的许多问题都试图用搜索一切可能解来解决，而实际问题中的可能解数目往往极为庞大，用当时那种性能的计算机根本不可能全部搜索，即便使用当今速度最快、容量最大的计算机都难以做到。因此，要想解决诸如计算机对弈下棋冠军之类的问题，不能不另辟蹊径。另外，知识表达和知识工程在传统的人工智能研究中起核心作用，但任何常识性规则都有大量例外，计算机若没有足够快的运算速度和足够大的存储容量，就无法胜任海量信息的存储及在合理时间内的提取。

到1980年代，人们已认识了符号系统不可能模拟人类认知的所有过程，特别是学习、创造力以及自传性记忆，其概括推广（泛化）能力也很差，因此主要基于符号处理的传统人工智能遭遇“严冬”，也不足为怪了。

人工智能的第三个春天

自1990年代中期以来，得益于计算机技术的飞速发展，芯片的特征尺度从1971年的10微米下降到1994年的600纳米，人工智能终于迎来它的第三个春天，在数据挖掘、医疗诊断等方面取得了许多应用成果。这“第三春”的标志性事件是1997年5月11日，计算机国际象棋下棋系统“深蓝”战胜世界国际象棋冠军卡斯帕罗夫，宣告了人工智能之“王者归来”。

在人工智能领域，除了前述通过程序编制的符号处理方法之外，还有通过信号元件联结的非符号处理方法，后者主要指的是神经网络研究。大体同一时期，神经网络研究在经受了自身的“两起两落”之后，同样迎来了第三个春天，“深度学习”（deep learning）成为再度崛起之关键。它是一种多层学习算法，在网络不同层次上自动抽提对象的不同特征。尽管这一思想早已有之，但层次一多，就要求计算机的存储容量和运算速度大大提高。而且为了成功训练数据网络，要求有海量的训练样本，给它的样本越多，它就学得越好。这些条件在1990年代以前尚不具备。一直到21世纪才有加拿大计算机科学家勒坎（Yann LeCun）及其前导师欣顿（Geoffrey Hinton）断言，由于计算机技术的飞速发展和网上的大量数字信息，已经到了“深度学习”可以大展宏图的时候。2009年欣顿等人报道，经过“深度学习”训练的神经网络把语音转化为打印出来的文字，达到了很高的准确率；而采用传统的基于规则的方法，长期以来进展甚微。这立刻引起了智能手机业者关注。此后该方法很快被引入识别人脸、识别语音命令、无人驾驶汽车乃至战胜人类下棋冠军等传统人工智能难以突破的课题中。输入不同数据进行训练，就可以解决不同的问题。这种概括推广能力也是传统人工智能所难以企及的。

“十年磨一剑，霜刃未曾试。”而从新千年世纪之交到今天，人工智能机已在挑战人类智力和执行人类智能任务上取得一连串“骄人战绩，笔者来做简要介绍。

挑战人类智力的“深蓝”与“沃森”

为何“深蓝”战胜卡斯帕罗夫会成为人工智能发展史上一个里程碑？其实，机器下棋的思想由来已久。在近代数字电子计算机发明后3年左右，信息论的奠基人香农（Claude Shannon）于1949年提出了“现代弈棋机”的基本思想。然而，这个目标历经40年都未曾实现，成了人工智能的“圣杯”。问题的一个关键难点在于，要让机器下棋，必须对每步棋都考虑好以后可能走的若干步，并对每种走法的“价值”进行评估。这样的可能走法，数量极其巨大，只有运算速度和存储容量足够大的机器。才可能实时进行“搜索”。后来“深蓝”的总设计师许峰雄在1985年开始投身这个领域时，估计当时计算机的速度得提高1000倍，才有望战胜世界冠军。问题还不止于此，积累所有下棋高手的“知识”，建立数据库和“评价函数”也至关紧要。

