阿爾法狗與人工智能

劉宗凡

圖靈與人工智能

談到人工智能，我們就不得不提起計算機(jī)先驅(qū)——圖靈。艾倫·麥席森·圖靈（Alan Mathison Turing，1912—1954），英國數(shù)學(xué)家、邏輯學(xué)家，被稱為計算機(jī)之父、人工智能之父。

圖靈在1950年發(fā)表了一篇論文《計算機(jī)器與智能》，提出了著名的“圖靈測試”，指出如果第三者無法辨別人類與人工智能機(jī)器反應(yīng)的差別，則可以論斷該機(jī)器具備人工智能。后來人們根據(jù)圖靈的描述，將圖靈測試具體化了：測試者在與被測試者（一個人和一臺機(jī)器）隔開的情況下，通過一些裝置（如鍵盤）向被測試者隨意提問。進(jìn)行多次測試后，如果有超過30%的測試者不能確定出被測試者是人還是機(jī)器，則這臺機(jī)器被認(rèn)為具有人類智能。

在圖靈提出這個構(gòu)想以后，不斷有科學(xué)家試圖挑戰(zhàn)，但眾所周知，圖靈提出的人工智能，是具備了人類思維方式的，要挑戰(zhàn)的難度可想而知。圖靈測試沒有規(guī)定問題的范圍，如果某臺機(jī)器能夠通過測試，則其必須存儲人類所有可能想到的問題及合適的回答，還需要理智地做出選擇。

2014年，英國雷丁大學(xué)宣稱人工智能軟件尤金·古斯特曼（Eugene Goostman）通過了圖靈測試。尤金·古斯特曼是由Vladimir Veselov（現(xiàn)居美國）開發(fā)的智能軟件，模仿的是一位13歲的男孩，尤金設(shè)法讓測試人相信被測試者33%的答復(fù)為人類所為，這意味著這臺超級計算機(jī)通過了圖靈測試。

當(dāng)然，圖靈測試中所謂的30%，是當(dāng)時圖靈對2000年時機(jī)器的一個預(yù)測，并且雷丁大學(xué)宣稱尤金讓測試人相信33%的答復(fù)為人類所為，和圖靈所稱的30%以上的人完全分辨不出來對方是人類還是機(jī)器，其實差別是非常大的：雷丁大學(xué)進(jìn)行的測試，只不過是測試人員相信其33%的答復(fù)為人類所為，換句話說沒有一個人完全被機(jī)器所騙，和圖靈所稱讓30%的人完全上當(dāng)，其實并不是一個標(biāo)準(zhǔn)。所以這次測試結(jié)果并沒有在科學(xué)界引起大的波瀾。

以后還會不斷有人挑戰(zhàn)圖靈測試，可以想象，如果真有一天有機(jī)器能通過圖靈測試，這將是人工智能的一場狂歡，是一次質(zhì)的突破。

人工智能（Artificial Intelligence，AI）一詞，是1956年于Dartmouth學(xué)會上提出的，比圖靈提出圖靈測試的時間遲，至今也沒有一個統(tǒng)一的定義。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能包含非常多的學(xué)科和領(lǐng)域，如機(jī)器學(xué)習(xí)、計算機(jī)視覺、語言識別、自然語言理解、控制系統(tǒng)、仿真系統(tǒng)等，并且仍在不斷擴(kuò)展之中。總的說來，人工智能的目的就是讓計算機(jī)能夠像人一樣思考。

現(xiàn)在我們普遍把人工智能分成三個層次：①弱人工智能Artificial Narrow Intelligence（ANI）。弱人工智能是擅長于單個方面的人工智能。比如能戰(zhàn)勝象棋世界冠軍的人工智能，但是它只會下象棋，回答不了其他任何方面的問題。目前我們的人工智能研究，可以說還停留在弱工人智能的起步階段，只有去年在圍棋大戰(zhàn)中戰(zhàn)勝李世石的“阿爾法狗”，堪稱弱人工智能里程碑式的突破。②強(qiáng)人工智能Artificial General Intelligence（AGI）。人類級別的人工智能。強(qiáng)人工智能是指在各方面都能和人類比肩的人工智能，人類能干的腦力活它都能干。Linda Gottfredson教授把智能定義為“一種寬泛的心理能力，能夠進(jìn)行思考、計劃、解決問題、抽象思維、理解復(fù)雜理念、快速學(xué)習(xí)和從經(jīng)驗中學(xué)習(xí)等操作”。③超人工智能Artificial Super Intelligence（ASI）。牛津哲學(xué)家、知名人工智能思想家Nick Bostrom把它定義為“在幾乎所有領(lǐng)域都比最聰明的人類大腦還聰明很多，包括科學(xué)創(chuàng)新、通識和社交技能”。

