决战AlphaGo：天外有天

谷歌机器学习获重大突破 围棋程序将大战李世石
　　1月28日上午消息，谷歌今日召开全球电话会议，旗下Deep MInd创始人戴密斯·哈萨比斯（Demis Hassabis）宣布了谷歌在人工智能领域的重要进展：开发出一款能够在围棋中击败职业选手的程序──AlphaGo，后者能够通过机器学习的方式掌握比赛技巧。
　　计算机和人类竞赛在棋类比赛中已不罕见，在三子棋、跳棋和国际象棋等棋类上，计算机都先后完成了对人类的挑战。但对拥有2500多年历史的围棋而言，计算机在此之前从未战胜过人类。围棋看起来棋盘简单、规则不难。棋盘纵横各19九条等距离、垂直交叉的平行线，共构成19×19（361）个交叉点。比赛双方交替落子，目的是在棋盘上占据尽可能大的空间。
　　在极简主义的游戏表象之下，围棋具有令人难以置信的深度和微妙之处。当棋盘为空时，先手拥有361个可选方案。在游戏进行当中，它拥有远比国际象棋更多的选择空间，这也是为什么人工智能、机器学习的研发者们始终希望在此取得突破的原因。
　　就机器学习的角度而言，围棋的计算最大有3361种局面，大致的体量是10170，而已经观测到的宇宙中，原子的数量才1080。国际象棋最大只有2155种局面，称为香农数，大致是1047。
　　传统的人工智能方法是将所有可能的走法构建成一棵搜索树，但这种方法对围棋并不适用。此次谷歌推出的AlphaGo，将高级搜索树与深度神经网络结合在一起。这些神经网络通过12个处理层传递对棋盘的描述，处理层则包含数百万个类似于神经的连接点。
　　其中一个神经网络“决策网络”（policy network）负责选择下一步走法，另一个神经网络“值网络”（“value network）则预测比赛胜利方。谷歌方面用人类围棋高手的三千万步围棋走法训练神经网络，与此同时，AlphaGo也自行研究新战略，在它的神经网络之间运行了数千局围棋，利用反复试验调整连接点，这个流程也称为巩固学习（reinforcement learning）。通过广泛使用Google云平台，完成了大量研究工作。

AlphaGo所使用的神经网络结构示意图

　　征服围棋对于谷歌来说有重要意义。AlphaGo不仅是遵循人工规则的“专家”系统，它还通过“机器学习”自行掌握如何赢得围棋比赛。谷歌方面希望运用这些技术解决现实社会最严峻、最紧迫的问题──从气候建模到复杂的灾难分析。
　　在具体的机器训练上，决策网络的方式是输入人类围棋专家的比赛，到系统可以预测57%人类行动为止，此前最好成绩是44%。此后AlphaGo通过在神经网络内部进行比赛的方式（可以简单理解成和自己下棋），开始学习自主探索新的围棋策略。目前AlphaGo的决策网络可以击败大多数具有庞大搜寻树的最先进的围棋程序。
　　值网络也是通过自己和自己下棋的方式来训练。目前值网络可以评估每一步棋能够有多大胜算。这在此前被认为是不可能的。
　　实际上，目前AlphaGo已经成为最优秀的人工智能围棋程序。在与其他程序的对弈中，AlphaGo用一台机器就取得了500场的胜利，甚至有过让对手4手后获胜的纪录。去年10月5日～10月9日，谷歌安排AlphaGo与欧洲围棋冠军Fan Hui（樊麾：法国国家围棋队总教练）闭门比赛，谷歌以5-0取胜。

AlphaGo与欧洲围棋冠军樊麾的5局较量

　　公开的比赛将在今年三月举行，AlphaGo将在韩国首尔与韩国围棋选手李世石九段一决高下，李世石是近10年来获得世界第一头衔最多的棋手，谷歌为此提供了100万美元作为奖金。李世石表示很期待此次对决，并且有信心获得胜利。
　　值得一提的是，上一次著名的人机对弈要追溯到1997年。当时IBM公司研发的超级计算机“深蓝”战胜了国际象棋冠军卡斯巴罗夫。不过国际象棋的算法要比围棋简单得多。国际象棋中取胜只需“杀死”国王，而围棋中则用数子或比目的方法计算胜负，并不是简单地杀死对方棋子。此前，“深蓝”计算机的设计人2007年发表文章指出，他相信十年内能有超级电脑在围棋上战胜人类。
　　此外，AlphaGo的发布，也是Deep MInd在2014年1月被谷歌收购以来首次发声。在被收购之前，这家位于伦敦的人工智能领域的公司还获得了特斯拉和SpaceX创始人马斯克的投资。（李根 周峰 边策）

〓　相关链接

• AlphaGo « 巴蜀网
• AlphaGo胜利后人工智能朝哪走 模仿人脑不容易
• 微软将开放《我的世界》AI开发平台源代码
• 你的家是个机器人 这是种什么体验？
• 从人机大赛看下一代计算 摩尔定律失效后怎么办
• 除了下棋 人工智能还能干什么？
• 科技部长万钢：我还是更喜欢“人人对弈”
• 中国围棋程序“异构神机”拟年内约战柯洁
• 科大讯飞刘庆峰：人机围棋赛宣传大于实际意义
• 人工智能PK人类：不止下棋碾压 猜拳也能秒杀
• 和格灵深瞳CTO聊人工智能：情感和灵魂是非主流
  

　　北京时间2月22日消息，继宣布AlphaGo实现突破性研究－计算机程序首次击败专业棋手之后，Google DeepMind今日公布了即将与过去十年最佳围棋手李世石之间的终极挑战的详细情况。
　　3月9日至3月15日，AlphaGo将在韩国首尔与李世石进行5场挑战赛。比赛完全平等，获胜者将得到一百万美元奖金。如果AlphaGo获胜，奖金将捐赠给联合国儿童基金会（UNICEF），STEM教育，以及围棋慈善机构（Go Charity）。
　　因围棋步骤的绝对数量比宇宙的原子数还多，它一直被视为最复杂的电脑游戏之一，也是人工智能始终未解的挑战。DeepMind在上月的科学杂志Nature，以一篇论文公布了这一突破性进展的详细情况。
　　比赛将于北京时间中午12点在首尔四季酒店举行，具体日程如下：
　　1.3月9日（星期三）：首场比赛
　　2.3月10日（星期四）：第二场比赛
　　3.3月12日（星期六）：第三场比赛
　　4.3月13日（星期日）：第四场比赛
　　5.3月15日（星期二）：第五场比赛
　　比赛将采用贴7.5目的中国规则（比赛结束时，后走棋的棋手贴目）。每位棋手各有两个小时布局时间，3次60秒的读秒，每场比赛预计需要大约4-5个小时。

人工智能挑战围棋有多难？
　　计算机和人类竞赛在棋类比赛中已不罕见，在三子棋、跳棋和国际象棋等棋类上，计算机都先后完成了对人类的挑战。但对拥有2500多年历史的围棋 而言，计算机在此之前从未战胜过人类。围棋看起来棋盘简单、规则不难，纵横各19九条等距离、垂直交叉的平行线，共构成19×19（361）个交叉点。比 赛双方交替落子，目的是在棋盘上占据尽可能大的空间。
　　在极简主义的游戏表象之下，围棋具有令人难以置信的深度和微妙之处。当棋盘为空时，先手拥有361个可选方案。在游戏进行当中，它拥有远比国际象棋更多的选择空间，这也是为什么人工智能、机器学习的研发者们始终希望在此取得突破的原因。
　　就机器学习的角度而言，围棋的计算最大有3361种局面，大致的体量是10170，而已经观测到的宇宙中，原子的数量才1080。国际象棋最大只有2155种局面，称为香农数，大致是1047。

“机器学习”预测人类行为
　　传统的人工智能方法是将所有可能的走法构建成一棵搜索树，但这种方法对围棋并不适用。此次谷歌推出的AlphaGo，将高级搜索树与深度神经网络结合在一起。这些神经网络通过12个处理层传递对棋盘的描述，处理层则包含数百万个类似于神经的连接点。
　　其中一个神经网络“决策网络”（policy network）负责选择下一步走法，另一个神经网络“值网络”（“value network）则预测比赛胜利方。谷歌方面用人类围棋高手的三千万步围棋走法训练神经网络，与此同时，AlphaGo也自行研究新战略，在它的神经网络 之间运行了数千局围棋，利用反复试验调整连接点，这个流程也称为巩固学习（reinforcement learning）。通过广泛使用Google云平台，完成了大量研究工作。

AlphaGo所使用的神经网络结构示意图

　　征服围棋对于谷歌来说有重要意义。AlphaGo不仅是遵循人工规则的“专家”系统，它还通过“机器学习”自行掌握如何赢得围棋比赛。谷歌方面希望运用这些技术解决现实社会最严峻、最紧迫的问题──从气候建模到复杂的灾难分析。
　　在具体的机器训练上，决策网络的方式是输入人类围棋专家的比赛，到系统可以预测57%人类行动为止，此前最好成绩是44%。此后AlphaGo通过在神 经网络内部进行比赛的方式（可以简单理解成和自己下棋），开始学习自主探索新的围棋策略。目前AlphaGo的决策网络可以击败大多数具有庞大搜寻树的最 先进的围棋程序。
　　Google DeepMind首席执行官、联合创始人Demis Hassabis表示：“围棋是深刻而复杂的游戏。为了击败一名职业棋手，我们不能只靠模仿，而是自主发现新的战略规则。因为方法是通用的，我们希望有一天可以将其运用于解决社会最棘手和最紧迫的问题上。不论我们在三月份能否赢李世石，这场比赛都一定能够激发世界各地对围棋的兴趣。”

