2016年3月15日，轟動全球的圍棋“人機大戰”落下帷幕。Google DeepMind的阿爾法狗甫登擂臺就先聲奪人連下三城，第4盤機器出bug送出一局後，第5盤恢復正常的電腦再次以優異的表現取勝，從而以四勝一負的絕對優勢橫掃李世石九段。可以毫不誇張地說，圍棋這個“人類智慧的最後堡壘”已在“人工智能”的凌厲攻勢下宣告淪陷。

　　石破天驚的閑庭信步

　　阿爾法狗不僅贏了棋，而且贏得漂亮，甚至贏得輕松愜意。不信的話，請看下圖中標出的那一步。

　　這步棋是此次比賽第3盤的第148手。3月12日那天，這一子落到棋盤上，網絡實時轉播間裡，復旦出身的講解員立刻用了“藐視”這個詞。

　　當時的形勢，是李世石在局面落後的逼迫下放出“勝負手”，在棋盤下方的白棋大陣裡“翻江倒海般折騰”。李世石挑起的激烈劫爭在證偽“不打劫密約”謠傳的同時，把棋局推到了風口浪尖。以筆者粗淺的圍棋水平判斷，這個大劫的價值不少於80目，可謂一劫定勝負。就在大劫迫在眉睫，幾近炮火紛飛的時刻，阿爾法狗卻悠悠然飄到棋盤上方，下了一步價值不小(考慮到後面可能的演變，大致是在25~40目之間)但是怎麼說也不在“戰線”上的棋。“人工智能”的這個選擇理性嗎？可以是，但有一個條件：那就是下出這一手的人(或者計算機)認定下方的大劫即便讓對方多走一步照樣是鐵定打贏。而且，你必須對自己的計算力信心滿滿，對於算定了所有的可能沒有絲毫的懷疑，堅定地相信計算和判斷沒有一丁點的錯漏。既然這是一個反正贏定了的賭注，騰出手來順個大官子級別的便宜，也就是符合邏輯的選擇了。這樣一個理性選擇的邏輯，倘若對面坐著個業餘選手，自然是許多棋手都敢用的；但當對面坐著的是李世石，還有多少棋手敢用80目以上的決定勝負的大劫去賭？可是阿爾法狗就敢！而且實戰下來，在局部“讓先”了一步，平淡從容應對無誤的阿爾法狗依然穩健地掌控全局，將李世石竭盡全力的瘋狂反撲一一化解。雙方戰至176手，李世石再也無力反擊，投子認輸。圍棋的世界裡，恰如其分，如此一手棋就是12段高手對9段的絲毫不帶遮掩的藐視。或者，用喜歡武俠的朋友熟悉的方式再類比一下：記得黑木崖上東方不敗就憑一根繡花針，一邊挑開寶劍震飛長鞭，一邊好整以暇地稱贊“好劍法，好劍法”那一幕嗎？就是跟那差不多，區別嘛就是這回東方不敗贏了。

　　“可以一戰”的“大局觀”計算機學得會嗎？

　　隨著棋局的推進，從開戰之前的不屑一顧到“機器人接管世界”的一片恐慌，歷史上多次出現的人類面對陌生事物的本能表現再次浮出水面。

　　然則，對於了解神經元網絡等等“人工智能”是怎麼一回事的人來說，計算機下圍棋從“業餘選手讓

　　14子”到能夠

　　PK一位世界冠軍的歷程，在更大程度上，是一個資源整合路徑設計的傑作。

　　在此，首先要旗幟鮮明地把話說清楚：很多人理解的那個“人工智能”是根本不存在的。計算機計算，那個東西永遠不會思考。所謂人工智能，只不過是通過精心設計的模式路徑把計算機的計算功能組織起來，使其整合之後在特定領域的外在表現貌似有“智能”，而已。譬如，在每一步平均幾十個變化的國際象棋領域，使用棋局“評分”優化但今天看來仍是簡單暴力的“剪枝”路徑搜索，結合超級計算機“深藍”的高速運算，早在

　　1997年的番棋較量當中便已掀翻世界棋王卡斯帕羅夫。

　　然而在長達數十年的探索當中，機器下出的圍棋卻長期停留在“弱智”水平。雖然，早年的“姜昆在最角上下了一子，電腦長考之後認輸了”的笑話級早已過去，但直到幾年前，仍是即便業餘初段也能“一眼看出是機器下的棋”。問題出在哪裡呢？

　　就在圍棋牽涉的計算量實在是太大了。面對一張空盤，盡可海闊天空。國際象棋每步幾十個變化，總共走個幾十回合；而圍棋每手可以多達數百個變化，一盤棋很正常地下到二百多甚至三百手以上。再考慮每手棋下面同等數量級的變化與再變化，倘若暴力硬算，指數級上昇的計算量是無論如何吃不下來的

　　----外在表現就是計算機不停地長考長考長考，就是不落子。

　　人腦的計算力遠不如電腦，但卻並不耽誤下圍棋。這是因為棋手會根據經驗、判斷乃至個人喜好，把絕大多數“無用”的變化過濾出去，只對很小一部分變化進行計算，並從中篩選一個相對的最優解。要讓計算機學會下圍棋，就必須復制人類思維的這個過程。只是，九段高手布局時認為應當落在右上星位還是下方大場，或是戰斗中選擇在左邊轉換還是朝中央打入，憑著的往往就是“可以一戰”抑或“略佔便宜”的“感覺”

　　----高尚些就是“大局觀”。一些大局觀特別出眾的棋手，有時甚至計算環節都省了，照著“感覺良好”的那個點“啪”的就拍下去了。這個來無蹤去無影的頗有虛幻色彩的“感覺”，計算機幾十年也沒學會。

　　沒有至關重要的“感覺”，又無法承擔天文數字的計算量，計算機別無它法，只得依賴事先的程序設定，粗暴武斷地強行縮減搜索空間

　　----這裡的具體辦法千奇百怪，但本質上都是這麼回事

　　----計算量是控制住了，但代價可想而知：在一個受到人為限制，而且每每是無理的嚴重不靠譜限制下的空間裡優化，出來的不是現實世界裡的最優解不用說是常態了。

　　阿爾法

　　狗的革命性突破，就是找到了

　　“感覺”的路徑：神經元網絡深度學習。