AlphaGo与李世乭对弈教我们的事

了解围棋

围棋的计算复杂度太高，人脑与计算机对它都无法完全掌握，都必须找到好的解题策略来简化问题至自身运算能力能够负荷的范围。AlphaGo 发现的新策略让我们获得了一个重新了解围棋的机会。

在三月十二日第三局结束、AlphaGo 以 3:0 的成绩确定赢得这场总共五局的比赛后，负责实时解说的 Michael Redmond 九段在记者会上有一段非常精采的评论：

「围棋在历史上经历了多次新发现。在古代日本，本因坊道策的全新布局理论改变了人们下棋的方式。上个世纪，吴清源再次完全改变人们下棋的方式。如果棋士受到 AlphaGo 的启发与协助、开始研究新的布局方式，或许我们会看到第三次布局革命。」

了解智慧

智慧极其复杂。心理学、神经科学与生命科学藉由研究既有的智慧系统试着了解它们如何运作。人工智能藉由建造有智慧的系统来试着了解智慧。语言学与哲学则在结构与抽象的层次尝式探索智慧的本质。

人工智能如何能够协助我们了解人类智慧，如果两者看起来并不一样？人类的知识其实经常在意外的来源获得启发。例如飞行。自古以来人类都在试图藉由研究鸟类了解飞行，却长期没有进展。直到最近一百年开始藉由建造飞机研究飞行，飞行知识才开始快速累积。当人们再回去研究鸟类，却惊讶地发现两者的飞行原理完全一样：都必须平衡推力、阻力、升力与重力。不仅如此，还有更多新发现。例如以前认为鸟类藉由向下拍动翅膀产生升力，事实上是藉由翼尖旋转产生类似螺旋桨的推力，进而产生升力。

除了飞机与鸟类，还有计算机与认知。因为计算机的出现，心理学家开始了解认知也是一种算法与资料结构（历程与表征）。而之后认知心理学与人工智能对彼此的发展也持续提供了有帮助的线索。」

解题能力以外，AlphaGo 的表现也再次提醒我们智慧的终极问题：意识。当有一天人工智能足够复杂时，是否会产生意识？

了解GPU

AlphaGo由Google在2014年收购的英国人工智能公司DeepMind开发，开发成员大约有15到20人，它使用了巨大的计算资源。其程序综合了神经网络和蒙特卡罗树搜索，被训练能监督式学习和自对弈。

然而硬件在AlphaGo的性能表现上扮演了关键角色。和大多数先进神经网络一样，DeepMind系统使用的机器也配备了图形处理器（GPU）。这些芯片最初是用来为游戏和其它对图形敏感的程序处理图像的，但研究人员发现，GPU也很适合用来开展深度学习。哈萨比斯表示，只需要用一台装配了大量GPU芯片的计算机，DeepMind就能够运行得很好。

以华硕ESC8000G3系统为例，可以支持八个 GPU卡，具备高扩展性，兼容于多种扩展卡，特别支持英特尔® 至强 Phi™ 系列、NVIDIA Tesla 系列，以及AMD FirePro S 系列GPU 加速器，极大地提供超高密度并行运算能力。目前华硕与吉浦迅科技合作，推出针对深度学习解决方案，在ASUS ESC8000G3上预装DIGIT深度学习系统，包含Ubuntu 14.04 、 Caffe、Torch、Theano, BIDMach, cuDNN v2, 和 CUDA 7.0，用户开机即可利用web界面交互式的GPU深度学习训练系统，并行管理多个DNNs训练，实现DNN拓扑架构可视化，并实时监控训练过程。

（本文有摘录蔡志浩老师观点）