圍棋與“阿爾法狗”

棋牌類運動是人類智慧的結(jié)晶，人們把戰(zhàn)場的金戈鐵馬、自然的山川丘壑、人生的酸甜苦辣等都融入其中，在方寸之間殫精竭慮、斗智斗勇。棋牌體現(xiàn)出無窮的魅力，國際象棋和圍棋是其中的佼佼者，深得人們喜愛。

把時鐘撥回到二十年前的1997年5月，國際象棋屆發(fā)生了一件轟動一時的大事：國際象棋世界冠軍、人類有史以來最頂尖的棋手卡斯帕羅夫和IBM公司的超級電腦“深藍(lán)”進(jìn)行了6盤對弈，最終以2.5：3.5的比分告負(fù)，這標(biāo)志著計算機(jī)在智力領(lǐng)域正式對人類吹響了挑戰(zhàn)的號角。

深藍(lán)是一臺超級計算機(jī)，在當(dāng)年的超級電腦中排名259位，每秒鐘可以運行113.8億次浮點運算，可以計算出2億步棋（當(dāng)然，在現(xiàn)在動輒每秒億億次浮點運算的超級計算機(jī)面前，深藍(lán)的計算速度已經(jīng)不值一曬）。IBM公司將100多年來所有國際象棋特級大師的開局和殘局的下法輸入電腦，共有約200萬局。比賽時每場對局結(jié)束后，IBM深藍(lán)小組都會根據(jù)卡斯帕羅夫的情況相應(yīng)地修改特定的參數(shù)，深藍(lán)雖不會思考，但這些工作實際上起到了強(qiáng)迫它學(xué)習(xí)的作用，這也是卡斯帕羅夫始終無法找到一個對付深藍(lán)的有效辦法的主要原因。

從現(xiàn)在的發(fā)展來看，深藍(lán)之所以能戰(zhàn)勝人類最頂尖高手，主要是依靠它無窮無盡的計算能力。冷酷無情的機(jī)器，只要抓住人類下法中的一個失誤，就可以將人類打敗。但是，它的最大的一個缺陷就是不會“思考”，所以只能說它是一個集人類國際象棋經(jīng)驗大成的一位“智者”。在卡斯帕羅夫以后，人類還和電腦進(jìn)行了多次較量，雖然電腦勝多負(fù)少，但也不是說它是不可戰(zhàn)勝的。因為雖然國際象棋每走一步后對手能走的方案是有限的，但要算盡所有可能，目前也是不可能的。如果從人工智能的角度來說，深藍(lán)還處于“暴力”搜索的初級階段。

雖然計算機(jī)早早就戰(zhàn)勝了國際象棋的頂尖高手，但在圍棋方面，人工智能卻遲遲無法取得突破。雖然圍棋在全球普及程度遠(yuǎn)不如國際象棋，但作為中國四大藝術(shù)“棋琴書畫”之一，它在中、日、韓等國深受人們喜愛。圍棋是我國的傳統(tǒng)棋種，它的發(fā)明可以追溯到堯舜以棋教子的傳說。圍棋在春秋戰(zhàn)國時期就廣為傳播，歷史悠久，源遠(yuǎn)流長，歷朝歷代都涌現(xiàn)出許多才華蓋世的棋手，留下了許多膾炙人口的棋壇佳話。

和國際象棋相比較，圍棋規(guī)則非常簡潔，棋盤上縱橫十九道，三百六十一個交叉點，只有沒“氣”的點不允許落子，此外可以說沒有任何禁忌。從理論上來說，一手棋后，對方的應(yīng)對，可以有三百余種可能。雙方交替落子，這意味著圍棋總共可能有10^171（10的171次方）種可能性。這個數(shù)字到底有多大，你可能沒有感覺。按通行的說法，宇宙中的原子總數(shù)是10^80（10的80次方），即使窮盡整個宇宙的物質(zhì)也不能存下圍棋的所有可能性。所以中國歷來就有“千古不同局”的說法。將國際象棋和圍棋的復(fù)雜性相比較，可以說它們是一滴水和大海的關(guān)系。正因為如此，計算機(jī)技術(shù)在圍棋領(lǐng)域一直沒有什么突破。

