□本報記者 郭宏

　　谷歌超級人工智慧系統AlphaGo在與頂尖圍棋高手李世石的較量中取得勝利，是人工智慧發展史上重要的里程碑，顯示出人工智慧在複雜的博弈遊戲中開始挑戰最高級別的人類選手。“深度學習”將為人工智慧打開一扇新的大門。

　　圍棋是一種古老的遊戲，行棋規則簡單，千變萬化中卻蘊涵無盡玄機。以最基本的“定式”為例，定式的選擇只有在合適的場合配合下才能發揮功效，絕非機械記憶即可，必須了解其內涵，掌握各種變化下的應對，否則，可能非但無利，反而有害。

　　圍棋的特殊性並不在於變數的數量級變化，而在於選擇的“不確定”性。與其他遊戲不同，圍棋博弈時，最優選擇很難用數學語言“定量”精確表達，頂尖高手之間對“下一手”的看法不能達成一致基本是常態。這並不是因為棋手之間的能力差異所導致。事實上，選擇不同的“下一手”很多時候的確沒有好壞之分，只是形成不同的路線，勝負取決於棋手後續的綜合功力。因此，對於高手來説，計算能力很重要，但博弈時更講究的是“棋感”。所謂實與勢要均衡，“高者謀勢，低者謀實”。

　　電腦遊戲更新換代非常快，一個重要的原因就是玩這些遊戲的“解決方案”通常都是確定的。一個遊戲被玩熟之後，對於後續進程通常都在預期之中，其魅力當然很快就會消失。

　　由於圍棋博弈缺乏“定量”解決方案，因此僅依靠海量存儲數據棋譜，進行搜索比對加以分析判斷，難以找到最佳的“下一手”，要讓機器取得勝利的唯一辦法只能是掌握“學習”能力。為此，AlphaGo通過神經網路引入了“直覺”。直覺讓棋手成為高手，但卻不是傳統數字世界所使用的規則。此次AlphaGo連續擊敗李世石，表明人工智慧通過“學習”，在“勢”和“實”這些“虛”的領域達到了令人震驚的高度。

　　人工智慧主要可分為類人的人工智慧和非類人的人工智慧。類人人工智慧的思考和推理就像人的思維，可以通過實踐和學習獲得知識和能力；非類人人工智慧主要通過感知、知覺等專業技能執行特定任務，解決問題的重要途徑是將所有可能構建成搜索樹，通過比對、決策尋找最優方案，對於這類人工智慧來説，背後的數據庫越強大，它的“水”就越深，但能力也基本在預期範圍之內。

　　谷歌AlphaGo將高級搜索樹與深度神經網路結合在一起，背後的數據庫理論上只是用來學習的素材，不再單純比拼記憶和計算，而是通過實踐和學習獲得知識和能力。就像AlphaGo開發者戴維所稱：“AlphaGo是我們創造的，但並不知道‘他’是怎麼想的。”九段棋手古力則感嘆，AlphaGo團隊並沒有圍棋高手，卻打造出棋力水準如此高的系統。“深度學習”能力獲得重大突破，意味著人工智慧將不斷進化，向更遠更高的境界邁進。這就是“深度學習”的魅力。

　　專業圍棋選手的反應值得關注。本次“人機大賽”前，專業棋手大多看好李世石，國內等級目前排名第一的柯潔甚至預測李世石5：0取勝。棋聖聶衛平則認為，電腦擊敗專業棋手是“忽悠”，歐洲冠軍樊麾被AlphaGo擊敗是恥辱。李世石兩度失敗後，還有九段棋手質疑比賽過程有貓膩，不願意接受這個事實。這個群體對圍棋有著更深刻的理解，只是沒有認識到人工智慧所達到的高度。

　　人工智慧在經濟決策、控制系統和倣真系統等領域目前已得到越來越廣泛的應用，但主要還是集中在非類人人工智慧領域。AlphaGo此次選擇圍棋只是測試其能力，未來谷歌希望打造一個通用智慧系統，用於災害預測、風險控制、醫療健康和機器人等複雜領域。

　　目前來看，AlphaGo還有不少需要完善的地方，是否能跨越圍棋領域尚未得知。從盤面上看，其局部戰鬥表現出色，但招式過於強硬，在最講究“棋感”的佈局階段還存有一定缺陷。在對弈前半盤，李世石前兩局棋都有不少機會。歐洲冠軍樊麾曾採用複雜的大雪崩定式開局，也一度佔到不少便宜。

　　此外，AlphaGo也許能夠促使我們對圍棋的重新理解。AlphaGo的很多“非人類招式”一度受到專業人士揶揄，但事後卻發現取得了很好的效果。事實上，人們對圍棋的認識一直在改變。李世石嶄露頭角時，其韓式力戰型棋風並不被認可，很多“無理手”甚至“惡手”在講究“棋理”的人士眼中是不可接受的。但這種風格現在成為了主流。