在金庸的小說《射雕英雄傳》里，周伯通“左手畫圓，右手畫方”，左手攻擊右手，右手及時反搏，自娛自樂，終無敵于天下。

現(xiàn)實世界中，亦有這么一個“幼童”，他沒見過一個棋譜，也沒有得到一個人指點，從零開始，自娛自樂，自己參悟，用了僅僅40天，便稱霸圍棋武林。

這個“幼童”，叫阿爾法元(AlphaGo Zero)，就是今年5月在烏鎮(zhèn)圍棋峰會上打敗了人類第一高手柯潔的阿爾法狗強化版AlphaGo Master的同門“師弟”。不過，這個遍讀人類幾乎所有棋譜、以3比0打敗人類第一高手的師兄，在“師弟”阿爾法元從零自學(xué)第21天后，便被其擊敗。

10月19日，一手創(chuàng)造了AlphaGo神話的谷歌DeepMind團隊在Nature雜志上發(fā)表重磅論文Mastering the game of Go without human knowledge，介紹了團隊最新研究成果——阿爾法元的出世，引起業(yè)內(nèi)轟動。

雖師出同門，但是師兄弟的看家本領(lǐng)卻有本質(zhì)的差別。

“過去所有版本的AlphaGo都從利用人類數(shù)據(jù)進(jìn)行培訓(xùn)開始，它們被告知人類高手在這個地方怎么下，在另一個地方又怎么下。” DeepMind阿爾法狗項目負(fù)責(zé)人David Silver博士在一段采訪中介紹，“而阿爾法元不使用任何人類數(shù)據(jù)，完全是自我學(xué)習(xí)，從自我對弈中實踐。”

David Silver博士介紹，在他們所設(shè)計的算法中，阿爾法元的對手，或者叫陪練，總是被調(diào)成與其水平一致?！八运菑淖罨A(chǔ)的水平起步，從零開始，從隨機招式開始，但在學(xué)習(xí)過程中的每一步，它的對手都會正好被校準(zhǔn)為匹配器當(dāng)前水平，一開始，這些對手都非常弱，但是之后漸漸變得越來越強大?！?/p>

這種學(xué)習(xí)方式正是當(dāng)今人工智能最熱門的研究領(lǐng)域之一——強化學(xué)習(xí)（Reinforcement learning）。

昆山杜克大學(xué)和美國杜克大學(xué)電子與計算機工程學(xué)教授李昕博士向澎湃（新聞）介紹，DeepMind團隊此次所利用的一種新的強化學(xué)習(xí)方式，是從一個對圍棋沒有任何知識的神經(jīng)網(wǎng)絡(luò)開始，然后與一種強大的搜索算法相結(jié)合，“簡單地解釋就是，它開始不知道該怎么做，就去嘗試，嘗試之后，看到了結(jié)果，若是正面結(jié)果，就知道做對了，反之，就知道做錯了，這就是它自我學(xué)習(xí)的方法。”

這一過程中，阿爾法元成為自己的“老師”，神經(jīng)網(wǎng)絡(luò)不斷被調(diào)整更新，以評估預(yù)測下一個落子位置以及輸贏，更新后的神經(jīng)網(wǎng)絡(luò)又與搜索算法重新組合，進(jìn)而創(chuàng)建一個新的、更強大的版本，然而再次重復(fù)這個過程，系統(tǒng)性能經(jīng)過每一次迭代得到提高，使得神經(jīng)網(wǎng)絡(luò)預(yù)測越來越準(zhǔn)確，阿爾法元也越來越強大。

其中值得一提的是，以前版本的阿爾法狗通常使用預(yù)測下一步的“策略網(wǎng)絡(luò)(policy network)”和評估棋局輸贏的“價值網(wǎng)絡(luò)(value network)”兩個神經(jīng)網(wǎng)絡(luò)。而更為強大的阿爾法元只使用了一個神經(jīng)網(wǎng)絡(luò)，也就是兩個網(wǎng)絡(luò)的整合版本。

這個意義上而言，“AlphaGo Zero”譯成“阿爾法元”，而不是字面上的“阿爾法零”，“內(nèi)涵更加豐富，代表了人類認(rèn)知的起點——神經(jīng)元?！崩铌拷淌谡f。

上述研究更新了人們對于機器學(xué)習(xí)的認(rèn)知。“人們一般認(rèn)為，機器學(xué)習(xí)就是關(guān)于大數(shù)據(jù)和海量計算，但是通過阿爾法元，我們發(fā)現(xiàn)，其實算法比所謂計算或數(shù)據(jù)可用性更重要?！盌avidSilver博士說。

李昕教授長期專注于制造業(yè)大數(shù)據(jù)研究，他認(rèn)為，這個研究最有意義的一點在于，證明了人工智能在某些領(lǐng)域，也許可以擺脫對人類經(jīng)驗和輔助的依賴?！叭斯ぶ悄艿囊淮箅y點就是，需要大量人力對數(shù)據(jù)樣本進(jìn)行標(biāo)注，而阿爾法元則證明，人工智能可以通過‘無監(jiān)督數(shù)據(jù)（unsupervised data）’，也就是人類未標(biāo)注的數(shù)據(jù)，來解決問題?！?/p>

