如果阿尔法狗教人类下棋，会比人类围棋师傅要厉害么？ 第1页

我看好阿尔法狗大师，尽管它已经退役了。

——一、围棋里，独孤求败——

在最开始，我们首先要打破一种幻想，就是用穷举法来应对围棋。 过去无数机器计算已经证实了不可行。由于围棋本身的变数实在是太多，几乎无法暴力穷举。

（围棋的复杂程度） 只有通过对围棋进行深入研究，按照一定的算法才可以实现对人类的逆袭，所以，这也是为什么人工智能会选择围棋来作为突破口和实验对象。 那么阿尔法狗有哪些优势呢？ 一、学习人类 人类最伟大的能力之一在于其思考。而思考，是人脑的特权，按照现有的认知，是依赖于神经网络。

（左侧是生物神经元，右侧是数学模型）

这是我们常见的对信息的处理错层 而对于大脑的信息处理可以简单地用一个示意图来模拟这个过程

一个两层神经网络：3个输入层，一个包含4个神经元的隐藏层和一个包含2个神经元的输出层。 通过对大脑的神经网络进行模拟，可以利用这种原理，来完成机器学习。 下面举个例子

这是一个深度学习的流程图。 信息输入是图片，当图片信息被摄入后，被传输到神经网络进行处理，然后输出结果来判断这是一辆小轿车，而非卡车或者自行车。 二、大量训练 围棋本身是一个需要大量训练的项目。 有个围棋名词叫“打谱”，就是按照已有的棋谱然后下出来。古今往来，弈者无数，留下了很多经典的棋谱，诸如《当湖十局》等这种千古名篇。 阿尔法狗至项目启动以来，设计团队就不断地给在程序中录入棋谱供其学习和训练，这些棋谱都是职业棋手们的棋谱，其中不乏那些经典之作。团队的围棋工程师黄士杰戏称为喂阿尔法狗“吃棋谱”。

（神经网络训练流水线和架构） 而阿尔法狗则在日夜不停地“吃棋谱”，而且由于是机器，真正做到了不知疲倦。 据报道，当阿尔法狗在2015年10月初次登台的时候，它已经“吃下了”3000万份棋谱，所以他以5:0横扫了欧洲围棋冠军樊麾。而随后阿尔法狗并没有停止学习，到了他对战韩国第一高手李世石的时候，他已经吃下了多达 1亿的棋谱。 要知道，一个人，从小开始训练，到最后训练过的棋谱连个零头都没有。 孟子曾说过，吾生也有涯，而知也无涯。以有涯随无涯，殆已！ 这句话，放在围棋里，可以说是很成立。对于一个可以无限快速学习的围棋机器人来说，人真是太有限了。 三、冷静的决策 人是社会性动物，人会有情感。所以即便强大如柯洁，依然在下棋中无法避免这一点，说道心无旁骛，那其实不可能的。在对战阿尔法狗的过程，柯洁也贡献了很多表情包，要知道这些表情包可不是下围棋所需要的。

然而，阿尔法狗却可以做到真正的心无旁骛，完全冷静的决策。 其下棋本质上是通过策略和估值两种网络的蒙特卡洛树算法来实现，唯一的目的就是选择胜率更高的走。

（阿尔法狗的蒙特卡洛树搜索示意图） 四、自我提高 阿尔法狗并非简单的一个机器工具，而是具有学习能力的机器，这一点和人类很像。 当阿尔法狗完成了上亿份棋谱训练后，和李世石比赛并取得了胜利。这之后，阿尔法狗已经处于独孤求败的过程，于是他以自己为师，自己和自己对弈。

（阿尔法狗的后期训练就像周伯通的左右互搏一样精彩） 阿尔法狗和自己进行了上百万次的高水平自我训练。在2017年年初以master身份亮相弈城的时候，很明显能够感觉到它的提升 甚至有人指出，进化后的阿尔法狗可能采取了DeepMind团队在2016年10月27发表在nature上的新技术differentiable neural computer (DNC)

（DNC架构赋予了神经网络一个可续写的外部存储器） 而在阿尔法狗宣布退役后，它为人类交出了50局自我训练的棋谱，对于这些棋谱，高手们的看法是这样子的： 世界冠军时越九段表示：“这些着法我以前从没见过，我认为这是来自于未来的棋谱！” 另一位世界冠军古力九段说：“AlphaGo自我训练的棋谱令人难以置信，我们可以从中学到很多东西”

通过上述四点，我们可以基本上看出，阿尔法狗在围棋界的无敌存在，而且阿尔法狗也给出了50局棋谱，进一步论证出他的实力，所以我认为，让阿尔法狗当老师，做指导，也许要比人类更合适。 虽然阿尔法狗已经退役，挥一挥衣袖，不带走一片云彩。 但是阿尔法狗却给我们带来了无限的冲击，它让我们第一次看到如此强大的机器学习能力。 更重要的是，它以无比强横的实力，为我们打开了一扇新的大门，那就是，机器学习领域的拓展。

