如果不对 AlphaGo 背后的神经网络系统稍作了解，你很容易以为 AlphaGo，在对局开始前跟李世石站在同一起跑线上。

作为一种人工智能的 AlphaGo，和 IBM 在上个世纪打败国际象棋大师卡斯帕罗夫的深蓝超级计算机，以及当代的苹果 Siri、Google Now 有着显著的区别。

围棋的可能性复杂度

要了解 AlphaGo，首先我们需要了解 AlphaGo 背后到底是一个什么东西。

它背后是一套神经网络系统，由 Google 2014 年收购的英国人工智能公司 DeepMind 开发。这个系统和深蓝不同，不是一台超级计算机，而是一个由许多个数据中心作为节点相连，每个节点内有着多台超级计算机的神经网络系统。就像人脑，是由 50-100 亿个神经元所组成的，这也是为什么这种机器学习架构被称为神经网络。

你可以将 AlphaGo 理解为《超验骇客》(Transcendence) 里约翰尼·德普饰演的人工智能，而它所控制的超级计算机，就像影片里被人工智能心控的人类一样，共同为一种蜂群思维 (Hive Mind) 服务。

AlphaGo 是在这个神经网络系统上，专为下围棋 (Go) 而开发出的一个实例。然而，虽然名字已经介绍了它的功能，AlphaGo 背后的神经网络系统却适合用于任何智力竞技类项目。

这个系统的基础名叫卷积神经网络 (Convolutional Neural Network, CNN) ，这是一种过去在大型图像处理上有着优秀表现的神经网络，经常被用于人工智能图像识别，比如 Google 的图片搜索、百度的识图功能都对卷积神经网络有所运用。这也解释了为什么 AlphaGo 是基于卷积神经网络的，毕竟围棋里胜利的原理是：

对弈双方在棋盘网格的交叉点上交替放置黑色和白色的棋子。落子完毕后，棋子不能移动。对弈過程中围地吃子，以所围“地”的大小决定胜负。

AlphaGo 背后的系统还借鉴了一种名为深度强化学习 (Deep Q-Learning, DQN) 的技巧。强化学习的灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。不仅如此，AlphaGo 借鉴了蒙特卡洛树搜索算法 (Monte Carlo Tree Search) ，在判断当前局面的效用函数 (value function) 和决定下一步的策略函数 (policy function) 上有着非常好的表现，远超过上一个能够和人类棋手旗鼓相当的围棋程序。

AlphaGo 所采用的 DQN 是一种具有广泛适应性的强化学习模型，说白了就是不用修改代码，你让它下围棋它能下围棋，你让它在红白机上玩超级玛丽和太空侵略者，它也不会手生。作为一个基于卷积神经网络、采用了强化学习模型的人工智能，AlphaGo 的学习能力很强，往往新上手一个项目，玩上几局就能获得比世界上最厉害的选手还强的实力。

2014 年，已经被 Google 收购的 DeepMind，用五款雅达利 (Atari) 游戏 Pong、打砖块、太空侵略者、海底救人、Beam Rider 分别测试了自己开发的人工智能的性能，结果发现：在两三盘游戏后，神经网络的操控能力已经远超世界上任何一位已知的游戏高手。

DeepMind 用同样的一套人工智能，不调整代码就去测试各种各样的智力竞技项目，取得了优异的战绩，足以证明今天坐在李世石面前的 AlphaGo ，拥有多强的学习能力。

在此之前，DeepMind 进行过的无数虚拟棋局训练，以及去年击败欧洲围棋冠军樊麾二段的经验让 AlphaGo 已经训练出了顶尖的弈技，极有可能高于世界上任何已知的围棋高手。

尽管棋盘上风云变化，早在本次开战前，AlphaGo 跟李世石就已不在同一起跑线上了。至于李世石曾经做出 AlphaGo 和自己棋份在二子和让先之间的评论，恐怕第一局足够让他反悔了。

AlphaGo 只是 DeepMind 证明自己的一个工具。你也可以将这次和李世石的对局理解为 Google 的公关策略。

转载请注明：北纬40° » 击败了李世石的AlphaGo究竟是什么？