AlphaGo战绩惊人
　　Park Chimoon，韩国棋院副主席表示“全世界都在关注这场人类与电脑在智能领域的首次交锋。这一历史时刻将由围棋来传达，我为此感到骄傲。我希望李世石能获得胜利，去证明人类卓越的智商以及维护围棋的神秘特性。”
　　实际上，目前AlphaGo已经成为最优秀的人工智能围棋程序。在与其他程序的对弈中，AlphaGo用一台机器就取得了500场的胜利，甚至有过 让对手4手后获胜的纪录。去年10月5日～10月9日，谷歌安排AlphaGo与欧洲围棋冠军Fan Hui（樊麾：法国国家围棋队总教练）闭门比赛，谷歌以5-0取胜。
　　此次比赛的李世石是近10年来获得世界第一头衔最多的棋手，谷歌为此提供了100万美元作为奖金。李世石谈到此次比赛时表示：”这是电脑首次在公平比赛中挑战人类专家选手，我很荣幸能参与进来。无论结果如何，这都是围棋史上的重要时刻。我听说Google DeepMind的人工智能出乎意料的强大，并且一直在优化，但至少这次我还是很自信能够取得胜利。”

人机对弈谁将胜？
　　值得一提的是，上一次著名的人机对弈要追溯到1997年。当时IBM公司研发的超级计算机“深蓝”战胜了国际象棋冠军卡斯巴罗夫。不过国际象棋 的算法要比围棋简单得多。国际象棋中取胜只需“杀死”国王，而围棋中则用数子或比目的方法计算胜负，并不是简单地杀死对方棋子。此前，“深蓝”计算机的设 计人2007年发表文章指出，他相信十年内能有超级电脑在围棋上战胜人类。
　　该项目并未给IBM带来可以销售的产品，但却让我们意识到：基础科学研究所面临的巨大挑战是值得我们去迎接的，虽然企业在这方面的收益还无法量化。
　　随着顶级科技公司争相在产品中融入智能技术，谷歌并不是唯一一家研究围棋AI的公司，Facebook对围棋人工智能的研究整合此前也亮相最新 的计算技术：深卷积神经网络（deep convolutional neural networks）和蒙特卡洛树搜索（Monte Carlo tree search），前者利用类似于大脑的算法来学习和识别棋盘上各种模式的重要性，而后者相当于一种超前思维，用于计算详细的战略步骤。
　　Facebook和谷歌在围棋人工智能方面的研究具有极大的代表意义。与国际象棋相比，围棋更具深度。要让计算机掌握相关技巧，需要更多类似于人类的模式 识别和直觉判断技巧，计算机象棋软件越来越优秀，已将揭开了这项游戏的神秘面纱；相比之下，围棋目前更加神秘。但将来，围棋的神秘色彩也可能不复存在。（李根 周峰 边策 郭祎）

Alphago和李世石的这场人机围棋大战毫无疑问成为了人工智能发展的里程碑，Google DeepMind为何选择围棋来研究突破？哪些领域会成为人工领域攻克的下一战场，人工智能的投资热点是什么？在中国计算机协会YOCSEF“围棋人机大战：人类输了吗？”特别论坛上，专注于新技术投资的极客帮创投创始人蒋涛分享了他的讲解，下面是这次演讲的PPT：

3月7号 极客帮创投，异构智能，聂卫平围棋道场宣布联合开发“异构神机”，将于近期挑战世界围棋第一人柯洁，棋界人士均不相信人工智能的电脑围棋可以挑战职业冠军选手。

围棋无穷的变化一直被视为艺术，顶尖棋手通过领悟来提高境界。
　　昭和棋圣吴清源“如果真的有个围棋之神的话，认为他与“神”交手可能过不了50手。”

名誉棋圣藤泽秀行在将棋九段芹泽博文去世前几个月，曾就“关于围棋和将棋，我们到底知道多少”这样的问题聊过天。如果神仙知道一百，那我们知道几呢？ 我们各自把想好的数字写在纸条上，亮给对方看。两个人写的竟完全一样。非五则六。其实五六也有点儿不自量，没准儿还要少。

第二局第37手，就被韩国现场的解说员称为“昭和棋圣吴清源的风范”，而此前坚信人类必胜的聂卫平也感叹AlphaGo的妙招，“对狗的下法29手脱帽致敬！”

根据量化分析公司Quid的数据，自2010年以来，人工智能已经吸引了超过200亿美元的投资。仅2014年，322家拥有类似人工智能技术的公司获得的投资就超过20亿美元。人工智能领域的风险投资在过去4年里平均每年增长62%，随着AlphaGo的这场胜利，投资速度还会加快。

2012年开始，Google开始大力发展深度学习的软件项目，2012年和深度学习相关的项目不到100个，而到2015年前三个季度已有2700个深度学习的软件项目。

孙正义在2016年巴塞罗那GTI的演讲：普通人的IQ一般在100左右，聪明点的130~140，最聪明的爱因斯坦190，达芬奇200。可当人工智能的IQ超过10000会发生什么样的事情？

1公斤的铀-235或钚-239完全裂变，释放出的能量大约等于2万吨烈性的TNT炸药爆炸的威力。

基于深度学习的人工智能和上一代基于知识规则的专家系统人工智能有了本质差别，就像原子弹和化学炸弹的区别一样。不是单纯计算力的提升，通过深度学习还可以掌握人类直觉经验的学习模式，可以比喻为学会了人类的右脑直觉思维能力。

基于深度学习的人工智能通用算法不仅可用于图像识别，景物切割，还可以用于智能围棋。“围棋智能是人工智能发展的副产品，计算能力是人工智能研究的驱动力。”
　　围棋界在这场大战后会如何呢？可以参考国际象棋界的发展，在超级智能的国际象棋软件的激励下，下国际象棋的人数、锦标赛的数量以及选手的水平都达到了历史之最。与深蓝首次战胜卡斯帕罗夫时相比，拥有国际象棋大师头衔的人数至少翻了一番。现今排名第一的人类国际象棋选手马格努斯·卡尔森（Magnus Carlsen）就曾和人工智能一起训练，并且被认为是所有人类国际象棋选手中最接近电脑的一个。他还是有史以来评分最高的人类国际象棋大师。

Google还在研究使用人工智能绘画和创作音乐歌曲，学习人类的手写文字。和直觉艺术相关的技艺正在被新一代人工智能量化。

基于深度学习的‘通用学习机器’：一套能像生物系统一样学习的灵活、自适应的算法，仅使用原始数据就能从头开始掌握任何任务。未来超级智能机器将与人类专家合作解决一切问题。‘癌症、气候变迁、能源、基因组学、宏观经济学、金融系统、物理学等。

DeepMind Health宣布与NHS（英国国家医疗服务体系）合作，希望将机器学习应用到医疗健康当中。

这次的人工智能突破是深度神经网络的技术，可以学会人类的直觉（经验），而不是单纯的计算。数据和结果之间有因果关系，给足够多的数据用深度学习训练模型，就可以做出更好的专家系统。和之前基于规则和知识库的专家系统有巨大差别。
　　用在围棋上，就是围棋的高手直觉棋感。用在医疗诊断上，说这人气色不好，可以看出病症，专业医生的直觉，可以成为最好的医生。用在安防领域，说这人面相凶恶，一看就是坏人，可以成为最好的警探。

人工智能正在进入改变每个行业：广告，农业，教育，金融，法律，制造业，医疗，石油，媒体，零售，诊断，机器人等。

科大讯飞董事长刘庆峰在两会上提议将人工智能战略作为国家重点领域，他认为即使未来3到5年没有技术重大突破，以现有人工智能技术要素，也会形成巨大的应用突破和产业突破，那么哪个国家优先占住制高点，在十三五期间，未来人工智能就会走在全球的前列，如果丢失这个机会，再去赶超就非常之难。

