7
| 本文作者： 凌海濱 | 2016-03-09 09:38 |
按：本文作者為亮風臺首席科學家凌海濱。
近日來，國際頂級科學期刊《自然》（Nature）?[1]上關于電腦戰勝職業圍棋選手的報道引起了人們對人工智能的廣泛關注，這是歷史上電腦首次在公平競賽的條件下戰勝職業圍棋選手。即將到來的AlphaGo和李世石九段的大賽更多是讓人聯想起當年深藍和卡斯特羅夫的對奕。
那么，既然已經有了電腦戰勝國際象棋冠軍的先例，為什么在圍棋這個領域還會引起這么大的關注呢？其根本原因在于,從計算的角度來看，圍棋比國際象棋難的遠遠不止是一兩個數量級。象棋的棋盤上的位置只有圍棋的大約六分之一，這就決定了圍棋的計算復雜度（簡單說來就是可能出現的不同棋局的總數）遠超國際象棋，從目前人類實用中接觸的數字來看，幾乎是一個無窮大數。不太理解的朋友可以參考“一張紙如果能對折64次可以從地球伸到月球”的傳說。
換個角度來說，以目前計算機的能力而言，想窮舉搜索或者嘗試所有可能的棋局變化是完全不可能的。基于這個原因，雖然計算機已經在國際象棋領域戰勝了人類，計算機在圍棋上戰勝人類一直被認為是一個尚需時日的事情。包括學術界和圍棋界在內的大部分專業人士都沒有想到這么快計算機就可以和專業棋手一決高下了。
從目前的趨勢看，無論這次AlphaGo能否戰勝李世石，計算機戰勝國際頂尖圍棋選手只是早晚的事情。而這次舉世矚目的比賽其成敗具有的更多的是象征性的意義。
AlphaGo能夠匹敵或戰勝職業選手這一事實，對于人工智能乃至整個科技的發展，都是一個極為重要的標志和鼓舞。由此帶來的技術突破和信心必將進一步推動人工智能尤其是機器學習在很多領域的應用。事實上，除了DeepMind的AlphaGo以外，其他的一些研究組也在計算機圍棋方向取得了令人期待的進展，比如來自卡內基梅隆大學最近的工作?[2]。
不出大家的意外，這次使AlphaGo大放光彩的核心技術是近年來蒸蒸日上的深度學習技術。自2006年Hinton再度引爆深度神經網絡的熱潮之后，深度學習在十年間幾乎橫掃所有人工智能相關的領域，在語音和視覺等領域的眾多問題中頻頻取得突破性的進展。很多學者和工業界研發人員也從最初的謹慎懷疑態度轉向積極跟進，進而推動了深度學習在理論和實踐兩方面的迅猛發展。就亮風臺在增強現實領域的經驗而言，盡管深度學習在實用時還需要克服一些諸如實時性的挑戰，但我們亮風臺已經在一些實際應用中（比如大規模圖片識別和人臉分析）成功的使用了深度學習技術，并且期待在不久的將來會取得更好的結果和推廣。
下面就我個人的理解來對這次比賽下注。首先聲明，雖然我們在科研和應用上都在使用深度學習的技術（如今想不用都難啊），我本人對于深度學習研究有限，所以下面觀點僅僅是很主觀的個人觀點。總的來說，這次人機大賽，我覺得AlphaGo的勝率不高，感覺在30%以下。下面就幾個方面解釋一下我的理由。
一、AlphaGo之前戰勝的歐洲圍棋冠軍樊麾是職業二段，棋力和世界冠軍的九段李世石有很大的差距。
李世石本人認為“AlphaGo和我約差2子”?[4]，也是符合圍棋段位之間的基本差距的?[5]。這一觀點得到了棋界諸多當前頂尖棋手的認同，參見?[6]。當然，由于機器學習的強大學習能力，AlphaGo是有可能在這次比賽前的時間內得到棋力上的飛速提高，理論上是有可能進步到頂尖棋手的能力。但是，這種提高并不是能夠輕而易舉實現的，參加下面的解釋。
二、深度學習畢竟還是要學習的，而學習是要樣本和訓練的。
盡管AlghaGo可以很容易的獲取大量歷史上的棋局資料，但是李世石這樣的頂尖棋手的棋局資料還是有限的。更重要的是，計算機棋手和頂尖專業棋手的對局資料非常稀少。之前零星的幾次疑似AlphaGo和高手在弈城圍棋網上的比賽和即將進行的比賽差距還是太大，應該不足以彌補這個訓練樣本上的缺陷。
三、反過來從棋手的角度來看，頂尖的專業棋手對于機器棋手的行棋方式和漏洞可能更為敏感也有更強的應對方式。
比如，很多高手都指出了在AlphaGo-樊麾棋局中的一個明顯失誤?[6]（這個嘛，只有業余11級水平的我其實沒有看懂）,這樣的漏洞相信不會被李這樣的高手放過的。當然，人也有狀態不穩定和犯糊涂的時候，不過高手發生這種狀況的概率是很低的。
四、確實存在一種可能：AlphaGo可以通過頭一局或兩局迅速學習和調整。不過我個人感覺即使如此也不太容易達到擊敗李世石的水平，中間差距還是有些大，更多的樣本才會更可靠一些。一個參考是當年深藍和卡斯特羅夫的第一次比賽?[7]。
總結一下來說，基于深度學習的技術使得計算機戰勝專業棋手，雖然比大多數人預料的要早，并不是完全意外的。作為人工智能領域的從業者，我們應該更多的感到鼓舞，并期望從相應的技術泛化中汲取指引我們前進的知識和經驗，使我們能在具體的應用領域上不斷前進。
參考資料：
1. "Google AI algorithm masters ancient game of Go, Deep-learning software defeats human professional for first time." Elizabeth Gibney, Nature, 2016
2. "Better Computer Go Player with Neural Network and Long-term Prediction," Yuandong Tian and Yan Zhu, International Conference on Learning Representations (ICLR), 2016.
3. "Reducing the dimensionality of data with neural networks." Hinton, G. E. and Salakhutdinov, R. R., Science, 2006.
4. "Deep Blue versus Garry Kasparov," Wikipedia
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
