李开复：AlphaGo 若打败了世界冠军，意味着什么？

创新工场董事长李开复在知乎就 AlphaGo 与李世石的人机大战发表了自己看法，他认为四个月前的 AlphaGo 击败李世石基本不可能，不过这四个月AlphaGo 进步很多，比赛应该很精彩。但是，无论这次结果如何，机器 1-2年 之内必然完胜人类。完胜人类之后呢？可以做个通用的大脑吗？意味着机器可以思考了吗？还有什么问题是机器无法超越人类的？

以下为李开复就 “AlphaGo 能战胜李世石吗？” 在知乎的回答原文：

先直接回答这个问题，下面再分析 AlphaGo 和人工智能的未来。我认为 AlphaGo 这次的比赛打败李世石比较悬，但是 1-2年 之内必然完胜人类。

按照两者的 Elo (围棋等级分)，可以算出去年年 底的 AlphaGo 打败李世石的概率相当低。如何算出的呢？AlphaGo 去年年 底的顶级分布式版本的 Elo 是 3168 (见下面第一张图)，而李世石的 Elo 大约是 3532 (全球围棋手 Elo: Go Ratings ，见下面第二张图)。

按照这两个等级分的两个棋手对弈，李世石每盘的胜算为 89%(，公式见：How to Guide: Converting Elo Differences To Winning Probabilities : chess链接地址:https://www.reddit.com/r/chess/comments/2y6ezm/how_to_guide_converting_elo_differences_to/ 温馨提示：访问此链接需复制粘贴至浏览器打开，下同)。如果对弈一盘，AlphaGo 尚有 11%的获胜的可能性，而整个比赛五盘胜出三盘或更多，AlphaGo 就只有 1.1%的可能性了。(当然，按照原来的 10月 的 AlphaGo，只有 1.1％，不过现在既然大大进步了，就不一样了，也许今天已经超越了：见下面第三点)。

AlphaGo 不是打败了欧洲冠军吗？有些人认为 AlphaGo 去年底击败了欧洲冠军樊麾，所以挑战 (前) 世界冠军应有希望。但是，樊麾只是职业二段 (Elo 3000 左右)，而李世石是职业九段 (ELO 3532)。这两位的差别是巨大的，完全不能混为一谈。就比如说一个人乒乓球打败了非洲冠军，并不代表他就可以成功挑战中国冠军。

AlphaGo 有可能在这几个月突飞猛进，进而击败李世石吗？AlphaGo 的负责人说：” 外界不知道我们这几个月进步了非常多 “。(来自：http://www.geekwire.com/2016/alphago-lee-sedol-whos-underdog-in-google-ai-million-go-match/)。这点确实有可能。AlphaGo 进步的方法有两个：(1) 增加硬件：我们从 Nature 的文章可以看到：从 1202 个 CPU 到 1920 个 CPU，AlphaGo 的 ELO 只增加了 28，而且线性地增加 CPU，不会看到线性的 ELO 成长。若要达到 364 ELO 积分的提升，需要的 CPU 将达到天文数字 (有篇文章估计至少要 10 万个 CPU：http://www.milesbrundage.com/blog-posts/alphago-and-ai-progress)。当然，谷歌有钱有机器，但是纯粹加机器将会碰到并行计算互相协调的瓶颈 (就是说假设有十万万台机器，它们的总计算能力很强，但是彼此的协调将成为瓶颈)。在几个月之内增加两个数量级的 CPU 并调节算法，降低瓶颈，应该不容易。(2) 增加学习功能：AlphaGo 有两种学习功能，第一种是根据高手棋谱的学习，第二种是自我对弈，自我学习。前者已经使用了 16 万次高手比赛，而后者也在巨大机组上训练了 8 天。这方面肯定会有进步，但是要超越世界冠军可能不容易。最后，换一种分析方式：如果从过去深蓝击败世界冠军的 “成长过程” 来看，深蓝大约 1993年 达到职业大师水平，4年 后才在一场六盘的比赛中击败世界冠军 (大约 500Elo 积分点的提升)。今天的 AlphaGo 应该和 1993年 的深蓝相似，刚进入职业大师水平。若要击败世界冠军，虽然未必需要 4年 的时间，但是几个月似乎不够。

还有什么以上未考虑的因素，导致 AlphaGo 获胜吗？如果谷歌刻意未出全力和樊麾对抗，或者有其它学习或并行计算方面超越了 Nature 里面的描述，那 AlphaGo 完全有可能获胜。

（有最新的消息：李世石预计自己会大胜，不是 5﹣0 就是 4﹣1，他的目标是达到 5：0，一盘都不输。AlphaGo 负责人认为有 50％概率可以战胜李世石，因为最近四个月进步非常大。）

既然写了这么多，就对这个题目再发表一些看法：

AlphaGo 是什么？在今年一月的 Nature (http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html) 有 AlphaGo 的详细介绍，AlphaGo 是一套为了围棋优化的设计周密的深度学习引擎，使用了神经网路加上 MCTS (Monte Carlo tree search)，并且用上了巨大的谷歌云计算资源，结合 CPU+GPU，加上从高手棋谱和自我学习的功能。这套系统比以前的围棋系统提高了接近 1000 分的 Elo，从业余 5 段提升到可以击败职业 2 段的水平，超越了前人对围棋领域的预测，更达到了人工智能领域的重大里程碑。

