（作为一个案例 ， 在 AlphaGo 和樊麾的第二盘对局中 ， 很多人都注意到 AlphaGo 走了一个不标准的大雪崩定式 ， 这是说明 AI 学错了呢 ， 还是它发现这是更好的走法？）
其次 ， 这两个大脑的工作方式确实和人类很相似 ， 一个判断细部 ， 一个纵览全局 。 但 AlphaGo 最终的结合两者的方式相当简单粗暴：让两者各自评估一下每种可能的优劣 ， 然后取一个平均数 。 这可绝不是人类的思维方式 。
【走法|关于 AlphaGo 论文的阅读笔记】对人类来说 ， 这两种思考问题的方式的结合要复杂的多（不仅仅是在围棋中是这样） 。 人们并不是总是同时对事态做出宏观和微观的判断 ， 而是有时候侧重于大局 ， 有时候侧重于细部 。 具体的精力分配取决于事态本身 ， 也取决于人在当时的情绪、心理和潜意识应激反应 。 这当然是人类不完美之处 ， 但也是人类行为丰富性的源泉 。
而 AlphaGo 固然体现出一定的大局观 ， 但从具体算法看来 ， 它在为了宏观优势做出局部牺牲这方面的能力和人类完全不能相提并论 。 AlphaGo 引入整体盘面评估确实是它胜于许多别的围棋 AI 的地方 ， 但从根本上来说 ， 这只是人们让 AI 具有「战略思维」的尝试的第一步 ， 还有太多可以改进的可能性 。
最后 ， 和很多别的围棋 AI 一样 ， 当 AlphaGo 学习盘面判断的时候 ， 采用的是图像处理的技术 ， 也就是把围棋棋盘当做一张照片来对待 。 这当然在技术上是很自然的选择 ， 但是围棋棋局究竟不是一般意义上的图案 ， 它是否具有某些特质是常见的图像处理方法本身并不擅长处理的呢？
三、
为什么要让人工智能去下围棋？有很多理由 。 但在我看来最重要的一个 ， 是能够让我们更深入地理解智能这件事的本质 。
神经网络和机器学习在过去十年里跃进式的发展 ， 确实让 AI 做到了许多之前只有人脑才能做到的事 。 但这并不意味着 AI 的思维方式接近了人类 。 而且吊诡的是 ， AI 在计算能力上的巨大进步 ， 反而掩盖了它在学习人类思维方式上的短板 。
以 AlphaGo 为例 。 和国际象棋中的深蓝系统相比 ， AlphaGo 已经和人类接近了许多 。 深蓝仍然依赖于人类外部定义的价值函数 ， 所以本质上只是个高效计算器 ， 但 AlphaGo 的价值判断是自我习得的 ， 这就有了人的影子 。 然而如前所述 ， AlphaGo 的进步依赖于海量的自我对局数目 ， 这当然是它的长处 ， 但也恰好说明它并未真正掌握人类的学习能力 。 一个人类棋手一生至多下几千局棋 ， 就能掌握 AlphaGo 在几百万局棋中所训练出的判断力 ， 这足以说明 ， 人类学习过程中还有某种本质是暂时还无法用当前的神经网络程序来刻画的 。
推荐阅读
- 虚拟|比尔·盖茨关于2022年的五项预言之二：元宇宙成有用的工具
- 诊断|比尔·盖茨关于2022年的五项预言之三：家庭医疗诊断手段普及
- 接线|关于室外监控立杆摄像机安装及立杆规范【详细说明】
- 公司|盛视科技股份有限公司 关于取得授予发明专利权通知书的公告
- 手机|刘作虎真情流露：关于ColorOS有一些话想对大家说
- Hunting|微软发布关于 Active Directory 权限提升攻击的警告
- 的作用|关于疫苗加强针、奥密克戎毒株…… 钟南山最新判断！
- 的作用|关于疫苗加强针、奥密克戎毒株…… 钟南山发表最新判断
- 疫苗|关于奥密克戎变异株，钟南山最新回应！
- 病毒|关于疫苗加强针、奥密克戎毒株…… 钟南山发表最新判断