AlphaGo
选自量子杂志
机器之心编译出品
编译：孙闰松、Not_God、微胖
围棋游戏程序捕捉到了人类直觉要素，这一进展有望产生深远影响。但是，作者并不认为AlphaGo 本身是一次革命性突破，毋宁说，它在这个极其重要的研发中处于领先地位：打造捕获直觉，学会识别模式系统的能力。计算机科学家已经努力了几十年，却没有取得重大进展。如今，神经网络的成功有望极好地扩大我们使用计算机解决问题的范围。
1997年，IBM 深蓝击败了世界象棋冠军，卡斯帕罗夫。那时，这场胜利被广泛描述为人工智能的里程碑。但是，结果表明，深蓝的技术对象棋有用，没有其他什么意义。计算机科学并未经历一场变革。AlphaGo，这个最近击败史上最强围棋选手的围棋游戏系统，会有不同吗？
我相信答案是肯定的，但是，并不是因为你可能听过的那些解释。许多文章提供专家证据，证明围棋比象棋难，这让这场比赛更加令人印象深刻。或者他们说，我们并不期待计算机会在以后十年里赢得围棋，因此，这是一个更大的突破。一些文章提供了（正确的！）观察，较之象棋，围棋有更多的落子可能性，但是他们并没有解释，较之人类，为什么这会对计算机造成更多的困难？
易言之，这些主张并没有解决核心问题：让AlphaGo赢得胜利的技术进步会有更广泛意义吗？为了回答这个问题，我们必须首先了解在何种方式上，导致AlphaGo的那些技术进步与导致深蓝的技术进步相比，有着质的不同，也更为重要。
国际象棋游戏中，初学棋手会学习对一个象棋棋子形成价值的概念。在一个系统中，一个马或者象相当于三个卒。一个车，活动范围更大，相当于五个卒。皇后，活动范围最大。国王价值无限，丢掉国王等于输了一盘棋。你能使用这些值预估怎么落子。放弃一个象，取对手的车？通常，这是个好主意。放弃马 和象，换取对手的车？这可不是个好主意。
在计算机国际象棋中，这种价值的概念非常关键。绝大多数计算机象棋程序搜索百万或数十亿的落子和对抗手段组合。程序的目标就是找到一系列落子方式，将系统的棋盘位置的值最大化，无论对手的落子顺序如何。
早期国际象棋程序评估棋盘位置，使用的是诸如‘一象抵三卒’的想法。但是，后来的程序使用了更加具体的象棋知识。比如，深蓝，组合了8，000多个不同功能因素，用于评估棋盘位置。深蓝并不只考虑一个车等于五个卒。假如同一方的卒位于车的前面，那么，卒会限制车的活动范围，减损车的价值。然而，如果卒被用作‘杠杆’（levered），意思是，能够通过捕获对手的卒而给车让路，深蓝会认为卒是半透明的（ semitransparent），而且不会同样减损车的价值。
类似这样的想法，需要象棋细节方面的知识，这也是深蓝成功的关键。根据深蓝小组撰写的技术论文，在深蓝与卡斯帕罗夫的第二场对弈中，这个半透明的、作为杠杆的卒的概念至关重要。
最终，深蓝研发人员采用了两个主要想法。首先，打造一个功能，吸收许多象棋知识并评估给定棋盘位置。第二，使用巨大计算能力评估许多可能的落子位置，挑选一个，促成可能最好的最终棋盘位置。
如果将这一策略运用到围棋上，会发生什么？
结果表明，尝试过程中，你会碰到一个难题。问题在于想办法评估棋盘位置。顶尖围棋选手大量使用直觉来判断一个特定棋盘落子有多好。比如，他们会就‘良好状态’的棋盘位置做出模糊陈述。而且如何用简单、界定清楚的系统（比如，象棋棋子的价值）来表述这种直觉，并非立即一目了然。不幸的是，用传统套路来解决这个问题，即使经过数十年的尝试，仍然没有找到显而易见的方式来应用搜索策略（就像国际象棋那么成功），围棋系统依然让人失望。情况发生变化是在2006年，那年引入了所谓的蒙特卡洛树搜索算法，这种算法尝试一种新的评估办法，其基础是一种更加聪明的随机模拟游戏的方式。但是，围棋程序仍然落后人类棋手一大截。对棋盘位置的强烈直觉似乎才是成功关键。