美媒：阿尔法与深蓝不同 可克服波拉尼悖论

阿尔法“九段”

　　美媒称，“阿尔法围棋”这个由谷歌旗下“深层思维”公司创建的人工智能系统，在人机围棋大赛中以四比一的成绩击败了围棋冠军李世石。这场人机大赛究竟重要在哪里？毕竟1997年国际象棋冠军加里·卡斯帕罗夫就败在了国际商用机器公司的“深蓝”计算机手下。那么为何说“阿尔法围棋”的胜利具有特别重要的意义呢？

　　据美国《纽约时报》网站3月16日文章称，和国际象棋一样，围棋是高度复杂的战略游戏，无法依靠机会和运气取胜。然而和象棋不同的是，没人能解释高段位围棋该如何下。事实上，甚至连围棋大师都无法完全搞懂自己为什么会下得一手好棋。从驾车到辨认面孔，这种不自知是存在于人类诸多能力中的一种普遍现象。英国哲学家、科学家迈克尔·波拉尼描绘这种奇异的状态时说：“我们知道的要比我们能表达的多。”人们将这种现象称为“波拉尼的悖论”。

　　文章称，“波拉尼的悖论”并没有妨碍人民使用电脑来完成一些复杂工作。这些活动的编程需要极高的精确度，以命令电脑具体该做什么。而给电脑编程的老方法在应用方面非常受限，在很多领域都行不通。

　　“深蓝”之所以能够有超人的绝佳表现，几乎纯粹是靠运算能力：它被输入了数百万个国际象棋案例，因此能在众多可能性中进行筛选，从而确定下一步棋的最佳位置。然而围棋落子的可能性要多得多，即便是运算速度最快的电脑都无法模拟哪怕其中一小部分。

　　文章称，“阿尔法围棋”生动地诠释了新方法的威力。这个方法是创建一个几乎完全靠自学，并通过观察成功与失败案例来掌握得胜技巧的系统。

　　文章称，对于人脑来说，学习是一个在神经元之间形成并加强关联的过程。“深层学习”系统采取了类似方式，因而被称作“神经网络”。它在软件中建立起数十亿节点和关联，使用案例“训练集”来强化刺激（正在下的棋）和反应（下一步棋）间的关联，而后再对系统进行新刺激，并观察其反应。通过另一种名叫“强化学习”的技术，“阿尔法围棋”还和自己下了数百万盘棋，以记住有效走法和战略。　　“阿尔法围棋”确实使用了模拟的方式和传统搜索算法来帮它下了几步棋，但真正的突破则在于它能够克服“波拉尼的悖论”。之所以能做到这点，是因为它既能通过具体案例，也能通过自身经验来得出决胜战略。这些案例取材于2500年围棋史上出自围棋大师之手的无数经典棋局。为了弄清这些棋局中蕴含的决胜策略，系统使用了一种名为“深层学习”的超凡方法，能够梳理出模式并一下抓住重点，而不会迷失在信息海洋中。

　　“深层学习”和“强化学习”并非新生事物，然而直到最近，我们才认清其威力以及其所能到达的境地。

　　文章称，虽然还有很长的路要走，但其意义深远。未来数年内，技术带来的变革将会波及人类经济。了解并解决科技迅速发展所带来的社会挑战仍是人类所面临的任务，没有机器能够替代我们完成。