2016年3月9日，AlphaGo戰(zhàn)勝圍棋世界冠軍韓國李世石，被成為世紀之戰(zhàn)。下面我們來了解下AlphaGo的前世今生。
alpha，希臘字母表的第一個字母；有第一個、開端、最初的含意。go，日本對圍棋的叫法，因為圍棋職業(yè)化和段位制都是從日本棋院發(fā)展而來。AlphaGo也就是第一個（智能）圍棋的意思。
阿爾法圍棋（AlphaGo）是一款圍棋人工智能程序，由位于英國倫敦的谷歌（Google）旗下DeepMind公司的戴維·西爾弗、艾佳·黃和戴密斯·哈薩比斯與他們的團隊開發(fā)，這個程序利用“價值網(wǎng)絡(luò)”去計算局面，用“策略網(wǎng)絡(luò)”去選擇下子。
在了解AlphaGo 之前，我們不妨來看看人工智能在這半個多世紀的時間里都有哪些值得回顧的瞬間。
人工智能的出現(xiàn)
看過《模仿游戲》這部電影的讀者，應該對劇中圖靈制造破譯德軍密碼機器的環(huán)節(jié)印象深刻。事實上，20 世紀 40 年代至 50 年代也是人工智能真正誕生的時間。在這段時間內(nèi)，數(shù)學、心理學、工程學、經(jīng)濟學、政治學等領(lǐng)域的科學家們開始探索制造人工大腦的可行性。
1950 年，著名的圖靈測試誕生，按照艾倫·圖靈的定義：如果一臺機器能夠與人類展開對話（通過電傳設(shè)備）而不能被辨別出其機器身份，那么稱這臺機器具有智能。同年，圖靈還預言了創(chuàng)造出具有真正智能的機器的可能性。
1951 年，西洋跳棋程序和國際象棋程序相繼誕生。經(jīng)過接近 10 年的發(fā)展后，國際象棋程序已經(jīng)可以挑戰(zhàn)具有相當水平的業(yè)余愛好者，而人工智能游戲也被當著衡量人工智能進展的標準之一。
1956年，在達特茅斯學院舉行的一次會議上，計算機科學家約翰·麥卡錫說服與會者接受“人工智能”一詞作為本領(lǐng)域的名稱。后來，這次會議也被大家看著是人工智能正式誕生的標志。
人工智能的第一次大發(fā)展
1956 年達特茅斯會議之后的十幾年是人工智能的黃金年代。在這段時間內(nèi)，計算機被用來解決代數(shù)應用題、證明幾何定理、學習和使用英語，這些成果在得到廣泛贊賞的同時也讓研究者們對開發(fā)出完全智能的機器信心倍增。當時，人工智能研究者們甚至認為：“二十年內(nèi)，機器將能完成人能做到的一切工作”、“在三到八年的時間里我們將得到一臺具有人類平均智能的機器”。
伴隨著初期的顯著成果和樂觀情緒的彌漫，在麻省理工、卡內(nèi)基梅隆大學、斯坦福大學、愛丁堡大學建立的人工智能項目都獲得了來自 ARPA（國防高等研究計劃署）等政府機構(gòu)的大筆資金。不過，這些投入?yún)s并沒有讓當時的樂觀預言得以實現(xiàn)。
人工智能的第一次低谷
由于人工智能研究者們對項目難度評估不足，這除了導致承諾無法兌現(xiàn)外，還讓人們當初的樂觀期望遭到嚴重打擊。到了 70 年代，人工智能開始遭遇批評，研究經(jīng)費也被轉(zhuǎn)移到那些目標明確的特定項目上。
在當時，由于計算機性能的瓶頸、計算復雜性的指數(shù)級增長、數(shù)據(jù)量缺失等問題，一些難題看上去好像完全找不到答案。比如像今天已經(jīng)比較常見的機器視覺功能在當時就不可能找到一個足夠大的數(shù)據(jù)庫來支撐程序去學習，機器無法吸收足夠的數(shù)據(jù)量自然也就談不上視覺方面的智能化。
項目的停滯不但讓批評者有機可乘——1973 年 lighthill 針對英國 AI 研究狀況的報告批評了 AI 在實現(xiàn)其“宏偉目標”上的完全失敗，也影響到了項目資金的流向。人工智能遭遇了 6 年左右的低谷。
