close
[摘要]AlphaGo打敗李世石比較懸，但是1-2年之內必然完勝人類。
騰訊科技訊 3月7日，李開復(微博)回復知乎上網友“AlphaGo能戰勝李世石嗎？”的問題時稱，AlphaGo打敗李世石比較懸，但是1-2年之內必然完勝人類。
李開復分析稱，AlphaGo去年年底的圍棋等級分台北靜電機租賃是3168，而李世石等級分大約是3532。按照這兩個等級分的兩個棋手對弈，李世石每盤的勝算為89%，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就隻有1.1%的可能性瞭。
李開復稱，從去年年底到現在，隻有幾個月的時間，AlphaGo的水平增長仍不足以擊敗世界冠軍。但李開復也預言，1-2年內AlphaGo有希望打敗李世石。
AlphaGo去年底擊敗瞭歐洲冠軍樊麾，但樊麾隻是職業二段，而李世石是職業九段。兩者差別巨大，完全不能混為一談。
以下為李開復在知乎上的回答：
我認為AlphaGo這次的比賽打敗李世石比較懸，但是1-2年之內必然完勝人類。
按照兩者的Elo（圍棋等級分），可以算出去年年底的AlphaGo打敗李世石的概率相當低。如何算出的呢？AlphaGo去年年底的頂級分佈式版本的Elo是3168（見下面第一張圖），而李世石的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，李世石每盤的勝算為89%（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就隻有1.1%的可能性瞭。（當然，這是幾個月前的AlphaGo，也許今天已經超越瞭：見下面第三點）。
AlphaGo不是打敗瞭歐洲冠軍嗎？有些人認為AlphaGo去年底擊敗瞭歐洲冠軍樊麾，所以挑戰（前）世界冠軍應有希望。但是，樊麾隻是職業二段（Elo 3000左右），而李世石是職業九段（ELO 3532）。這兩位的差別是巨大的，完全不能混為一談。就比如說一個人乒乓球打敗瞭非洲冠軍，並不代表他就可以成功挑戰中國冠軍。
AlphaGo有可能在這幾個月突飛猛進，進而擊敗李世石嗎？AlphaGo的負責人說：”外界不知道我們這幾個月進步瞭非常多“。（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）增加硬件：我們從Nature的文章可以看到：從1202個CPU到1920個CPU，AlphaGo的ELO隻增加瞭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將達到天文數字（有篇文章估計至少要10萬個CPU：AlphaGo and AI Progress）。當然，谷歌(微博)有錢有機器，但是純粹加機器將會碰到並行計算互相協調的瓶頸（就是說假設有十萬萬臺機器，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。前者已經使用瞭16萬次高手比賽，而後者也在巨大機組上訓練瞭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。
還有什麼以上未考慮的因素，導致AlphaGo獲勝嗎？如果谷歌刻意未出全力和樊麾對抗，或者有其它學習或並行計算方面超越瞭Nature裡面的描述，那AlphaGo完全有可能獲勝。
既然寫瞭這麼多，就對這個題目再發表一些看法：
AlphaGo 是什麼？在今年一月的Nature (http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html )有AlphaGo的詳細介紹，AlphaGo是一套為瞭圍棋優化的設計周密的深度學習引擎，使用瞭神經網路加上MCTS (Monte Carlo tree search），並且用上瞭巨大的谷歌雲計算資源，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瞭接近1000分的Elo，從業餘5段提升到可以擊敗職業2段的水平，超越瞭前人對圍棋領域的預測，更達到瞭人工智能領台北靜電油煙處理機租賃域的重大裡程碑。
