谷歌人工智能AlphaGo圍棋下九段棋手代表什麼？

這兩天一個熱鬧的討論，就是谷歌公司推出的人工智能，名叫AlphaGo，與韓國九段棋手李世石下圍棋，於3月9日及今天10日連勝兩局。 自從當年IBM的深藍在國際象棋上下勝了國際象棋的世界冠軍後，圍棋因為運算量龐大，一直認為在是計算機難以挑戰的領域。 然而自從深度神經網絡技術出現後， 人工智能領域得到了巨大的發展，大眾普遍會發現近幾年，無論是手寫輸入還是語音識別都有了巨大的提升。 深度神經網絡的主要提升在於，它大大提高了對深層邏輯的提取，通過海量的數據訓練，可以讓其不斷將更復雜的邏輯規則進行識別並抽象並提取出來，然後這個抽象的結果作為一種數據結構保存下來，可以用於辨別事物。 對於類似AlphaGo這樣的系統，原理上是相通的，然而真正讓其得到最大提高的部分在於，它可以自己與自己進行下棋，然後不斷總結更優結果，於是便能不斷進行優化。 在過去的神經網絡系統中，面臨一個問題就是，在識別數據的時候，很容易出現識別到一半，整個網絡分佈就散了，於是就識別不下去了，這方面要細說就要談到深度學習方面了，這裡先不談這個。 簡單來說，AlphaGo它在圍棋上取得的成就，已經超過大部分棋手了，這意味著在圍棋領域，專業的九段高手也有面前敗下陣來的。 有很多人說，圍棋以後也沒有可玩的了，因為在機器面前，人已經無還手之力了，這個說法顯然是不對的。因為圍棋的解集是很大的，能夠構成的圍棋局盤是一個天文數字，AlphaGo目前所提取的圍棋規則及下法，仍然是從棋譜學習，並進行自我不斷演算，然而無論如何演算，它是不可能覆蓋所有的可能，只是在一個局部範圍內尋找到了最優解。而這個局部範圍的求解結果，極有可能在另一個角度上是錯的，如果有足夠多的局例對AlphaGo的下棋特點進行分析，那麼人戰勝AlphaGo並不難，在一些微妙的識別上，人工智能算法會很難處理。 舉例來說，如果是在字符識別上，如果你把一個“2”寫得模糊一些，那麼對機器識別來說，它可能是“2”，也可能是“乙”，還有可能一個扭曲的“S”，亦或是其它的什麼。如果有上下文的情況下，產生了會導致誤導的模糊邏輯，那麼要它識別出來就會很困難了。雖然理論上機器也可以聯繫上下文進行處理，然而現實中卻不那麼容易，比如機器學習中，提供的數據通常需要要規範的格式，如果是雜亂需要整理的內容，學習在對新內容的學習上會搞得一片混亂。 任何系統都一定是有BUG的。記得以前玩過下象棋的智能系統，如果是按步就班的下，難度還是很高的，然而如果走些明顯很不合理的怪棋，往往系統自己就完蛋了，它們也會走一些莫名其妙的棋。像AlphaGo必然也存在這樣的問題，只是體現在哪裡並不清楚。 另外，既然AlphaGo能夠自我進行下棋博弈進行優化，那麼就說明，人工智能在自己與自己下的時候，總有一方勝一方負，如果沒有的話，便不可能進行優化了。 換而言之，戰勝目前狀態的AlphaGo解法是一定存在的，然而這些如何應用在下棋上，又如何才能戰勝，只能等棋手們去思考了。 說到人工智能，AlphaGo的侷限性在於，它目前實現的智能程度確實很高，然而卻是體現在僅僅下棋這個方面，如果比喻的話，AlphaGo實際上就相當於一個刻苦學習的白痴，然而因為他實在太刻苦了，所以在某一個方面掌握得就能非常精深，然而在其它方面，就完全不行了。 什麼都能識別都並加以學習的人工智能，是通用人工智能，目前這樣的系統還沒有出現，AlphaGo同樣稱不上這方面好的開始，因為它的表現是在某一個專精方面的深入，而不是其它方面。當然這個也是很有意義的，利用計算機這樣的工具，可以讓我們更好的學習研究一些深入的知識。 如果虛心一些，那麼AlphaGo這種系統的數據訓練方式，對我們現實的啟迪是什麼？它意味著如果一個人先天不是太糟糕的情況下，後天的刻苦努力最起碼可以讓人在某一領域獲取成就。