这是一个激动人心的科技发展时代，人工智能，深度学习，VR虚拟现实，机器人，未来生活中习以为常的东西现在可能都还无法想象。

⊙ 周峰

　　抱歉，这个事情我们真的没法直接告诉你。这么说吧：1997年下赢国际象棋冠军卡斯帕罗夫的“深蓝”是一台超级计算机，而即将和李世石对决围棋的AlphaGo却是谷歌旗下公司DeepMind开发出来的人工智能程序。强行把这二者拉在一起比较……少年我们还是来谈谈世界和平吧。
　　不过AlphaGo作为程序，最终还是要运转在计算机上才能去和人类比个高下的。所以把问题换成“即将和人类下围棋的那台计算机到底比深蓝厉害多少倍？”我们还是能够简单计算一下给出大致答案的。毕竟在衡量计算机性能方面，我们已经有了一个相当统一的标准：每秒浮点运算次数，为了方便起见，我们下面一律称之为“FLOPS”。
　　千万别被“浮点运算”这个计算机术语吓跑，说人话的话，浮点运算其实就是带小数的四则运算，比如1.2加2.1就是一个典型的浮点运算。如果你的小学数学老师不是美国人的话，那么我们估计这会儿你早就心算出结果是3.3了。不过这对计算机来说，这个问题没那么简单。
　　我们知道，计算机是以0和1构成的二进制数字进行运算的，比如在基础的二进制里，1就是1,2就变成了10,3是11,4是100……这种运算方式让我们可以用最简单的电路元件组装出稳定有效的计算机器，但它也带来一个问题：计算机能够处理的数字只有整数。如果想不借助任何其他的数学方法，用0和1表示一个0.1……少年我们真的还是来谈谈世界和平吧。
　　解决这个问题的办法很简单：0.1可以看成是1除以10的结果，我们想让计算机计算一个带小数点的数字，只要告诉CPU这是一个被1后面加了多少个0整除的整数就行了。不过这样一来，计算机在处理小数点的时候，就多了好几个运算步骤。所以进行浮点运算的速度也就成了衡量计算机性能的标准。
　　拿在国际象棋上击败人类的深蓝来说，它的计算能力是11.38 GFLOPS，意思就是深蓝能在每秒钟里计算113.8亿次带小数的加减乘除。而在二战期间帮助美国设计制造原子弹的第一台通用计算机ENIAC，它的性能只有300 FLOP。
　　在今天看来，深蓝的性能怎么样？三个字：弱爆了。单就PC中使用的CPU来说，早在2006年，英特尔推出的第一代酷睿2就已经稳稳地超过了深蓝。这还没有算上显卡里GPU带来的效果加成，今天最普通的集成显卡，其性能也已经超过了700 GFLOPS。如果真要在性能上比个高下，深蓝这种上个世纪的超级计算机，就算组团也不一定能单挑你面前的这台笔记本电脑。
　　那么今天的超级计算机已经达到了什么样的性能水平？我们国家的天河二号是世界最快的超级计算机，它浮点运算能力已经达到了33.86 PFLOPS。也就是说，深蓝要在性能上增长到自身的30万倍，才能和天河二号相提并论。
　　不过对于深蓝来说，这样的比较实在是太不公平。因为即便在当年，深蓝也不是速度最快的超级计算机。相比之下，只有通过谷歌AlphaGo使用的电脑，我们才能比较出这20年里，我们的计算机到底经过了怎样惊人的发展。
　　根据谷歌团队发表在《自然》杂志上的论文，AlphaGo最初是在谷歌的一台计算机上“训练”人工智能下围棋的。按照论文里的描述，谷歌利用这台计算机，让AlphaGo的围棋水平提升到了与欧洲冠军樊麾接近的地步。不过论文除了提到这台计算机装有48个CPU和8个GPU之外，对计算机的性能连一个数字都没有提到。好在AlphaGo是在云计算平台上运行的，我们只要找来竞争对手的计算机数据比较，就可以了解到大概了。
　　比如说去年12月，阿里云对外开放的高性能计算服务。按照阿里云的描述，这些计算机的单机浮点运算能力是11 TFLOPS，而且同样可以用来训练人工智能自行学习。如果谷歌的计算机性能与阿里云接近的话，那么AlphaGo所驱动的硬件，性能至少是深蓝的1000倍。
　　但故事到这里还没有完，AlphaGo并非只有“单机版”一个版本。为了达到更高的运算能力，谷歌还把AlphaGo接入到了1202个CPU组成的网络之中。联网后的AlphaGo算力猛增24倍，一下子从“单机版”不到职业二段的水平，跳跃到了职业五段上下的水准。
　　所以AlphaGo比深蓝厉害多少倍？估计这会你已经得出答案了：2.5万倍。从这个角度，我们也能看出来，围棋究竟是怎样复杂的一种智力游戏，以至于计算机的性能需要20年的提高，才能在象棋上战胜人类后，再在围棋棋盘面前，坐到人类顶尖选手的对面。不过归根揭底，AlphaGo最重要的成就并不是采用了性能多么优秀的电脑，而是第一次让程序可以以人类的方式思考、学习和提高。所以过几天的比赛，无论谁输谁赢，我们见证的都是一个崭新纪元的开端。
　　当然别忘了关注△科技栏目，我们到时候会在最前方，带你迎接这个新纪元的第一道曙光。

源自：参考消息

---

　　导语：为了弄清这些棋局中蕴含的决胜策略，系统使用了一种名为“深层学习”的超凡方法，能够梳理出模式并一下抓住重点，而不会迷失在信息海洋中。
　　参考消息网3月19日
　　美媒称，“阿尔法围棋”这个由谷歌旗下“深层思维”公司创建的人工智能系统，在人机围棋大赛中以四比一的成绩击败了围棋冠军李世石。这场人机大赛究竟重要在哪里？毕竟1997年国际象棋冠军加里·卡斯帕罗夫就败在了国际商用机器公司的“深蓝”计算机手下。那么为何说“阿尔法围棋”的胜利具有特别重要的意义呢？
　　据美国《纽约时报》网站3月16日文章称，和国际象棋一样，围棋是高度复杂的战略游戏，无法依靠机会和运气取胜。然而和象棋不同的是，没人能解释高段位围棋该如何下。事实上，甚至连围棋大师都无法完全搞懂自己为什么会下得一手好棋。从驾车到辨认面孔，这种不自知是存在于人类诸多能力中的一种普遍现象。英国哲学家、科学家迈克尔·波拉尼描绘这种奇异的状态时说：“我们知道的要比我们能表达的多。”人们将这种现象称为“波拉尼的悖论”。
　　文章称，“波拉尼的悖论”并没有妨碍人民使用电脑来完成一些复杂工作。这些活动的编程需要极高的精确度，以命令电脑具体该做什么。而给电脑编程的老方法在应用方面非常受限，在很多领域都行不通。
　　“深蓝”之所以能够有超人的绝佳表现，几乎纯粹是靠运算能力：它被输入了数百万个国际象棋案例，因此能在众多可能性中进行筛选，从而确定下一步棋的最佳位置。然而围棋落子的可能性要多得多，即便是运算速度最快的电脑都无法模拟哪怕其中一小部分。
　　文章称，“阿尔法围棋”生动地诠释了新方法的威力。这个方法是创建一个几乎完全靠自学，并通过观察成功与失败案例来掌握得胜技巧的系统。
　　“阿尔法围棋”确实使用了模拟的方式和传统搜索算法来帮它下了几步棋，但真正的突破则在于它能够克服“波拉尼的悖论”。之所以能做到这点，是因为它既能通过具体案例，也能通过自身经验来得出决胜战略。这些案例取材于2500年围棋史上出自围棋大师之手的无数经典棋局。为了弄清这些棋局中蕴含的决胜策略，系统使用了一种名为“深层学习”的超凡方法，能够梳理出模式并一下抓住重点，而不会迷失在信息海洋中。
　　文章称，对于人脑来说，学习是一个在神经元之间形成并加强关联的过程。“深层学习”系统采取了类似方式，因而被称作“神经网络”。它在软件中建立起数十亿节点和关联，使用案例“训练集”来强化刺激（正在下的棋）和反应（下一步棋）间的关联，而后再对系统进行新刺激，并观察其反应。通过另一种名叫“强化学习”的技术，“阿尔法围棋”还和自己下了数百万盘棋，以记住有效走法和战略。
　　“深层学习”和“强化学习”并非新生事物，然而直到最近，我们才认清其威力以及其所能到达的境地。
　　文章称，虽然还有很长的路要走，但其意义深远。未来数年内，技术带来的变革将会波及人类经济。了解并解决科技迅速发展所带来的社会挑战仍是人类所面临的任务，没有机器能够替代我们完成。

源自：经济观察报

---

⊙ 周泽雄

一
　　谷歌旗下的DeepMind团队向智力游戏之王围棋发起挑战时，除了东亚三国──中国、日本和韩国，全世界人民还是乐观其成的。在缺乏围棋传承和情感寄托的国家，围棋之高深莫测只是一个传说，一座人类智力的标杆。一旦DeepMind团队设计的人工智能程序AlphaGo击败当代围棋的顶尖代表李世石九段，那意味着竖起了一座新的智力标杆，不待谷歌公司昭告，人类都会意识到：人工智能已经进入了一个全新领域。可以想见，接下来计算机科学界和企业界将有大量活计要做，未来世界也将随之面貌一新。
　　围棋之无边深奥和无穷计算，曾被视为计算机难以攻克的最后一座人类智慧堡垒。AlphaGo出现之前，稳健的估计是，围棋至少还能在人工智能面前抵抗十年，这是由一系列人机比赛和统计数据支持的结论。仅在半年前，最好的围棋程序面对职业棋手还得受让五到六子，差距明显。关于围棋复杂性的各种数学描述，同样可以维持围棋智力金字塔顶的荣耀。围棋理论上的变化量，相当于10的170次方，以暴力穷举著称的计算机，之前无能为力，而国际象棋、中国象棋等变化量较小的技艺，十几年前即在暴力穷举的计算机程序面前俯首称臣。
　　今日计算机技术与1997年IBM“深蓝”战胜国际象棋冠军卡斯帕罗夫的时期相比，早已不可同日而语，尽管如此，与人类代表李世石九段正面对抗的那台分布式版AlphaGo（比单机版更厉害），据说仍动用了上万台机器（对外宣称1200个CPU，2000个GPU），比“深蓝”的计算力提高了三万倍。更直观的说法是：比赛期间这些机器仅每天开销的电费，即达3000美元──一个何其霸道的机器狂魔！想象一下，相当于一支由三艘核动力航空母舰组成的航母编队，与一艘小舢板进行正面决战。使对抗成为可能的，是小舢板上那颗不可估量的人类大脑。
　　围棋的超级复杂，源于它规则上的超级简单：每一颗黑白子绝对平等，不存在象棋游戏里的等级差，它是一个意在开疆拓土的帝国游戏，而非专注头衔大小的君主游戏。落在棋盘上的每一枚子，长远看都包孕着无穷变量，此时此地价值连城的“棋筋”，寥寥数手后也可能沦为精华已尽、可舍可弃的鸡肋；甚至，分明功能丧尽的一堆死子，在棋局的某些阶段还可能扮演卧底，担任绝地反击、收复失地的先锋：李世石先生赖以成名的绝技“僵尸流”，即是此类场景的形象描述。
　　围棋虽是胜负世界，但在不少场合──尤其序盘阶段──落在棋盘上的黑白子未必具有非此不可的必然性，它还可能代表了棋手的趣向、风格和心情，无法从功利的胜负角度加以评估。另外，围棋世界的开放性和无限可能性，使它具有纵容天才、善待直觉、怂恿想象的特质，来自大棋士的“神之一手”，常常视对方老谋深算的海量推演为无物，直接扭转了局势，摘走了胜利。李世石与AlphaGo的第四局进行至78手，人类天才即以一招妖魅不可方物的凌空一挖，瞬间让那台之前做足大棋士模样的超级计算机，现出智力原型。
　　就此而言，职业棋手小觑计算机程序，不见得是一种盲目自负。他们──个别先锋人士除外──只是不知道拥有新颖算法的人工智能目前已发展到何种阶段，他们坚信计算机不可能拥有人类直觉（这是对的），但不知道计算机可以假装拥有人类直觉，且足以乱真。后者即所谓图灵测试，意即：如果电脑能在5分钟内回答由人类测试者提出的一系列问题，且其超过30%的回答让测试者误以为对方是人类，则测试通过。实际上，Al-phaGo在与李世石五番棋较量的第一盘获胜后，网友中流传的一个搞笑段子，即说明了AlphaGo通过测试：网友猜测，对李世石近年胜率最高的中国等级分第一人柯洁九段（两人正式交战成绩为柯洁8:2领先，且输掉的两盘都在番棋中，不影响最终胜利），藏在DeepMind团队的机器里。
　　三个月前，DeepMind团队通过发表在顶尖科学刊物《自然》上的论文正式宣布，一台名叫AlphaGo的人工智能围棋程序以5:0的悬殊比分战胜欧洲围棋冠军樊麾二段，整个棋界惊掉了下巴。他们意识到，狼终于来了。随后，DeepMind团队宣布，2016年3月9日，AlphaGo将向近十年来围棋世界最优秀的代表、手握14个世界冠军的韩国大棋士李世石九段进行五番棋挑战，胜者通吃，将独揽100万美元奖金。