AlphaGo 是科學的創新突破嗎？AlphaGo是一套設計精密的卓越工程，也達到瞭歷史性的業界裡程碑，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並行發揮優勢的整合。這套“工程”不但有世界頂級的機器學習技術，也有非常高效的代碼，並且充分發揮瞭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名世界頂級的計算機科學傢和機器學習專傢（這是圍棋領域從未有的豪華團隊：也許你覺得這不算什麼，但是要考慮到這類專傢的稀缺性），2）前面一點提到的技術、創新、整合和優化。3）全世界最浩大的谷歌後臺計算平臺，供給團隊使用，4）整合CPU+GPU的計算能力。
AlphaGo是個通用的大腦，可以用在任何領域嗎？AlphaGo裡面的深度學習、神經網絡、MCTS，和AlphaGo的擴張能力計算能力都是通用的技術。AlphaGo的成功也驗證瞭這些技術的可擴展性。但是，AlphaGo其實做瞭相當多的圍棋領域的優化；除瞭上述的系統調整整合之外，裡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應用領域，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傢（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臺，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。
如果這次AlphaGo沒有打敗李世石，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瞭四年。AlphaGo應該會比深藍更快提升自己，因為深藍需要新版本的硬件，和針對Kasparov的人工調節優化，而AlphaGo是基於谷歌的硬件計算平臺，和相對通用的深度學習算法。所以，幾個月太短，4年太長，就預計1-2年之間吧。
從國際象棋到圍棋，到底是不是巨大的突破呢？肯定是的，在這篇文章裡面（在國際象棋領域，電腦已經可以戰勝人腦，那麼圍棋領域電腦還差多遠？ - 計算機 ），第一位回答者分析瞭圍棋的復雜度為 而國際象棋則隻有 。在1997年深藍擊敗世界冠軍時，大傢都認為：深藍使用的是人工調整的評估函數，而且是用特殊設計的硬件和”暴力“的搜索 (brute-force) 地征服瞭國際象棋級別的復雜度，但是圍棋是不能靠窮舉的，因為它的搜索太廣（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的發展讓我們看到瞭，過去二十年的發展，機器學習+並行計算+海量數據是可以克服這些數字上的挑戰的，至少足以超越最頂尖的人類。
AlphaGo 若打敗瞭世界冠軍，就意味著計算機超越人腦？或者可以思考瞭嗎？我的回答：
在可以憑邏輯分析推算的問題上，機器即將遠遠把人類拋在後面。機器速度會越來越快，學習能力新竹靜電機租賃會越來越強，數據會越來越多。當年，大傢討論“國際象棋輸給機器不算什麼，圍棋才是真正的智慧”隻是我們人類維護自己尊嚴但是不實際的幻想！今天，我們該面對現實瞭！
在大數據+機器學習+大規模並行計算的時代，我們將看到無數的商機和產品，能夠在預測、分析、推薦等方面，產生巨大的商業和用戶價值。不過，這些解決方案和人類相比，其實沒有什麼意義，因為人差太遠瞭（比如說：推薦引擎將能推薦你最可能會買的產品、想吃的菜，想認識的人；自動交易能得到更高的投資回報和風險比例。。。）。
在感知方面，人類也將會被機器超越。今天的語音識別，人臉識別，未來的自動駕駛，都是例子。
但是，對於那些科幻片的粉絲們：以上都還是冷冰冰的技術，機器人是否會人性化？這還是未知的。畢竟，在情感、喜怒哀樂、七情六欲、人文藝術、美和愛、價值觀等方面，機器離人還差的很遠，甚至連基礎都沒有。對人工智能的研究者，這是下一個挑戰。對我們人類，在下個突破之前，我們還是多發展右腦吧！
P.S. - 也許有人好奇，為什麼這個話題我說瞭這麼多，因為在1986年，我在讀書時，曾經開發瞭一套黑白棋系統（復雜度），擊敗瞭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裡看到我當年的文章：A pattern classification approach to evaluation function learning ) 。
作者：李開復
AUGI SPORTS｜重機車靴｜重機車靴推薦｜重機專用車靴｜重機防摔鞋｜重機防摔鞋推薦｜重機防摔鞋
AUGI SPORTS｜augisports｜racing boots｜urban boots｜motorcycle boots
文章標籤
全站熱搜
留言列表