———二、人工智能，不止于围棋———

年初3月，英特尔和知乎搞了一场关于人工智能的盐沙龙 「人工智能」盐沙龙：与英特尔专家和知乎大牛面对面 - 知乎专栏

在盐沙龙里，英特尔邀请了六位大咖一起来聊人工智能。 分别是大家熟悉的K神Kaiser，Naiyan Wang, 图森未来以及英特尔自己的三位专家蓝血人、小伊和汤炜伟。 这六位大咖以电影《西部世界》为引子，一起讨论了人工智能的问题，远到人机大战、无人驾驶的发展前景，近到人脸识别破案和鉴黄师等多方面作出了自己的看法。从大咖们的会谈里学习了很多东西。 事实上，在一些标准领域，人工智能大有可为。 ————智能医疗———— 医疗领域是一门和科技发展息息相关的学科。而目前医疗领域不少内容，其实可以期待用人工智能来辅助甚至替代。 ——影像学—— 医学影像学（Medical Imaging）是典型的科技带来的医学进步，可以说是一场医学革命。 在此之前，我们要不通过十分间接的手段比如望闻问切来对一个病人进行判断，而有了医学影像学，一切变得不一样。 通过借助一些媒介，诸如X射线、电磁场、超声波等，我们可以在非创伤或者微创伤的基础上，对人体内部的组织器官进行观察，然后诊断医师依据影像信息做出判断。

医学影像学的判断，有一套非常严格的标准，也形成了一门学科。 它可以说是很多疾病的最早也是最关键的一步，只有完成基本的确认后，才可以进行下一步的诊断和治疗。 然而，医疗影像判断十分依赖于严格训练和医生本身的经验。 据统计，一位经过严格训练且临床经验丰富的医生，在诊断一个病例时需查看约200张以上的CT扫描图片，诊断时间约在20分钟以上。这种高强度的诊断工作，不仅严重损耗医生的精力，也对病情诊断的时效性与精准度有着严重的影响。

人工智能的出现，使得我们有了一种新的思路。 既然医学影像十分依赖于标准训练和经验积累，而且存在相应的标准，那么，完全可以用机器学习来去替代这个过程。 给机器相应的教程，输入相应的标准，然后在给予足够训练，那么AI就可以成为影像诊断大师。 不仅可以大大的节约时间，而且由于机器本身的严格分析，可以最大程度避免人类观察不仔细导致的误诊。

比如阿里云推出的ET医疗大脑就是一个尝试，他们的开发的一个算法是针对一超声甲状腺结节智能诊断，依托阿里云计算平台及英特尔的技术支持，通过对超声影像进行深度学习，同时引入了旋转不变性等现代数学的概念，最终让这个系统变得越来越聪明。

（ET医疗大脑示意图） 这是该系统的一个诊断过程，在输入影像图片后，ET医疗大脑可以对图片进行处理，然后寻找出异常的内容，给出肿瘤良性和恶性的判断，极大的缩短了诊断时间，而且提高了诊断的准确率。 在实际检测中，其准确率可以稳定在85%以上，要知道，三甲超声科经验丰富的医生在对应的测试中，准确率也不过是65%-70%。 而其他一些企业也参与到了人工智能医疗这一新兴领域里，比如汇医慧影和清华大学海峡研究院大数据中心以及Intel联合成立医学影像大数据及人工智能创新实验室，其目标就是通过大数据的获取和人工智能学习来处理医疗影像诊断。

（HY和清华大学、intel搞得医学影像智能） 他们目前已经收集了数百万级别的医学影像。通过建立人体器官模型以及深度神经网络技术，实现了病灶的高识别度。 其宣称：

目前对于胸部X光的气胸、肺结核、肿块的自动诊断准确率已经达到90%。脑核磁肿瘤的自动识别率超过85%。胸部CT中肺结节的识别率超过85%。乳腺钼靶中钙化斑点以及肿块的识别率均超过90%

当然除了影像学，未来我们还可以期待他们在医学领域获得更多的进步，甚至我们可以期待智能医疗机器人的出现。 医疗机器人 通过集合成像系统、控制平台和机械臂系统，可以采取微创的办法进行复杂的外科手术，就像电影《普罗米修斯》里的智能医疗机器人一样，可以直接进行外科手术。

当然，除了医疗领域，其他很多领域都会成为人工智能的新领域，比如机器人领域

比如无人驾驶汽车

比如智能家居

虽然阿尔法狗已经退役，但是它这个世界的精彩将继续下去，未来，可以预期人工智能将取得越来越多的进展，获得更多的应用空间。 Attendre et espérer ! 参考 Gibney E. Google AI algorithm masters ancient game of Go[J]. Nature, 2016, 529(7587): 445 Silver D, Huang A, Maddison C J, et al. Mastering the game of Go with deep neural networks and tree search[J]. Nature, 2016, 529(7587): 484-489. Graves A, Wayne G, Reynolds M, et al. Hybrid computing using a neural network with dynamic external memory[J]. Nature, 2016, 538(7626): 471-476.

ps：在之前柯洁和阿尔法狗比赛的时候，有幸参加了 @云天外 和九段国手范廷钰的live

知乎 Live - 全新的实时问答，并且学习了不少围棋内容，感觉很有帮助。

在撰写本文阅读文献的过程中，也得到了云总的指导，拜谢。