二
　　如果把AlphaGo向李世石九段下的战书视为一种好莱坞式的外星人入侵警告，把以李世石为代表的职业棋界视为人类最可信赖和依靠的抵抗力量，类似《复仇者联盟》里的“钢铁侠”和“美国队长”，我不得不说，棋界精英在此危机时刻向民众作出的许诺，是极度鲁莽轻率的。假定我们乃是需要他们保护的地球公民，我们等来的已经是一个悲剧。
　　一开始是信誓旦旦的拍胸脯，李世石先生率先宣布，必须五比零获胜，输一盘都是失败。他的声音并不孤单，几乎所有职业棋手都站在他一边，口气也并不稍逊。虽然，来自计算机科学家的声音也渐有耳闻，其中最刺激的一个是：DeepMind团队通过内部测试，判定李世石毫无机会，将0:5落败。但这个声音没有得到职业围棋界的正视，他们似乎依旧沉迷于用决心代替思考，用情感代替理智，用过往代替现在，用立场代替决策。
　　李世石的第一盘失败了，计算机展示了出乎人类棋手理解之外的手段（棋手戏称为“AlphaGo流”或“机器流”），还用一手犀利无比的打入，瞬间抹去李世石的大块实地。虽然柯洁九段预测到了这手打入，但包括李世石在内的大量棋手，显然没有料到。职业棋界惊愕莫名，这是历史性的一天，棋手集体失眠。
　　第二局李世石又输了，人类棋手未出现明显错招，局面一度还相持不下，但AlphaGo显出高人一等的收束功夫，稳稳扩大战果。这时出现了一个有趣情况：无论AlphaGo下出何等怪异的招法（比如那手在任何围棋宝典里都不存在的五路肩冲），职业棋手已不敢轻斥其非。他们开始诧异AlphaGo充满机油味的全局眼光和悠远算路，尝试体会另一种围棋思维的存在。柯洁九段为了向AlphaGo致敬，在担任解说嘉宾时特地穿上一身只在正式比赛时才穿的正装。
　　第三局，AlphaGo以无可争议的压迫式手段，对李世石通盘吊打。围棋的最高级别是职业九段，李世石的中盘战斗力曾被其韩国同行夸誉为“十三段”，而AlphaGo似乎拥有十五段的棋力，以张弛有度的太极绵掌功夫，迫使人类棋手束手无策。李世石黑棋第15手，顶多只是出击过早、用力过猛，远远谈不上恶手或败招，然此手过后，人类代表竟无可挽回地走向了不归路。（声明一下，我不认为我对围棋的微末理解，有资格让读者分享，本文中关于具体着手的看法，均来自职业棋手的意见。在五盘棋比赛过程中，我一直在多个视频网站听柯洁、古力、陈耀烨等中国顶尖高手作现场讲解。“十五段”的说法即得自棋圣聂卫平九段的即兴观感，而“吊打”一说来自世界冠军唐韦星九段的评价。）
　　总之，三局过后，棋界黯然神伤，一片肃穆，聂卫平表示“要向阿尔法狗脱帽致敬”，古力九段承认从“机器流”里学了几手，韩国围棋王子金志锡九段竟气馁到认为AlphaGo可以让自己两子。之前一直坚信能够战胜AlphaGo的柯洁九段（他是当今棋界最有资格说这句话的棋手），也默默调低了自己的胜率，而他当晚通过微博向AlphaGo发出的挑战，明显带点悲壮色彩：“来吧！管你是阿法狗还是阿法猫！我柯洁在棋上什么大风大浪没见过？让风暴再来的猛烈点吧！”
　　第四盘棋，怎么说呢，在李世石走出疑似棋神附体的78手挖之前，形势已非。那手挖固然奇妙，本身却不具有转败为胜之力，而更像是诱导犯错的一手。陈耀烨九段认为，假如AlphaGo的79手应在天元的左一路，李世石未必有后续手段，柯洁也认为这手棋“并不是稳稳成立的”。谁知比赛转眼进入戏剧化阶段，机器出现异常，接连走出不可思议的棋：先是连走死棋（意味着帮助对手扩大并巩固阵地），继而又在李世石的白角里无端送吃一子。虽然了不起的柯洁九段90手后即勇气十足地宣布“阿尔法狗没法下了”，但另一些职业棋手仍惴惴不安，俨然拥有未来世界“原力”的AlphaGo，使这些训练有素的棋手暂时失去了判断力，他们担心机器人正在酝酿一个全歼中央白棋的超级计划。万幸，AlphaGo昏手不断，艰辛备尝的李世石终于赢回一局，职业棋界欢欣鼓舞，当晚的李世石成了韩国人的民族英雄，地球人的蜘蛛侠。尽管，稍稍冷静下来，谁都会意识到机器只是出了一个bug，而bug总是可以修复的，何况AlphaGo还具有自我学习和自我提高的殊能。
　　第五局，人类棋手调整心态，打算不计成败利钝地再与AlphaGo切磋一盘。序盘阶段，在棋盘右下角，在计算机最令人畏惧的局部对杀领域，李世石先生无所畏惧地直面挑战，以精准强悍的人类计算力，大有斩获，迫使AlphaGo丢盔弃甲（损失至少10目实地），另辟第二战场。接着，说不清李世石在哪儿出了问题（职业棋手颇多分歧），AlphaGo施施然使出重整河山的魔力，转眼间已令棋盘非复旧观。100手过后，本次比赛从未预报有误的柯洁九段宣布人类棋手已经无望。
　　最终比分定格在4:1。DeepMind团队漏算了AlphaGo在第四盘中那个不可理喻的bug，才使人类棋手拣回一盘。五盘过后，中国德高望重的棋圣聂卫平慨然长叹：“AlphaGo不是厉害，而是太厉害。”他虽然承认李世石本次比赛发挥不佳，但他同时强调，换别人上场，结果也一样。有趣的是，AlphaGo不时还会犯些低级错误（比如尽量回避打劫、不懂得保留变化等等），但其综合棋力，仍在人类顶尖棋手之上。假以时日，必将一骑绝尘，令人类棋手望尘莫及。
　　我钦佩聂棋圣勇于自我纠错的胸怀，因为比赛开始之前，他曾断言AlphaGo毫无机会，李世石将百分之百获得胜利。韩国棋院则在比赛结束后，授予AlphaGo名誉九段。

三
　　在AlphaGo决战李世石之际，职业棋手说得最多的一句话是，必须捍卫职业棋手的尊严。
　　何谓尊严？尽人事，知天命，存理想，尊严自在其中。归根结底，人只能追求属于人的尊严。我们理应排除低于人性的目标，但也不必以神祇自居。
　　道理原本平凡，没有人会因为奔跑不如猎豹、计算不及一台小型计算器就灰心丧气，人类的天赋理性会告诉每一个人，为这等事发愁，纯属庸人自扰。如果有人发问：你们是否想说，那些早已被电脑软件击败的中国象棋和国际象棋选手，都已失去了尊严？我相信职业棋手都会坚决否认：我们不是这个意思。──他们的确“不是这个意思”，但又的确误解了“尊严”。即使从他们深爱的围棋角度来看，他们的担忧亦属多虑。附带一说，电脑软件在象棋领域的地位已经达到这种程度：比赛期间，主办方必须防止选手中途使用手机或接触互联网，否则，棋手可能借如厕之机从手机软件里求得脱困仙方。随着Al-phaGo发威，棋手发现，围棋赛场距这一步也已不远。
　　已故日本名誉棋圣、曾以“前五十手独步天下”闻名的藤泽秀行九段说过一句名言：“棋道一百，我仅知六七。”超级大棋士吴清源也认为：“与棋神下，我坚持不到50手。”说法是否夸张，无人知晓。但所有职业棋手的内心都有一位围棋之神（你也可以叫他“围棋上帝”），他们不知道自己距这名假想中全知全能的上帝到底有多远──换用棋手术语，就是不知道围棋之神可以让自己几个子。若尊重藤泽先生提供的比例，再结合棋力最高者拥有的等级是职业九段，我们不妨说，假想中的围棋上帝或有九十九段的棋力。
　　其实，每位棋手都承认，围棋的深奥性不可穷尽。于是，就出现了两种尊严：一种是关于谁更应该拥有围棋的最终解释权，是人还是机器？另一种则纯然站在围棋技艺角度，将最高的荣耀给予那位在实战中拥有更高胜率的对象，不管该对象是人还是机器。若站在后者角度，前一种尊严更像是一种虚荣。所谓虚荣，就是那种即使名不符实也要拼死捍卫的东西，而尊严则必须处在恰如其分的位置上。
　　围棋世界是胜负世界，顶尖棋手常被称为“胜负师”，但围棋作为智力圣杯的精髓，源于对围棋真理──棋道──的追求，真诚的“求道派”才是胜负师的后盾和基座，拒绝让亢奋的胜负心扰乱平静的求道立场的人，才真正代表并捍卫了围棋的尊严。
　　比如，当年明知中日两国处于敌对状态，仍执意将中国围棋神童吴清源带到日本并善加珍护、培养的濑越宪作先生等日本友人，就是围棋求道派的突出代表。即使吴清源不久后将整个日本棋界精英打趴在地，岛国上的军国主义者和民族主义者又在大肆反对，他们仍不改初衷。其实，吴清源先生的超凡棋力之于当年日本棋界，颇类似于今日之AlphaGo，但真诚的求道派除了仰慕心中的围棋之神，无视任何世俗势力。
　　再如第四盘获胜的李世石先生，他明知胜利带有侥幸成分，明知在现行贴目规则下执白棋相对更有利（他本人执白棋的胜率也更高），但为了探索AlphaGo化为高人般的幽邃手段，他向DeepMind团队的领军者戴密斯·哈萨比斯先生提议，要求第五盘执黑。职业棋手发现，尽管李世石迫切渴望再得一胜（除了名誉，胜利还能带给他两万美元的获胜奖金），但他并未下出意在诱使AlphaGo再度犯浑的超常规手段，行棋堂堂正正，他宁可心悦诚服地拥抱失败，也拒绝廉价的胜利。与旁观者想当然的揣测正好相反，饱尝失败的李世石先生，对局过程中始终心怀喜悦，他告诉记者：“这次比赛我就得到了快乐。关于对棋的理解，我感到了人的创意的局限性。看到AlphaGo的招法，我会想，以前对棋的理解是否是对的呢？”
　　这才是真正属于围棋和围棋人的高贵，真正的一流棋手，或多或少都有这份高贵，不如此他们无法达成棋界成就。在人间棋手的长廊里，为棋道呕心沥血的故事不胜枚举，它们每一个都神奇得像传说，优美得像童话。它们都是真实发生过的。

