讀：AlphaGo之父杰米斯·哈薩比斯（Demis Hassabis），2017年的時(shí)候曾在母校英國(guó)劍橋大學(xué)做了一場(chǎng)題為“超越人類認(rèn)知的極限”的演講，解答了世人對(duì)于人工智能、對(duì)于阿爾法狗的諸多疑問。在這場(chǎng)演講中，你還能了解到當(dāng)年李世石、柯潔與阿法狗對(duì)弈的一些細(xì)節(jié)。

以下為演講正文：

非常感謝大家今天能夠到場(chǎng)，今天，我將談?wù)勅斯ぶ悄?#xff0c;以及DeepMind近期在做些什么，我把這場(chǎng)報(bào)告命名為“超越人類認(rèn)知的極限”，我希望到了報(bào)告結(jié)束的時(shí)候，大家都清晰了解我想傳達(dá)的思想。

1. 你真的知道什么是人工智能嗎？

對(duì)于不知道DeepMind公司的朋友，我做個(gè)簡(jiǎn)單介紹，我們是在2010年于倫敦成立了這家公司，在2014年我們被谷歌收購，希望借此加快我們?nèi)斯ぶ悄芗夹g(shù)的腳步。

我們的使命是什么呢？我們的首要使命便是解決人工智能問題。一旦這個(gè)問題解決了，理論上任何問題都可以被解決。這就是我們的兩大使命了，聽起來可能有點(diǎn)狡猾，但是我們真的相信，如果人工智能最基本的問題都解決了的話，沒有什么問題是困難的。

那么我們準(zhǔn)備怎樣實(shí)現(xiàn)這個(gè)目標(biāo)呢？DeepMind現(xiàn)在在努力制造世界上第一臺(tái)通用學(xué)習(xí)機(jī)，大體上學(xué)習(xí)可以分為兩類：一種就是直接從輸入和經(jīng)驗(yàn)中學(xué)習(xí)，沒有既定的程序或者規(guī)則可循，系統(tǒng)需要從原始數(shù)據(jù)自己進(jìn)行學(xué)習(xí)；第二種學(xué)習(xí)系統(tǒng)就是通用學(xué)習(xí)系統(tǒng)，指的是一種算法可以用于不同的任務(wù)和領(lǐng)域，甚至是一些從未見過的全新領(lǐng)域。

大家肯定會(huì)問，系統(tǒng)是怎么做到這一點(diǎn)的？

其實(shí)，人腦就是一個(gè)非常明顯的例子，這是可能的，關(guān)鍵在于如何通過大量的數(shù)據(jù)資源，尋找到最合適的解決方式和算法。我們把這種系統(tǒng)叫做通用人工智能，來區(qū)別于如今我們當(dāng)前大部分人在用的僅在某一領(lǐng)域發(fā)揮特長(zhǎng)的狹義人工智能，這種狹義人工智能在過去的40年～50年非常流行。

IBM 發(fā)明的深藍(lán)系統(tǒng)（Deep Blue）就是一個(gè)很好的狹義人工智能的例子，他在上世紀(jì)90年代末期曾打敗了國(guó)際象棋冠軍加里·卡斯帕羅夫（Gary Kasporov）。如今，我們到了人工智能的新的轉(zhuǎn)折點(diǎn)，我們有著更加先進(jìn)、更加匹配的技術(shù)。

1997年5月，IBM與世界國(guó)際象棋冠軍加里·卡斯帕羅夫?qū)Q

2. 如何讓機(jī)器聽從人類的命令？

大家可能想問機(jī)器是如何聽從人類的命令的，其實(shí)并不是機(jī)器或者算法本身，而是一群聰明的編程者智慧的結(jié)晶。他們與每一位國(guó)際象棋大師對(duì)話，汲取他們的經(jīng)驗(yàn)，把其轉(zhuǎn)化成代碼和規(guī)則，組建了人類最強(qiáng)的象棋大師團(tuán)隊(duì)。但是這樣的系統(tǒng)僅限于象棋，不能用于其他游戲。

