2016年3月10日人機大戰(zhàn)第二局，AlphaGo執(zhí)黑211手中盤勝李世石。對于不懂圍棋的圍觀群眾，這意味著機器以5：0獲勝的前景確認，可能會轉(zhuǎn)而關(guān)注人工智能進步對社會的影響。對棋迷特別是職業(yè)棋手來說，會更關(guān)注第二局中AlphaGo在圍棋技藝上帶來的震撼，這個震撼比第一局更大。

先用一段文學性的描述概括前兩局：

在圍棋這個令許多人沉醉的迷失大陸上，忽然半空中浮現(xiàn)了一個既令人恐懼，又令人興奮的帶著魔幻主義色彩的怪物。離得還遠看不太清的時候，職業(yè)高手群體作為人類護法，把AlphaGo當作一個有趣的小妖怪，準備用自己明顯更高的法力去吊打它。第一局過后，人們發(fā)現(xiàn)這小妖扛過了大法師的主動挑戰(zhàn)，第102手趁法師沒有防備忽然出手偷襲，獲得了勝利。人們稱贊這小妖法力可以啊，但并不認為它有多強大，而是認為大法師發(fā)揮不佳。第二局，人類大法師平心靜氣地開局，小妖更多地主動出招主導了棋局的進程。事實說明AlphaGo不是小妖，而是大魔王。它的著數(shù)與人類很不相同，下出了人們從未見過的次序與招數(shù)，但卻自成體系。大魔王的著法并非天衣無縫，一次主動出擊甚至被抓到了明顯破綻，卻靠著彌漫在全局的邪氣維持著局面。后半盤，大魔王的威力開始顯現(xiàn)出來，差距越拉越大，在人類的眼中終于完成了從小妖到魔王的形象轉(zhuǎn)變。職業(yè)棋手們現(xiàn)在已經(jīng)普遍悲觀，認為整個大陸都將被魔王統(tǒng)治，只有柯潔、孟泰齡等少數(shù)人還想著進行最后的抵抗。還有一些企圖抓住最后一根稻草，相信大魔王有“不會打劫”的死穴，盼望著最后三局出現(xiàn)奇跡。

下面用幾個圖介紹一下AlphaGo帶有魔性的著法。

開局AlphaGo第13手脫先就讓所有人大吃一驚。15手這么早刺一下，都是沒人下過的招。雖然難以論定好壞，但AlphaGo從魔界過來的作派已經(jīng)初露端倪了。

黑37是讓所有職業(yè)高手都難以置信的創(chuàng)新招手。人類理論說，三路和四路是地勢平衡線，四路尖沖三路常見。AlphaGo卻五路尖沖四路，沒有人敢想。而且這招并不是胡下，四周有配合，得到了聶老等布局高手的贊許。仔細品味，為什么三路四路的地勢平衡線就是定死的？如果有配合，為什么平衡線不能上移到四路五路？白R4R5R6這個頭非常硬，本來就是不應該去圍地的形狀，再加上黑S14扳白為了護住“四路大空”要應，等于黑先手護角。這幾個理由加起來，地勢線真的可能就上移了。

白80打入，黑81手卻悠然地封住白棋聯(lián)絡(luò)自身。這實在是很難想到的方向，這么緊急的地方不去攻打入的那子，卻到這里自補。但是細細品味，卻會發(fā)現(xiàn)這是好招，是一種間接攻擊。也許AlphaGo模擬了幾百萬個局面，認為有了81的自補，白就動不出什么東西。這無疑是一種非常高級的思路。

李世石白120手兇悍出手。黑棋121扳123連125淡定得不得了，白似乎獲利極大。但是黑再127扳住，赫然發(fā)現(xiàn)黑這里圍了不少地，而且整體厚了很多，122那里的最后一個毛病沒有了，下面就輪到黑對中間白棋發(fā)起令人膽寒的魔性攻擊了。

