作为一名曾经的围棋爱好者，水平有限，虽然自己也看了几遍棋谱，但也综合了各路高手的点评。总的来说，是李世石领先了大半盘，最后2个低级失误葬送了。

如果用足球比赛打个比方，就是双方一上来就打对攻，打得很激烈，但李世石也就1:0领先而已。领先到80分钟时有点松懈，一不留神被对手连着打了两次防守反击，2:1逆转。

具体的说，开局时，李世石是主动求变的，希望下出个混乱的局面来让AlphaGo无所适从。比如黑7拆边的位置就比较怪异，然后黑23靠直接把局面引入战斗，应该是有点无理。AlphaGo硬碰硬接招，双方六七块棋绞杀在一起。那会应该是AlphaGo好下。

但下着下着，AlphaGo就有些失误，尤其左下角下得比较亏。到100手左右应该是李世石已经领先了。当时李世石还出去抽了根烟，觉得自己胜券在握了，可能就有些随意了。

一个是左上白116的补棋，黑棋完全有机会此前先下到的。然后白棋102在右边打入，其实是可以避免的，只要黑棋之前发现了，随便找个时机在中间的虎口刺一下，就可以消除这个打入了。可是李世石没下得这么缜密。后面更大的失误在右下角，黑127，没有选择虎挡，而是长起来，被白棋占了角。这样的情况下黑棋也就略差一点，但再后面棋局已经翻不出花样了，李世石就只能认输了。

总结来说，AlphaGo最大优点是没有大的失误。虽然过程中持续有些小的失误，或是下得比较缓的，但问题都不严重。李世石号称小李飞刀，但始终没有给他扔出飞刀一招致命的机会。李世石是个人，他一有失误就被AlphaGo给抓住了。这就是人面对机器时的残酷。

AlphaGo有点像当年的李昌镐，虽然下得很平淡，但能把失误降到最少，一直和你僵持着等着你犯错误。

也有人觉得李世石的策略或心态有问题。开局下得那么无理，总是挑起事端，只是亏了自己。我一开始也这么觉得，但仔细再想想，李世石的策略也没错：

首先，过程中AlphaGo总是在简化定型局面，比如白80，白116，两次补棋消除风险。那么博弈角度说总要反其道而行之，搅乱局面是对的。事实上李世石的问题是搅得不够，在白80和116之前都是可以搅的。

其次，AlphaGo虽然局部计算能力不错，不会犯错，但大局观感觉一般，在多块棋搅在一起，需要整体把握判断取舍时，就是其弱项了。前半盘李世石的领先也是源于此。所以只有把局面搅乱，才有机会让它暴露大局观的弱项。

今天比赛结果出来后，朋友圈就流传个段子：“我叫李世石，我是一名来自韩国的棋手，今天早上出门前我在网上各大投注点用尽家财下了巨额赌注买我自己输，我想，这就是人类比人工智能强的地方。”

当然，很多朋友是娱乐的心态转的这个段子。但也有人真的怀疑，后面的低级失误是李世石故意放水的。

虽然我和李世石素味平生，但我100%的相信他，不会因为任何钱的原因而去放水。

李世石是个情商未必很高，但非常有个性，非常好强的人。2009年因为和棋院前辈言语不和就退出棋坛；2015年参加中国的围甲联赛，因为所在队伍降级了，他自己是赢了棋但队友输了，他就决定不要奖金了，以表达愧疚之情。

这些举动都是巨大的经济损失（其他类似举动还有好些），但他第一不差钱，第二不在乎钱。

这次的比赛，关乎人类职业棋手的尊严，哪怕有再大的经济利益，李世石也不可能放水。

其实主流舆论之前大多倾向于李世石能赢，包括李开复等很多大咖。因为从之前和樊麾的5局棋谱看，AlphaGo的水平并不高，也就是个强业余或者职业初段的水平。

甚至很多人还怀疑是樊麾水平退化，樊麾放水；有人质疑谷歌发论文只用樊麾一个孤证是不合科学方法的，质疑谷歌只是广告营销的策略等。

也有人觉得，哪怕樊麾的棋局是真实的又如何，也就是个职业二段，离人类顶级棋手距离还很遥远。（我们在当时觉得曲率已经驱动了头发，后面和李世石的比赛其实意义没有那么大，但多数人不这么看）

但现在所有的质疑都被一扫而空了。

还是拿足球打比方。这就好像，少林足球队用少林功夫练了半年足球，就把恒大踢了个5:0（抱歉恒大躺枪，纯属打比方）。大家质疑恒大放水，质疑少林寺做营销，觉得能打赢恒大不代表少林功夫的足球真的牛逼。