對(duì)于新的游戲，你需要重新開始編程。在某種程度上，這些技術(shù)仍然不夠完美，并不是傳統(tǒng)意義上的完全人工智能，其中所缺失的就是普適性和學(xué)習(xí)性。我們想通過“增強(qiáng)學(xué)習(xí)”來解決這一難題。在這里我解釋一下增強(qiáng)學(xué)習(xí)，我相信很多人都了解這個(gè)算法。

首先，想像一下有一個(gè)主體，在AI領(lǐng)域我們稱我們的人工智能系統(tǒng)為主體，它需要了解自己所處的環(huán)境，并盡力找出自己要達(dá)到的目的。這里的環(huán)境可以指真實(shí)事件，可以是機(jī)器人，也可以是虛擬世界，比如游戲環(huán)境；主體通過兩種方式與周圍環(huán)境接觸；它先通過觀察熟悉環(huán)境，我們起初通過視覺，也可以通過聽覺、觸覺等，我們也在發(fā)展多感覺的系統(tǒng)；

第二個(gè)任務(wù)，就是在此基礎(chǔ)上，建模并找出最佳選擇。這可能涉及到對(duì)未來的預(yù)期，想像，以及假設(shè)檢驗(yàn)。這個(gè)主體經(jīng)常處在真實(shí)環(huán)境中，當(dāng)時(shí)間節(jié)點(diǎn)到了的時(shí)候，系統(tǒng)需要輸出當(dāng)前找到的最佳方案。這個(gè)方案可能或多或少會(huì)改變所處環(huán)境，從而進(jìn)一步驅(qū)動(dòng)觀察的結(jié)果，并反饋給主體。

簡(jiǎn)單來說，這就是增強(qiáng)學(xué)習(xí)的原則，示意圖雖然簡(jiǎn)單，但是其中卻涉及了極其復(fù)雜的算法和原理。如果我們能夠解決大部分問題，我們就能夠搭建普適人工智能。這是因?yàn)閮蓚€(gè)主要原因：首先，從數(shù)學(xué)角度來講，我的合伙人，一名博士，他搭建了一個(gè)系統(tǒng)叫‘AI-XI’，用這個(gè)模型，他證明了在計(jì)算機(jī)硬件條件和時(shí)間無限的情況下，搭建一個(gè)普適人工智能，需要的信息。

另外，從生物角度來講，動(dòng)物和人類等，人類的大腦是多巴胺控制的，它在執(zhí)行增強(qiáng)學(xué)習(xí)的行為。因此，不論是從數(shù)學(xué)的角度，還是生物的角度，增強(qiáng)學(xué)習(xí)是一個(gè)有效的解決人工智能問題的工具。

3. 為什么圍棋是人工智能難解之謎？

接下來，我要主要講講我們最近的技術(shù)，那就是去年誕生的阿爾法狗；希望在座的大家了解這個(gè)游戲，并嘗試玩玩，這是個(gè)非常棒的游戲。圍棋使用方形格狀棋盤及黑白二色圓形棋子進(jìn)行對(duì)弈，棋盤上有縱橫各19條直線將棋盤分成361個(gè)交叉點(diǎn)，棋子走在交叉點(diǎn)上，雙方交替行棋，以圍地多者為勝。

圍棋規(guī)則沒有很復(fù)雜，我可以在五分鐘之內(nèi)教給大家。這張圖展示的就是一局已結(jié)束，整個(gè)棋盤基本布滿棋子，然后數(shù)一下你的棋子圈出的空間以及對(duì)方棋子圈出的空間，誰的空間大，誰就獲勝。在圖示的這場(chǎng)勢(shì)均力敵的比賽中，白棋以一格之差險(xiǎn)勝。

白棋以一格之差險(xiǎn)勝

其實(shí)，了解這個(gè)游戲的最終目的非常難，因?yàn)樗⒉幌裣笃迥菢?#xff0c;有著直接明確的目標(biāo)，在圍棋里，完全是憑直覺的，甚至連如何決定游戲結(jié)束對(duì)于初學(xué)者來說，都很難。圍棋是個(gè)歷史悠久的游戲，有著3000多年的歷史，起源于中國(guó)，在亞洲，圍棋有著很深的文化意義。孔子還曾指出，圍棋是每一個(gè)真正的學(xué)者都應(yīng)該掌握的四大技能之一（琴棋書畫），所以在亞洲圍棋是種藝術(shù)，專家們都會(huì)玩。

