如果不對 AlphaGo 背后的神經網絡系統稍作了解，你很容易以為 AlphaGo，在對局開始前跟李世石站在同一起跑線上。

作為一種人工智能的 AlphaGo，和 IBM 在上個世紀打敗國際象棋大師卡斯帕羅夫的深藍超級計算機，以及當代的蘋果 Siri、Google Now 有著顯著的區別。

圍棋的可能性復雜度

要了解 AlphaGo，首先我們需要了解 AlphaGo 背后到底是一個什么東西。

它背后是一套神經網絡系統，由 Google 2014 年收購的英國人工智能公司 DeepMind 開發。這個系統和深藍不同，不是一臺超級計算機，而是一個由許多個數據中心作為節點相連，每個節點內有著多臺超級計算機的神經網絡系統。就像人腦，是由 50-100 億個神經元所組成的，這也是為什么這種機器學習架構被稱為神經網絡。

你可以將 AlphaGo 理解為《超驗駭客》(Transcendence) 里約翰尼·德普飾演的人工智能，而它所控制的超級計算機，就像影片里被人工智能心控的人類一樣，共同為一種蜂群思維 (Hive Mind) 服務。

AlphaGo 是在這個神經網絡系統上，專為下圍棋 (Go) 而開發出的一個實例。然而，雖然名字已經介紹了它的功能，AlphaGo 背后的神經網絡系統卻適合用于任何智力競技類項目。

這個系統的基礎名叫卷積神經網絡 (Convolutional Neural Network, CNN) ，這是一種過去在大型圖像處理上有著優秀表現的神經網絡，經常被用于人工智能圖像識別，比如 Google 的圖片搜索、百度的識圖功能都對卷積神經網絡有所運用。這也解釋了為什么 AlphaGo 是基于卷積神經網絡的，畢竟圍棋里勝利的原理是：

對弈雙方在棋盤網格的交叉點上交替放置黑色和白色的棋子。落子完畢后，棋子不能移動。對弈過程中圍地吃子，以所圍“地”的大小決定勝負。

AlphaGo 背后的系統還借鑒了一種名為深度強化學習 (Deep Q-Learning, DQN) 的技巧。強化學習的靈感來源于心理學中的行為主義理論，即有機體如何在環境給予的獎勵或懲罰的刺激下，逐步形成對刺激的預期，產生能獲得最大利益的習慣性行為。不僅如此，AlphaGo 借鑒了蒙特卡洛樹搜索算法 (Monte Carlo Tree Search) ，在判斷當前局面的效用函數 (value function) 和決定下一步的策略函數 (policy function) 上有著非常好的表現，遠超過上一個能夠和人類棋手旗鼓相當的圍棋程序。

AlphaGo 所采用的 DQN 是一種具有廣泛適應性的強化學習模型，說白了就是不用修改代碼，你讓它下圍棋它能下圍棋，你讓它在紅白機上玩超級瑪麗和太空侵略者，它也不會手生。作為一個基于卷積神經網絡、采用了強化學習模型的人工智能，AlphaGo 的學習能力很強，往往新上手一個項目，玩上幾局就能獲得比世界上最厲害的選手還強的實力。

2014 年，已經被 Google 收購的 DeepMind，用五款雅達利 (Atari) 游戲 Pong、打磚塊、太空侵略者、海底救人、Beam Rider 分別測試了自己開發的人工智能的性能，結果發現：在兩三盤游戲后，神經網絡的操控能力已經遠超世界上任何一位已知的游戲高手。

DeepMind 用同樣的一套人工智能，不調整代碼就去測試各種各樣的智力競技項目，取得了優異的戰績，足以證明今天坐在李世石面前的 AlphaGo ，擁有多強的學習能力。

在此之前，DeepMind 進行過的無數虛擬棋局訓練，以及去年擊敗歐洲圍棋冠軍樊麾二段的經驗讓 AlphaGo 已經訓練出了頂尖的弈技，極有可能高于世界上任何已知的圍棋高手。

盡管棋盤上風云變化，早在本次開戰前，AlphaGo 跟李世石就已不在同一起跑線上了。至于李世石曾經做出 AlphaGo 和自己棋份在二子和讓先之間的評論，恐怕第一局足夠讓他反悔了。

AlphaGo 只是 DeepMind 證明自己的一個工具。你也可以將這次和李世石的對局理解為 Google 的公關策略。

轉載請注明：北緯40° » 擊敗了李世石的AlphaGo究竟是什么？