然后过了3个月少林足球队2:1赢了巴萨。你还能质疑什么呢。只能相信，少林功夫将使中国足球崛起。

至于接下来再和巴萨踢几场，巴萨都能赢回来，或者皇马出马碾压了少林队，也改变不了少林队已是国际一流强队的事实，改变不了少林功夫能大幅提高足球水平的事实了。（以上故事纯属虚构，只是打比方）

同样的道理，也许接下来李世石调整好心态，掌握了策略，下得更缜密，连赢四盘也不是不可能（个人觉得这个可能性已经很小了）。再或者，状态正佳的柯洁去挑战AlphaGo，也许能都赢（孟泰龄还公开在微博表示能让AlphaGo一先），但是这些都已经不重要了。

AlphaGo的水平肯定已经跻身职业的一流水准，在围棋这个领域，通过图灵测试肯定是没问题了（图灵测试是指，如果电脑能在5分钟内回答由人类测试者提出的一系列问题，且其超过30%的回答让测试者误认为是人类所答，则电脑通过测试）。

深度学习的算法，被强有力地证明了在模糊的分析和判断的领域（以往人类引以为傲的领域），完全可以超越绝大部分的人脑。                                                     

那么，这么牛逼的深度学习算法，能用来干嘛呢？关于这个，我们附在后面那篇随笔里做了很多开脑洞，供大家参考（包括炒股票在内），大家有兴趣看的话翻到最后，这里就不展开了。

今天下午比赛过程中，不少朋友就跃跃欲试准备买股票了，但当时棋局尚不明朗，估计敢出手的不多。被压抑的需求估计要在明天释放。

 

对此，我先贴一段我们2月底一篇随笔里的分析。

最近资本市场的想法是，炒一把人工智能。反正大不了就是5盘都输了，也就是符合预期，不存在低预期，反正大家都觉得李世石赢。万一赢了1盘，那就严重超预期，具有划时代的意义。

面对这么缜密的逻辑，我竟无言以对。的确炒这个要比炒政策，炒送转更为刺激，因为没有任何人知道比赛的最终结果。但需要说的是，即使本次对战AlphaGo能取胜，虽然它对于人工智能来说具有划时代的意义，就目前而言，终究还只是一次算法上的胜利，离落实到应用还存在一定距离。所以本次围棋大战更多还是一个主题性机会，和VR、云计算的产业爆发还有很大差别。如果要有可持续性，还是要关注产业应用的进展。

 

现在我还是坚持当时的观点。

首先，的确已经赢了1盘（而且第一盘就赢是超出了大部分人的预期），严重超预期了，的确具有划时代的意义。

其次，这终究还只是次算法上的胜利，离落实到应用还存在一定距离。

 

所以，明天的A股市场，人工智能相关概念股涨一涨是应该的（今晚上已有上市公司公告涉足人工智能了，另外，谷歌的股票今晚开盘也小幅上涨，开盘半小时就冲上了700，不过老美还是比较冷静）。但大家都应该清楚，A股公司的人工智能，一则算法上和国外公司比还有差距；二则应用的落地也还需要时间。

 

如果人工智能的主题要有持续性，还是要关注产业应用的进展，包括但不限于机器视觉、服务机器人、智能驾驶等。

 

另外，对于想要做这块的上市公司一些建议：虽然目前国内人工智能技术能力要弱于国外，但这个差距不像半导体，不是不可逾越的。事实上华人在硅谷的人工智能圈子是挺风生水起的，包括但不限于谷歌AlphaGo团队的Aja Huang（黄士傑），FaceBook的人工智能围棋项目负责人田渊栋等。

这年头上市公司引进的有海外背景的华人技术团队也越来越多。所以，如果想真要发展人工智能技术，这不失为一条路。当然前提是找对人。

1月28日，Google DeepMind团队在最新一期《Nature》上发表论文称，其名为AlphaGo（阿尔法围棋）的人工智能系统，在没有任何让子的情况下以5比0完胜欧洲围棋冠军、职业围棋二段樊麾。这条消息引起了各方的高度关注。

 

我们的确挺震惊的，打个拔高一点的比方，就像《三体》3里，维德给程心展示，用曲率驱动把一根头发吹动了，程心当时还很木然（就像现在很多人都还不以为然，不就赢了个职业二段了），但维德和他的小伙伴们非常兴奋，曲率真的可以驱动啊！以后就可以驱动飞船实现光速飞行啊！（当然，从点科技树的角度说，光速飞行比人工智能更牛逼了）

 

