下棋雖有勝負，但在面對整個世界時，人類和人工智慧，其實站在棋盤的同一邊

　　AlphaGo與李世石的一場“人機大戰”最終以4：1落下帷幕。單從戰績上看，人工智慧完勝，5局戰罷，AlphaGo的世界排名已升至第二位，甚至被南韓棋院贈與了名譽九段的稱號。但人類真的輸了嗎？

　　其實並不儘然。你會因為法拉利比劉翔快，起重機比奧運冠軍舉得更重，就有“機器比人強”的危機感嗎？AlphaGo也是如此，説到底，它依然是人類創造出來的工具，本身並沒有意識，和人類並不構成競爭關係。能夠創造工具、利用工具來解決問題，本來就是人類在智慧上的巨大優勢。

　　人們覺得“不可思議”，只是因為圍棋在計算的複雜性上遠遠超過其他棋類項目，也就是説，AlphaGo與李世石下棋，採取的計算方法和19年前“深藍”取勝卡斯帕羅夫完全不同。電腦下西洋棋，可以在某種程度上算是“暴力”窮舉未來走勢，但在圍棋上這種方法並不適用，AlphaGo用“神經網路系統”“蒙特卡洛樹搜索”和“深度學習”來下棋，實際上就是人工智慧掌握了一種從大局上判斷形勢優劣，並在有限的時間內盡可能找到最優解的方法，也就是説，谷歌的工程師們正在試圖讓AlphaGo學習人類的思維方式，“多快好省”地作出判斷。這也是為什麼職業棋手對AlphaGo在局部的運算能力毫不吃驚，但對它的“大局觀”和“棋感”極其詫異的原因。

　　AlphaGo和李世石的對弈，也讓人們看到了人工智慧未來的“用武之地”。在這五盤棋裏，AlphaGo經常會下出一些人類棋手一時搞不明白有何意義的棋，要過很多手之後，才能意識到它的目的，AlphaGo對勝率的判斷和行棋的思路，和人類棋手都有所不同。人類所掌握的圍棋理論，包括種種定式的形成，都來自於千百年無數棋局的總結和傳承。但AlphaGo讓人們意識到，這些基於有限計算力提煉出的規律，未必都是準確的。當計算力有了巨大提升，再加上適當的思考方法，人工智慧有可能找到新的規律，甚至打破人類現有的規律體系。這是最令人震撼的部分，我們對世界的理解，對種種問題的認識和判斷，有可能依然只是盲人摸象，借助人工智慧，人們有機會提升哪怕0.01的視力，離迷宮的出口更近一些。

　　這正是以AlphaGo為代表的認知智慧存在的重大意義。如果説已經商用化的，包括圖像識別、語音識別、數據挖掘、精準推薦的這些輸入感知智慧，是讓我們的雙手更靈活，可以將過去能完成的事做得更好，或者將過去能想像的事實現出來。那麼認知智慧就像是我們的“外腦”，能夠幫助我們改善決策的方式，甚至能以前所未有的途徑解決問題。

　　不過，從AlphaGo的實戰表現來看，人工智慧也並不完美。比如它在邏輯上並不嚴密，在一些應對上的選擇顯然出現了錯誤，李世石也抓住了這些機會，獲得了一盤棋的勝利，甚至將AlphaGo逼出了“小學生耍賴”的下法。這就説明，目前的人工智慧演算法還遠稱不上完美，還有相當多需要修正的地方。這也同樣給人們提了個醒：在決策層面，我們現階段可以向人工智慧“取經”，但同時並不能完全依賴人工智慧，人類的思考與人工智慧的運算，應該尋求“1+1>2”的合力。

　　AlphaGo與李世石的4：1，是人類的勝利。這讓我們看到了人類創造出的人工智慧和人類本身雙方在思考與判斷上各自的優勢，下棋雖有勝負，但在面對整個世界時，人類和人工智慧，其實站在棋盤的同一邊。