1700549582
人机平台：商业未来行动路线图 前言 革命三重奏
1700549583
1700549584
这些相似的事件对比令人吃惊，它们足以使人确信：就像早期的工业革命一样，信息革命对未来社会的重大影响还在后面。
1700549585
1700549586
彼得·德鲁克（Peter Drucker），2001年
1700549587
1700549588
棋盘上的电脑
1700549589
1700549590
对人类来说，学好围棋一直很难，而电脑编程下围棋几乎不可能。
1700549591
1700549592
围棋是一种纯粹的战略对弈，其中没有运气成分，[1]至少2 500年前就在中国出现了。对弈的一方执白子，另一方执黑子。双方轮流在纵横各19格的棋盘的交叉点下子。如果一个或一组棋子完全失去自由，即其实质上已完全被对方的棋子包围，那么就成为“死子”，必须从棋盘提走。比赛结束时，[2]取得较多实空的一方获胜。
1700549593
1700549594
喜欢战略的人也喜欢下围棋。孔子说过：“饱食终日，无所用心，难矣哉！不有博奕者乎？为之，犹贤乎已。”在很多方面，围棋的地位甚至高于国际象棋——另一种很难的无运气成分的策略性博弈。正如国际象棋大师爱德华·拉斯克（Edward Lasker）所说：“虽然只有人类才能创造巴洛克式的国际象棋规则，但围棋的规则是如此优雅、有机和逻辑严谨，因此如果在宇宙的其他地方存在智慧生命形式，他们几乎肯定会选择下围棋。”
1700549595
1700549596
围棋表面上看起来很简单，但它掩盖了一种难以概念化的复杂性。由于棋盘很大，所以对弈双方下子时的自由度也很大。据估计，在标准的围棋棋盘上有2×10170种下法。这个数字有多大呢？它比可观测宇宙中的原子数还要大。实际上，这是一个完全不合适的基准。可观测的宇宙只含有约1082个原子。也就是说，即使宇宙中的每个原子本身是一个充满原子的宇宙，那么围棋的棋局还是比原子要多。
1700549597
1700549598
妙不可言的围棋
1700549599
1700549600
顶级的人类围棋选手如何操控如此玄妙的复杂性，然后连出妙手？这个问题没人知道答案，就连选手们自己都说不明白。
1700549601
1700549602
围棋选手学习定式，并依此出招。[3]然而除了这些经验法则，顶级选手经常无法解释自己的战略。迈克尔·雷蒙德（Michael Redmond）是少数取得围棋最高段位的西方人之一，他说：“我看到一手围棋，并确定它是对的，但是无法准确说出我是怎么知道的。我只是看出来而已。”
1700549603
1700549604
这并不是说围棋选手是一群舌头打结的怪人。事实证明，所有人都不能通晓自己所了解的全部知识。当我们识别一张脸或骑一辆自行车时，事后反思一下，我们也不能完全解释自己为什么能这么做。这种隐性知识很难显性化。20世纪英籍犹太裔大学者迈克尔·波兰尼（Michael Polanyi）的观察精彩地总结了这个状况：“我们所知的多于我们所能说的。”
1700549605
1700549606
这一所谓的“波兰尼悖论”给任何试图开发围棋电脑程序的人设置了重大障碍。如果没人能清楚地表达战略，那么你又如何编写包含最佳对弈战略的程序呢？退一步说，对一些定式进行编程是有可能的，但是当面对那些能够以自己说不清楚的方式超越定式的优秀选手时，这样做是无法取胜的。
1700549607
1700549608
程序员通常借助模拟来操控诸如围棋的所有可能下法之类的复杂环境。他们编写程序，下一手乍看还好的棋，然后探测所有对手对这手棋的合理回应，以及对每次回应的所有合理回应，等等。最终选中的一手棋，本质上就是有着最多后续妙手、最少后续恶手的一手棋。然而，围棋的潜在棋局如此之多，下法如此丰富，因此即使是装满超级电脑的机库，也无法模拟哪怕其中的一小部分。
1700549609
1700549610