感性完了，我們還是回到技術(shù)性的探討。從2015年10月AlphaGo與樊麾的對局來看，雖然AlphaGo正式比賽是5：0，但以高手的標準，五局中它的招數(shù)平平無奇，毫無魔性。是下得象人，比以前的程序強太多了，不會抽風。但并沒有真正震懾到人，人們還發(fā)現(xiàn)了它不少明顯的漏洞與不精確的地方，前面我寫文章分析介紹了（http://www.guancha.cn/chenjing/2016_02_01_349900.shtml）。而且五局非正式對局樊麾也勝了2局?？紤]到樊麾心理失衡表現(xiàn)大打折扣，可以認為這時單機版的AlphaGo和他正常的棋力差不多，分布式版本的高一些。谷歌論文也說了單機版AlphaGo的等級分和樊麾差不多，2900多分，差李世石600分。

2016年1月28日論文在《自然》上發(fā)表了，棋譜公布了，3月挑戰(zhàn)李世石的計劃也宣布了。在當天WeiqiTV立即推出的談話節(jié)目中，劉星透露不久前樊麾來北京時喝大了，又因為保密協(xié)議不能說，只是反復說出大事了，要變天了。如果AlphaGo只是和樊麾差不多的實力，這只能說是人工智能界值得慶祝的大事，對圍棋界卻不是變天性質(zhì)的大事。這還是個好事，幫圍棋打響世界知名度。如果機器總是勝不了人類高手，這對圍棋發(fā)展到全球是一個絕佳機會。這是孟泰齡等職業(yè)棋手看到的機會，也是我內(nèi)心的期盼。由于樊麾加入了谷歌團隊，他顯然知道了更多的東西，知道了AlphaGo的實力突破?？梢哉J為，在2015年12月左右，谷歌團隊取得了顯著的算法突破。

3月9日人機大戰(zhàn)第一局開戰(zhàn)前，就有一個谷歌工程師傳出來的流言，說內(nèi)部評估李世石勝率為0，AlphaGo三天就完成了一次進化，對上一個版本的勝率達到了100%！現(xiàn)在看來這很可能是真的。后來流言又變成，每三天完成一次進化，對上一個版本達到100%。這應該不成立。谷歌放出的內(nèi)部消息意思應該是，取得了算法突破，搞了一次學習進化，AlphaGo用三天時間進化完成后，對勝樊麾的那個版本勝率100%。

所有圍棋AI不斷開發(fā)提升實力的過程中，都存在瓶頸。例如之前最強的程序Zen，2011年在KGS上就很厲害了，打到了5D。但之后三四年雖然不斷調(diào)整代碼開發(fā)，實力進展卻很小。只有在最近引入了深度學習后，才再次突破站穩(wěn)了7D。之前圍棋AI的主要開發(fā)工作是寫程序代碼，怎么用代碼寫一個走子策略，寫出蒙特卡洛搜索（MCTS）算法的代碼，怎么優(yōu)化代碼，怎么加進一些代碼消除bug。這種工作還是比較依賴人的具體代碼工作的，主要是人在那動腦子想。主要框架定了以后，不斷改進調(diào)試就到頂了，再想有所突破就難了。表現(xiàn)出來就是代碼改了這里，那里就不好了，顧此失彼。想加進一些改進的思想，大的加不了，小的越來越瑣碎，加了也不一定有大用。

那么AlphaGo的瓶頸是什么？從谷歌論文來看，與Zen等上一代程序很不相同。這里我們要再次描述一下AlphaGo的算法框架。

AlphaGo的核心程序代碼有兩部分。一部分是MCTS算法代碼、快速走子策略中一些和圍棋專業(yè)知識相關(guān)的代碼。更重要的部分是策略網(wǎng)絡(luò)、價值網(wǎng)絡(luò)等幾個多層神經(jīng)網(wǎng)絡(luò)中，那幾百萬個節(jié)點與更多聯(lián)結(jié)邊的“系數(shù)”。AlphaGo的開發(fā)者并不是從頭開始的，兩個并列第一作者David Silver和Aja Huang都是之前研究了圍棋算法多年的，整個團隊有約15-20人的業(yè)界頂級專家。但我相信，要讓他們?nèi)フ{(diào)整MCTS代碼，加一些代碼去消除bug，去提升最終的程序表現(xiàn)實力，他們也很快就會工作很煩卻進展不大，這是代碼開發(fā)中常有的事。程序算法框架定下來了，從2015年10月到2016年3月，五個月時間作出重大改變基本不可能。

