和李世石下围棋的AlphaGo究竟是什么

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。

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。

</div>

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：

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，AlphaAlphaGo 还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蒙特卡洛 (Monte Carlo Tree Search 算法)。

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奕技，极有可能高于世界上任何已知的围棋高手。

当比赛已经开始了 40 分钟，双方各自消耗了大约 20 分钟时，棋局已经显示出李世石在棋盘的中间偏上位置开始了对 AlphaGo 的进攻，但 AlphaGo 没有退缩或新开战场。人类和 AlphaGo 对局感觉最不舒服的，就是 AlphaGo 看不出棋路。

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。

2014 年，这家公司曾经在其官网上写道： DeepMind 致力于用研究深度学习的方式去真正了解智慧 (solve intelligence) 。但对于 DeepMind 和 Google 来说，打造 AlphaGo 以及其他人工智能神经网络不是终点。

将机器学习和神经科学进行结合，打造出一种“一般用途的学习算法”。通过这种算法，DeepMind 和 Google 希望能够将智能“定型化”，理解智能是什么，进而更好的帮助人类理解大脑。DeepMind 联合创始人之一的 Demis Hassabis 曾经写道：

在 Google 收购 DeepMind 前，收购条款中的一项就是 Google 必须成立人工智能道德委员会。因此，在目前阶段人们不必担心这样的人工智能最终杀死或统治人类。但至少，人工智能在围棋这样的智力类竞技项目上击败人类，是已经注定的事情。

图片来源：DeepMind, 油Tube

</div>

来自： http://www.pingwest.com/why-is-alphago-so-great-and-what-is-deepmind-trying-to-achieve/