为什么我们给了这么高的评价呢？有些人可能会不以为然，计算机不是很多年以前就战胜国际象棋的世界冠军了么？这不就是又搞定了一种棋么。我们先来大概的解释一下。

围棋和国际象棋有很大的不同，这导致了计算机的智能程度有很大的差别：

1. 国际象棋可以一定程度暴力遍历，围棋不行。

国际象棋就64格，最大只有2^155种局面，称为香农数，大致是10^47。虽然没法全部去遍历（也没必要），但实际只要把开局库和残局库多输一些进去，结合一些中盘的策略选择和部分遍历就很牛了。但围棋最大有3^361 种局面，大致的体量是10^170，而已经观测到的宇宙中，原子的数量才10^80。（围棋压根没有残局库这个概念，千古无同局）。所以围棋的AI肯定没法用遍历的方法，只能让它学人去思考。

2. 国际象棋目标是清晰的，围棋是模糊的。

国际象棋的最终目标很清晰，就是吃掉对方的王，而过程中的阶段性目标也很简单，吃个车很好，吃个马也不错；但围棋不是，围棋不是以吃掉对方几个子，也不是围了多大一个空。围棋在对弈过程中，有厚薄、味道、形状等各种概念，很难量化的判断，而是很模糊的。

模糊判断一直是人类相对计算机的优越感，要蛮算八位数的乘除法，人完全没法和计算机比。但要判断些模糊的指标，那计算机就一筹莫展了。

 

所以，1997年深蓝就战胜了国际象棋冠军，但围棋的AI的顶尖水平仍然很差，下个普通的业余棋手也常下不过。

早在1986年，台湾应昌期老先生就悬赏了140万美元，奖励给能战胜职业棋手的围棋程序（那会的140万啊，比这次谷歌开给AlphaGo和李世石比赛开出的100万美元值钱多了）。可是直到2000年悬赏截止，围棋程序的水平依然非常臭。

2015年11月，电脑程序世界冠军“石子旋风”和中国著名棋手连笑下，一直被打到让6子才赢了一盘，感觉离战胜人类还很遥远（其实那时候AlphaGo已经和樊麾下完5盘了，为了在Nature发论文当时尚未公开）。但这次AlphaGo横空出世，展现出了巨大的飞跃进步。

综合来说，AlphaGo的实力已经很强了。专业人士有的评价是强业余，有的评价是职业初段，或接近职业。这个其实我觉得并不重要，重要的是，计算机已经在模仿人类一样去思考，已经在模糊判断决策方面做得比很多人好了——虽然樊麾的水平并不算高，这5盘棋里有很多低级失误，但说实话，90%的爱好者，下一辈子棋，也赶不上樊麾的水平（像我这样的水平，仔细打谱摆棋能发现很多低级失误，但真要自己去下失误会更多）。AI不就是用来替代人工么？所以，AlphaGo能战胜90%的人类，就已经足够了。

马上3月份，AlphaGo就要挑战人类的世界围棋冠军李世石了。网上预测谁胜谁负争得不可开交。但其实我觉得结果已经不重要（作为一名曾经的围棋爱好者，我真心的希望李世石能赢，那么多年从来没盼过李世石赢啊，第一次盼他啊）。这个比赛的胜负，营销的意义更大。对于一个AI算法来说，已经实现了里程碑式的进步了。

回到开头举的《三体》3的例子，曲率已经能驱动一根头发了，接下来什么时候能驱动一本书，一张桌子，并没有那么重要。

那么AlphaGo到底有什么高深的算法，让它的水平出现了质的飞跃？接下来我们解读一下自己花200元买的谷歌那篇发在Nature的论文，说说我们的理解。以下部分稍微有点生涩，不喜欢研究算法的朋友可以跳过。

 

从算法原理来讲，在象棋、围棋这类大型博弈游戏中，存在着b^d个可能行动序列，其中b和d分别是某一状态s下的博弈宽度和深度。从宽度来看，围棋每一状态的可选步法要远大于象棋。从深度来看，象棋的胜负点是清晰的，于是可以从某一状态截取子集，深度可以缩减。但对于情况更加复杂，难以判断胜负点的围棋来讲，这一位置选择的方法就行不通了。此前最为先进的围棋程序都采用蒙特卡洛树搜索算法（MCTS），该算法使用蒙特卡洛算法的模拟结果来估算一个搜索树中每一个状态的值，随着模拟次数增加，相关的值也会变得越来越精确。通过选择值更高的子树，选择策略也会不断进化。以下是Google DeepMind的示意图，上图为计算机眼中的国际象棋落子思路，下图为围棋落子思路。