但是，那幾百萬幾千萬個神經(jīng)網(wǎng)絡(luò)中的“系數(shù)”卻是很容易變動的。你可以隨便去改那些系數(shù)，如果表現(xiàn)不好大不了回到原來的。要是找到了新辦法，搞個三天時間的訓練學習，大批大批地改系數(shù)，說不定就取得好的效果，再實踐檢驗下就知道有沒有用了。實踐檢驗很簡單，就是和沒改系數(shù)之前的版本下，勝率大躍進，就成功了。這時團隊的開發(fā)工作，就不是在那改代碼了，而是想“新的訓練方法”。當然這也不容易，按谷歌論文的說法，你得有一套訓練的“流水線”。想把這個流水線建起來，那就是砸錢，要把各類專家都配齊了，還得有一堆高性能機器。

比如短時間暴力生成3000萬個自我對局，這得多少高性能機子同時對下？還有“深度學習”，輸入的是10萬個甚至更多的棋局，然后用高性能機器訓練出一個節(jié)點特別多的多層神經(jīng)網(wǎng)絡(luò)。還有“強化學習”，意思差不多如下。比如你要改進策略網(wǎng)絡(luò)，就有一個初始的“策略網(wǎng)絡(luò)”。策略網(wǎng)絡(luò)的結(jié)構(gòu)是不會變的，變的是上面的系數(shù)。然后你用什么方法變一下系數(shù)，就相當于變出了一個新的策略網(wǎng)絡(luò)。然后讓新舊兩個網(wǎng)絡(luò)對下，從結(jié)果看你剛才變的是好是壞，再決定繼續(xù)怎么變。這么反復弄下去，就會弄出一個對舊網(wǎng)絡(luò)勝率很高的，新的策略網(wǎng)絡(luò)?？傊褪亲寵C器self-play，左右互搏，看結(jié)果來變系數(shù)。這都是需要一堆高性能機器一起做的，不然根本沒有時間完成訓練。

但是對谷歌這樣有實力的公司，“這都不是事”。一旦把流水線建起來了，那個爽就沒法說了。現(xiàn)在整個團隊的開發(fā)工作簡直進入了另一個境界。不是去改代碼了。改來改去調(diào)bug，誰知道進度怎么樣，這就是走入死路了。主要開發(fā)工作就是去高層次地想，還有什么新的訓練方法？感覺靠譜就去試，流水線一開，成千上萬臺高性能機器在那暴力運算，self-play熱火朝天。一計不成再生二計，盤算的都是類似于上帝的事，怎么讓一堆機器幫你辦底層的事，團隊核心就負責想大招。

當然這流水線研發(fā)也會有瓶頸。谷歌論文中就說了，他們用KGS的高段對局者的10萬局棋譜，深度學習訓練出了一個“初始策略網(wǎng)絡(luò)”SL，然后又用“強化學習”對著它不斷“強化”，最后出了一個“強化策略網(wǎng)絡(luò)”RL。RL和SL對下，勝率高達80%。但是在整個AlphaGo中，把SL替換成RL，和別人下，等級分表現(xiàn)反而更差！原因論文上也有提及，可能是RL過于強調(diào)對SL的勝率，訓練得鉆牛角尖了，對別人反而不如SL好，因為SL是很多人的棋招訓練出來的，各種情況都見識過。但是RL也不是沒有用處，用RL自己下，可以生成3000萬個高質(zhì)量棋局，用來訓練價值網(wǎng)絡(luò)效果好。