如今，這個(gè)游戲更加流行，有4000萬人在玩圍棋，超過2000多個(gè)頂級(jí)專家，如果你在4歲～5歲的時(shí)候就展示了圍棋的天賦，這些小孩將會(huì)被選中，并進(jìn)入特殊的專業(yè)圍棋學(xué)校，在那里，學(xué)生從6歲起，每天花12個(gè)小時(shí)學(xué)習(xí)圍棋，一周七天，天天如此。直到你成為這個(gè)領(lǐng)域的專家，才可以離開學(xué)校畢業(yè)。這些專家基本是投入人生全部的精力，去揣摩學(xué)習(xí)掌握這門技巧，我認(rèn)為圍棋也許是最優(yōu)雅的一種游戲了。

像我說的那樣，這個(gè)游戲只有兩個(gè)非常簡(jiǎn)單的規(guī)則，而其復(fù)雜性卻是難以想象的，一共有10170 （10的170次方） 種可能性，這個(gè)數(shù)字比整個(gè)宇宙中的原子數(shù)1080（10的80次方）都多的去了，是沒有辦法窮舉出圍棋所有的可能結(jié)果的。我們需要一種更加聰明的方法。你也許會(huì)問為什么計(jì)算機(jī)進(jìn)行圍棋的游戲會(huì)如此困難，1997年，IBM的人工智能DeepBlue（深藍(lán)）打敗了當(dāng)時(shí)的象棋世界冠軍GarryKasparov，圍棋一直是人工智能領(lǐng)域的難解之謎。我們能否做出一個(gè)算法來與世界圍棋冠軍競(jìng)爭(zhēng)呢？要做到這一點(diǎn)，有兩個(gè)大的挑戰(zhàn)：

一、搜索空間龐大（分支因數(shù)就有200），一個(gè)很好的例子，就是在圍棋中，平均每一個(gè)棋子有兩百個(gè)可能的位置，而象棋僅僅是20. 圍棋的分支因數(shù)遠(yuǎn)大于象棋。

二、比這個(gè)更難的是，幾乎沒有一個(gè)合適的評(píng)價(jià)函數(shù)來定義誰是贏家，贏了多少，這個(gè)評(píng)價(jià)函數(shù)對(duì)于該系統(tǒng)是至關(guān)重要的。而對(duì)于象棋來說，寫一個(gè)評(píng)價(jià)函數(shù)是非常簡(jiǎn)單的，因?yàn)橄笃宀粌H是個(gè)相對(duì)簡(jiǎn)單的游戲，而且是實(shí)體的，只用數(shù)一下雙方的棋子，就能輕而易舉得出結(jié)論了。你也可以通過其他指標(biāo)來評(píng)價(jià)象棋，比如棋子移動(dòng)性等。

所有的這些在圍棋里都是不可能的，并不是所有的部分都一樣，甚至一個(gè)小小部分的變動(dòng)，會(huì)完全變化格局，所以每一個(gè)小的棋子都對(duì)棋局有著至關(guān)重要的影響。最難的部分是，我稱象棋為毀滅性的游戲，游戲開始的時(shí)候，所有的棋子都在棋盤上了，隨著游戲的進(jìn)行，棋子被對(duì)方吃掉，棋子數(shù)目不斷減少，游戲也變得越來越簡(jiǎn)單。相反，圍棋是個(gè)建設(shè)性的游戲，開始的時(shí)候，棋盤是空的，慢慢的下棋雙方把棋盤填滿。

因此，如果你準(zhǔn)備在中場(chǎng)判斷一下當(dāng)前形勢(shì)，在象棋里，你只需看現(xiàn)在的棋盤，就能告訴你大致情況；在圍棋里，你必須評(píng)估未來可能會(huì)發(fā)生什么，才能評(píng)估當(dāng)前局勢(shì)，所以相比較而言，圍棋難得多。也有很多人試著將DeepBlue的技術(shù)應(yīng)用在圍棋上，但是結(jié)果并不理想，這些技術(shù)連一個(gè)專業(yè)的圍棋手都打不贏，更別說世界冠軍了。