人工智能的第二次大發(fā)展
小時候看電視時，不少節(jié)目都給我留下了“日本的機器人技術(shù)比中國先進”的印象，其實這并不是憑空發(fā)生的。1981年，日本經(jīng)濟產(chǎn)業(yè)省撥款八億五千萬美元支持第五代計算機項目，目標是制造出能夠與人對話、翻譯語言、解釋圖像，并且能像人一樣推理的機器。隨后，英國、美國也紛紛響應，開始向 AI 和信息技術(shù)領(lǐng)域的研究提供大量資金。
在這個階段，諸多公司開始采納一種名為“專家系統(tǒng)”的人工智能程序。這套系統(tǒng)可以簡單理解為“知識庫+推理機”，是一類具有專門知識和經(jīng)驗的計算機智能程序系統(tǒng)，“知識處理”隨之也成為了主流 AI 研究的焦點。
1980 年，卡內(nèi)基·梅隆大學為數(shù)字設(shè)備公司設(shè)計了一個名為 XCON 的專家系統(tǒng)，這套系統(tǒng)在 1986 年之前能為公司每年節(jié)省四千萬美元。有了商業(yè)模式，相關(guān)產(chǎn)業(yè)自然應運而生，比如 Symbolics、lisp Machines 等硬件公司和 IntelliCorp、Aion 等軟件公司。這個時期，僅專家系統(tǒng)產(chǎn)業(yè)的價值就有 5 億美元。
人工智能的第二次低谷
好景不長，持續(xù) 7 年左右的人工智能繁榮很快就接近了尾聲。到 1987 年時，蘋果和 IBM 生產(chǎn)的臺式機性能都超過了 Symbolics 等廠商生產(chǎn)的通用型計算機，專家系統(tǒng)自然風光不再。
到 80 年代晚期，DARPA 的新任領(lǐng)導認為人工智能并不是“下一個浪潮”；1991 年，人們發(fā)現(xiàn)日本人設(shè)定的“第五代工程”也沒能實現(xiàn)。這些事實情況讓人們從對“專家系統(tǒng)”的狂熱追捧中一步步走向失望。人工智能研究再次遭遇經(jīng)費危機。
人工智能最近的一個階段：從 1993 年到現(xiàn)在
現(xiàn)在大家談到人工智能、機器學習時，往往會說這并不是一個新概念，在上世紀 90 年代就有了。事實上，這只是人工智能發(fā)展史上離大家最近的一個階段。
深藍機組之一
在這個階段，人工智能其實取得了一些里程碑似的成果。比如在 1997 年，IBM 的深藍（
它是一臺超級國際象棋電腦，重1270公斤，有32個大腦(微處理器)，每秒鐘可以計算2億步，被輸入了一百多年來優(yōu)秀棋手的對局兩百多萬局。）戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫；2009 年，洛桑聯(lián)邦理工學院發(fā)起的藍腦計劃聲稱已經(jīng)成功地模擬了部分鼠腦；以及即將到來的 AlphaGo 圍棋大戰(zhàn)。
最近這幾年，機器學習、圖像識別這些人工智能技術(shù)更是被用到了普通人的實際生活中。我們可以在 Google Photos 中更快地找到包含貓貓狗狗的圖片，可以讓 Google Now 自動推送給我可能需要的信息，可以讓 Inbox 自動撰寫郵件回復。這背后都離不開人工智能研究者們的長久努力。
AlphaGo和以往任何一個人工智能程序最大的不同之處在于它擁有：深度學習能力。要知道學習能力和創(chuàng)造力是人類大腦最神奇的地方，如果將來某一天，人工智能學會了創(chuàng)造，那機器統(tǒng)治人類的時代估計就要來臨了。
AlphaGo程序原理
