圍棋，曾經一度被視為智力游戲的“最后堡壘”。即便當“深藍”擊敗卡斯帕羅夫后，圍棋也憑借自身千變萬化的變局，讓無數人工智能“棋手”望而卻步，讓無數人工智能研究者捶胸頓足。但技術的發展，從來就沒規定過只能勻速發展。

隨著技術上的突破，被俗稱為“阿法狗”的人工智能棋手AlphaGo及其后續升級版本，成功征服了圍棋游戲。

AlphaGo的出現讓圍棋走向了人工智能的時代|Wikipedia public domain

是什么讓它成為“圍棋之神”呢？

人工智能在20世紀后半葉誕生以后，主流發展方向一直是高度適于處理特定問題的“專家系統”。而在上個世紀60年代開始，神經科學也迎來了大發展。尤其是大衛·休伯爾（David Hubel）與托斯坦·維瑟爾（Torsten Wiesel），他們對哺乳動物視覺皮層信息處理通路的研究，在相當程度上啟發了人工智能學者。我們耳熟能詳的“神經網絡”一詞，作為一種人工智能設計方案，就此誕生。

神經網絡作為一種人工智能設計方案，已經誕生｜Pixabay

這種一定程度上模仿大腦內部“天然神經網絡”的“人工神經網絡”算法，同樣把運算結構劃分為一個個“神經元”。其中，“前排”神經元負責接收并處理加工外界輸入的信息，然后再將結果交由“后排”神經元進行整合并輸出結果。

不過，在上個世紀80-90年代的計算機浪潮中，率先嶄露頭角的人工智能方案卻并不是神經網絡。當時的研究人員開發了一類算法，模仿人類在解決謎題或進行邏輯推理時使用的“逐步推理”。這類算法，通過層層設置選擇條件，來根據現有局面構建盡可能全面的發散狀選擇樹，并在運算能力和反應時間允許的極限內，盡可能檢索出已知范圍內的最優解。

顯然，相比于死板地依照預設代碼執行“如果……那么……”式命令的傳統計算機程序，這種能夠主動進行逐步推理算法，在處理不確定性問題或面對信息不完整局面時，會有更靈活的反應。在國際象棋領域終結人類統治的“深藍”，其基本運行原理就是基于這類算法。在與人類對弈時，“深藍”會基于已經學習的海量對局，為當前局面進行分析，快速檢索出各種主要選擇，然后在有限的時間中內盡快挑選出最優解，作為下一手打出。

簡而言之，“深藍”最核心的部分，就是一個“局面”檢索算法。

當然，這種人工智能有一個明顯的弱點，就是當它們面對足夠復雜的大型推理問題時，會遭遇名為“組合爆炸”的嘆息之墻，找出最優解的速度急速下跌。

因此，可以在國際象棋贏下人類頂級大師的“深藍”，并不適合應付圍棋這樣變局數量近乎無窮的思維游戲。這也是演化賦予人腦智能的特點——追求效率，但不求盡善盡美。

此時，經過進一步演化的神經網絡算法開始重出江湖。經過“超進化”的新一代神經網絡，在原本只有輸入和輸出兩層的神經元結構中間，塞進去了大量名為“隱層”的神經元。這一模仿人類神經網絡逐層加工信息的“三明治”設計，極大增強了神經網絡算法的信息處理能力。位于輸入層與輸出層中間的“隱層”神經元，可以將輸入信息進一步加工——“卷積神經網絡”中的“卷積”一詞，就是在數學上描述這種“信息疊加”。

簡而言之，隱層神經元就像人腦中那些處理輸入信息的生物神經元，可以根據各自不同的“偏好”（數學上表述就是“卷積核”）來對輸入信息進行過濾和加工。如此一來，神經網絡對輸入信息關鍵特征的抽取和整合能力得到了空前的增強。

此外，研究者還把生物神經元之間隨著共同激活而加強連接強度的“設定”，也帶入到人工神經網絡的虛擬神經元中。神經網絡算法，因此擁有了近似人腦的學習適應能力，可以通過不斷比對不同輸出結果的成績，自動對內部的運算結構進行優化。以至于如今的程序員，已經不敢再說自己“編寫”神經網絡，而只能說“訓練”它們。

而阿法狗，在橫掃棋壇之后，開始了下一輪演化。

經過一輪又一輪的算法優化，完全不接觸人類對局、“從零開始學圍棋”的AlphaGo Zero，又“卷”出了全新的高度：它只用了3天的訓練時間，就將自己的“前輩”AlphaGo Master斬于馬下。這就是“弱”人工智能的力量。

當然，阿法狗依然有著“專家系統”的通病——不擅長處理任務之外的輸入信息，也不擅長面對充滿“噪音”的非標準環境。對于阿法狗來說，圍棋那個64*64的棋盤是一個簡單純粹、黑白分明、便于理解的世界，而紛繁復雜的現實世界，則是一片完全在它認知能力之外的滾滾紅塵。更何況，和所有的弱人工智能一樣，如果沒有人類預先設定游戲規則和勝敗目標，并給出指令讓它學習，阿法狗也根本不會對這種興起于周朝的古老中國游戲有任何反應。

就復雜程度而言，圍棋要遠遠大于國際象棋｜Pixabay

但是AlphaGo的出名所帶來的關注度，切實推動了更多的研究與資源向人工智能領域傾斜。而數字經濟的發展，離不開新一代信息技術的支持，人工智能技術就是數字經濟領域相關技術中的中堅力量。

根據科技部于2019年印發的《國家新一代人工智能創新發展試驗區建設工作指引》顯示，到2023年，我國將布局建設20個左右的人工智能創新發展試驗區，打造一批具有重大引領帶動作用的人工智能創新高地。

人工智能技術提高了各行各業對于數字信息的敏感度與反饋效率，有利于產業結構的調整與產業的智能化轉型，也有利于推動整個產業生態體系的智能化轉型。數字經濟時代的到來對于人工智能的發展而言，即是一個機遇，也是一場挑戰。我們所能做的，就是充分挖掘人工智能技術對于數字經濟的牽引作用，切實促進社會的發展。

參考文獻

[1] Chen J X . The Evolution of Computing: AlphaGo[J]. Computing in Science & Engineering, 2016, 18(4):4-7.

[2] Granter S R , Beck A H , Papke D J . AlphaGo, Deep Learning, and the Future of the Human Microscopist[J]. Archives of Pathology & Laboratory Medicine, 2017, 141(5):619.

[3] 焦李成. 神經網絡系統理論[M]. 西安電子科技大學出版社, 1990.

[4] Martin T. Hagan, Howard B. Demuth. 神經網絡設計[M]. 機械工業出版社, 2002.

[5] Heinz K K . Application of neural networks[J]. ence & Public Policy, 1995(3):3.

[6] Hsu H . Deep Blue[J]. Artificial Intelligence, 2002.

作者：張雨晨

編輯：韓越揚

排版：洗碗