所以大家就要問了，連電腦操作起來都這么難，人類是怎樣解決這個(gè)問題的？其實(shí)，人類是靠直覺的，而圍棋一開始就是一個(gè)靠直覺而非計(jì)算的游戲。所以，如果你問一個(gè)象棋選手，為什么這步這樣走，他會(huì)告訴你，這樣走完之后，下一步和下下一步會(huì)怎樣走，就可以達(dá)到什么樣的目的。這樣的計(jì)劃，有時(shí)候也許不盡如人意，但是起碼選手是有原因的。

然而圍棋就不同了，如果你去問世界級(jí)的大師，為什么走這一步，他們經(jīng)常回答你直覺告訴他這么走，這是真的，他們是沒法描述其中的原因的。我們通過用加強(qiáng)學(xué)習(xí)的方式來提高人工神經(jīng)網(wǎng)絡(luò)算法，希望能夠解決這一問題。

我們?cè)噲D通過深度神經(jīng)網(wǎng)絡(luò)模仿人類的這種直覺行為，在這里，需要訓(xùn)練兩個(gè)神經(jīng)網(wǎng)絡(luò)，一種是決策網(wǎng)絡(luò)，我們從網(wǎng)上下載了成百萬的業(yè)余圍棋游戲，通過監(jiān)督學(xué)習(xí)，我們讓阿爾法狗模擬人類下圍棋的行為；我們從棋盤上任意選擇一個(gè)落子點(diǎn)，訓(xùn)練系統(tǒng)去預(yù)測(cè)下一步人類將作出的決定。系統(tǒng)的輸入是在那個(gè)特殊位置最有可能發(fā)生的前五或者前十的位置移動(dòng)。這樣，你只需看那5種～10種可能性，而不用分析所有的200種可能性了。

一旦我們有了這個(gè)，我們對(duì)系統(tǒng)進(jìn)行幾百萬次的訓(xùn)練，通過誤差加強(qiáng)學(xué)習(xí)，對(duì)于贏了的情況，讓系統(tǒng)意識(shí)到，下次出現(xiàn)類似的情形時(shí)，更有可能做相似的決定。相反，如果系統(tǒng)輸了，那么下次再出現(xiàn)類似的情況，就不會(huì)選擇這種走法。我們建立了自己的游戲數(shù)據(jù)庫，通過百萬次的游戲，對(duì)系統(tǒng)進(jìn)行訓(xùn)練，得到第二種神經(jīng)網(wǎng)絡(luò)。選擇不同的落子點(diǎn)，經(jīng)過置信區(qū)間進(jìn)行學(xué)習(xí)，選出能夠贏的情況，這個(gè)幾率介于0-1之間，0是根本不可能贏，1是百分之百贏。

通過把這兩個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)合起來（決策網(wǎng)絡(luò)和數(shù)值網(wǎng)絡(luò)），我們可以大致預(yù)估出當(dāng)前的情況。這兩個(gè)神經(jīng)網(wǎng)絡(luò)樹，通過蒙特卡洛算法，把這種本來不能解決的問題，變得可以解決。我們網(wǎng)羅了大部分的圍棋下法，然后和歐洲的圍棋冠軍比賽，結(jié)果是阿爾法狗贏了，那是我們的第一次突破，而且相關(guān)算法還被發(fā)表在《自然》科學(xué)雜志。

接下來，我們?cè)陧n國(guó)設(shè)立了100萬美元的獎(jiǎng)金，并在2016年3月，與世界圍棋冠軍李世石進(jìn)行了對(duì)決。李世石先生是圍棋界的傳奇，在過去的10年里都被認(rèn)為是最頂級(jí)的圍棋專家。我們與他進(jìn)行對(duì)決，發(fā)現(xiàn)他有非常多創(chuàng)新的玩法，有的時(shí)候阿爾法狗很難掌控。

比賽開始之前，世界上每個(gè)人（包括他本人在內(nèi)）都認(rèn)為他一定會(huì)很輕松就打贏這五場(chǎng)比賽，但實(shí)際結(jié)果是我們的阿爾法狗以4:1獲勝。圍棋專家和人工智能領(lǐng)域的專家都稱這具有劃時(shí)代的意義。對(duì)于業(yè)界人員來說，之前根本沒想到。