阿爾法圍棋（AlphaGo）是一款圍棋人工智能程序。這個程序利用“價值網(wǎng)絡(luò)”去計算局面，用“策略網(wǎng)絡(luò)”去選擇下子。
深度學習
阿爾法圍棋（AlphaGo）的主要工作原理是“深度學習”。“深度學習”是指多層的人工神經(jīng)網(wǎng)絡(luò)和訓練它的方法。一層神經(jīng)網(wǎng)絡(luò)會把大量矩陣數(shù)字作為輸入，通過非線性激活方法取權(quán)重，再產(chǎn)生另一個數(shù)據(jù)集合作為輸出。這就像生物神經(jīng)大腦的工作機理一樣，通過合適的矩陣數(shù)量，多層組織鏈接一起，形成神經(jīng)網(wǎng)絡(luò)“大腦”進行精準復雜的處理，就像人們識別物體標注圖片一樣。
兩個大腦
阿爾法圍棋（AlphaGo）是通過兩個不同神經(jīng)網(wǎng)絡(luò)“大腦”合作來改進下棋。這些大腦是多層神經(jīng)網(wǎng)絡(luò)跟那些Google圖片搜索引擎識別圖片在結(jié)構(gòu)上是相似的。它們從多層啟發(fā)式二維過濾器開始，去處理圍棋棋盤的定位，就像圖片分類器網(wǎng)絡(luò)處理圖片一樣。經(jīng)過過濾，
13 個完全連接的神經(jīng)網(wǎng)絡(luò)層產(chǎn)生對它們看到的局面判斷。這些層能夠做分類和邏輯推理。
這些網(wǎng)絡(luò)通過反復訓練來檢查結(jié)果，再去校對調(diào)整參數(shù)，去讓下次執(zhí)行更好。這個處理器有大量的隨機性元素，所以人們是不可能精確知道網(wǎng)絡(luò)是如何“思考”的，但更多的訓練后能讓它進化到更好。
為何說這是世紀之戰(zhàn)？
過去20多年來，科技家們一直在試著教會電腦下棋，在1997年，IBM的深藍曾經(jīng)打敗了國際象棋的世界冠軍Garry Kasparov，這成為了人工智能的一座里程碑事件。但是，圍棋比國際象棋還是要復雜得多，國際象棋中，平均每回合有35種可能，一盤棋可以有80回合；相比之下，圍棋每回合有250種可能，一盤棋可以長達150回合。
在過去很長時間里，最好的計算機連厲害點的業(yè)余圍棋棋手都下不過。“圍棋有可能是人類玩的最復雜的棋盤類游戲。”Hassabis 說，“但是阿爾法Go還是贏了，它比我們預料的還要強大。”
“阿爾法Go自己學會了很多規(guī)律和走法。圍棋被認為是人工智能研究的頂峰，是圣杯。對我們來說，這是難以抗拒的挑戰(zhàn)。”
在下國際象棋的時候，計算機可以分析出每一個可能的步驟，從而進行最優(yōu)選擇，但是，圍棋可能的步驟是國際象棋的10倍之多。這也正是圍棋人工智能的難點所在。
David Silver是這項研究的第一作者，在他看來，阿爾法Go的關(guān)鍵不在于簡單粗暴的計算出可能步驟，而是近似于人類的“想象力”。這背后是名為一項名為“深度學習”的大殺器，它讓計算機不再是簡單地使用計算能力來統(tǒng)計所有數(shù)據(jù)，而是像人類一樣，訓練，然后學習。Silver說，計算機“下圍棋需要的極復雜的直覺機制，這種機制以前我們認為只可能存在于人類大腦中。”
不僅僅比人類、比起其他機器人同類，阿爾法Go也更加強大。它和其他人工智能下了500場圍棋，只輸了1場，甚至在給對手讓子的情況下，它也照贏不誤。而Silver說，它比其他人工智能更先進的地方，就在于可以自我學習。而且，這種機制不僅僅可以用在圍棋學習中，阿爾法Go還可以用來解決很多現(xiàn)實問題，比如處理氣候模型等。
“阿爾法狗”與李世石的對弈，標志著人工智能一個里程碑式的進步，也似乎在預示著我們?nèi)斯ぶ悄苋〈祟惢蛟S就在不遠的未來。下面3場對弈，我們試目以待。