在此次对战中，AlphaGo所需要考虑的位置更少了，因此计算次数甚至远少于1997年的深蓝（数千倍），可以说AlphaGo的“思考”方式更接近人类。这是深度学习、蒙特卡洛等多种算法结合创新所带来的，从“计算”到“智能”的超越。

 

具体来讲，AlphaGo采用了深度神经网络和树搜索的结合方案。

1）采用类似深度卷积网络（使用多层神经元，安排在交叠的区块中来构建抽象和本地化的图片）的架构，用19*19的图像来表现棋盘，使用卷积层来构建位置表示，从而减少搜索树的有效深度和宽度。

2）使用Value Networks（价值网络）来评估位置，使用Policy Network（策略网络）来选择步法。如下图。

3）在训练过程中，首先使用人类棋手的棋谱来训练可监督学习策略网络pσ，以及快速决策网络pπ；之后训练强化学习策略网络RL pρ,通过自我对抗模拟（即自己和自己下棋，左右互搏）来改善pσ，将策略调整至赢棋而非预测准确率最大化；最后训练价值网络vθ，用来预测pρ所得到的策略中哪种是最佳策略。

 

因此，在AlphaGo中，蒙特卡洛树搜索算法结合了经过训练的策略网络和价值网络，具备了不断学习、智能判断的能力，是一种算法的创新应用。当然，这一切的基础仍然存在于蒙特卡洛树算法、神经网络等现有技术的基础之上，AlphaGo的能力一部分是建立在无数人类专家的棋谱之上的，但它也通过自己和自己对弈的左右互博来提高了自己，它自己和自己下了2000万局了。

 

看完整个算法，可能有些人会觉得这个算法没什么啊。不就是机器学习么？可能有些算法的优化，相比过去并没有很大的创新啊？

是的，我个人觉得。谷歌这篇论文，如果不是因为列了一下赢了欧洲冠军5盘的实验成果，别说作为Nature的封面论文了，发在Nature上都有困难，或者说作为一篇SCI也是有点水的那种。（当然，不排除谷歌隐藏了一些技术细节上的独门秘笈，但至少在论文里看不出）。

 

那么大家就会想， 既然谷歌在算法上并无大的创新，为何在战绩上全面碾压了现有程序？

按论文介绍，AlphaGo对阵几个全球顶尖的围棋程序，Crazy Stone，Zen和Pachi，胜率分别达到77%、86%和99%。

从采访Facebook智能围棋Darkforest负责人田渊栋博士的来看，他分析，和Facebook团队比起来，主要是因为谷歌起步早，投入大，专家人数也比他们多得多，像一作David Silver和二作Aja Huang都长期从事计算机围棋的研究工作。而在谷歌和Facebook之前，尚无顶尖的IT公司从事这方面的研究。

多说一句，往后，Facebook也是围棋AI领域的有力竞争者。就在谷歌在Nature发论文那天，Facebook的CEO马克·扎克伯格就在其Facebook主页发帖，正在紧锣密鼓地研究围棋AI。小扎在主页上还写到，智能围棋项目负责人田渊栋博士，办公桌就在他桌子边上20英尺（小札难道还没有独立办公室么），他喜欢让AI团队离他近一点。小札对这个项目的重视可见一斑。（从行文看，小札当时应该还没看到Nature那篇论文，看到之后估计会更着急）

如果懂一些技术和算法的朋友，再延伸一点想，还会有个疑问。神经网络是80年代就已经提出来的算法，当时曾经风靡一时，但后来衰败得都快被遗弃了。到2006年时，Hinton等人旧瓶装新酒，提出了个深度学习的概念，这个领域又重新热起来了，各种研究成果不断涌现。那么，现在的深度学习，和80年代的神经网络比，有什么本质区别吗？不就是个多层神经网络么？

我们大概了解梳理了下情况，当年神经网络衰败，很重要的原因是训练时间长，学习缓慢，效率低下，完全无法商用。而06年的深度学习，一个很重要的原因是计算机性能的大幅提高；当然，算法机制方面也有很大的改进。深度学习和普通的多层人工神经网络的区别在于，前者让网络每一层都进行无监督学习，让网络每一层都自己提炼特征。很多模糊信息的抽象归纳，人类都还做不到，所以没法直接给神经网络直接明晰的输入输出，但计算机通过无监督学习来提炼特征可以进行抽象。（80年代的人可能也有过这种想法，但当时的硬件条件实现不了，所以没被重视）。

用本文开头那个例子来说，这次AlphaGo击败了樊麾，就像是曲率驱动了那根头发；那么Hinton等人提出深度学习，就像是AA和程心从云天明的童话里悟出了曲率驱动。