4. 棋局哪個(gè)關(guān)鍵區(qū)域被人類忽視了？

這對(duì)于我們來說也是一生僅有一次的偶然事件。

這場(chǎng)比賽，全世界28億人在關(guān)注，35000多篇關(guān)于此的報(bào)道。整個(gè)韓國(guó)那一周都在圍繞這個(gè)話題。真是一件非常美妙的事情。對(duì)于我們而言，重要的不是阿爾法狗贏了這個(gè)比賽，而是了解分析他是如何贏的，這個(gè)系統(tǒng)有多強(qiáng)的創(chuàng)新能力。

阿爾法狗不僅僅只是模仿其他人類選手的下法，他在不斷創(chuàng)新。在這里舉個(gè)例子 ，這是第二局里的一個(gè)情況，第37步，這一步是我整個(gè)比賽中最喜歡的一步。在這里，黑棋代表阿爾法狗，他將棋子落在了圖中三角標(biāo)出的位置。為什么這步這么關(guān)鍵呢?為什么大家都被震驚到了。

圖左：第二局里，第37步，黑棋的落子位置 圖右：之前貌似陷入困境的兩個(gè)棋子

其實(shí)在圍棋中有兩條至關(guān)重要的分界線，從右數(shù)第三根線。如果在第三根線上移動(dòng)棋子，意味著你將占領(lǐng)這個(gè)線右邊的領(lǐng)域。而如果是在第四根線上落子，意味著你想向棋盤中部進(jìn)軍，潛在的，未來你會(huì)占棋盤上其他部分的領(lǐng)域，可能和你在第三根線上得到的領(lǐng)域相當(dāng)。

所以在過去的3000多年里，人們認(rèn)為在第三根線上落子和第四根線上落子有著相同的重要性。但是在這場(chǎng)游戲中，大家看到在這第37步中，阿爾法狗落子在了第五條線，進(jìn)軍棋局的中部區(qū)域。與第四根線相比，這根線離中部區(qū)域更近。這可能意味著，在幾千年里，人們低估了棋局中部區(qū)域的重要性。

有趣的是，圍棋就是一門藝術(shù)，是一種客觀的藝術(shù)。我們坐在這里的每一個(gè)人，都可能因?yàn)樾那楹脡漠a(chǎn)生成千上百種的新想法，但并不意味著每一種想法都是好的。而阿爾法狗卻是客觀的，他的目標(biāo)就是贏得游戲。

5. 阿爾法狗拿下李世石靠哪幾個(gè)絕招？

大家看到在當(dāng)前的棋局下，左下角那兩個(gè)用三角標(biāo)出的棋子看起來好像陷入了困難，而15步之后，這兩個(gè)棋子的力量擴(kuò)散到了棋局中心，一直延續(xù)到棋盤的右邊，使得這第37步恰恰落在這里，成為一個(gè)獲勝的決定性因素。在這一步上阿爾法狗非常具有創(chuàng)新性。我本人是一個(gè)很業(yè)余的棋手，讓我們看看一位世界級(jí)專家Michael Redmond對(duì)這一步的評(píng)價(jià)。

Michael是一位9段選手（圍棋最高段），就像是功夫中的黑段一樣，他說：“這是非常令人震驚的一步，就像是一個(gè)錯(cuò)誤的決定。”在實(shí)際模擬中，Michael其實(shí)一開始把棋子放在了另外一個(gè)地方，根本沒想到阿爾法狗會(huì)走這一步。像這樣的創(chuàng)新，在這個(gè)比賽中，阿爾法狗還有許多。在這里，我特別感謝李世石先生，其實(shí)在我們贏了前三局的時(shí)候，他下去了。