四
　　笔者的生活和文字工作，与围棋毫无关联，但职业棋手一直是我最偏爱、最尊重的一个群体。真正的棋手都是谦虚本分的，甚至连经常被误以为有点轻狂的李世石和中国十九岁天才柯洁也是如此。这不是那种社交礼仪场合下的谦虚，而是来自围棋本身的馈赠。围棋无可比拟的奇妙性，容不得轻狂者立足。所以，棋手最常说的一句话是“我看不清楚”。
　　虽然职业棋手在领教AlphaGo之前的表述有点丢人，但在获悉Al-phaGo实力之后，他们的表现又是诚挚感人的。这不是一群固执己见、固步自封的人，他们迅速意识到，Alpha-Go的下法将拓宽围棋的未知领域，使得人类有望进一步接近真实的围棋之神。
　　AlphaGo的现有实力，是在输入海量棋谱的基础上，再结合AlphaGo独具的自我对弈功能，扎扎实实获得的。当然，我们这些外行还听说了“蒙特卡洛树搜索”、“神经网络”、“价值网络”等计算机术语，正是这些计算机人工智能领域的新奇突破，使Al-phaGo如虎添翼。但是，尽管AlphaGo拥有“深度学习”的技能，该深度与擅长“举一反三”“闻一知十”的人类相比，不是一个概念，其学习方式似乎仍然处于“不行千里，无以致跬步”的阶段。相比AlphaGo的饕餮胃口，人类有记录在案的职业棋手棋谱，尚不能满足它的学习需要，AlphaGo成长过程中，杂乱无章地吞食了大量来自网络的业余棋手对局。这肯定有些不对劲。
　　DeepMind团队意识到了这个问题，他们做出一个决定：删除Alpha-Go中所有人类棋谱，让它从零开始，在不接受人类先入之见的前提下，仅仅通过自我学习，从智慧的源头掌握并提高棋力。这等于说，AlphaGo计划回到传说中的尧舜时代，排除人类思维的“污染”，短时间内复现一个人类前所未闻的围棋文明。计算机特有的超级计算力（一天自我对弈可达数百万盘），使这个天方夜谭成为可能。“山中方七日，世上已千年”的悠远传说，有望回归现实。一个从未接受过“金角银边草肚皮”“立二拆三”“高手在腹”等人类心经指点的人工智能围棋程序（到时可能改名BetaGo了），会展现出何等不可思议的模样，对此，连我这等对围棋略知一二的业余庸手，也充满好奇和向往。
　　棋盘上最具不羁想象力的吴清源大师，晚年时构想了21世纪围棋，一种令寻常职业棋手怔然莫对的“六合围棋”。吴清源的自传名就叫“天外有天”，他代替人类，早早向AlphaGo蕴含的未知世界，发出热切的呼唤。
　　对此美妙前景，一些更优秀的职业棋手，已然热泪盈眶。维特根斯坦说过：“智慧没有激情。但是相比之下，信仰却是一种激情。”AlphaGo也没有激情，但真理却是……棋手的信仰。

马云与扎克伯格在中国经济发展高层论坛
　　3月19日上午消息，今天上午，阿里巴巴董事局主席马云和Facebook创始人扎克伯格在中国经济发展高层论坛进行了一次跨国对话，对于前不久AlphaGo与李世石的围棋人机大战，两人分别从企业家和工程师的角度谈了很多感触。
　　上周AlphaGo战胜了李世石，有很多人对机器打败人类表示担忧。对此马云认为，机器会比人类更强大，但不会比人类更明智。他说，“人的智慧是人类的核心，机器无论成功和失败，它对友情和爱是没有感觉的，所以我们要用机器来解决问题，作为创新的解决方式。”
　　对于马云的观点，扎克伯格表示基本赞同。他以一个工程师的角度，从这次“里程碑事件”谈到了人工智能的发展，他说，人工智能在图片识别，语言翻译等应用根本上还是采用与围棋相同的技术和数据分析。
　　扎克伯格认为，人类未来5到10年将取得巨大进步。他说，人工智能领域现在的研究速度让人惊喜，经过足够长的发展时间，AI会比人驾驶汽车更安全。它在对人的健康和安全方面来说，是最近几年最大的成就。卫生方面，AI也有促进，能提高诊断准确率，和治疗的有效率。另外AI还可以研究匹配每个人的基因，对症治疗。
　　另外，两人在对话中还就创新，技术影响，以及时下热门的人工智能、VR设备等问题，交流了相互的看法。对话最后还分享了一下育儿经验。（夏乙）

　　北京时间3月16日晚间消息，谷歌人工智能系统AlphaGo因战胜世界围棋冠军李世石（Lee Sedol）而获得围棋世界排名第四的殊荣。但时隔一日，AlphaGo的排名就跃居至第二位。
　　3月9日至3月15日，AlphaGo与李世石进行了5场围棋挑战赛，结果AlphaGo以4:1胜出。赛后，AlphaGo被韩国棋院授予荣誉职业九段证书。在之前的3月13日，第四场败给李世石后，AlphaGo还收获了世界第4的排名。

当时，排名首位的是中国棋手柯杰，积分为3621分。韩国棋手朴廷桓以3569分排名第二，日本井山裕太以3546分位居第三。AlphaGo凭借去年10月5:0胜欧洲冠军樊麾，以及这次人机大战前三局3:0胜李世石的战绩，以3533分排名第四，而李世石以3521分位居第五。
　　3月15日，据世界职业围棋排名网站GoRatings.org最新数据显示，AlphaGo排名已升至第二位，积分提高到3586分。柯洁依然排名首位，3621分的积分未变。韩国棋手朴廷桓以3569分排名第三，日本井山裕太以3545分排名第四，李世石以3520分位居第五。

该排行榜每日更新，主要基于WHR（Whole-History Rating，全史评级）算法，即评估对阵选手在不同时间内实力的一种新方法，其数据由go4go.net提供。 ●

　　哈哈哈，是的。一些大型多人在线游戏就经常让我恼火。这些游戏里面的AI都很蠢，他们没有记忆，也不会根据玩家的行动做出改变，行为更不会进化。如果我们把学习型AI放到这些游戏里面，整个游戏的可玩度肯定会大大提高。

本周你曾提到AI未来的应用领域将会集中在医疗保健、智能手机助手以及机器人学等方面，IBM Watson（IBM下属的认知科学研究公司）已经开始了有关癌症诊断方面的工作，DeepMind能为这些领域带来什么呢？
　　嗯，现在说这个可能太早了。我们几周前和NHS（英国国家医疗服务体系）宣布了合作关系，但实际上这只是构建了一个机械学习的平台。在我看来，IBM Watson跟我们做的其实是两码事，它更像是一个专家系统。它通过图像来诊断癌症，之后它或许能够纵向地追踪你的生理状态，并且提供健康建议。我觉得他们的AI更偏向于巩固学习。

在于NHS合作的同时，你们发布了一个App。但现在看来这个App跟AI或者机械学习没什么太大关系。你们对此是如何考量的？为何要为NHS而不是其他机构开发这个应用呢？
　　主要因为NHS目前的软件系统实在很差，我们的首要工作是把他们带入21世纪。他们的系统没有移动版页面，对客户的支持也并不是很友好，这一系统对于医生，临床医生以及护士来说都会拖慢他们的工作效率。我们目前首要工作是提升系统的工作效率，比如把可视化工具和基础统计工具加入系统。现在来看，我们在这一方面做得还不错，之后我们会把更复杂的机械学习技术加入这个App。

这个合作设计的商业化交易会不会惹麻烦？显而易见，与医疗保健机构合作在英国是个敏感话题。
　　嗯，确实如此。因此我们决定免费与NHS进行合作，协议也很快地达成了。对于大多数软件公司来说，为一个大机构免费做一个软件系统是不可想象的，而且通常这样的软件由于用户众多，他们也不会倾听用户的声音。我们则不一样，基本上我们还算是个创业公司，所以我们经常与用户交流，接受他们的反馈，因此这个软件几乎算得上是与用户共同开发的。