有人暢想，類似的深度強化學(xué)習(xí)算法，或許能更容易地被廣泛應(yīng)用到其他人類缺乏了解或是缺乏大量標(biāo)注數(shù)據(jù)的領(lǐng)域。

不過，究竟有多大實際意義，能應(yīng)用到哪些現(xiàn)實領(lǐng)域，李昕教授表示“還前途未卜”，“下圍棋本身是一個比較局限的應(yīng)用，人類覺得下圍棋很復(fù)雜，但是對于機器來說并不難。而且，下圍棋只是一種娛樂方式，不算作人們在生活中遇到的實際問題。”

那么，谷歌的AI為什么會選擇圍棋？

據(jù)《第一財經(jīng)》報道，歷史上，電腦最早掌握的第一款經(jīng)典游戲是井字游戲，這是1952年一位博士在讀生的研究項目；隨后是1994年電腦程序Chinook成功挑戰(zhàn)西洋跳棋游戲；3年后，IBM深藍(lán)超級計算機在國際象棋比賽中戰(zhàn)勝世界冠軍加里?卡斯帕羅夫。

除了棋盤游戲外，IBM的Watson系統(tǒng)在2011年成功挑戰(zhàn)老牌智力競賽節(jié)目Jeopardy游戲一戰(zhàn)成名；2014年，Google自己編寫的算法，學(xué)會了僅需輸入初始像素信息就能玩幾十種Atari游戲。

但有一項游戲仍然是人類代表著頂尖水平，那就是圍棋。

谷歌DeepMind創(chuàng)始人兼CEO Demis Hassabis博士曾在2016年AlphaGo對陣?yán)钍朗瘯r就做過說明，有著3000多年歷史的圍棋是人類有史以來發(fā)明出來的最復(fù)雜的游戲，對于人工智能來說，這是一次最尖端的大挑戰(zhàn)，需要直覺和計算，要想熟練玩圍棋需要將模式識別和運籌帷幄結(jié)合。

“圍棋的搜索空間是漫無邊際的——比圍棋棋盤要大1個古戈爾(數(shù)量級單位，10的100次方，甚至比宇宙中的原子數(shù)量還要多)?！币虼耍瑐鹘y(tǒng)的人工智能方法也就是“為所有可能的步數(shù)建立搜索樹”，在圍棋游戲中幾乎無法實現(xiàn)。

而打敗了人類的AlphaGo系統(tǒng)的關(guān)鍵則是，將圍棋巨大無比的搜索空間壓縮到可控的范圍之內(nèi)。David Silver博士此前曾介紹，策略網(wǎng)絡(luò)的作用是預(yù)測下一步，并用來將搜索范圍縮小至最有可能的那些步驟。另一個神經(jīng)網(wǎng)絡(luò)“價值網(wǎng)絡(luò)(valuenetwork)”則是用來減少搜索樹的深度，每走一步估算一次游戲的贏家，而不是搜索所有結(jié)束棋局的途徑。

李昕教授對阿爾法元帶來的突破表示欣喜，但同時他也提到，“阿爾法元證明的只是在下圍棋這個游戲中，無監(jiān)督學(xué)習(xí)（unsupervised learning）比有監(jiān)督學(xué)習(xí)（supervised learning）‘更優(yōu)’，但并未證明這就是‘最優(yōu)’方法，也許兩者結(jié)合的semi-supervised learning，也就是在不同時間和階段，結(jié)合有監(jiān)督或無監(jiān)督學(xué)習(xí)各自的優(yōu)點，可以得到更優(yōu)的結(jié)果。”

李昕教授說，人工智能的技術(shù)還遠(yuǎn)沒有達(dá)到人們所想象的程度，“比如，互聯(lián)網(wǎng)登錄時用的reCAPTCHA驗證碼（圖像或者文字），就無法通過機器學(xué)習(xí)算法自動識別”，他說，在某些方面，機器人確實比人做得更好，但目前并不能完全替換人?！爸挥挟?dāng)科研證明，一項人工智能技術(shù)能夠解決一些實際問題和人工痛點時，才真正算作是一個重大突破。”

昆山杜克大學(xué)常務(wù)副校長、中美科技政策和關(guān)系專家丹尼斯·西蒙（Denis Simon）博士在接受澎湃新聞采訪時表示，阿爾法元在圍棋領(lǐng)域的成功說明它確實有極大的潛力。阿爾法元通過與自身對弈實現(xiàn)了自身能力的提升，每一次它都變得更聰明，每一次棋局也更有挑戰(zhàn)性。這種重復(fù)性的、充分參與的學(xué)習(xí)增強了阿爾法元處理更高層次的、戰(zhàn)略復(fù)雜問題的能力。但缺點是這是一個封閉的系統(tǒng)?！鞍柗ㄔ绾文軌虺^自身的局限獲得進(jìn)一步的成長？換句話說，它能跳出框框思考嗎？”