谷歌人工智能AlphaGo围棋下九段棋手代表什么？

这两天有一个热闹的话题，就是谷歌公司推出的人工智能，名叫AlphaGo，与韩国九段棋手李世石下围棋，于3月9日及今天10日连胜两局。

自从当年IBM的深蓝在国际象棋上下胜了国际象棋的世界冠军后，围棋因为运算量庞大，一直认为在是计算机难以挑战的领域，甚至有人认为这是人类最后的防线。

自从深度神经网络技术出现后， 人工智能领域得到了巨大的发展，大众普遍会发现近几年，无论是手写输入还是语音识别都有了巨大的提升。

深度神经网络的主要提升在于，它大大提高了对深层逻辑的提取，通过海量的数据训练，可以让其不断将更复杂的逻辑规则进行识别并抽象并提取出来，然后这个抽象的结果作为一种数据结构保存下来，可以用于辨别事物。

对于类似AlphaGo这样的系统，原理上是相通的，然而真正让其得到最大提高的部分在于，它可以自己与自己进行下棋，然后不断总结更优结果，于是便能不断进行优化。

在过去的神经网络系统中，面临一个问题就是，在识别数据的时候，很容易出现识别到一半，整个网络分布就散了，于是就识别不下去了，这方面要细说就要谈到深度学习方面了，这里先不谈这个。

简单来说，AlphaGo它在围棋上取得的成就，已经超过大部分棋手了，这意味着在围棋领域，专业的九段高手也有面前败下阵来的。

有很多人说，围棋以后也没有可玩的了，因为在机器面前，人已经无还手之力了，这个说法显然是不对的。

因为围棋的解集是很大的，能够构成的围棋局盘是一个天文 数字，AlphaGo目前所提取的围棋规则及下法，仍然是从棋谱学习，并进行自我不断演算，然而无论如何演算，它是不可能覆盖所有的可能，只是在一个局部 范围内寻找到了最优解。而这个局部范围的求解结果，极有可能在另一个角度上是错的，如果有足够多的局例对AlphaGo的下棋特点进行分析，那么人战胜 AlphaGo并不难，在一些微妙的识别上，人工智能算法会很难处理。

举例来说，如果是在字符识别上，如果你把一个“2”写得模糊一些，那 么对机器识别来说，它可能是“2”，也可能是“乙”，还有可能一个扭曲的“S”，亦或是其它的什么。如果有上下文的情况下，产生了会导致误导的模糊逻辑， 那么要它识别出来就会很困难了。虽然理论上机器也可以联系上下文进行处理，然而现实中却不那么容易，比如机器学习中，提供的数据通常需要要规范的格式，如 果是杂乱需要整理的内容，学习在对新内容的学习上会搞得一片混乱。

记得以前玩过下象棋的智能系统，如果是按步就班的下，难度还是很高的，然而如果走些明显很不合理的怪棋，往往系统自己就完蛋了，它们也会走一些莫名其妙的棋，像AlphaGo这样的系统虽然很强大了，然而必然也存在这样的问题，因为任何系统都一定是有BUG的，只是体现在哪里并不清楚。

另外，既然AlphaGo能够自我进行下棋博弈进行优化，那么就说明，人工智能在自己与自己下的时候，总有一方胜一方负，如果没有的话，便不可能进行优化了。

换而言之，战胜目前状态的AlphaGo解法是一定存在的，然而这些如何应用在下棋上，又如何才能战胜，只能等棋手们去思考了。

说到人工智能，AlphaGo的局限性在于，它目前实现的智能程度确实很高，然而却是体现在仅仅下棋这个方面，然而在其它方面要有优异表现，除非同时进行海量数据训练，否则是不可能完成的。

什么都能识别都并加以学习的人工智能，是通用人工智能，目前这样的系统还没有出现，AlphaGo同样称不上这方面好的开始，因为它的表现是在某一个专精方 面的深入，而不是其它方面。当然这个也是很有意义的，利用计算机这样的工具，可以让我们更好的学习研究一些深入的知识。

如果虚心一些，那么AlphaGo这种系统的数据训练方式，对我们现实的启示是什么？

AlphaGo的成功，是在于它学习了人类的上百万业余棋手的棋谱，并且通过自我不断对弈了近三千万局而不断提升，最后战胜了九段棋手。

然而任何一个九段棋手都不可能研究过上百万棋谱，也不可能进行过近三千万局的对弈，如果只给三万局三千局对弈让AlphaGo学习的话，定然是做不到这个地步的，基本下也不可能达到九段。

所以，想说人工智能已经全面超越人脑了，这个并不现实。

如果比喻的话，AlphaGo实际上，相当于一个刻苦学习的白痴，然而因为他实在太刻苦了，所以最终有令人瞩目的成就。

人类的学习能力无论是速度还是质量上，都目前远远强于计算机，这个是先天优势，所以如果抽象成人，这意味着如果一个人即使先天很一般的情况下，后天的刻苦努力也可以在某一领域获取很高的成就。

道家文化,道家祖师,道家思想,道家功法