与香农提出“现代弈棋机”事隔近半个世纪后，电脑“深蓝”经过6盘鏖战终于以3.5比2.5的优势，战胜了国际象棋世界冠军卡斯帕罗夫。“深蓝”的取胜法宝是：有极高的运算速度，能在一秒里搜索2亿个棋局，实时进行30步攻击性走法的搜索；有一大帮编写程序的专家总结国际象棋大师们的经验，编写并不断改进对棋局的“评估函数”，还建立了一个如何开局的数据库。“深蓝”下棋时对棋局在每一种形势下的每一种可能应对下法都进行了评估，从中选取最优对策。一切都是编制程序的专家给它规定好了的，它只是执行而已。

“沃森”（Watson）是2011年1月13日在美国最受欢迎的知识竞赛电视节目“危险边缘”（Jeopardy）的三局比赛中，击败该节目历史上两位最成功的选手而最后胜出的超级电脑。它的存储器可以存储2亿页百科全书、词典和报纸书刊的内容，其处理器功能比普通台式计算机强2000倍，每秒能处理500G数据，也就是相当于100万册书的内容。它在3秒钟内就能搜索几千种可能的答案，并对其中每种用100种不同测试方法进行评价。它还用不同的算法来寻找答案，只有通过几种不同算法都得到相同答案，这一答案才被认为是最有可能的；而只有当最终答案的评价值超过某个数值，“沃森”才进行答题，否则宁肯不答以免扣分。2011年1月28日，“沃森”甚至跟美国参议院的两名议员进行了一次竞赛，其中来自新泽西州的民主党参议员霍尔特（Rush D.Holt，Jr.）以前也参加过“危险边缘”抢答，最后仍是“沃森”获胜。“沃森”在竞赛中也并非无所不能。比如有这么个问题：“请讲出一种语言，这种语言的方言中包括吴语、粤语和客家话。”当然我们中国人都知道正确答案为“汉语”，可是“沃森”因为广东话和粤语的关联度最高，而错将答案当成了“广东话”，尽管它也将“中文”排在了第二可能的位置。类似这样“可笑的”错误，“沃森”还犯过一些。

如果光从行为的角度看，人们很容易误以为“沃森”有很高智能，它真是无所不晓，但其实“沃森”只不过表现出类似智能的行为。美国哲学家瑟尔（JohnSearle）声称，尽管“沃森”表现出惊人的能力，但它和别的计算机一样，只是能够处理符号，而不懂得这些符号的意义。当然，像沃森这样的系统在向人推荐备选方案上还是十分有用的，人们已开始在医疗诊断和金融服务等方面考虑应用这种技术。

“阿尔法狗”对局李世石：尽显人工智能雄风

此次谷歌深心公司（Google DeepMind）开发的“阿尔法狗”程序以四胜一负力挫韩国棋王李世石，给世人的震动是巨大的。比起国际象棋等其他棋类，围棋的可能棋局数目要多得多。围棋棋盘上一共有19×19个格点，每个格点都存在有白子、有黑子和没有子三种可能，可能的棋局数比已知宇宙中的原子数还要多。因此，要想通过穷举搜索的办法来找出最佳棋着，那是不现实的。顶尖的人类棋手往往凭直觉进行判断，计算机敢跟人类围棋冠军比试直觉吗？问题很自然地引来公众关注。其实“阿尔法狗”在2015年10月就以5：0击败欧洲围棋冠军、二段职业棋手樊麾。不过当2016年1月27日宣布此“狗”要和李世石对战5盘时，许多人对人工智能是否赢得了李世石依然持怀疑态度，李世石自己也是信心满满，可是在赛后李世石说：“我承认这使我震惊，我事先没有想到过我会输，没能预料到‘阿尔法狗会下得如此棒。”

值得注意的一点是，从方法层面讲，深心的“阿尔法狗”和“深蓝”或者“沃森”有很大不同。后者从一开始就把程序编制得用于下国际象棋或是知识竞赛抢答，其思想基本上属于符号处理之范畴。深心方面声称，他们的系统并非预编程的，而是通过学习积累经验。对于下围棋来说，首先通过“深度学习”，学习围棋高手的3000万个棋局，知道什么样的棋局好、什么样的棋局不好；然后不断地下棋，特别是和自己对弈，这样就会下出一些前人从来没有下过的新招，通过强化学习，只选取那些妙着而淘汰昏着；最后，这一系统还对自己的每一手都采用树形搜索，估算此手能取胜的概率。要知道这个系统一天之内能够下上百万盘棋，这是再勤奋的人类棋手也不可能做到的。谷歌深心团队拿其他的计算机围棋程序来试刀，500次中胜了499次。樊麾在自己和“阿尔法狗”的5番棋赛后感叹道：“如果没有人事先告诉我的话，我可能会觉得对手只是稍微有点怪，但我会觉得这是一位非常强大的对手。以为这是一个真人。”樊麾还感叹自己在下棋时会有情绪波动，而对手则毫无情绪可言。韩国的顶尖高手李昌镐因情绪稳定被称为“石佛”，樊麾感叹“阿尔法狗”才是真正的石佛！