2016年3月阿爾法狗大戰(zhàn)世界圍棋冠軍李世石，以4:1的總分戰(zhàn)勝了人類

那是三場(chǎng)非常艱難的比賽，尤其是第一場(chǎng)。因?yàn)槲覀冃枰粩嘤?xùn)練我們的算法，阿爾法狗之前打贏了歐洲冠軍，經(jīng)過這場(chǎng)比賽，我們知道了歐洲冠軍和世界冠軍的差別。理論上來講，我們的系統(tǒng)也進(jìn)步了。但是當(dāng)你訓(xùn)練這個(gè)系統(tǒng)的時(shí)候，我們不知道有多少是過度擬合的，因此，在第一局比賽結(jié)束之前，系統(tǒng)是不知道自己的統(tǒng)計(jì)結(jié)果的。所以，其實(shí)第一局，我們非常緊張，因?yàn)槿绻谝痪州斄?#xff0c;很有可能我們的算法存在巨大漏洞，有可能會(huì)連輸五局。但是如果我們第一局贏了，證明我們的加權(quán)系統(tǒng)是對(duì)的。

不過，李世石先生在第四場(chǎng)的時(shí)候，回來了，也許壓力緩解了許多，他做出了一步非常創(chuàng)新性的舉動(dòng)，我認(rèn)為這是歷史上的創(chuàng)新之舉。這一步迷惑了阿爾法狗，使他的決策樹進(jìn)行了錯(cuò)誤估計(jì)，一些中國(guó)的專家甚至稱之為“黃金之舉”。通過這個(gè)例子，我們可以看到多少的哲理蘊(yùn)含于圍棋中。這些頂級(jí)專家，用盡必生的精力，去找出這種黃金之舉。

其實(shí)，在這步里，阿爾法狗知道這是非常不尋常的一步，他當(dāng)時(shí)估計(jì)李世石通過這步贏的可能性是0.007%，阿爾法狗之前沒有見過這樣的落子方式，在那2分鐘里，他需要重新搜索決策計(jì)算。我剛剛已經(jīng)提到過這個(gè)游戲的影響：28億人觀看，35000相關(guān)文章的媒體報(bào)道，在西方網(wǎng)售的圍棋被一搶而空，我聽說MIT（美國(guó)麻省理工學(xué)院）還有很多高校，許多人加入了圍棋社。

第四局里，李世石第78步的創(chuàng)新之舉

我剛才談到了直覺和創(chuàng)新，直覺是一種含蓄的表達(dá)，它是基于人類的經(jīng)歷和本能的一種思維形式，不需要精確計(jì)算。這一決策的準(zhǔn)確性可以通過行為進(jìn)行評(píng)判。在圍棋里很簡(jiǎn)單，我們給系統(tǒng)輸入棋子的位置，來評(píng)估其重要性。阿爾法狗就是在模擬人類這種直覺行為。創(chuàng)新，我認(rèn)為就是在已有知識(shí)和經(jīng)驗(yàn)的基礎(chǔ)上，產(chǎn)生一種原始的，創(chuàng)新的觀點(diǎn)。阿爾法狗很明顯的示范了這兩種能力。

6. 神秘棋手Master究竟是不是阿爾法狗？

那么我們今天的主題是“超越人類認(rèn)知的極限”，下一步應(yīng)該是什么呢？從去年三月以來，我們一直在不斷完善和改進(jìn)阿爾法狗，大家肯定會(huì)問，既然我們已經(jīng)是世界冠軍了，還有什么可完善的？ 其實(shí)，我們認(rèn)為阿爾法狗還不是完美的，還需要做更多的研究。

首先，我們想要繼續(xù)研究剛才提到的和李世石的第四局比賽，來填充知識(shí)的空白。這個(gè)問題其實(shí)已經(jīng)被解決了，我們建立了一個(gè)新的阿爾法狗分系統(tǒng)，不同于主系統(tǒng)，這個(gè)分支系統(tǒng)是用來困惑主系統(tǒng)的。我們也優(yōu)化了系統(tǒng)的行為，以前我們需要花至少3個(gè)月來訓(xùn)練系統(tǒng)，現(xiàn)在只需要一周時(shí)間。

第二，我們需要理解阿爾法狗所采取的決定，并對(duì)其進(jìn)行解釋，阿爾法狗這樣做的原因是什么，是否符合人類的想法等等。我們通過對(duì)比人類大腦對(duì)于不同落子位置的反應(yīng)以及阿爾法狗對(duì)于棋子位置的反應(yīng)，以期找到一些新的知識(shí)；本質(zhì)上就是想讓系統(tǒng)更專業(yè)。