下面我们谈谈智能手机助手吧。我在开幕日上看到你在演讲时使用了一张电影《她》（斯派克·琼斯2013年拍摄的科幻电影）的海报，这是不是人工智能的终极形态呢？
　　并非如此。但《她》这样的电影是让公众理解人工智能的最好方式。我想做的是让智能手机助手变得真正“智能”，有条理，并且能够真正理解用户究竟想做什么。目前，大多数这样的系统并不好用，一旦你的问题超出了他们的模板，他们就不能给你有用的回复。因此，我们要做的是让这些手机助手更加适用、灵活、强大。

对于这些领域，你们需要一些怎样的突破呢？为什么我们不能立刻着手呢？
　　事实上我们确实已经可以实现一些构想了，但是达到这些目标需要不同的途径。在设定回应模板与机械学习之间有着巨大的鸿沟。现在的智能手机基本上是通过设定回应模板的方式来达成手机助手的功能的，因此他们的稳定性并不是很好，只能通过模板完成工作。然而真实世界要远远比模板复杂得多，你不可能在模板中把所有的用户行为都预料到。我们建立DeepMind的原则就是从原则和基础之上进行学习。

AlphaGo成功的一个重要原因是从各种游戏规则中进行学习，如何把这一原则应用在智能手机上（并使AI变得多样化）呢？
　　是的。正是如此，AI的运行需要大量的数据计算，我们从中也可以得到不少有用的信息。事实上，在接下来的几个月里我们将对AlphaGo的算法再度进行修正，让它逐渐摆脱最初的监督学习（supervised learning）模式，逐渐实行完全的自我学习，真正“从零开始”。要达成这个目前需要更长的时间，在此期间我们需要不停地调试或者检测，但最终我相信AlphaGo可以真正地进行学习活动。

以目前的算法来看，这个目标可能实现吗？
　　不不不，我们甚至可以在此之前就达成目标。算法并不会让程序变得更加强大，只是让它变更纯粹的学习模式而已。现在来看，我认为我们的算法可以在没有监督的情况下运行。去年我们曾经用雅达利游戏机（流行于70-80年代的初代游戏机）上的游戏让AlphaGo进行测试，AlphaGo在我们没有给出任何指示的情况下，就可以在屏幕上随机作出行动来。

如果失败判定更明显，要达成这一目标会更简单吗？
　　如果记分更加有规则，要达成这个目标会简单不少。在围棋游戏里面，你只有在胜负已分的情况下才能够“记分”，但问题在于，即使你在一盘围棋中放下了上百个棋子，你也未必能够知道你能否确实获得胜利。因此要对围棋进行记分是一件困难的事情，我们将其称之为“分数分配问题”（credit assignment problem）。而在雅达利游戏里面，你唯一的目标就是得分，因此AI也有着更多的行动参照。

你认为这些研究成果什么时候能够呈现在智能手机上并被大众所用呢？
　　我觉得，在接下来的两到三年里你就可以看到这些成果的开始应用，并且对工作与生活有切实的影响。而在五六年之后，你就会发现这些技术对生活的巨大改变了。

在以上所有你对AI应用的预测汇总，这是不是与谷歌联系最紧密的项目？
　　嗯哼。

谷歌有没有要求你们把自己的产品整合进他们的产品线或者其他商业模式中呢？
　　并不是，我们在自己的研究项目中有着极大的自由度。这是我们自己的使命，也是我们加入谷歌的原因：我们可以借助谷歌的帮助加速项目的运转。过去几年来我们的工作状态一直如此。当然，我们与一些谷歌自己的原型项目计划有所合作，不过这些计划几乎都只处于原型阶段，谷歌也没有近期公布的计划。当然，智能手机助手是目前我们研究中非常重要的部分，我们与桑达尔·皮查伊（谷歌CEO）也对此进行过对话，他认为这是谷歌未来计划的核心。
　　我留意到谷歌本部有一些其他的创新部门，比如说Google Brain，他们也将机械学习应用在谷歌图片搜索的人脸识别功能这样的，面向大众用户项目上。
　　这些项目到处都有啊。

你们和Google Brain之间有互动吗？你们之间的工作有重叠的地方吗？
　　当然啦，事实上我们的工作呈互补的态势。我们每周都有交流。Google Brain主要关注深度学习，他们有着杰夫·迪恩（Jeff Dean）这样的天才工程师，他们的技术融入了公司的每个角落。也正是如此，我们现在可以方便地使用谷歌图片搜索这样的产品。不过他们是产品推进型的项目组，这点从他们的所在地Mountain View就能够看得出来（离谷歌产品部门更近）。Google Brain的项目周期通常是一年到一年半，我们一般则是两到三年。这是因为我们专注于算法研究，与直接的产品研发关系不大。

谷歌对AlphaGo的支持有多重要？如果没有他们的支持，你们能够完成这个项目吗？
　　当然很重要。虽说AlphaGo对于硬件并没有特别的需求，但是我们仍然需要大量的硬件调试各个版本的AlphaGo，并且通过谷歌的云服务让他们互相对战。要实现这一目标，需要相当高的硬件配置，如果没有谷歌的资源我们几乎不可能在此刻就推出AlphaGo。

让我们谈谈机器人吧。我目前居住在日本，而很多人认为日本是机器人的精神故乡。根据我的观察，在日本，机器人一般有两个用途：诸如Fanuc这样的公司制造工业机器人，可以完成很细化的固定工作；而软银旗下的Pepper这样的公司则通常制造礼宾式机器人（concierge-style robots），这些机器人看起来意义重大，但是用途有限。你对这种情况怎么看？
　　嗯，按照你的描述，我觉得Fanuc这样的公司在机器人的设计层面做得不错，但是他们并没有投入“智能”的研究。礼宾型机器人的话更像是现在的智能手机助手，我见过这种机器人，它们也是按照预先编写的模板行动的，如果你做出了一些奇怪的举动，他们就会懵了。

我想，现在最显著的问题是“如何让机械学习以及其他AI技术提高机器人的能力”吧？
　　嗯，我想这是完全不同的思路。我们人类从出生就具有学习新事物、应对未知世界的能力，而我觉得这就是机器人或者软件应用与真实用户的最大区别。要适应真实世界，他们必须学会学习的能力，并合理应用这一能力。

你觉得目前有哪些机器人系统应用了学习方案？
　　老实说，我们现在并没有关注过这个问题。目前来看自动驾驶汽车算得上是会自我学习的机器人，但是AI在这方面的应用目前来看还是狭窄了点，虽然他们在计算机视觉方面加入了AI系统──特斯拉就基于深度学习技术研发了一个计算机视觉AI。我确信日本对这方面，尤其是年长者看护机器人或者是家庭清扫系统方面也进行了一些研究。考虑到日本的老龄化很严重，我觉得这些研究对于日本社会的进步有着极佳的作用。

为什么这些以学习为基础的技术能够对现实有更大的帮助呢？
　　你不妨这样想：“为什么我们现在还没有这样的的东西？”为什么我们现在没有能够帮你扫地，洗衣服的机器人呢？原因很简单，每个人的家都不一样，每个人都有着不同的装修、家具摆设。即使是在自己的家里，每天的状况也不很一样，有些时候你家会很干净，有些时候则会很脏乱。正因如此，你不可能为一个机器人开发预设程序。而且每个人对衣服的折叠方法之类的也有着不同的喜好，让机器人对这些进行判断就太难了。有时候我们会觉得我们每天做的事情都很简单，但是这些简单的事情放在机器人身上就非常困难了：我们的大脑每天进行的运算都是相当庞大复杂的。

问个私人问题，你们有买过扫地机器人吗？
　　呃……我们没有，不过他们并不是很好用所以……哈哈哈。

问这个问题是因为我自己有一个，而它并不是很有用。不过我能够发现它自己有些独特的怪癖，而且使用它也还蛮方便的。当然，这主要与我本人比较懒有关。我想问的是，随着机器人技术进步，怎样的情况才能算这些机器人“足够好”的标志呢？我们会在机器人真正能够进行与人类相似的，有意义的交互之前就停止开发吗？
　　是的，我的意思是……可能会。我觉得每个人都会以他们认为合理的价格买一个可以帮他们洗碗扫地的机器人，这些白痴机器人人气其实挺高，但也没什么“智力”可言。所以，是的，我觉得每一个小小的进步都会对人类有实际的好处。

你对未来人类、机器人以及AI之间的互动、关联有些什么想法呢？显而易见人们都向往美丽神奇的科幻世界。
　　我个人对于机器人领域并没有太多的关注。我更关心的是这些AI能对科学的进步有多少助益，以及他们的发展能有多快。我希望AI能够代替人类处理一些艰苦却琐碎的工作，比如说检索相关的文章，从大量数据中总结出他们的结构，这样一来人类的科学突破会有着更大的突破。几个月前我曾经与欧洲核子研究组织（European Organization for Nuclear Research，简称CERN）的人进行过交流，他们有着世界上最为庞大的数据量，在那些浩如烟海的硬盘中很有可能存在着新粒子的数据，但由于数据量太多，他们还尚未被发现。所以有时候我会想某天AI能够帮助人类找到一些全新的粒子，这种事情一定非常酷。
　　这段对话作为采访结尾非常有趣。
　　（翻译：刘言蹊）

