AlphaGo 能戰勝李世石嗎？

先直接回答這個問題，下面再分析AlphaGo和人工智慧的未來。我認為AlphaGo這次的比賽打敗李世乭比較懸，但是1-2年之內必然完勝人類。

1. 按照兩者的Elo（圍棋等級分），可以算出去年年底的AlphaGo打敗李世乭的機率相當低。 如何算出的呢？AlphaGo去年年底的頂級分布式版本的Elo是3168（見下面第一張圖），而李世乭的Elo大約是3532（全球圍棋手Elo: Go Ratings ，見下面第二張圖）。
   

   

   
   按照這兩個等級分的兩個棋手對弈，李世乭每盤的勝算為89%（\frac{1}{(1+10^{((3168-3532)/400))} )} ，公式見：How to Guide: Converting Elo Differences To Winning Probabilities : chess）。如果對弈一盤，AlphaGo尚有11%的獲勝的可能性，而整個比賽五盤勝出三盤或更多，AlphaGo就只有1.1%的可能性了。（當然，這是幾個月前的AlphaGo，也許今天已經超越了：見下面第三點）。
   

2. AlphaGo不是打敗了歐洲冠軍嗎？有些 人認為AlphaGo去年底擊敗了歐洲冠軍樊麾，所以挑戰（前）世界冠軍應有希望。但是，樊麾只是職業二段（Elo 3000左右），而李世乭是職業九段（ELO 3532）。這兩位的差別是巨大的，完全不能混為一談。就比如說一個人桌球打敗了非洲冠軍，並不代表他就可以成功挑戰中國冠軍。
   
3. AlphaGo有可能在這幾個月突飛猛進，進而擊敗李世乭嗎？ AlphaGo的負責人說：」外界不知道我們這幾個月進步了非常多「。（來自：Odds favor machine over human in big Go showdown ）。這點確實有可能。AlphaGo進步的方法有兩個：（1）增加硬體：我們從Nature的文章可以看到：從1202個CPU到1920個CPU，AlphaGo的ELO只增加了28，而且線性地增加CPU，不會看到線性的ELO成長。若要達到364 ELO積分的提升，需要的CPU將達到天文數位（有篇文章估計至少要10萬個CPU：AlphaGo and AI Progress）。當然，谷歌有錢有機器，但是純粹加機器將會碰到平行計算互相協調的瓶頸（就是說假設有十萬萬台機器，它們的總計算能力很強，但是彼此的協調將成為瓶頸）。在幾個月之內增加兩個數量級的CPU並調節演算法，降低瓶頸，應該不容易。（2）增加學習功能：AlphaGo有兩種學習功能，第一種是根據高手棋譜的學習，第二種是自我對弈，自我學習。前者已經使用了16萬次高手比賽，而後者也在巨大機組上訓練了8天。這方面肯定會有進步，但是要超越世界冠軍可能不容易。最後，換一種分析方式：如果從過去深藍擊敗世界冠軍的「成長過程」來看，深藍大約1993年達到職業大師水平，4年後才在一場六盤的比賽中擊敗世界冠軍（大約500Elo積分點的提升）。今天的AlphaGo應該和1993年的深藍相似，剛進入職業大師水平。若要擊敗世界冠軍，雖然未必需要4年的時間，但是幾個月似乎不夠。
4. 還有什麽以上未考慮的因素，導致AlphaGo獲勝嗎？ 如果谷歌刻意未出全力和樊麾對抗，或者有其它學習或平行計算方面超越了Nature裏面的描述，那AlphaGo完全有可能獲勝。

