沒錯，前段時間，好多朋友留言說——是否為了向Alpha GO致敬？怎么理解，都成?？傊?，Alpha GO戰(zhàn)勝了人類，我認為，這是一個標志性的里程碑事件。為什么呢？先科普一下。

　　圍棋有多難，有句話叫千古無同局。你永遠不可能走過相同的一盤棋，甚至每個地方都不一樣。每一種可能都是一個分支數(shù)，然后每一個分支下面，還有無數(shù)個分支數(shù)。而且黑白之間，怎么判斷哪個黑子比哪個白字強？這是一個非常復雜的策略。

　　幾乎算是人族歷史上最復雜的智力游戲。

　　當然，Alpha GO贏了。其實早在1997年，IBM投資的深藍電腦也完勝了世界象棋冠軍卡斯帕羅。兩場比賽都是里程碑事件。但不同在于，深藍計算能力為10的50次方，Alpha GO為10的170次方。

　　兩個比賽整整差了120次方。

　　Alpha GO學習能力太強，短時間就能掌握圍棋高手的棋路。更重要的是，Alpha GO的自我學習能力更強。它可以模擬左右手互搏，相當于兩個Alpha GO對戰(zhàn)。A勝則學A，B勝就學B。隨機改變棋路，不斷否定自己。

　　具體講，Alpha Go采用了三大核心技術：策略網(wǎng)絡(Policy Network)、估值網(wǎng)絡(Value Network)和蒙特卡羅樹搜索（Monte Carlo Tree Search）。

　　其中，策略網(wǎng)絡負責落子選擇。不做窮舉計算，從幾千種可能里面選出最好的幾種或者幾十種。將理論上存在的幾百種可能的棋步，縮小到幾種得分最高的可能。減少了計算寬度，不用去計算所有落子可能。

　　價值網(wǎng)絡，則負責評估落子后的局面和最終勝負的概率關系，減少了計算深度。蒙特卡羅樹搜索，則是采樣越多，越近似最優(yōu)解。它負責支撐兩種網(wǎng)絡的最優(yōu)解搜索——盡量找最優(yōu)解，不保證找到最優(yōu)解。

　　通過以上三種技術順利完成了整個Alpha Go強大自學習能力，以及與之匹配的強大計算能力和概率生成。

　　盡管如此，象棋和圍棋的計算難度，仍不可等同于一個量級。象棋子數(shù)較少，每個子都有固定走法，計算時可以遍歷每種可能，從而決定當前落子最優(yōu)解。

　　但，圍棋不行。有人對圍棋和象棋的可能變化做過統(tǒng)計：象棋的變化是3.74×10^248，而圍棋是1.73×10^686。

　　對于圍棋，若想做到像象棋一樣遍歷，運算量會大到目前機器無法承受。原來的方法不適用了。所以，要引入一套人類智能最新的研究成果——深度學習算法。

　　最近，我也深度學習了深度學習。我突然發(fā)現(xiàn)——深度學習是計算機歷史上出現(xiàn)過最簡單、最美麗的東西。我也可以去寫一個以前，可能在我當程序員，無法完成的一些圖象識別的基本算法結構。

　　它只需要通過像搭積木一樣地搭建那些神經網(wǎng)絡的組合，用數(shù)據(jù)灌入到網(wǎng)絡，你就可以驚奇地等待它會發(fā)生什么。而等它發(fā)生后，你會發(fā)現(xiàn)，比人類幾十年積累的很多算法的效果要好得多得多。

　　在圖象識別領域，三年前還沒有人認為，計算機能夠通過各種算法完成對人類圖象識別能力的超越。但深度學習引入后，計算機圖像識別能力取得了飛速進展。新近研究的超級計算機Minwa，在一項備受關注的人工智能基準測試Image Net取得了世界最好成績，錯誤率僅為4.58%，超越了微軟和谷歌。此前，世界最好記錄4.82%由谷歌創(chuàng)造，同樣實驗，人眼辨識錯誤率大概為5.1%。

　　這意味著：今天開始，計算機對圖象識別的能力開始超越人類了。而且這種識別，不會疲勞。

　　不僅如此，人工智能與深度學習會極大超出我們想象。比摩爾定律還要快地突破。這樣的突破就可能會帶來一次算法革命，甚至會使很多科技企業(yè)積累了很久的技術壁壘，蕩然無存。

　　所有重復腦力勞動，都會被人工智能取代。人工智能將幫助人類從繁重的體力和腦力勞動中解放出來。

　　這是一個偉大的機會。我們不再需要每天重復進行一個已經進行過很多年的工作。

　　甚至，只要數(shù)據(jù)足夠，電腦程序都可以產生情感。

　　在電影《黑客帝國》第三集開端，主角尼奧被困在火車站，碰到一個程序時，那個程序為了他的女兒（這也是生出的一個程序的小女兒）去不斷地躲避大程序的追殺，想把她運到一個很安全的地方時，他說，我愛我的女兒。尼奧說，你是一個程序，怎么會知道愛呢？他說：“l(fā)ove is aword”。

　　我堅信，人和機器人共存的時代必將到來——Today is history。