前段时间，当李世石以 4:1 的比分被 AlphaGo 击败后，关于人工智能会不会取代人类工作，甚至像科幻电影里那样反抗、伤害人类的讨论就一直没有停过。确实，连在围棋这么复杂的游戏上都能超越人类顶尖选手，人工智能的未来还真的是难以预测。不过，微软前天在 Twitter 等几个平台上线的聊天机器人的遭遇可能会让你觉得它们也并非那么智能。
在美国San Francisco（旧金山）举行的研发开发者大会上，微软就宣布了这个微软机器人的框架，并且还有一套扩展延伸的认知服务，更深层次的Cortana（微软小娜）应用于Skype，并且Skype本身也应用于一系列的APP(应用程序),并且微软公司将这个平台称之为“conversation canvases”（交流画布）。这些“画布”的价格也不等，如果应用于slack就是$8美元,如果是应用于Currys 的APP（应用程序）和文本、电子邮件、个人聊天APP（应用程序）以及Twitter（推特），那就是Office 365，价格是$69.99 美元。
这些人工智能机器人仅仅只是Conversations-as-a-Platform（交流即平台）的一个方面，下一步微软努力的目标，就是把Skype变成为一个通用的顾问，能够进行各种类型业务的沟通。除了与AI（人工智能）机器人非常自然的对话，微软正在整合Cortana（微软小娜）智能、计算机视觉、机器学习，将这些应用于Skype越来越多的方面，不仅仅只是简单的通信和协作。
一开始， AlphaGo 分析了优秀人类棋手的 150,000 场比赛，使用人工神经网络去发现这些比赛中的模式。特别的是，它学会了预测人类棋手会在任何一个位置落子的可能性。 AlphaGo 的设计者后来通过反复让其与自己的早期版本对弈，改善和校正了神经网络，系统逐渐提高了获胜的机率。
概括地说，神经网络是非常复杂的数学模型，有数以百万的参数，通过调整这些参数改变模型的行为。当我说神经网络「学习」时，意思是，计算机持续对模型参数做出微量调整，试着找到一种方式让它在比赛中得到相应微小进步。在学习的第一阶段，它试着在自我对弈中提高获胜机率。这听上去像一个疯狂的策略——反复进行微量的调整，进而获得一些极其复杂的功能——但是，如果你这样做的时间足够长，并且具备足够的计算能力，网络就会变得非常好。而且，有一件奇怪的事：没有人真正知道它变得很好的原因，因为它的提升是数十亿次自动微量调整的结果。
我们可以从中看到， AlphaGo 不是从以大量详尽的围棋知识为基础的评估系统开始的，这与深蓝团队所做的不同。恰好相反，通过分析成千上万场先前的比赛并进行多次自我对弈， AlphaGo 通过数十亿的微小调整，不断做出微小改进，建构出一个策略网络。然后，策略网络反过来帮助 AlphaGo 建立起一个评估系统，捕获非常类似于人类优秀棋手直觉（对不同棋盘位置价值的直觉）的东西。
按照这种方式， AlphaGo 比深蓝更加激进。因为计算发展的最早时期，计算机已经被用于搜索优化已知函数的方式。深度的解决办法仅仅是：搜索旨在优化尽管复杂但其形式主要表达出了既有国际象棋知识的函数。当然，搜索方式是聪明的，但是，与许多二十世纪六十年代的程序并无不同。
诸如 AlphaGo 这样的系统真的让人兴奋。我们已经学会使用计算机系统重现人类直觉的某些形式。现在，我们也面临许多巨大挑战：拓展计算机能够表示的直觉范围，让系统更加稳定，理解他们工作原理和机制，学习以更好的方式将这些模型和已有的计算机系统组合起来。