经过前而连续3局负于“阿尔法狗”之后，李世石在3月13日的第4次对弈中苦战5小时，终于迎来了第一场胜利。不仅现场观众而且在电视机前的我们都沸腾了——总算有一次人们看到，“阿尔法狗”是有弱点的。下这一盘和前两盘相似，李世石每落一子所花时间比对手多，不过他下得比前几盘好，也更沉着。到第78手时李世石在棋盘中央打入一个“挖”使局面变得极度复杂。“阿尔法狗”没能算到人类棋手竟然会下出这样一手，以致“方寸大乱”犯了一个错误，导致其在10手之后胜率大降。最后当它计算自己的胜率已不足20%时，按照设定的阈值非常“绅士风度”地投子认输。不过李世石赢得也不轻松，时间不足一直困扰着他，有一次甚至仅仅在到时间之前几毫秒才下子。对于“阿尔法狗”的这场失利，其主要开发者哈萨比斯（Demis Hassabis）是这样说的：“这一次输掉比赛，证明‘阿尔法狗的选择和判断出了问题。我们不确定发牛了什么，我们回剑英国会分析数据的。”不过李世石的胜利也只维持了这么一局。在3月15日的最后一战中双方都下得很闪猛，进行到3个半小时李世石再次遇到时间不够的麻烦，“阿尔法狗”又下出几个奇着，是它从大量对弈I{I学会的。弈剑4个半小时双方依然难分伯仲，一直到战满5个小时李世石才微露败象而推枰认负。考虑到李世石实际上是在和全世界的围棋高手对抗，他虽败犹荣。

“阿尔法狗”系统是通过经验来学习的。小仅能用它下围棋，还可用来玩其他的游戏。事实上，起初研发这一系统就是用于学习玩电子游戏的，它学会了玩“空间入侵者”（Space Invaders）等49种电子游戏，在绝大多数情况下都赢了人类玩家。现在，人们还期望把类似的技术用到需要识别复杂模式、做长远计划和决策的场合，例如根据医学图像进行诊断或制订治疗计划。不过，这离开真正实现人工通用智能的口标还路途遥远。“阿尔法狗”系统要能工作，还依赖于它通过因特网跟谷歌数据中心巨大的计算机网络联系，它所用的深度神经网络需要在这样的网上运行，在这个网中有170个图形处理器（GPU）和1200个标准的中央处理器（CPU）。因此有人开玩笑说，要战胜“阿尔法狗”系统其实也简单，只消一把剪刀就行——把它的连线剪断。

进军无人驾驶汽车领域

毫无疑问，搞人工智能研究的主要目的不是玩游戏，而是产生应用效益。一辆汽车能否不要司机驾驶，自己接收路况信息，识别路径和障碍物，按照自己所在的位置不断更新地图，分析路面情况并安全行驶呢？这样的应用问题不是仅仅通过符号处理就能够解决的。最近，无人驾驶汽车上路的消息引起了公众极大的兴趣。

2014年，谷歌开发出一款既无方向盘又无踏板的原型车，计划于2020年正式推出。现在谷歌已在许多型号的车上安装了自己的无人驾驶系统。我国百度亦在推出自己的无人驾驶系统。谷歌系统在车顶上安置了激光器，由此产生其周围环境的3D图，并把它和高分辨率的地图进行比较。它也是采用“深度学习”的方法，通过学习积累经验的，事实上它每周都要上路行驶1.6万公里，每天在驾驶仿真机上模拟驾驶160万公里。和人不同，一台自动驾驶系统所学到的经验可以立刻复制到所有的系统，这样就使系统进步更快。

