人工智能为何拿围棋“开刀”？别的人工智能项目报道不多吗？

围棋与人工智能的结合是“天作之合”

【按】以本文回答部分网友的提问。问题如本文标题所示。

计算机技术的发展似乎与棋类游戏颇有缘分。1997年的“深蓝”与国际象棋结缘。2015-17年，以AlphaGo为代表的一系列人工智能与围棋结缘。有网友好奇：为什么DeepMind这个欧美人占多数的科技公司选择了围棋这样一个极具东方传统文化色彩的棋类游戏为平台，测试人工智能新技术呢？

围棋是信息完全公开的二维博弈游戏，赛果清晰，过程复杂。

赛果清晰，意味着容易判定最终效果。而过程复杂，我们可以这样想：虽然看上去只有19x19的方格棋盘，理论上共计361个交叉点可以落子，棋子分为黑白两色，但围棋的变化非常多，这个数量级大到高于宇宙所有的原子数。这就意味着，以现有的计算手段，想要通过“暴力计算”或“穷举法”来算尽围棋变化解决围棋问题，是不可能实现的。

DeepMind的创始人哈萨比斯是个天才科学家和国际象棋高手，他的理念是：要想解决围棋问题，算法先于数据，算法重于硬件。他相信，用他所感兴趣的“神经网络”可以让机器学会像人类一样下围棋，甚至比人类下得更好。

让我们来看看，人类棋手是怎样解决围棋问题的呢？感觉+计算！

AlphaGo具有了此前只有人类才有的“棋感”

所谓的“感觉”，就是棋感，觉得哪里好，哪里不好，模糊判断形势，这个虚的地方大概有多少价值，哪里宽处利益大，什么地方厚、薄，什么地方可能有棋。

而计算是在“感觉”筛选后，保留了若干种可能性，人类棋手用精确计算的方式进行验证，最终得出自己认为成功率最高的可行性方案。有趣的是，这种“成功率”多数时候仍然是一种“感觉”，除非已经算至某种必然性的结果，例如死活和目数。

在AlphaGo出现之前，研究计算机围棋的科学家普遍认为，让机器产生“棋感”是不太可能的，所以想了不少带有随机性的办法，例如“蒙特卡洛树搜索”，效果是有的。然而，当按这种算法设计的程序达到普通业余爱好者的棋力水平后，便很难再提升了，与人类的职业高手仍有巨大差距，——直到AlphaGo论文发表之前的几个月，中国围棋高手连笑还让6子与最强围棋程序交手不落下风呢。当时，很多研究者认为，再获突破的前提是硬件大发展。

AlphaGo的首席科学家大卫-席尔瓦

然而，当DeepMind的哈萨比斯和大卫-席尔瓦等科学家把深度神经网络的机器学习技术引入计算机围棋领域后，一切就不同了。2015年底，AlphaGo战胜了职业棋手樊麾，次年，战胜了顶尖高手李世石，又过了一年，远远超越人类棋手，至2017年底，无需人类围棋知识、只从基本规则出发的AlphaZero战胜了此前所有版本的AlphaGo，棋力无限接近“围棋之神”（柯洁的评价），而且这个AlphaZero还能下其他棋类，同样水平远超人类。而训练这样一款人工智能，只需要不到40天。

在这一研发过程中，AlphaGo展现了四个突破性的成果：（1）有了“感觉”和模糊判断能力，棋手们普遍评价，下棋很有“人味”；（2）具有创造力，即便是以人类的知识库为基础，也可以最终达到“能人所不能，想人所未想”的程度；（3）具有相当的通用性；（4）人类的知识库不是必需的。

人工智能领域的经典项目很多，报道也并不少，比如自动驾驶

尽管现在的人工智能还与“强人工智能”和绝对意义上的“通用人工智能”相距甚远，但通过AlphaGo已经看到了今后的美好未来和巨大潜力。这个影响力是深远的，否则也不会两登《Nature》，还做过封面文章，成为人工智能领域人人皆知的大事件。

至于其他人工智能项目，其实报道的也不少，有些网友可能没意识到“噢，原来这就是人工智能”啊。比如自动驾驶（几乎每个大的汽车公司都会展开这方面的研发），人脸识别（用在iPhone X上的就是，但不止如此）、自然语言识别（机器翻译）等，这些是已经取得较大进展。另外，将人工智能用于医疗健康是DeepMind正在做的，也是其他很多团队的研究热点。

应用越来越广泛的人脸识别也属于“人工智能”