图片来自:Pexels

文章转载自：AI100

　　>>>>1986年，李开复博士发表在 Artificial Intelligence 期刊上的论文《评价函数学习的一种模式分类方法》详细介绍了黑白棋 AI 程序 BILL 的关键技术，该程序于1989 年获得了全美黑白棋大赛的冠军，可以说是三十年前的 AlphaGo。以下有完整论文，准备好开启严肃阅读模式：

　　我们向读者推荐李开复先生这篇发表于1986年前的论文。这篇文章当然对于 AI 博弈竞技这一研究方向来说具有历史价值，其严谨完备的讨论和规范的学术论文写作也堪称典范，不过我们之所以时隔31年翻译和发表此文，主要是有感于其中领先时代的思想，即使对于今天的 AI 学习者来说，也具有跨越时空的启发，绝对值得品读。

导读 | 孟岩

　　李开复于1983年至1988年在卡耐基梅隆大学（CMU）计算机系攻读博士学位，读博期间他的主要研究方向是机器学习和模式识别，也就是今日大红大紫的人工智能之主流方向。

　　李开复的博士毕业论文是以统计学习方法来做语音识别，在当时是全球首屈一指的研究。他以及其同门师弟洪小文的研究，帮助其导师 Raj Reedy 于 1994 年获得图灵奖。

　　CMU 做机器学习和语音识别研究，是非常有渊源的。在人工智能学界，CMU 的名字与语音识别及自然语言理解密不可分。早在1960年代第一次AI热潮当中，CMU 就获得 DARPA 每年300万美元的拨款，荟集当时全球语音识别领域的顶级学者，投入语言理解研究项目（Speech Understanding Research， SUR）。然而在1974年 AI 寒冬中，DARPA 对 SUR 项目进展感到不满，停止拨款，遂致 SUR 项目半途而废。

　　但学者们在 SUR 研究期间取得的多项成果，例如隐马尔可夫模型，成为今日机器学习中多个分支的基础，亦奠定了 CMU 在语音及自然语言理解领域执牛耳的地位。而 DARPA 对于 SUR 项目的误伤，也成为 DARPA 历史上为数不多的遗憾之一。

　　SUR 虽去，但CMU在这个领域已经根深叶茂，此后人才辈出，群星璀璨。而那位今天在中国科技 VC 中以 All in AI 著称的投资大佬，那位在各种讲坛甚至娱乐节目中卖力甚至卖萌解说人工智能的开复老师，当年则是这群星中耀眼的一枚，是世界一流的人工智能专家。

　　上面这个故事是不少人都知道的。

　　但是关于李开复的 CMU 生涯，还有一个比较少人知道事情。李开复在读博期间，除了把统计学习方法开创性的用来进行语音识别，还把它用来搞了一个黑白棋（Othello）人工智能博弈程序 BILL，并且顺便拿了一个全美冠军。拿冠军这事发生在1989年，而这篇论文1986年表在AI领域顶级期刊 Artificial Intelligence 上，已经把日后冠军BILL 来了个CT式曝光，所以这篇文章的事后诸葛亮的标题可以是《一个国家冠军的诞生，以及一场事先声张的棋盘谋杀案》。

　　根据作者自己的评价，此论文以及围绕 BILL 的研究工作，“应该算是第一个用正统机器学习做得对弈软件。贝叶斯学习方法至今仍被很多人使用”。我们今天能够阅读这篇论文，一窥人工智能棋盘博弈的门径。

　　那么这篇论文有哪些穿越时空的闪光点呢？

　　首先，贝叶斯学习方法的应用。

　　在这篇论文写作的 1986 年，人工智能研究界的兴奋点仍然在基于规则的专家系统上，距离 CMU 另一位机器学习巨擘 Tom Mitchell 经典的机器学习教材出版还有十二年之遥，以统计学为基础的机器学习尚处幼年。

　　但这篇论文使我们看到，当时在 CMU 等世界顶尖的机器学习研究机构，对于相关理论的研究已经到了何等深度，实践中取得了何等突出的效果。在本文的第四部分，作者详细介绍了运用了贝叶斯方法的 BILL 3.0 如何在对抗评测中横扫人类冠军以及自己的上一代版本 BILL 2.0。

　　我想当年读到这篇文章的人工智能学者，都应该能够感受到这一新方法、新方向的巨大潜力。

　　对于搞机器学习的人来说，贝叶斯是一个绕不开的名字。贝叶斯原理以数学的形式归纳了理性人的决策过程：对一件事情事先有一个估计（先验概率），随着新的证据不断出现，不断的修正自己的估计，证据越多，估计越准。这一个简朴的思想衍生出一系列以贝叶斯为名的方法和算法，如“贝叶斯学习”、 “贝叶斯推断”、 “贝叶斯估计”、“朴素贝叶斯”、“高斯朴素贝叶斯”、“贝叶斯网络”等等。但与其说贝叶斯是诸多机器学习方法和算法中的一个，不如说它是理解机器学习的一个角度。