2016年3月9日開始，谷歌旗下DeepMind團(tuán)隊開發(fā)的阿爾法狗（AlphaGo）程序和韓國頂尖棋手之一的李世石（李世乭）進(jìn)行了一次五番棋對決，結(jié)果震驚全球：阿爾法狗以4：1的絕對優(yōu)勢擊敗了集十四個國際冠軍頭銜于一身的人類代表！

這是一個令絕大多數(shù)人目瞪口呆的結(jié)果。如果按照深藍(lán)的思路和圍棋的復(fù)雜程度，這個結(jié)果確實有些不可思議。我們可以簡單地說，阿爾法狗令人震驚的地方，是它不是利用計算機(jī)超快的速度來窮舉各種可能，而是它具備了“思考”的能力！它不是亦步亦趨地將以往棋手的經(jīng)驗集中起來對付人類，而是具有自己的圍棋觀點和思路。在棋戰(zhàn)中阿爾法狗下出了很多人類不能理解的招數(shù)，開始的時候被職業(yè)棋手評論為錯招、臭棋，但最后證明這只不過這些職業(yè)棋手無法理解的招數(shù)，也就是說，阿爾法狗已經(jīng)有了“創(chuàng)新”的能力。不僅是程序作者不理解它的下法，連最強(qiáng)的職業(yè)棋手也無法理解。阿爾法狗顛覆了職業(yè)棋手的圍棋觀，讓幾千年來的圍棋理論出現(xiàn)了動搖。

由于圍棋的變化太過復(fù)雜與多樣，于是，人們認(rèn)為，在可以預(yù)見的時間里，人工智能可以在所有智力游戲中戰(zhàn)勝人類。阿爾法狗的橫空出世，橫掃了人類高手，展示了人工智能取得的突破性進(jìn)展。阿爾法狗的這次勝利，無疑將會載入人工智能發(fā)展的史冊。

深度神經(jīng)網(wǎng)絡(luò)與蒙特卡洛樹搜索

我們在驚嘆于阿爾法狗的所向無敵之余，會禁不住思考，到底是什么造就了它如此的輝煌？

對于人工智能來說，圍棋因其巨大的搜索空間、評估棋局和評估落子地點的難度而被認(rèn)為是最具有挑戰(zhàn)性的經(jīng)典博弈游戲。我們給電腦圍棋程序引入一種新的方法，這個方法使用估值網(wǎng)絡(luò)來評估棋局，以及使用策略網(wǎng)絡(luò)來選擇如何落子。這些深度神經(jīng)網(wǎng)絡(luò)被一種新的組合來訓(xùn)練：使用了人類專業(yè)比賽數(shù)據(jù)的監(jiān)督學(xué)習(xí)，以及自我對弈的強(qiáng)化學(xué)習(xí)。沒有使用任何預(yù)測搜索的方法，神經(jīng)網(wǎng)絡(luò)下圍棋達(dá)到了最先進(jìn)的蒙特卡洛樹搜索程序的水準(zhǔn)，該這程序模擬了數(shù)以千計的自我對弈的隨機(jī)博弈。我們同時也引入了一種新的搜索算法，該算法把蒙特卡洛模擬和估值、策略網(wǎng)絡(luò)結(jié)合在一起。（谷歌研究人員發(fā)表于《自然》雜志的論文Mastering the game of Go with deep neural networks and tree search的摘要）

從論文中我們可以看出幾個關(guān)鍵詞，即神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、蒙特卡洛樹搜索。

1.神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)作為一個計算模型的理論，最初是由科學(xué)家Warren McCulloch和Walter Pitts在1943年提出來的。康內(nèi)爾大學(xué)教授Frank Rosenblatt于1957年提出的“感知器”（Perceptron），是第一個用算法來精確定義神經(jīng)網(wǎng)絡(luò)、第一個具有自組織自學(xué)習(xí)能力的數(shù)學(xué)模型，是日后許多新的神經(jīng)網(wǎng)絡(luò)模型的始祖。Rosenblatt樂觀地預(yù)測，感知器最終可以“學(xué)習(xí)、做決定、翻譯語言”。神經(jīng)網(wǎng)絡(luò)沒有一個嚴(yán)格的正式定義，它的基本特點是試圖模仿大腦的神經(jīng)元之間傳遞，處理信息的模式（如下頁圖）。

