从AlphaGO到现在的Master，人工智能AI不一定是无敌的2008年3月9日在

很多朋友对从AlphaGO到现在的Master，人工智能AI不一定是无敌的2008年3月9日在不是很了解，每日小编刚好整理了这方面的知识，今天就来带大家一探究竟。

2016可能会成为写在人类历史上的一天。谷歌AlphaGo与李世石的五天大战始于——年。一场世界最佳棋手与人工智能的超级博弈，通过网络直播被全人类观看。

赛前就有很多围棋界和科学界的人对比赛进行了预测。谷歌对自己研发的机器人很有信心，声称根据计算机计算的结果，李世石击败“阿尔法狗”的概率为零。不过大部分围棋手都是站在李世石这边的。中国棋手聂卫平认为李世石不可能输。

简单来说，谷歌AlphaGo是什么？作为一种人工智能，AlphaGo与上世纪IBM打败国际象棋大师卡斯帕罗夫的深蓝超级计算机，以及同时代的苹果Siri和Google Now有着显著的不同。要解读AlphaGo，我们首先要知道AlphaGo的背后是什么。事实上，谷歌AlphaGo的背后是谷歌2014年收购的英国人工智能公司DeepMind开发的神经网络系统。

与深蓝不同，这个系统不是超级计算机，而是由许多数据中心作为节点连接起来的神经网络系统，每个节点中有许多超级计算机。就像人脑一样，由50-100亿个神经元组成，这也是为什么这种机器学习架构被称为神经网络。

AlphaGo就是专门为在这个神经网络系统上下围棋而开发的例子。不过虽然名字已经介绍了它的功能，但是AlphaGo背后的神经网络系统适用于任何智力竞赛项目。其实“大师”的棋手是AlphaGo的升级版。

1月5日，谷歌DeepMind开发的AI在围棋棋盘上击败韩国世界冠军后回归。2016年12月29日至2017年1月4日，谷歌AlphaGo升级版命名为Master，在翼城Weiqi.com与野湖Weiqi.com的快棋比赛中，以60:0压倒性战绩战胜最高水平棋手，再次以围棋AI实力震撼人心。

5日早些时候，谷歌DeepMind创始人戴密斯哈萨比斯在推特上发布消息，证实升级版AlphaGo与真人在线对决。

哈萨比斯写道：“在过去的几天里，我们在网上玩了一些非正式的围棋游戏，游戏是以快棋的形式进行的.我们的目的只是想看看这个系统是否像预期的那样好。”他还说：“感谢和我们一起在宜城围棋和野狐围棋比赛的选手们。我们的账号是Magister(P)和Master(P)，也要感谢观看比赛的人。”

之前很多人都在想围棋高手是谁。每个人都不确定。有人怀疑是电脑。中国棋手古力悬赏10万元寻找能击败“大师”的棋手。DeepMind发布的消息显示，非正式测试可能已经结束，今年晚些时候，AlphaGo将参加一些正式比赛。

一直以来，我们都在努力改进AlphaGo。这几天我们以快棋的形式进行了一些非正式的线上比赛。新开发的原型系统参加了比赛，线上对抗只是为了检验系统是否有预期的那么好。感谢和我们一起在翼城围棋和野狐围棋比赛的选手们。我们的账号是Magister(P)和Master(P)，也要感谢观看比赛的人。

新版AlphaGo在比赛中做出了一些有创意的漂亮的棋步，我们和围棋界都从中受益匪浅。我们对此感到非常兴奋，结果令人满意。大家都在谈人工智能：AI在围棋界没有对手，但并不证明在其他领域也是一样。

在与AlphaGo对弈后，棋手古力发帖称：“人类与AI的合作将很快揭示围棋的深层秘密。”现在我们的非正式测试已经结束，今年我们准备与围棋机构和专家合作，举办一场正式完整的比赛，进一步探索围棋的秘密，让人类和AI相互启发，共同进步。我们将很快宣布更多消息。

Master目前一局未输，是不是代表人工智能在围棋界已再无对手？第四范式CEO戴文渊认为基本已成定局。戴文渊称，机器学习的能力太强了，它是勤奋好学的不知疲倦的小孩，没有人能维持这样的强度，所以人类和机器的差距会越来越大。现在想赢机器，需要顶尖高手戳中机器盲点这样的黑天鹅事件才有可能。

对于Master是否是AlphaGo这个问题，戴文渊称这个已经不重要了。因为AlphaGo本身的技术已没有什么秘密可言，只要有足够的计算资源，然后按照AlphaGo的方式去训练一个下围棋的程序，最终都能实现这样的高水平。戴文渊称，技术其实不需要有特别大的突破，只需要按照原来的方式多训练一段时间，就会比原来的AlphaGo更强。

不过，虽然从技术上来说其它公司实现Master是可能的，但从成本上考虑，应该不可能是个小公司，因为计算成本还是蛮高的。

对于Master在围棋界大杀四方的举动，出门问问CEO李志飞称，我不知道（Master）是不是AlphoGo，但坚信所有的Artificial Games（人工游戏）最终机器都会大胜人类。AlphoGo是AI能力的很好demo，但是如果说AlphoGo赢了人类就代表AI智商超过人类完全是无稽之谈，比如说AlphaGo还完全没有涉及到很多人的智商里的组成如自然语言理解和对话。

是不是在别的领域训练出一个AlphaGo也在变得更容易？戴文渊认为并不是这样的，“下棋这个的场景有着天然的优势，即每天机器只需要和自己下棋就够了，不需要外界很多的输入。类似的场景还有游戏类竞技领域，机器也只需要自己和自己不断比赛练习就可以；还有开车、开飞机等现实场景，虽然其中会涉及成本问题但也只需要自己积累数据就可完成训练。

”戴文渊表示，在其他领域，比方说医疗领域，想训练出AlphaGo的目标就很难实现，因为不是说机器想学习案例，就一定恰好有合适的足够多的病例出现，这样的场景需要外界给予足够的输入和配合。

以上知识分享希望能够帮助到大家！