既然寫了這麽多，就對這個題目再發表一些看法：

1. AlphaGo 是什麽？ 在今年一月的Nature (http://www. nature.com/nature/journ al/v529/n7587/full/nature16961.html )有AlphaGo的詳細介紹，AlphaGo是一套為了圍棋最佳化的設計周密的深度學習引擎，使用了神經網路加上MCTS (Monte Carlo tree search），並且用上了巨大的谷歌雲端運算資源，結合CPU+GPU，加上從高手棋譜和自我學習的功能。這套系統比以前的圍棋系統提高了接近1000分的Elo，從業余5段提升到可以擊敗職業2段的水平，超越了前人對圍棋領域的預測，更達到了人工智慧領域的重大裏程碑。
2. AlphaGo 是科學的創新突破嗎？ AlphaGo是一套設計精密的卓越工程，也達到了歷史性的業界裏程碑，不過Nature文章中並沒有新的「發明」，AlphaGo的特點在於：不同機器學習技術的整合（例如：reinforcement learning, deep neural network, policy+value network, MCTS的整合可謂創新）、棋譜學習和自我學習的整合、相對非常可擴張的architecture（讓其充分利用谷歌的計算資源）、CPU+GPU並列發揮優勢的整合。這套「工程」不但有世界頂級的機器學習技術，也有非常高效的程式碼，並且充分發揮了谷歌世界最宏偉的計算資源（不僅僅是比賽使用，訓練AlphaGo時也同樣關鍵）。
   AlphaGo的跳躍式成長來自幾個因素：1）15-20名世界頂級的電腦科學家和機器學習專家（這是圍棋領域從未有的豪華團隊：也許你覺得這不算什麽，但是要考慮到這類專家的稀缺性），2）前面一點提到的技術、創新、整合和最佳化。3）全世界最浩大的谷歌後台計算平台，供給團隊使用，4）整合CPU+GPU的計算能力。
3. AlphaGo是個通用的大腦，可以用在任何領域嗎？ AlphaGo裏面的深度學習、神經網路、MCTS，和AlphaGo的擴張能力計算能力都是通用的技術。AlphaGo的成功也驗證了這些技術的可延伸性。但是，AlphaGo其實做了相當多的圍棋領域的最佳化；除了上述的系統調整整合之外，裏面甚至還有人工設定和調節的一些參數。AlphaGo的團隊在Nature上也說：AlphaGo不是完全自我對弈end-to-end的學習（如之前同一個團隊做Atari AI，用end-to-end，沒有任何人工幹預學習打電動遊戲）。如果AlphaGo今天要進入一個新的套用領域，用AlphaGo的底層技術和AlphaGo的團隊，應該可以更快更有效地開發出解決方案。這也就是AlphaGo真正優於深藍的地方。但是上述的開發也要相當的時間，並且要世界上非常稀缺的深度計算科學家（現在年待遇行情已達250萬美金）。所以，AlphaGo還不能算是一個通用技術平台，不是一個工程師可以經過調動API可以使用的，而且還距離比較遠。
4. 如果這次AlphaGo沒有打敗 李世乭，那還要多久呢？ IBM深藍從進入大師級別到比賽擊敗世界冠軍花了四年。AlphaGo應該會比深藍更快提升自己，因為深藍需要新版本的硬體，和針對Kasparov的人工調節最佳化，而AlphaGo是基於谷歌的硬體計算平台，和相對通用的深度學習演算法。所以，幾個月太短，4年太長，就預計1-2年之間吧。
   
5. 從西洋棋到圍棋，到底是不是巨大的突破呢？ 肯定是的，在這篇文章裏面（在西洋棋領域，電腦已經可以戰勝人腦，那麽圍棋領域電腦還差多遠？ - 電腦 ），第一位回答者分析了圍棋的復雜度為10^{172} 而西洋棋則只有10^{46} 。在1997年深藍擊敗世界冠軍時，大家都認為：深藍使用的是人工調整的評估函式，而且是用特殊設計的硬體和」暴力「的搜尋 (brute-force) 地征服了西洋棋級別的復雜度，但是圍棋是不能靠窮舉的，因為它的搜尋太廣（每步的選擇有幾百而非幾十）也太深（一盤棋有幾百步而非幾十步）。而AlphaGo的發展讓我們看到了，過去二十年的發展，機器學習+平行計算+海量數據是可以克服這些數位上的挑戰的，至少足以超越最頂尖的人類。
6. AlphaGo 若打敗了世界冠軍，就意味著電腦超越人腦？或者可以思考了嗎？我的回答：

P.S. - 也許有人好奇，為什麽這個話題我說了這麽多，因為在1986年，我在讀書時，曾經開發了一套黑白棋系統（復雜度10^{28} ），擊敗了黑白棋的世界團體冠軍，而當年的那套系統也有（非常粗淺的）自我學習的能力。有興趣的網友可以在這裏看到我當年的文章：

) 。