一個計算模型要劃分為神經(jīng)網(wǎng)絡(luò)，通常需要大量彼此連接的節(jié)點（也稱“神經(jīng)元”），并且具備兩個特性：①每個神經(jīng)元，通過某種特定的輸出函數(shù)（也叫激勵函數(shù)activation function），計算處理來自其他相鄰神經(jīng)元的加權(quán)輸入值。②神經(jīng)元之間的信息傳遞的強(qiáng)度，用所謂加權(quán)值來定義，算法會不斷自我學(xué)習(xí)，調(diào)整這個加權(quán)值。在此基礎(chǔ)上，神經(jīng)網(wǎng)絡(luò)的計算模型依靠大量的數(shù)據(jù)來訓(xùn)練。

神經(jīng)網(wǎng)絡(luò)算法模擬生物神經(jīng)網(wǎng)絡(luò)，是一類模式匹配算法。通常用于解決分類和回歸問題。人工神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一個龐大的分支，有幾百種不同的算法。而深度學(xué)習(xí)就是其中的一類算法。

2.深度學(xué)習(xí)

深度學(xué)習(xí)算法是對人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。在計算能力變得日益廉價的今天，深度學(xué)習(xí)試圖建立大得多也復(fù)雜得多的神經(jīng)網(wǎng)絡(luò)。很多深度學(xué)習(xí)的算法是半監(jiān)督式學(xué)習(xí)算法，用來處理存在少量未標(biāo)識數(shù)據(jù)的大數(shù)據(jù)集。常見的深度學(xué)習(xí)算法包括受限波爾茲曼機(jī)（Restricted Boltzmann Machine，RBN）、Deep Belief Networks（DBN）、卷積網(wǎng)絡(luò)（Convolutional Network）、堆棧式自動編碼器（Stacked Auto-encoders）。

監(jiān)督式學(xué)習(xí)：在監(jiān)督式學(xué)習(xí)下，輸入數(shù)據(jù)被稱為“訓(xùn)練數(shù)據(jù)”，每組訓(xùn)練數(shù)據(jù)都有一個明確的標(biāo)識或結(jié)果。在建立預(yù)測模型的時候，監(jiān)督式學(xué)習(xí)會構(gòu)建一個學(xué)習(xí)過程，將預(yù)測結(jié)果與“訓(xùn)練數(shù)據(jù)”的實際結(jié)果進(jìn)行比較，并不斷調(diào)整預(yù)測模型，直到模型的預(yù)測結(jié)果達(dá)到一個預(yù)期的準(zhǔn)確率。阿爾法狗在早期輸入了大量人類高手對局的棋譜，用KGS圍棋服務(wù)器的3000萬個棋局，訓(xùn)練了13層的策略網(wǎng)絡(luò)。在輸入留存測試數(shù)據(jù)的所受特征時，這個網(wǎng)絡(luò)預(yù)測人類專家下棋的精準(zhǔn)率達(dá)到了57%。

非監(jiān)督式學(xué)習(xí)：在非監(jiān)督式學(xué)習(xí)中，數(shù)據(jù)并不被特別標(biāo)識，學(xué)習(xí)模型是為了推斷出數(shù)據(jù)的一些內(nèi)在結(jié)構(gòu)。阿爾法狗借助現(xiàn)在無窮的計算機(jī)能力，不斷進(jìn)行自我對弈，在海量的對局中，提高對局勢的判斷能力，這就是非監(jiān)督式學(xué)習(xí)。

半監(jiān)督式學(xué)習(xí)：在此學(xué)習(xí)方式下，輸入數(shù)據(jù)部分被標(biāo)識，部分沒有被標(biāo)識，這種學(xué)習(xí)模型可以用來進(jìn)行預(yù)測，但是模型首先需要學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，以便用合理的組織數(shù)據(jù)來進(jìn)行預(yù)測。

3.搜索與蒙特卡洛樹搜索

計算機(jī)最大的優(yōu)勢在于計算能力，而搜索的本質(zhì)是窮舉——列出每一種可能出現(xiàn)的情況，所以計算機(jī)能戰(zhàn)無不勝了。