我們?cè)诰W(wǎng)絡(luò)上與世界頂級(jí)的專家對(duì)決，一開始我們使用了一個(gè)假名（Master），在連勝之后被大家猜出是阿爾法狗。這些都是頂級(jí)的專家，我們至今已贏了60位大師了。如果你做個(gè)簡(jiǎn)單的貝葉斯分析，你會(huì)發(fā)現(xiàn)阿爾法狗贏不同對(duì)手的難易也不一樣。而且，阿爾法狗也在不斷自我創(chuàng)新，比如說圖中右下角這個(gè)棋子（圓圈標(biāo)處），落在第二根線里，以往我們并不認(rèn)為這是個(gè)有效的位置。實(shí)際上，韓國(guó)有的團(tuán)隊(duì)預(yù)約了這些游戲，想研究其中新的意義和信息。

阿爾法狗自我創(chuàng)新，落在第二格線的旗子

柯潔，既是中國(guó)的圍棋冠軍，也是目前的世界圍棋冠軍，他才19歲。他也在網(wǎng)上和阿爾法狗對(duì)決過，比賽之后他說人類已經(jīng)研究圍棋研究了幾千年了，然而人工智能卻告訴我們，我們甚至連其表皮都沒揭開。他也說人類和人工智能的聯(lián)合將會(huì)開創(chuàng)一個(gè)新紀(jì)元，將共同發(fā)現(xiàn)圍棋的真諦。異曲同工，柯潔提到了圍棋的真理，我們?cè)谶@里談的是科學(xué)的真理。

紅遍網(wǎng)絡(luò)的神秘棋手Master，2017年1月3日在騰訊圍棋對(duì)弈平臺(tái)贏了柯潔

Master執(zhí)白中盤勝柯潔，Master就是AlphaGo的升級(jí)版

那么圍棋的新紀(jì)元是否真的到來了呢？圍棋史上這樣的劃時(shí)代事件曾經(jīng)發(fā)生過兩次，第一次是發(fā)生在1600年左右的日本，20世紀(jì)30-40年代的日本，日本一位當(dāng)時(shí)非常杰出的圍棋高手吳清源提出了一個(gè)全新的關(guān)于圍棋的理論，將圍棋提升到了一個(gè)全新的境界。大家說如今，阿爾法狗帶來的是圍棋界的第三次變革。

7. 為什么人工智能“下圍棋”強(qiáng)于“下象棋”？

我想解釋一下，為什么人工智能在圍棋界所作出的貢獻(xiàn)，要遠(yuǎn)大于象棋界。如果我們看看當(dāng)今的世界國(guó)際象棋冠軍芒努斯·卡爾森，他其實(shí)和之前的世界冠軍沒什么大的區(qū)別，他們都很優(yōu)秀，都很聰明。但為什么當(dāng)人工智能出現(xiàn)的時(shí)候，他們可以遠(yuǎn)遠(yuǎn)超越人類？我認(rèn)為其中的原因是，國(guó)際象棋更注重戰(zhàn)術(shù)，而阿爾法狗更注重戰(zhàn)略。如今世界頂級(jí)的國(guó)際象棋程序再不會(huì)犯技術(shù)性的錯(cuò)誤，而在人類身上，不可能不犯錯(cuò)。

第二，國(guó)際象棋有著巨大的數(shù)據(jù)庫，如果棋盤上少于9個(gè)棋子的時(shí)候，通過數(shù)學(xué)算法就可以計(jì)算出誰勝誰敗了。計(jì)算機(jī)通過成千上萬的迭代算法，就可以計(jì)算出來了。因此，當(dāng)棋盤上少于九個(gè)棋子的時(shí)候，下象棋時(shí)人類是沒有辦法獲勝的。

因此，國(guó)際象棋的算法已經(jīng)近乎極致，我們沒有辦法再去提高它。然而圍棋里的阿爾法狗，在不斷創(chuàng)造新的想法，這些全新的想法，在和真人對(duì)決的時(shí)候，頂級(jí)的棋手也可以把其納入到考慮的范疇，不斷提高自己。

