除了比賽，你或許對這些問題也感興趣

Q AlphaGo是什么？

AlphaGo是DeepMind于2010年開始研發(fā)的圍棋人工智能，與之前棋類游戲人工智能主要依靠強大的計算能力來暴力破解不同，AlphaGo采用了更類似于人的算法，以應對圍棋這個具有超高復雜度的游戲。運用了全新的機器學習技術，在走每一步棋時，先通過策略網(wǎng)絡（policy network）將棋盤上的局勢作為信息輸入，對所有可行的落子位置生成概率分布—這就像是圍棋高手先對局勢作出判斷，進而發(fā)現(xiàn)可以進攻的薄弱地帶。接下來它再通過價值網(wǎng)絡（value network）分析每一個落子位置影響勝負的概率—這相當于棋手面對具體問題時，高手會選擇沖、擋、扳、接等各種下法。AlphaGo通過強化學習不斷訓練這兩種神經(jīng)網(wǎng)絡，最終實現(xiàn)了人工智能可以實時有效解決圍棋棋局問題的目標。

隨著AlphaGo能力的不斷增強，圍棋圈對它的稱呼也從開始的“阿爾法狗”到“阿爾法圍棋”，進而到現(xiàn)在的“阿爾法師”。

QDeepMind為什么會選擇圍棋？

自從人工智能誕生的那一天起，游戲就是它最好的伴侶。人工智能的目標在于分析真實世界，而游戲的本質(zhì)是人類對于世界的模擬，想像一下象棋里的將、士、車、馬、炮，以及楚河、漢界等元素就能明白這一點。此外，由于這些游戲有著廣泛的受眾，對于提高和測試人工智能的水平來說，都是再適合不過的對象。

在所有游戲中，棋牌類游戲又因為規(guī)則簡潔明了，輸贏都在盤面，而備受科學家青睞。從簡單的跳棋、五子棋，到更加復雜的中國象棋、國際象棋，以及高難度的圍棋和德州撲克，它們成為一步步檢驗人工智能新算法水平最好的標桿。

QAlphaGo還能做什么？

AlphaGo雖然是圍棋人工智能，但它解決圍棋時所使用的機器學習方法卻能夠廣泛應用到其他領域。例如DeepMind團隊曾在TensorFlow上開源了一個高級框架Sonnet，以幫助科學家快速創(chuàng)建神經(jīng)網(wǎng)絡模塊；此外他們還與Google應用商店Play Store一起嘗試將機器學習應用到廣告推薦系統(tǒng)中，以及與Android團隊合作，試圖提高系統(tǒng)的效能。

其中最令人驚喜的是，他們嘗試利用人工智能來優(yōu)化Google數(shù)據(jù)中心的冷卻系統(tǒng)，數(shù)據(jù)顯示，優(yōu)化過的系統(tǒng)可以降低40%的能耗，對于有著成千上萬臺服務器的Google來說，這意味著每年能節(jié)約上億美元的開銷。

Q從棋手角度看，AlphaGo給圍棋帶來的沖擊有哪些？

首先，AlphaGo沖擊了很多圍棋選手固有的理念。

過去，人類棋手的下法都是對過往經(jīng)驗的研究和總結，但即使是職業(yè)棋手，一輩子可以下的圍棋盤數(shù)只有幾千量級，而其中真正有參考價值、能夠推動這門技術前進的僅在百盤左右。然而，AlphaGo最新版本開始自我對弈之后，每天下棋的盤數(shù)從幾千到一萬不等，甚至更多，這迅速將圍棋理念推向極致。

其次，未來頂尖棋手的收入可能會逐漸下降，但是隨著參與圍棋的門檻降低，普及率上升，整體市場將有可能擴大。

圍棋未來的路徑多少可以參考曾經(jīng)的國際象棋，1997年，IBM研發(fā)的人工智能Deep Blue在第二次挑戰(zhàn)國際象棋世界冠軍卡斯帕羅夫中以3.5：2.5贏得勝利，在整個人類世界引起軒然大波，這場精彩的營銷使得IBM的股價一度上漲30%左右。據(jù)統(tǒng)計，在Deep Blue戰(zhàn)勝人類后，很多國家象棋的贊助商吝于投資冠名，頂級棋手收入略有下降，次一級的棋手收入相比與1970年巔峰時期則下降很多。因為人類之間比賽的關注度遠遠低于人機大戰(zhàn)。

但與此同時，國際象棋通過人機大戰(zhàn)在全球普及開來。原先國際象棋的影響力主要集中在蘇聯(lián)，以及德國、西班牙、古巴等幾個國家，在非洲和亞洲幾乎沒有影響力。但現(xiàn)在完全不同，例如在中國，這幾年國際象棋的發(fā)展速度就非常顯著。