到2015年6月为止，谷歌的无人驾驶车的行驶里程已超过1600万公里，相当于典型的美国司机75年的行程，行驶过程中碰到过20万个停车符号、60万个交通灯和1。8亿辆别的车。到2015年7月为止，谷歌的23辆无人驾驶车在公路上发生过14次碰撞，不过谷歌方面坚称这都不是无人驾驶车本身的错，因为发生碰撞时不是正由人在驾驶，就是对方应该负全责。2015年7月，三名谷歌雇员搭乘一辆无人驾驶车时受了点轻伤，这是无人驾驶车上路以来第一次有人受伤。不过，这也是由于后面的车没有在交通灯翻红时及时刹车造成的。到2016年2月14日，没错的记录被打破了。有一辆谷歌无人驾驶车在加利福尼亚和一辆公交车相撞。当时车正以每小时3公里的速度在路右侧行驶并准备右转，为了躲避前面暴雨排水管周围放置的沙袋，它在开始右转之后又转回路中央。这时正好后面有一辆公交车以每小时24公里的速度驶来，于是撞到了其左侧。当时坐在车里的陪驾说，他以为公交车会减速，所以未采取任何措施，而公交车司机很可能也以为谷歌无人驾驶车会避让，这种由于两不通气造成的碰擦事故经常会发生。不过谷歌还是承认：“在这一事故中，我们显然也负有某些责任，因为要不是我们的车转来转去，就不会发生碰撞。”目前谷歌正在改进其无人驾驶算法。他们说道：“今后我们的无人驾驶车会更深刻地认识公交车（和其他大型车辆）不会像其他类型的车辆那样避让我们，我们希望在今后能更好地处理此类情况。”就在事故发生的4天前，美国国家公路交通安伞局刚通知谷歌，非常可能对他们的无人驾驶计算机和人类司机一视同仁。这次事故对他们是一个打击。

除此之外，谷歌的无人驾驶车也还存在很多其他问题。例如到2014年8月底为止，其最新的原型车还没有在暴雨或大雪天试过。它也认不出警官要它停车的手势。不过谷歌方面说，这些问题都可以在2020年之前得到解决。尽管如此，无人驾驶车的前景还是被普遍看好，因人类司机分心、疲劳以及野蛮开车和反应不及所造成的车祸可望大幅减少，也会把司机从开车的紧张中解放出来。无人驾驶车还有其他许多潜在的好处，这里不一一列举了。

展望与评述

人工智能还在继续发展。今天，人工智能的应用已深入到各行各业，如机器翻译、数据挖掘、工业机器人、语音识别、银行软件、医疗诊断和搜索引擎等，虽然它们往往并不冠以人工智能的标签。这些应用已深刻改变r我们生活的面貌。2016年将要发布的新的国际半导体技术路线图，第一次把其计划的重点从按照摩尔定律使芯片的能力每两年翻一番，改为人工智能的种种应用——“量体裁衣”地进行器件设计。

另一方面，人工智能的发展也会给人类社会带来一些前所未有的挑战。例如，人工智能会取代企业员工的许多工作岗位。这样的问题应在经济社会发展的前提下加以解决。历史的发展已经表明，想靠禁止先进技术来维持旧秩序只能是死路一条。人工智能的军事应用确实有使战争变得更为残酷的风险。是否有必要争取禁止人工智能武器？这应当引起世人注意，而事实上当前已经有一些科学家在呼吁这样做了。

包括人工智能的军事应用在内，人们对人t智能的发展途径以及未来可能产生的重大影响，抱有众多设想和疑虑，笔者仅围绕其中两个问题做一些评述。

人工智能的长远目标

对于人工智能的长远发展来说，值得考虑的是怎样去实现：（1）社会智能；（2）创造性；（3）通用智能（general intelligence）。

人工智能将面临如何跟其他智能体（intelligent agent）打交道的问题，所谓智能体是对包括人、社会组织、人工智能等的一切有智能的系统之统称。人工智能机为了和其他智能体打交道，必须能够识别其他智能体的动机和情绪状态，从而预测对方将要采取的动作；可能还得有表情，即使它没有实际的体验。