就如歐洲圍棋冠軍樊麾（第一位與阿爾法狗對(duì)陣的人類職業(yè)棋手）所說的那樣，在和阿爾法狗對(duì)決的過程中，機(jī)器人不斷創(chuàng)新的下法，也讓人類不斷跳出自己的思維局限，不斷提高自己。大家都知道，經(jīng)過專業(yè)圍棋學(xué)校里30多年的磨練，他們的很多思維已經(jīng)固化，機(jī)器人的創(chuàng)新想法能為其帶來意想不到的靈感。我真的相信如果人類和機(jī)器人結(jié)合在一起，能創(chuàng)造出許多不可思議的事情。我們的天性和真正的潛力會(huì)被真正釋放出來。

8. 阿爾法狗不為了贏取比賽又是為了什么？

就像是天文學(xué)家利用哈勃望遠(yuǎn)鏡觀察宇宙一樣，利用阿爾法狗，圍棋專家可以去探索他們的未知世界，探索圍棋世界的奧秘。我們發(fā)明阿爾法狗，并不是為了贏取圍棋比賽，我們是為了測(cè)試人工智能算法搭建一個(gè)有效的平臺(tái)，我們的最終目的是把這些算法應(yīng)用到真實(shí)的世界中，為社會(huì)所服務(wù)。

當(dāng)今世界面臨的一個(gè)巨大挑戰(zhàn)就是過量的信息和復(fù)雜的系統(tǒng)，我們?cè)趺床拍苷业狡渲械囊?guī)律和結(jié)構(gòu)，從疾病到氣候，我們需要解決不同領(lǐng)域的問題。這些領(lǐng)域十分復(fù)雜，對(duì)于這些問題，即使是最聰明的人類也無法解決的。我認(rèn)為人工智能是解決這些問題的一個(gè)潛在方式。

在如今這個(gè)充斥著各種新技術(shù)的時(shí)代，人工智能必須在人類道德基準(zhǔn)范圍內(nèi)被開發(fā)和利用。本來，技術(shù)是中性的，但是我們使用它的目的和使用它的范圍，大大決定了其功能和性質(zhì)，這必須是一個(gè)讓人人受益的技術(shù)才行。

我自己的理想是通過自己的努力，讓人工智能科學(xué)家或者人工智能助理和醫(yī)藥助理成為可能，通過該技術(shù)，我們可以真正加速技術(shù)的更新和進(jìn)步。

————

編輯?∑ Pluto

來源：華爾街見聞

更多精彩：

?泰勒定理的奇聞?shì)W事

?丘成桐：漫談微分幾何

?Leibniz 如何想出微積分？（一）

?線性相關(guān)和秩的物理意義

?數(shù)學(xué)史上你認(rèn)為最丑陋的公式是什么？

?陶哲軒談什么是好的數(shù)學(xué)

?田淵棟：數(shù)學(xué)的用處（下篇）

?你絕對(duì)沒想過原來數(shù)學(xué)家這么流氓，一言不合就進(jìn)行暴力證明

?世界上最牛的五篇博士論文

?數(shù)學(xué)中有哪些巧合讓人眼前一亮？

?算法立功！清華畢業(yè)教授美國(guó)被搶車，警察無能為力自己用“貪心算法”找回

?學(xué)術(shù)史上的奇文：怎樣用數(shù)學(xué)抓獅子

?臺(tái)大教授的反思：最難的一課 我們卻沒教給學(xué)生

?麻省理工學(xué)院(MIT)研究生學(xué)習(xí)指導(dǎo)—— 怎樣做研究生

?分享 數(shù)學(xué)，常識(shí)和運(yùn)氣 ——投資大師詹姆斯·西蒙斯2010年在MIT的講座

算法數(shù)學(xué)之美微信公眾號(hào)歡迎賜稿

稿件涉及數(shù)學(xué)、物理、算法、計(jì)算機(jī)、編程等相關(guān)領(lǐng)域，經(jīng)采用我們將奉上稿酬。

投稿郵箱：math_alg@163.com

總結(jié)

以上是生活随笔為你收集整理的“阿法狗”之父：关于围棋，人类3000年来犯了一个错的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。