IT思维

文/傅盛

没错，前段时间，我的微信公众号，正式更名为盛盛GO。

好多朋友留言说——是否为了向AlphaGO致敬？怎么理解，都成。总之，AlphaGO战胜了人类，我认为，这是一个标志性的里程碑事件。为什么呢？先科普一下。

围棋有多难，有句话叫千古无同局。你永远不可能走过相同的一盘棋，甚至每个地方都不一样。每一种可能都是一个分支数，然后每一个分支下面，还有无数个分支数。而且黑白之间，怎么判断哪个黑子比哪个白字强？这是一个非常复杂的策略。

几乎算是人族历史上最复杂的智力游戏。

当然，AlphaGO赢了。其实早在1997年，IBM投资的深蓝电脑也完胜了世界象棋冠军卡斯帕罗。两场比赛都是里程碑事件。但不同在于，深蓝计算能力为10的50次方，AlphaGO为10的170次方。

两个比赛整整差了120次方。

AlphaGO学习能力太强，短时间就能掌握围棋高手的棋路。更重要的是，AlphaGO的自我学习能力更强。它可以模拟左右手互搏，相当于两个AlphaGO对战。A胜则学A，B胜就学B。随机改变棋路，不断否定自己。

具体讲，AlphaGo采用了三大核心技术：策略网络(Policy Network)、 估值网络(Value Network)和蒙特卡罗树搜索（MonteCarlo Tree Search） 。

其中，策略网络负责落子选择。不做穷举计算，从几千种可能里面选出最好的几种或者几十种。将理论上存在的几百种可能的棋步，缩小到几种得分最高的可能。减少了计算宽度，不用去计算所有落子可能。

价值网络，则负责评估落子后的局面和最终胜负的概率关系，减少了计算深度。蒙特卡罗树搜索，则是采样越多，越近似最优解。它负责支撑两种网络的最优解搜索——尽量找最优解，不保证找到最优解。

通过以上三种技术顺利完成了整个AlphaGo强大自学习能力，以及与之匹配的强大计算能力和概率生成。

尽管如此，象棋和围棋的计算难度，仍不可等同于一个量级。象棋子数较少，每个子都有固定走法， 计算时可以遍历每种可能， 从而决定当前落子最优解。

但，围棋不行。有人对围棋和象棋的可能变化做过统计：象棋的变化是3.74×10^248，而围棋是1.73×10^686 。

对于围棋，若想做到像象棋一样遍历，运算量会大到目前机器无法承受。原来的方法不适用了。所以，要引入一套人类智能最新的研究成果——深度学习算法。

最近，我也深度学习了深度学习。我突然发现——深度学习是计算机历史上出现过最简单、最美丽的东西。我也可以去写一个以前，可能在我当程序员，无法完成的一些图象识别的基本算法结构。

它只需要通过像搭积木一样地搭建那些神经网络的组合，用数据灌入到网络，你就可以惊奇地等待它会发生什么。而等它发生后，你会发现，比人类几十年积累的很多算法的效果要好得多得多。

在图象识别领域，三年前还没有人认为，计算机能够通过各种算法完成对人类图象识别能力的超越。但深度学习引入后，计算机图像识别能力取得了飞速进展。新近研究的超级计算机Minwa，在一项备受关注的人工智能基准测试ImageNet取得了世界最好成绩，错误率仅为4.58%，超越了微软和谷歌。此前，世界最好记录4.82%由谷歌创造，同样实验，人眼辨识错误率大概为5.1%。

这意味着：今天开始，计算机对图象识别的能力开始超越人类了。而且这种识别，不会疲劳。

不仅如此，人工智能与深度学习会极大超出我们想象。比摩尔定律还要快地突破。这样的突破就可能会带来一次算法革命，甚至会使很多科技企业积累了很久的技术壁垒，荡然无存。

所有重复脑力劳动，都会被人工智能取代。人工智能将帮助人类从繁重的体力和脑力劳动中解放出来。

这是一个伟大的机会。我们不再需要每天重复进行一个已经进行过很多年的工作。

甚至，只要数据足够，电脑程序都可以产生情感。

在电影《黑客帝国》第三集开端，主角尼奥被困在火车站，碰到一个程序时，那个程序为了他的女儿（这也是生出的一个程序的小女儿）去不断地躲避大程序的追杀，想把她运到一个很安全的地方时，他说，我爱我的女儿。尼奥说，你是一个程序，怎么会知道爱呢？他说：“love is a word”。

我坚信，人和机器人共存的时代必将到来——Today is history。