观点／AlphaGo如何击败人脑？自我学习是最大关键

从早年IBM深蓝 (Deep Blue)赢过国际象棋王卡斯帕洛夫，当时已经能预测下一棋后的12步棋路，赢过人类可预估随后10步棋路，但以国际象棋所有推估棋路约为10⁴⁶种组合，而围棋则有高达10¹⁷⁰种组合，因此Google DeepMind团队打造的AlphaGo先后击败韩国棋王李世乭，以及世界棋王柯洁，意味电脑借由人工智能技术演算能力已经能在围棋应用领域胜过人脑。

那么，AlphaGo运算系统是如何在围棋领域击败人脑？

除了借由Google开源使用的TensorFlow学习框架增进运算能力，Google日前也说明AlphaGo系统运算是以自制加速器TPU提升整体运算效率，因此相比过往必须借由长时间比对的运算模式，AlphaGo在先后两次的人机对奕才能以更快运算效率完成每一步下子位置判断。

但光仅借由运算效率提升的比对模式仍无法赢过人脑，因此AlphaGo在系统运算过程导入监督式学习 (Supervised Learning)，以及强化学习 (Reinforcement Learning)的运算模式，借此对应组合复杂的围棋下子方式，使AlphaGo能借由自行模拟对奕进行学习，并且透过策略网络、价值网络判断每一步下子结果导向，同时结合1997年人类便已设计的蒙地卡罗树搜寻 (Monte Carlo tree search, MCTS)演算法让判断过程所需时间缩减，借此在下棋过程中借由对手下子方式进行自我学习，并且判断有利棋路。

从早期双层神经网络到多层神经网络，乃至于后期蒙地卡罗树搜寻等演算技术，人类打造的电脑运算能力也随着摩尔定律持续增长，并且发展至借由多组CPU、GPU，甚至Google借由TPU加速运算，让透过TensorFlow学习框架运作的人工智能系统执行效率增加，借此追上人脑思考方式及速度，进而判断棋路走向而制定胜棋策略。

由于判断学习与运算效率大幅提升，因此让人工智能系统运算效果远远胜过人脑，因此在去年借由与韩国棋王李世乭对奕经验，同时之后更在网络围棋对战平台挑战无数国际棋手创下60连胜纪录，使得AlphaGo能以更进阶效能击败世界棋王柯洁。

而在上述优势之外，人工智能系统在下子过程还有不受传统棋路观念、情绪变化或体力疲倦，甚至能就整个棋面下子结果做分析评估，相比人脑在思考过程容易过于集中一点，或是受到过往思维影响，导致忽略其他棋路可能性，同时也可能因为焦虑、分神等情况导致错误判断。

不过，AlphaGo在下子过程也并非完美，相比人脑习惯多思考不同棋路的想法，人工智能系统运算过程一旦评估可行方案便会立即执行，但或许仍有值得改善空间，借此更贴近人脑思考模式。而在运算能力部分，预期也能借由电脑效能、运算系统提升，让人工智能系统“思考”所需花费能耗、时间，甚至整体占用空间进一步缩减。

至于电脑再次击败人脑，意味着什么？

就Google DeepMind团队负责人Demis Hassabis表示，电脑在围棋项目击败人脑，事实上并非为了进一步取代人类地位，而是证明电脑运算能力将可协助人脑解决更复杂难懂的问题，例如在庞大数据中分析有用且具价值内容，借此让人类能在更短时间内发展各类创意，意味能使人类以更快速度成长，因此人工智能技术精进对于人类发展依然有其意义。

但人工智能技术持续成长之余，是否也将对人类造成危害？

若以人工智能系统本身即以人为编码构成，事实上会发生电影中天网般剧情情况的概率并不高，只是对于日后生活模式、工作方法确实将带来巨大改变，例如自驾车、机器人及更多可借由自动化完成的作业模式，未来可能都将取代传统人力，势必形成不少调整，而这也将是人类必须面临的改变，就像过去电脑协助人类进步，智能手机让人类生活变得更便利。

以电脑系统在围棋项目击败人脑，其实只是证明人工智能在复杂棋路推演过程的“思考”模式追上人脑，意味在复杂资料运算模式相比传统电脑提升许多，但也仅只是局限在围棋项目内，并不代表直接将AlphaGo系统用于自驾车操作，而是在不同领域、对应不同工作模式能有更好运算效率。