計算機戰勝人類再等100年 圍棋變化多過宇宙原子

?

圍棋變化無窮

　　Google DeepMind 實驗室的 AlphaGo 把歐洲圍棋冠軍樊麾干翻了，這條新聞都看過了吧，這里咱聊點兒不太一樣的東西。

　　首先，要說說圍棋是個什么游戲。規則很簡單，一人拿黑子一人拿白子，在棋盤 361 個交叉點上輪流下子，落子不得移動。一個點周圍的四個點都是“氣”，子周圍沒氣就死了，死棋則被拿走。在棋盤 361 個點下滿后，數數誰地盤大，誰就贏了。可以說，圍棋是一個“圈地游戲”。

　　最簡單的規則，最復雜的變化。

　　為什么這么重要呢？因為是機器第一次在這項競技游戲上勝過人類。雖然 1997 年超級計算機“深藍”戰勝了國際象棋世界冠軍卡斯帕羅夫，但圍棋一直被認為是人工智能難以攻克的題目。

　　2013 年，日本電圣戰上，電腦圍棋 CrazyStone 打敗了石田芳夫九段（石田讓四子）。石田賽后評論 CrazyStone：“大約與業余六段水平相當……天才啊！”這次比賽算是電腦圍棋的一次小突破，但由于有讓子，算不上是真正的勝利。

　　在“通關”國際象棋之后，圍棋不可避免地成為了人工智能科學家要攀登的下一座山峰。不過許多媒體以及職業選手對此并不太在意，認為計算機擊敗人類圍棋手幾乎是不可能的任務。許多媒體都曾發出如是論斷：

　　計算機要在圍棋上戰勝人類，再等100年吧！

　　接下來要說點復雜的東西

　　圍棋到底復雜在哪里？

　　參照維基百科上“游戲復雜度”詞條，可以通過兩種方式衡量棋類游戲的復雜性，一是狀態空間復雜度，二是博弈樹復雜度。

　　狀態空間復雜度：圍棋是 10 的 172 次方，中國象棋、國際象棋分別是 10 的 48 次方、46 次方。

　　博弈樹復雜度：圍棋是 10 的 300 次方，中國象棋、國際象棋分別是 10 的 150 次方、10 的 123 次方。

　　不多花篇幅解釋兩個名詞的內涵，光看數字大小就知道圍棋的變數遠遠多于象棋，但這還不足以說明圍棋的復雜性。Facebook 智能圍棋負責人田淵棟在知乎上有此一說：

　　單單拿游戲的狀態個數去比較它們的難度是不準確的。有很多狀態空間廣闊但是易解的例子。讓計算機投籃，出手的方向，速度，籃球的旋轉，每個變量都是連續因而有無限可能，但是計算機試幾次之后很快就能找到最優解……

　　圍棋難的地方在于它的估值函數非常不平滑，差一個子盤面就可能天翻地覆，同時狀態空間大，也沒有全局的結構。這兩點加起來，迫使目前計算機只能用窮舉法并且因此進展緩慢。

　　圍棋本已復雜，計算機更是要將圍棋轉化為 0、1，再窮舉出所有可能的狀態，最后進行決策——這項工作極為繁重。本次機器勝利意味著人們為這項工作找到了一個相對簡單的解決方案，但仍說不上是質的突破。據愛范兒 CTO 何世友介紹，人工智能可以在三種情況下完爆人類棋手：

　　計算機性能無限強大，窮舉之；

　　計算機窮舉效率提高，高效窮舉之（如神經網絡）；

　　新型計算機出現（如量子計算機）。

　　目前 Google 的 AlphaGo 正處在第二階段。另外世友還指出，不必過分解讀這次勝利——

　　人類處理 123+321=444 只需要三次運算，而計算機 CPU 需要進行上百次運算才能得出同樣的結果。現在人工智能戰勝了人類棋手，是策略優化和硬件運算速度提高共同作用的結果，換句話說，是人類戰勝了人類。與其惶惶論機器將征服人類，不如說得益于計算機的幫助，人類的諸多智慧能夠更快得到驗證，這對人類文明進步的提速將不可估量。20 世紀中葉以來，在計算機的幫助下數學家們解決了三大數學猜想之一的四色問題以及克卜勒猜想，這便是最好的佐證。

　　深度學習只是機器學習領域的一個分支。有趣的是，從近年機器學習領域的發展來看，似乎深度學習已經統治了這個領域。這是一瓶好的萬精油。有意入機器學習坑的同學們趕快上，不要放過它。