由于关键知识不可得，模拟又无效，因此围棋编程进展缓慢。2014年5月，哲学教授艾伦·莱维诺维奇（Alan Levinovitz）在《连线》杂志发表文章，探讨电脑围棋的现状和可能进展，结论是：“再用10年让电脑围棋胜出，这可能太过乐观。”2015年12月，心理学教授及游戏专栏作家克里斯·查伯里斯（Chris Chabris）在《华尔街日报》撰文，标题就是“为什么电脑依然无法攻克围棋”。
1700549611
1700549612
跨越波兰尼悖论
1700549613
1700549614
2016年1月，也就是一个月之后，有一篇科学论文面世，它介绍了一台未尝败绩的电脑围棋。总部设在伦敦、隶属于谷歌的人工智能研究实验室DeepMind专攻机器学习（人工智能的一个分支，详见第2章），发表了《用深度神经网络和树形搜索掌控围棋》一文，成为著名的《自然》杂志的封面故事。该文介绍了阿尔法狗，它是一个找出波兰尼悖论解决方法的围棋应用程序。
1700549615
1700549616
阿尔法狗的开发者并没有尝试用超级围棋战略和定式进行编程。相反，他们创建了一个可以自我学习的系统。该系统通过大量对弈研究棋盘下法，并从中学习。阿尔法狗被用来识别大量数据中存在的微妙模式，并将动作（如在棋盘某个特定位置下子）与结果（如赢得围棋对弈）联系起来。[4]
1700549617
1700549618
该软件可从在线棋局库中获取3 000万种棋盘下法，并且被告知“用这些数据来了解如何获胜”。阿尔法狗还与自己进行多场对弈，生成了另外3 000万种下法，然后进行分析。系统在对弈过程中进行模拟，但只针对重点下法；它使用从研究数百万种下法中累积的学习结果，模拟它认为最有可能获胜的下法。
1700549619
1700549620
阿尔法狗的工作始于2014年。到2015年10月，测试已经准备就绪。它与当时的欧洲围棋冠军樊麾进行了5局秘密比赛。5∶0，机器全胜。
1700549621
1700549622
在这一竞争水平上，电脑围棋获胜完全出人意料，这震动了人工智能界。几乎所有的分析师和评论员都认为，阿尔法狗的成就是一个突破。然而，激辩也随之而来。正如神经科学家加里·马库斯（Gary Marcus）指出的那样，“围棋本不是欧洲的项目，而且这位冠军在世界只排第633名。一个击败世界第633名职业网球选手的机器人令人钦佩，但是说它已经掌控了比赛，这还不够公平”。
1700549623
1700549624
DeepMind团队显然认为这是公平的说法，2016年3月，他们在韩国首尔举行5局对弈，挑战李世石。许多人认为李世石是当今世界上最好的围棋选手，[5]也是人类记忆中最好的围棋选手之一。他的棋风被描述为“凭直觉、不可预测、有创造性、强烈、野蛮、复杂、深刻、快速、混乱”，李世石觉得这些特点使他在面对电脑时有明显的优势。正如他所说，“围棋有一种美，我不认为机器了解这种美……我相信对于人工智能来说，人类的直觉太过先进，依然没法捕捉”。李世石预测自己将在5局中赢得至少4局比赛，他说道：“看了去年10月的比赛，我认为（阿尔法狗的）水准不及我。”
1700549625
1700549626
李世石和阿尔法狗之间的对弈引起了韩国和其他东亚国家的浓厚兴趣。阿尔法狗赢了前三局比赛，确保了自己在五局三胜制中的胜利。李世石反击赢下第4局比赛。他的胜利让一些观察家期盼人类的聪明才智能洞悉数字化对手的缺陷，而李世石可以继续利用这些缺陷。然而就算真是这样，这些缺陷也不够大，不足以令下一场比赛翻盘。阿尔法狗再下一城，以令人信服的4∶1终结比赛。
1700549627
1700549628
李世石终于发现竞争严酷，他在失败后说：“我感到无能为力……我有丰富的围棋对弈经验，但从来没碰到过这样的情况，感受到这么大的压力。”
1700549629
1700549630
一些新事物已经在围棋领域产生了。
[
上一页 ]
[ :1.700549581e+09 ]
[
下一页 ]