搜索在實現(xiàn)時的最普遍方法有兩種：一種是深度優(yōu)先搜索，另一種是廣度優(yōu)先搜索。以“走迷宮”為例，深度優(yōu)先就是按照規(guī)則一直往前走，直到無路可走時往回走，再按照規(guī)則往前走，這種方法一定可以找到出口或證明沒有出口。無路可走時往回走，這種方法也叫回溯法。在玩游戲《仙劍奇?zhèn)b傳》時，面對復(fù)雜的迷宮，我們有一種笨辦法，從起點往前走，如果有分叉就選左邊的路走，走到路的盡頭就往回走，再在分叉的路口選左邊的路走（已經(jīng)走過的路在意識中將它刪除），用這種方法一定可以走出迷宮。這種方法就是深度優(yōu)先搜索。

與深度優(yōu)先搜索不同，廣度優(yōu)先搜索是站在某個路口，先試探所有可以走一步的路，看有沒有哪個路口到達(dá)了出口。如果沒有，則把所有相鄰路口記下來，按某種規(guī)則搜索這些路口所有相鄰的路口，直到到達(dá)出口。廣度優(yōu)先搜索找到的第一個出口是最近的出口，但搜索樹的寬度擴(kuò)展太快，需要大量空間來存儲已經(jīng)走過的路口。

這兩種搜索的過程，都會形成一棵搜索樹。比如下棋，有些地方是根本不允許落子的，我們花力氣去搜索是沒有意義的；有些地方明顯是敗招，也不需要去搜索。不需要搜索的路徑我們不再走，就是在搜索樹上把某些枝條去掉，我們稱為搜索剪枝。搜索剪枝能大大減少計算機(jī)的搜索量，但相對棋類運動來說，工作量還是太大。

下棋時，每個棋子代表的價值和走在不同位置的作用都不同，我們在搜索時要區(qū)別對待。我們引入一個估值函數(shù)，對下一步要走的路口進(jìn)行估值，選一個最值得走的路口走，這樣就能最快走到終點，這就是A*搜索。

當(dāng)然，迷宮是一個人走，下棋是兩個人下，在搜索中，人們發(fā)明了“極小化極大算法”（minmax algorithm），就是計算機(jī)在尋找下一步棋的時候，優(yōu)先選擇不管對方怎么下，對我們都不會太壞的地方。我們進(jìn)一步縮小搜索空間，以便計算機(jī)能在某些分支搜索得更深，而不把時間花在一看就不行的廢棋上，其中一個重要的算法叫Alpha-Beta剪枝。深藍(lán)就是主要運用了Minmax搜索和Alpha-Beta剪枝，并加上局勢評估和往前看。深藍(lán)的局勢評估考慮了棋子的重要性、每個棋子的影響范圍、王的安全系數(shù)、先手等因素。這個評估是動態(tài)的，要往前窮舉數(shù)步棋中的所有變化。據(jù)說深藍(lán)可以往前推12步，12步大概有10^ 24（10的24次方）種變化，加上剪枝和深藍(lán)強(qiáng)大的運算能力，是可以實現(xiàn)的。而人類頂尖高手大概可以推算10步，因此計算機(jī)面對人類高手基本上穩(wěn)操勝券。

但圍棋的變化實在過于復(fù)雜，遠(yuǎn)遠(yuǎn)不是國際象棋可以比擬的。不過深藍(lán)還是帶給我們非常多的啟發(fā)，就是如何尋找一個精確的形勢評估函數(shù)。圍棋的形勢判斷非常微妙，并沒有一個比較客觀的方式。不同的職業(yè)棋手對同一步棋，可能會形成截然相反的評判意見。比如什么是勢？什么是厚？什么是薄？不同風(fēng)格的棋手都會有不同看法。

那圍棋中有沒有絕對客觀的呢？只有一條，那就是最終的勝負(fù)。但要窮盡整個搜索樹，在可預(yù)見的未來那是不可能實現(xiàn)的。在搜索樹中，我們可能有幾個分支是導(dǎo)向勝利的，那我們需要把所有分支都窮盡找到最優(yōu)的方法嗎？不需要的，我們可以抽樣統(tǒng)計其優(yōu)劣。如何抽樣？當(dāng)然在計算機(jī)允許的時間內(nèi)越多越好。比如下在某個位置的這手棋到底好不好？我們可以在這個基礎(chǔ)上下一千局、一萬局乃至更多。到底多少局好？我們可以算到讀秒時間結(jié)束為止。像這樣在確定時間內(nèi)完成的隨機(jī)算法，就叫做蒙特卡洛算法。深藍(lán)用過的搜索算法，現(xiàn)在一樣能用：只要把局面評估方法換成蒙特卡洛就行了（用模擬對局的最終勝率而不是評分值來評價當(dāng)前局面的好壞），這就是所謂的“蒙特卡洛樹搜索”。