AlphaGo 是科学的创新突破吗？AlphaGo 是一套设计精密的卓越工程，也达到了历史性的业界里程碑，不过 Nature 文章中并没有新的 “发明”，AlphaGo 的特点在于：不同机器学习技术的整合 (例如：reinforcement learning, deep neural network, policy+value network, MCTS 的整合可谓创新)、棋谱学习和自我学习的整合、相对非常可扩张的 architecture (让其充分利用谷歌的计算资源)、CPU+GPU 并行发挥优势的整合。这套 “工程” 不但有世界顶级的机器学习技术，也有非常高效的代码，并且充分发挥了谷歌世界最宏伟的计算资源 (不仅仅是比赛使用，训练 AlphaGo 时也同样关键)。

AlphaGo 的跳跃式成长来自几个因素：1) 15-20 名世界顶级的计算机科学家和机器学习专家 (这是围棋领域从未有的豪华团队：也许你觉得这不算什么，但是要考虑到这类专家的稀缺性)，2) 前面一点提到的技术、创新、整合和优化。3) 全世界最浩大的谷歌后台计算平台，供给团队使用，4) 整合 CPU+GPU 的计算能力。

AlphaGo 是个通用的大脑，可以用在任何领域吗？AlphaGo 里面的深度学习、神经网络、MCTS，和 AlphaGo 的扩张能力计算能力都是通用的技术。AlphaGo 的成功也验证了这些技术的可扩展性。但是，AlphaGo 其实做了相当多的围棋领域的优化；除了上述的系统调整整合之外，里面甚至还有人工设定和调节的一些参数。AlphaGo 的团队在 Nature 上也说：AlphaGo 不是完全自我对弈 end-to-end 的学习 (如之前同一个团队做 Atari AI，用 end-to-end，没有任何人工干预学习打电动游戏)。如果 AlphaGo 今天要进入一个新的应用领域，用 AlphaGo 的底层技术和 AlphaGo 的团队，应该可以更快更有效地开发出解决方案。这也就是 AlphaGo 真正优于深蓝的地方。但是上述的开发也要相当的时间，并且要世界上非常稀缺的深度计算科学家 (现在年待遇行情已达 250 万美金)。所以，AlphaGo 还不能算是一个通用技术平台，不是一个工程师可以经过调动 API 可以使用的，而且还距离比较远。

如果这次 AlphaGo 没有打败李世石，那还要多久呢？IBM 深蓝从进入大师级别到比赛击败世界冠军花了四年。AlphaGo 应该会比深蓝更快提升自己，因为深蓝需要新版本的硬件，和针对 Kasparov 的人工调节优化，而 AlphaGo 是基于谷歌的硬件计算平台，和相对通用的深度学习算法。所以，几个月太短，4年 太长，就预计 1-2年 之间吧。

从国际象棋到围棋，到底是不是巨大的突破呢？肯定是的，在这篇文章里面 (在国际象棋领域，电脑已经可以战胜人脑，那么围棋领域电脑还差多远？链接：https://www.zhihu.com/question/21714457)，第一位回答者分析了围棋的复杂度为 而国际象棋则只有 。在 1997年 深蓝击败世界冠军时，大家都认为：深蓝使用的是人工调整的评估函数，而且是用特殊设计的硬件和” 暴力 “的搜索 (brute-force) 地征服了国际象棋级别的复杂度，但是围棋是不能靠穷举的，因为它的搜索太广 (每步的选择有几百而非几十) 也太深 (一盘棋有几百步而非几十步)。而 AlphaGo 的发展让我们看到了，过去二十年的发展，机器学习 + 并行计算 + 海量数据是可以克服这些数字上的挑战的，至少足以超越最顶尖的人类。

AlphaGo 若打败了世界冠军，就意味着计算机超越人脑？或者可以思考了吗？

我的回答：

在可以凭逻辑分析推算的问题上，机器即将远远把人类抛在后面。机器速度会越来越快，学习能力会越来越强，数据会越来越多。当年，大家讨论 “国际象棋输给机器不算什么，围棋才是真正的智慧” 只是我们人类维护自己尊严但是不实际的幻想！今天，我们该面对现实了！

在大数据 + 机器学习 + 大规模并行计算的时代，我们将看到无数的商机和产品，能够在预测、分析、推荐等方面，产生巨大的商业和用户价值。不过，这些解决方案和人类相比，其实没有什么意义，因为人差太远了 (比如说：推荐引擎将能推荐你最可能会买的产品、想吃的菜，想认识的人；自动交易能得到更高的投资回报和风险比例……)。

在感知方面，人类也将会被机器超越。今天的语音识别，人脸识别，未来的自动驾驶，都是例子。

但是，对于那些科幻片的粉丝们：以上都还是冷冰冰的技术，机器人是否会人性化？这还是未知的。毕竟，在情感、喜怒哀乐、七情六欲、人文艺术、美和爱、价值观等方面，机器离人还差的很远，甚至连基础都没有。对人工智能的研究者，这是下一个挑战。对我们人类，在下个突破之前，我们还是多发展右脑吧！

P.S. – 也许有人好奇，为什么这个话题我说了这么多，因为在 1986年，我在读书时，曾经开发了一套黑白棋系统 (复杂度)，击败了黑白棋的世界团体冠军，而当年的那套系统也有 (非常粗浅的) 自我学习的能力。有兴趣的网友可以在这里看到我当年的文章：A pattern classification approach to evaluation function learning（链接:http://www.sciencedirect.com/science/article/pii/0004370288900768) 。