源自：界面

---

源自：界面
⊙ 作者：Sam Byford

DeepMind联合创始人兼CEO杰米斯·哈萨比斯。图片来源：Youtube
　　上周，AlphaGod与李世石的交锋举世瞩目，AlphaGo在以其令人惊诧的成绩震撼世人的同时，也让世界看到了人工智能所蕴含的巨大潜力。然而，AlphaGo并不是DeepMind所开展的唯一一个人工智能计划，甚至不是现有计划中最重要的一个。DeepMind的联合创始人兼CEO杰米斯·哈萨比斯在本周一次专访中坦言，说DeepMind希望“解决有关智能的问题”，并且对此充满乐观。
　　与所有天才一样，杰米斯·哈萨比斯的人生并不循规蹈矩。当他还是个孩子的时候，他就蝉联了五届脑力奥林匹克运动会（Mind Sports Olympiad）的全能脑力王（Pentamind Championship）称号。在他的青年时代，他曾经供职于大名鼎鼎的牛蛙工作室（代表作有《地下城守护者》）以及狮头工作时（代表作有《神鬼寓言》），参与了《模拟公园》以及《善与恶》的开发，稍后又组建了自己的游戏工作室Elixir。在2000年代中期，他离开了游戏业界并攻读了神经科学的博士学位，最终于2010年创建DeepMind。
　　The Verge在AlphaGO与李世石的第一局对战之后，同杰米斯·哈萨比斯进行了一次深度采访，在采访中他畅谈了AI、智能手机以及机器人等话题。

以下是采访全文：
昨天AlphaGo与李世石的对局震惊了世界，不过，不少人对于人工智能或者围棋都不甚了解，你如何向他们解释这两者到底是什么？
　　我希望从这几点来说明：某种意义上来说，围棋是完全信息博弈游戏（perfect information games）之王，它每一步的可能性都远远复杂于国际象棋。尤其在“深蓝”获得成功之后，解决围棋的AI问题就成为了人工智能研究领域最为重大的挑战。虽然目前来看，我们的AI的进步并不算特别卓越，但我们为此做出了相当多的努力。十年前，蒙特卡洛逻辑树的发明推动了AI领域的进步，但将神经网络中关于直觉的部分引入AlphaGo，才是它击败顶级棋手的最重要的原因：顶级棋手们最为重要的品质即是他们优秀的直觉。当我在直播过程中看到迈克·雷蒙计算目数都有些捉襟见肘的时候，感觉真的很惊讶，他可是一个九段职业选手。

AlphaGo有哪些具体的落子让你感到震惊的吗？
　　有次AlphaGo直接深入李世石具有优势的腹地，这让我们都很震惊──从李世石当时的表情来看，他也很震惊。没人能够想到围棋可以这样下。

是因为这一手非常具有攻击性吗？
　　嗯，是因为这一手大胆无畏而富有攻击性。李世石本人就以天马行空的攻击闻名于世，AlphaGo直接以对手的风格进行对局，这令人难以置信。在比赛之初布局尚未稳定之时，双方就在棋盘的各个角落展开了激战。以往的围棋程序都不擅长于对手缠斗：他们或许精于局部计算，但缺少对全盘游戏的大局观判断。

无论输赢，这一次比赛的首要目的是为了对AlphaGo的能力进行评估。昨晚的比赛中给你们最大的收获是什么？
　　我想，最大的意义就是让我们确信目前我们的工作有着长足的进展──比我们希望的要好得多。在赛前，我们对大众宣称比赛可能胜负各半，目前来看，这个胜率仍然是比较靠谱的：李世石是个出色的棋手，他会很快地调整自己的下棋策略，一切都有可能发生。我依然期待接下来的比赛中双方的表现。
　　说说这事情对人工智能发展的意义吧。你可能听过之前我把“深蓝”与AlphaGo进行的对比：“深蓝”是个“手工”程序，程序员们需要把国际象棋大师们的对局转换为具体的行动规则以及行动逻辑；而我们让AlphaGo有了自我学习的能力，它可以自我对局并从中学习，提高，这比以往的AI更像人类了。

如果AlphaGo一直保持胜势，接下来会你们有些什么计划？会在未来开发另一个AI对战游戏么？
　　正如我在之前所说，围棋已经是完全信息博弈游戏的巅峰了──当然，还有一些其他的围棋高手等着我们去挑战。而其他的一些游戏，诸如无限制纸牌就很困难，因为它是一个不完全信息博弈游戏（imperfect information game）。有些电子游戏同样充满挑战，比如在韩国流行的《星际争霸》这样的策略游戏，它要求AI在信息不充分的条件下展现出高水平的策略能力，我们可以把这种游戏模式称之为“部分观察”（partially observed）。相反，围棋游戏里你可以在棋盘上看到对局所需要的一切信息，这对计算机而言，处理这个要简单一些。

你对攻克《星际争霸》有兴趣吗？
　　可能吧。不过我们只对我们的研究范围内的项目感兴趣。虽然说AlphaGo的对局很有趣，但DeepMind的目标并不是为了玩游戏，娱乐或者给大众提供刺激。就我个人而言，我喜欢玩游戏，也曾经是游戏业界的一员，但游戏归根结底只不过是用来测试我们算法的一个测试平台，我们通过游戏来测算出它们的架构和实力。但我们的最终目标还是把自己的成果运用于现实中。

我成长于1990年代后半期的英国，常常在游戏杂志上看到你的大名和一些非常具有想象力的游戏关联在一起。当我看到你与DeepMind一同出现的时候就在想，“你们真是天生一对。”你是如何从游戏界跨界到现在的领域的呢？
　　DeepMind算是我的毕生追求。某种程度上来说，我为此计划并奋斗了超过二十年。如果你对我过去的事业有所了解，那你会发现这些事情是有迹可寻的：AI的表现是我在牛蛙工作室和其他地方做的游戏的核心。当我十六七岁的时候开始开发《模拟公园》，我就意识到AI可以强大到什么程度，并促使我在这一领域奋斗。由于AI的表现有趣而合理，这些游戏卖出了数百万份，玩家至今也能乐在其中。我在游戏业的最后几年里也都在这个方向努力。到了2000年代中期，我返回学校攻读神经科学，主要原因是当时的游戏业界已经不能让我继续深入研究AI了。游戏的发行商们只希望你赶快把游戏做出来卖钱。

你进入游戏界是不是因为在那个年代，游戏是AI最广泛的应用领域？
　　是这样的，而且当时我们做的就是AI领域最尖端的技术。1990年代人工智能领域的学术研究陷入停滞，诸如神经网络、深度学习、巩固学习（reinforcement learning）这样的技术还没有得到普及。那时候最好的人工智能表现只能体现在游戏里面，它们不是以现在这种学习形AI，大都以有限机械（finite-state machines）的状态呈现，但它们已经足够复杂，并且对于游戏相当适应。《善与恶》这样的游戏了的AI已经拥有了巩固学习的能力，我至今仍然觉得这是游戏界最好的AI设计之一。但是到了2004、2005年，事情起了变化，游戏开发不再像1990年代那样充满乐趣和创造力，那时候你只需要想到点子并付诸实施就行。自那时起，在市场上获得成功的要素变成了画面和版权，诸如《FIFA足球》这样的游戏大行其道。因此我有些厌倦：在游戏领域我把我能干的事情都干了一遍，现在开发游戏也不那么好玩了。因此我开始搜集信息，准备成立DeepMind。神经科学成为了我的新目标，我希望通过研究大脑的运作方式来开发新的人工智能，因此，我决定攻读一个神经科学学位。

如果让你把现在人工智能的成果带回游戏领域会如何呢？看起来这件事情是顺理成章的。
　　嗯，我觉得这会很棒。事实上，我这两天跟几家大游戏公司，譬如说EA之类的……有过联系。我们应该会把这个成果引入游戏界，运用这些最新的成果可以让游戏AI的水平突飞猛进，因为客观需求摆在这里嘛。不过目前我们更愿意把精力放在健康服务或是人事推荐系统这样更加现实的事情上。游戏业界当然是个很重要的市场，把我们的AI系统推向游戏业界前途广阔，而我觉得开发者们也会更乐于使用成熟的学习型AI（而不是自己开发），或许不久的将来，开发者们只需要对AI进行微调就可以了。

我刚刚正好想到你是不是在家里打游戏的时候，被糟糕的AI气到过。

源自：36氪

---

　　编者语：Alphago 赢下这场围棋的“世纪大战”，这到底是人工智能战胜了人类，还是人类向自然发起挑战？人类对自然，抑或说人类对人类本身的改造，又会随着人工智能的飞速发展下走向何方？而对于哲学家来说，除了询问自己生从何来死往何处，现在又多了一个命题：我们人类和机器到底有什么区别？这可能是目前对人工智能发展最深度的思考之一，期待与你一同探讨。本文作者朱珑（Leo Zhu），依图科技 CEO。以下内容仅为个人观点，不代表真格基金官方观点。
　　从事机器智能研究 15年 了，心情从没有像今天如此复杂：既兴奋又忧伤。
　　机器和人类、现实和科幻、邪恶和美好的分界从来没有像今天这样如此模糊。眺望未来 30年，智能革命的壮阔波澜，将改写人类社会对智商的理解和定义。

从 AlphaGo 说起：Have to win
　　关于这场围棋大赛，先引用一段博士老板 Alan Yuille 教授（美国顶级机器智能科学家，霍金理论物理学博士）的判断：
　　Go is a complex game but still it is finite so with enough computer power，and clever algorithm，the computers will have to win（if not this year，then next year）。（围棋是一套复杂但有内在逻辑和明确计算量的游戏，所以只要计算机遵循围棋的推演路径并拥有充裕的运算能力就必然能够赢得人类、取得胜利，AlphaGo 的胜利对于计算机而言只不过是时间问题。）
　　AlphaGo 战胜人类，美国学术界早有准备

伴随着摩尔定律的不断实现和几十年来人工智能的软硬件技术积累，人工智能其实已经悄然改变了我们生活中的许多方面，当我们还在感慨电影中各种 AI 的强大时，未来已经悄然而来，AlphaGo 只是这场人工智能大浪潮中的一朵璀璨浪花。
　　在过去的 5年 里，人工智能已经在语音识别、计算机视觉、语言理解、医疗健康等领域取得了巨大进展，并在某些领域里超过了人类，比如语音识别、人脸识别等等方面。