许多人认为人工智能的终极目标是创造有通用智能的机器，也就是说，能实现人类所可能具有的任何智能，这被称为人工通用智能（artificial general intelligence，AGI）或强人工智能（strong AI）；而目前的人工智能都只限于智能的某个特定方面，如下棋或问题抢答，叫做“窄人工智能（narrow AI）”或“弱人工智能（weak AI）”。以笔者管见，我们现在甚至还不能把人类所可能具有的任何智能罗列清楚，现在就来预测何时实现人工通用智能，还为时过早。在可预见的未来，还只能用机器实现人类智能的某个特定方面，尽管这些方面的范围在不断扩大。

为了实现这些长远目标，人工智能在方法上也要有根本性改变，不能局限于符号处理，也需要通过学习积累经验。在这方面，“深度学习”无疑是一大突破。不过在目前，“深度学习”的适用范围还不够广'而为了解决另一类问题，就得从头学起，还不能像人类那样触类旁通。智能机器也不能只限于被动接受信息输入，而应该让其主动和环境打交道。它还必须采用把“自上而下”和“自下而上”结合起来的方法。这种人工智能被称为“新智能”（nouvelIe AI）。未来的智能系统会是某种多级控制系统，它需要有亚符号人工智能作为其低级层次，而把符号处理作为高级层次。

“奇点”问题

现在有不少人担心，某天会开发出能够不断自我完善的人工通用智能，他们把这一天称为“奇点”。到那时，人工智能会进入一种正反馈状态，使其智能发生指数式增长并大大超越人的智能。结果，人工智能将摆脱人的控制，而从根本上改变甚至消灭人类文明。许多媒体报道也为此推波助澜。这种对人工智能的过度夸张，有可能成为人工智能面临第三次“严冬”之前兆。

从本文前面对人工智能发展历程的简要考察可以看到，人工智能所取得的成就，并不是由于革命性的科学范式转换，而主要靠的是计算机技术的飞速发展，首先是半个世纪以来运算速度和存储容量的指数式增长。从原理上讲，人们早就有了下棋机的思想，1951年斯特雷奇（Christopher Strachey）首先教计算机马克1号（Ferranti Mark 1）学下国际象棋，不过“深蓝”计算机的速度与之相比提高了1000万倍。在这之后，计算机的运算速度和存储容量以每一年半翻一番的速度继续增长，这就是所谓的“摩尔定律”。“奇点论”或与此类似的观点，正是根据摩尔定律来预测人工智能会在何时超过人脑。例如美国计算机科学家和未来学家库兹韦尔（Ray Kurzweil）根据摩尔定律计算出，台式机将在2029年具有和人脑同样的信息处理能力。并预言奇点将在2045年到来。

然而，摩尔定律不是一条自然定律，它只是对最近半个世纪以来集成电路集成度发展数据的经验总结。这一规律不能无限外推。摩尔定律的提出者摩尔（Gordon E.Moore）本人在2015年就指出：“我认为摩尔定律到了下一个十年左右就会不再成立。”2015年英特尔公司估计，从2012年开始的若干年内，其芯片存储容量翻番的速度将延缓到每两年半翻一番，以后还会继续放慢速度。这是因为半导体集成电路芯片的特征尺度已经从1971年的10微米减少到2014年的10纳米，预计到2021年将进一步减少到5纳米，也就是说只有一二十个原子的大小。再要进一步减小，散热会成为大问题而使芯片停止工作。此外在这种尺度下，电子运动将服从量子规律，可靠性也成了大问题。既然如此，按照摩尔定律进行无限外推，预言人工智能何时全面超越人脑，就成了空中楼阁。虽然人们也把改进人工智能的希望寄托在其他新技术上，但这些技术还不像半导体技术那么成熟，要对它们做精确预测是困难的。

目前有许多媒体和公众把机器在跟棋手的对抗中胜出，说成是机器胜、人类败。这种说法至少在目前是没有道理的。诚如许峰雄和哈萨比斯所言，其实这种比赛的结果，要不就是棋手赢、要不就是作为人工智能开发者的科技人员赢，归根到底都是人类的胜利。