谷歌说到底是个商业机构，虽然那些研究院的KPI是发多少Nature，Science，但董事会看的还是最终有多少商业产出。

 

简单的说，以前的计算机只能用来做精确的计算，但现在能够对模糊判断做出最佳决策的话，计算机基本能做各种人能做的事情了。相比人类来说，计算机唯一不具备的是情感，但于工作而言，没有情感不是坏事啊。（有人会说计算机也没有创造力，但其实不然，基于蒙特卡洛算法和无监督学习，计算机也能进行创造，创造力有可能更强，只是它自己不知道自己是在做创造）

 

以下我们来脑洞大开一下。在大开之前，我们先界定一个概念。无危害人工智能。

虽然计算机的智能程度接下来可能会变得很高，但毕竟有各种可能导致计算机出现失误，或是未能理解人类的实际情况。比较好的应用场景是，即使计算机有失误，也不会有太大的负面影响。所以，可以让计算机去帮着侦查寻找线索，但不能让计算机去法庭审判。

 

所以，现有的比较热门的应用领域里，也都是尽可能的先推进无危害人工智能。比如谷歌不亦乐乎的无人驾驶，也会是很久以后的事情，最先启动的是智能辅助驾驶；比如人脸识别，央行出台的文件也是将其作为辅助身份识别手段，而非充分的识别手段；比如自然语言处理，可以用服务机器人来一定程度替代客服，但不能用来写论文或是商业策划。

 

当然，这些应用还是太传统，我们来进一步的脑洞大开一下：

 

产品设计/配方研发。最基本的，比如设计个工业产品的外形，设计个服装、首饰的款式。计算机在经过大量样本训练培养了良好的审美观后，就可以设计出优雅、时尚的造型款式。进一步的，比如设计饮料、食物、香水、烟草、化学品的配方，计算机都有可能独辟蹊径。人类到现在也没弄明白中医的阴阳五行是啥原理，也很难在古人的基础上改进配方，但也许未来计算机可以。

 

情景预测/危机预警。诸如天气预报、交通状况等都可以预测，也包括危机预警，无论机器设备、车辆、人体健康状况、恐怖分子活动等，出现问题之前都会有各种征兆，计算机系统都可能提前预警。当然，所有深度学习的最大问题是足够多的数据样本，而这类预测预警的有效数据收集会相对麻烦一点。

 

大数据分析。大数据是现在已经被用烂的一个词。很多所谓大数据的逻辑都是非常简单直接的，无非是你买一次奶粉就给你推荐纸尿片。或者逼格高一点是用户画像，也是人工设了一些简单的逻辑规则，比如用iphone的收入高；家庭住址是内环小区的收入高；经常上京东的为男，经常上聚美优品的为女等等。（这里不是说用户画像不对，而是现阶段很多所谓的用户画像还太简陋）。但我相信，一个能够在围棋里计算上百种变化，识破职业棋手各种欺着与骗招的程序，可以把数据分析做得更加智能，能从蛛丝马迹里判断出网络骗子，能把各种数据融会贯通，分析出也许上京东的是公司女秘书，上聚美优品的其实是热恋中的男孩。

 

写作与创作。现在有些软件也能写个小诗啊啥的，（虽然诗风都很飘忽。但随着深度学习能力的样本扩大，自然语言处理能力的提高，未来计算机写点应用文（诸如通知、海报、纪要、总结、请帖、条据等等）应该都没问题，创作出一些格调优美的散文、歌曲也不排除。人类的文学家也许只能靠写科幻、玄幻类小说了。

 

战争。这个不多说了……

 

金融。量化交易在国外已经相当盛行，但也未能完全替代基金经理和研究员，但不排除未来有一天。所谓看图富三代，计算机的看图能力肯定要远强于人。人类投资交易最大的敌人是贪婪和恐惧，计算机都不会。个股可能还有些基本面需要人来调研分析，大势的研判就真的可能不需要了。

 

过去的计算机，把我们从繁复枯燥的计算里解放出来；可以投入到更有创造性、更需要模糊判断的领域；而人工智能未来真的成熟后，我们还能干嘛呢……

 

近年来，比尔盖茨、霍金、马斯克等人都极力反对人工智能。我一直对此不以为然，感觉这三人主业都不是搞这个的，非要手伸这么长对别的领域指手画脚，要么是杞人忧天，要么是哗众取宠。事实上他们也得到了很多负面的反馈，美国智囊团把他们三个提名为“勒德分子奖”（反对科技进步的负面奖）。但现在想来，也有一种可能，是他们知道的比我们更多，或是想的要更多……