以计算机视觉为例，人工智能已经发展出了突破肉眼精度的图像识别技术并已被广泛的应用于公安、金融、信息安全等领域，产生了巨大的价值。而这些进展之所以没有引起社会轰动，是因为社会中大部分非专业人员会通过直觉和自身感受而推论出机器识别“人脸”、识别“苹果”等图像信息是一件容易的任务，是一件不同年龄、不同教育背景、不同文化背景的人都能胜任的任务，在这其中体现不出人工智能的“智能”来。
　　但站在人工智能发展的角度，从围棋和图像识别的复杂性和不确定型来说，图像的变化比棋盘的变化要大得多。
　　围棋是有可遵循的逻辑、可衡量的计算量的游戏，对于人类大脑的难度在于庞大的计算量和对棋盘宏观形势的敏感度；而图像识别则会在信息抓取和逻辑分析层面呈现出更广泛意义上的随机性和不确定性。

通过机器学习将图像中的信息进行分类解析、最终提取有价值的结构化数据是极难的科研课题，从学术界到工业界的转化耗费了几十年的时光。
　　然而相比于计算机视觉、语言语音理解等其他的进步，AlphaGo 的划时代意义在于它不仅仅缩短了机器与人的智能距离，还将颠覆人与人智商差异的感知。
　　未来人与人的智商差距不再会是不可弥补的先天差距，而将成为一种可以通过工具而后天获取的能力，这带来的会是人类自我价值评估的一次大颠覆，智商对于人的意义将会在一定程度上有所下降。这就像从前算术不好的，现在用计算器就能补上；未来下棋不好的，可能只是加个 AlphaGo 就能补上。“智商”这个词的定义可能会被迫从形容人和动物差异，变成由人和机器的差异所定义。
　　第一个十年的变化：The rich get richer（富人更富，强者更强）
　　从短期来看，让我们畅想一下在这场大浪潮中，谁会成为最大的受益者呢？
　　当我们回顾推动人工智能发展的关键因素时，有三个要素极为重要：数据、算法和计算。

AlphaGo 这次在全社会范围内对人工智能进行了一场大面积的认知普及，会使得拥有成熟商业模式和海量数据优势的 BAT 等巨头重金投入这片市场，彼此间的互相追赶将在市场中形成像 google 收购 deep mind 一样的并购风潮。
　　同时伴随着计算能力的不断提升和算法的持续优化，这将带来人工智能史上的第一次大规模应用实践，各巨头的业务将因为人工智能带来的效率提升而加速拓展，他们相较其它竞争者的优势也会因此不断加大，这就正如今天的 google 相对于其他公司一样。
　　当资本成为这场竞逐游戏的驱动力时，获得先发优势的公司雪球也必将越滚越大，优势将在成长中愈发明显，The rich get richer。

未来的思考：人类将重新理解知识、智慧、人性
　　从远期来看，人工智能的进步将改写人类对自我、知识和教育的理解。
　　倘若，90%的医生、律师、教师、程序员能被机器所代替，人们将需要重新开始讨论“人”的自我定义和“知识”的新时代价值。

当旧时代下的知识已成为机器人仅需拷贝和执行的简单命令，而“为什么要学法律、学编程等”的疑问及背后对自我价值的疑惑就必将引发社会教育结构的变革。
　　过往人与人之间通过知识组合的不同而形成的差异将被人工智能抹平，“高考”等考试测评手段作为广义上的游戏（game），就像围棋一样，将不再能作为准确评价智慧和学识的方式而被修正。
　　当在体力劳动和脑力劳动里独立的人类相对于机器都不再具备经济优势时，人的存在形态、存在价值和机器的交互融合将成为未来前沿学术研究的重要课题，这会是一次人类社会的集体迷思、也会是人类价值的再次追寻。

人类的希望？
　　有人曾说，机器和人的差异是艺术的创作和欣赏。但这对于人工智能而言，已经并不是什么特别难的事情，大概在 10年 前就已有成熟的学术成果来用计算机创作梵高风格的作品，在这背后的艺术风格提炼、学习和再造并不是什么新鲜的技术。
　　也有人说，机器和人的差异是情感。但我不确定现今的人类社会对情感的定义是否像对智商一样，有着广泛的共识而能成为人类独特性的特征。情感诞生于本能和动物性，只是在人身上闪烁出了更加多彩的光芒，悲欢喜乐、嬉笑怒骂，这本就是人性中最难以捉摸而妙不可言的部分。
　　所以，机器和人的区别最终会是什么呢？在这个恐怕哲学家也难以回答的终极问题下，我想起了最近读到的这样一句话，“如果机器认为这场战斗必败，那么机器会选择投降；如果人认为这场战斗必败，那么有人会选择义无反顾的战斗，直至战死为止。”
　　或许，这句话里已经轻轻道出了我们与机器的区别。
　　我们作为人的选择里，并不是只有精密的计算和推理、只有简单的概率分布和公理，还有我们生而为人的一点梦想和坚持──我们都曾在梦里鲜衣怒马，我们都曾为理想孤注一掷，我们都曾相信过无数个不可能，我们都曾执念过一个又一个的 Dream。
　　如果回顾人类在这蔚蓝星球里的一段段历史，的确人类文明长河里的那些进步，那些科学、文化、艺术领域里的每一个新发现、每一道灵光一现、每一次神来之笔都是因为我们一直有着做梦的能力，我们无止境的追求那些不切实际、计算不出成功率的 dream，而这，才是我们整个文明史里最闪光的推动力。
　　原创文章，作者：真格基金

北京时间3月15日下午消息，谷歌围棋人工智能AlphaGo今天与韩国棋手李世石进行最后一轮较量，AlphaGo获得本场比赛胜利，最终人机大战总比分定格在1:4。
　　比分扳回至3:1。李世石曾在赛后表示AlphaGo执黑有漏洞，最后一场比赛自己将执黑。在第四局的比赛中，李世石下出白78“神之一手”，导致AlphaGo误判形势，直到5步棋后才意识到形势不利。李世石中盘获胜，取得对AlphaGo的首场胜利。而AlphaGo也因为首场失利获得世界第四的排名。
　　今日，李世石携妻子和女儿入场，神情显得相当放松。在AlphaGo取得3:0获胜后，李世石明显放下了精神包袱。

李世石与妻子和女儿在一起
　　本场比赛由李世石执黑先行，谷歌AlphaGo执白。李世石与AlphaGo的首次交战在棋盘右上与右下方，李顽强作战将这部分黑棋做活。之后双方在棋盘中腹展开厮杀。
　　当比赛进行到3小时40分时，李世石的耗时全部用完，比赛进入读秒阶段。不过，今天双方用时的差距并不大，AlphaGo此时也仅剩余20分钟。
　　与之前的4场比赛不同，今天的对决没有出现一方中盘取胜的情况，双方一直杀到收官阶段。最终，比赛在进行到5小时后，李世石180手投子认输。
　　因AlphaGo以4:1总比分击败李世石，谷歌公司将自己所设立获得100万美元奖金。谷歌方面已经宣布将这笔奖金捐给联合国儿童基金会和相关围棋教育机构。
　　AlphaGo的开发团队DeepMind曾在第一场比赛后表示愿意来中国，可能会与当今世界排名第一的柯洁组织一场对决。

人机大战第五局棋谱（李世石执黑）

AlphaGo五局战罢 人工智能未来何去何从
　　首场人机大战结束后，AlphaGo之父、DeepMind联合创始人德米斯·哈萨比斯表示，人工智能的下一步目标是让计算机自己学棋。也就是说，下个版本的AlphaGo将从零开始，不接受人类的灌输的特定知识，做到真正的自主学习。
　　至于大众关心的人工智能玩扑克和电脑游戏，哈萨比斯称，围棋是一种“完全信息博弈”，比赛双方所有信息都呈现在棋盘上。而扑克和电脑游戏这些由多人对战的游戏是“不完全信息博弈”，计算机无法获知所有信息，目前这些领域对人工智能来说还存在困难。
　　DeepMind认为，最终目标包括智能手机助手、医疗健康和机器人。而尽管AlphaGo目前只是个下围棋的系统，但哈萨比斯认为，一些基本原理也适用于解决现实世界问题。
　　谷歌母公司Alphabet董事长埃里克·施密特说：“我并不认为，有什么领域是这一技术不适用的。”他列举了谷歌传统的搜索和广告业务、无人驾驶汽车，以及医疗健康部门Verily。“对我而言，这一技术将会被用在Alphabet的每家公司中。”
　　过去一周，AlphaGo战胜了人类顶尖棋手，这不禁让人们感到失望与担心。而施密特在赛前向大众解释以消除疑虑：“无论最终结果是什么，赢家都是人类。” ●

　　3月15日中午消息，世人瞩目的“人机大战”第五番棋今天中午在韩国首尔开战。尽管棋手李世石1-3落后于人工智能“阿尔法围棋”（Alphago），但由于第四盘的胜利，李世石能否再胜一盘，承载了人类的更多希望和期待。△科技栏目前方记者连线直播间表示，韩国当地对人机大战的曝光度已赶超韩国大选。
　　据了解，今天到现场的记者比前几场增加了很多，昨天晚上的韩国电视台每隔一段时间，就会播放一段人机大战的战况回顾以及对今天比赛的预测，曝光度甚至超过了韩国大选。
　　在今天的比赛现场，李世石表情非常从容，现场直播人员预测认为，李世石今天将会发挥的更加出色。
　　此外，伴随着人机大战走红的AlphaGo“人肉臂”黄世杰博士在昨天偶遇△科技栏目记者时表示，没想到自己现在已经出名了。对于李世石赢得第四局的胜利，黄世杰表示自己非常的高兴。此外，黄世杰称，自己听到了聂卫平此前对Alphago前面三盘棋的评价，也是非常开心。
　　资料显示，黄士杰2011年毕业于台湾师范大学计算机信息工程专业博士班，2012年加入DeepMind团队，是AlphaGo的核心作者之一Aja Huang，同时也是DeepMind近20人团队中唯一一位围棋高手。 ●