因為圍棋之樹實在太大，每個結(jié)點模擬次數(shù)多，時間不夠用，模擬次數(shù)少，答案又不精確。阿爾法狗的主體仍然是蒙特卡洛樹，但它巧妙地用了兩個深度學(xué)習(xí)模型，一個預(yù)測下一手，一個判斷形勢。預(yù)測的結(jié)果，降低了搜索寬度；而形勢判斷，則減小了搜索深度。深度學(xué)習(xí)從人類的經(jīng)驗中學(xué)來了棋感與大局觀，它們使蒙特卡洛如虎添翼。

人工智能與“后圍棋時代”

2016年12月29日，一位名叫“Maser”的棋手登錄弈城網(wǎng)、野狐網(wǎng)（專業(yè)圍棋對弈網(wǎng)站），掀起了圍棋界的“腥風(fēng)血雨”，以60連勝的戰(zhàn)績橫掃當(dāng)前所有頂尖高手?，F(xiàn)在我們已經(jīng)知道，“Master”就是阿爾法狗的升級版本。

DeepMind公司創(chuàng)始人哈薩比斯此前在一次采訪中曾透露，他們的團(tuán)隊正在嘗試訓(xùn)練一個沒有學(xué)習(xí)過人類棋譜的人工智能，這也可能就是Master和阿爾法狗不同的原因。如果Master真的沒有學(xué)習(xí)過人類棋譜，卻有了突飛猛進(jìn)的實力，那就恰恰印證了谷歌AI技術(shù)的全新突破。

如此強(qiáng)悍的阿爾法狗，是不是已經(jīng)成了“圍棋之神”？也就是說它是不是已經(jīng)對圍棋的每一步都能應(yīng)對正確、永無失誤？其實，要成為“圍棋之神”，就要窮盡圍棋的每一種可能，而我們知道，圍棋的可能性是趨向無窮，目前還不能說阿爾法狗的每一步棋都是圍棋真理，只是它的每一步棋，都盡量保證必勝。

在大戰(zhàn)Master以后，古力說：“夜深了，心情漸漸平復(fù)，但腦海里依然浮現(xiàn)著這幾天的奇幻之旅——從勇士集結(jié)到一一抬走，從信心滿滿到麻木絕望。相對于恒定的Master大師，我們?nèi)祟惖南才?，對未知的憧憬與探索，也許正是我們活下去的最深層的動力。阿爾法狗的出現(xiàn)已經(jīng)徹底顛覆了我們棋手對局勢原有的掌控、判斷。那我不禁要問，多年后的某一天，當(dāng)你發(fā)現(xiàn)自己曾經(jīng)的意識、認(rèn)知、抉擇都是錯誤的時候，你會一如既往地錯下去，還是否定自己，給自己重新開始的機(jī)會呢？致最好的時代or最壞的時代！”

最好的時代or最壞的時代？這就是人工智能對圍棋領(lǐng)域的顛覆。圍棋千百年來積淀的理論、定式等，在人工智能的幫助下，將揭開新的一頁，圍棋正式進(jìn)入“后圍棋時代”。

小米總裁雷軍說：“相比以往人工智能的嘗試，阿爾法狗的表現(xiàn)空前地像人，又超越人。策略、直覺、意識等方面，從來都被認(rèn)為是人類的專屬能力，而現(xiàn)在阿爾法狗的表現(xiàn)完全顛覆了這些過往的‘定論。過去，科技帶來的人類能力的延展基本是物理性的，遠(yuǎn)的有紡織機(jī)代替手工作坊、汽車代替馬車，近的有GPS實現(xiàn)全球定位，‘通信+智能終端實現(xiàn)實時資訊傳輸、交互等，但眼下則是完全不同的維度。這應(yīng)該是第一次進(jìn)入了真正思維領(lǐng)域，可能將為人類帶來分析、判斷、決策思維的直接效率提升?！?/p>

日本現(xiàn)代圍棋史上最杰出的棋手之一藤澤秀行曾經(jīng)說過，“棋道一百，我知七”。人們以前都認(rèn)為這是棋圣的謙虛說法，現(xiàn)在我們再來看這句話，何嘗不是人類的真實寫照。在人工智能領(lǐng)域，我們所知的也許還不到百分之七，但阿爾法狗引領(lǐng)的這次人工智能的突破，將如旭日東升，噴薄而出，開啟一個新的時代。