我當時就注意到這個了，所以認為AlphaGo可能水平到了瓶頸了，再怎么暴力堆數(shù)據(jù)，堆更多棋局，可能就象RL不如SL一樣，提高不了水平。也因為對整個程序訓練機制理解不夠深，在仔細看棋譜后對AlphaGo的算法缺陷印象更深，從而作出了“AlphaGo還不如人類頂尖高手，但有勝機”的判斷。

但我們回過頭看，這個瓶頸其實并不嚴重，比起Zen這類程序代碼調(diào)整死去活來沒有進步的境地，AlphaGo就算有瓶頸，情況也好多了。谷歌開發(fā)者都是業(yè)界頂級牛人，肯定能想出一些新訓練方法。比如想個妙招，改用不同的“強化學習”訓練方法，加點小變化。這回從SL強化學習完了，學出個RL-Plus。然后拿RL-Plus換掉SL，變出個新版AlphaGo一試，哇，等級分高了200，大招見效了！又趕緊用RL-Plus在一堆機器對下，生成3000萬個質(zhì)量更高的棋局，用它們深度學習，訓練出了新的價值網(wǎng)絡(luò)V-PLus。然后什么都不變，新版的RL-Plus + V-Plus，對舊版的RL+V，對戰(zhàn)400局，全勝！這下就搞定了，幾個工程師碰杯慶祝，等級分一算，知道李世石機會為0了。

這個流水線非常厲害。谷歌甚至放出了激動人心的消息，不再用人類棋局訓練策略網(wǎng)絡(luò)！也就是說，讓AlphaGo從零知識開始，從胡亂扔子棋力最差的策略網(wǎng)絡(luò)開始，不斷刷流水線，通過強化學習、self-play、深度學習更新幾個神經(jīng)網(wǎng)絡(luò)。這樣肯定會比較慢，說不定要幾個月時間才訓練好。但是一旦訓練好了，這就是真正沒有和人學過任何東西，全靠自己對下幾十億局訓練出來的，沒有受過人“污染”的機器智能！這個純種AlphaGo可能出手就和人完全不一樣，也許一開始就下的是天元、五五之類的怪招，直到中后盤才和人類棋手以及現(xiàn)在的AlphaGo走得差不多。這種自己在山洞里練習出來的東西，會不會比人強，甚至比現(xiàn)在這個學了人走法的AlphaGo強，會是特別有意思的事。不懂圍棋的人可能很難理解，為什么這特別有意思，但真的是很浪漫很狂野的一個事，非常激動人心。

谷歌論文出來以后，專家的解讀也出來了，我也仔細讀了。一開始以為，都是以前見過的東西，就是各個環(huán)節(jié)都做得不錯，下本錢加在一起細化優(yōu)化了，所以弄出一個棋力大躍進，戰(zhàn)勝了人類低水平職業(yè)棋手。但再要進步，似乎得發(fā)明“新技術(shù)”，再來一個創(chuàng)新，才能棋力進步追上頂級職業(yè)棋手過招。

然而這是一個錯覺。就MCTS，策略網(wǎng)絡(luò)，價值網(wǎng)絡(luò)等等技術(shù)環(huán)節(jié)而言，別人都做過。但是搞出工業(yè)級的流水線，沒有人做過！流水線本身才是最大的創(chuàng)新！這個流水線誕生以后，潛力無窮，極易取得突破。開發(fā)者們一定玩得開心死了。

我大約想明白了谷歌圍棋算法的秘密，最厲害的就是這個神經(jīng)網(wǎng)絡(luò)訓練的流水線。技術(shù)不是新的，但是量變到質(zhì)變，暴力堆數(shù)據(jù)的各個環(huán)節(jié)打通以后，就產(chǎn)生了無窮的威力，一舉在短時間內(nèi)破解了圍棋這個人工智能的核心問題。

作者簡介：筆名陳經(jīng)，香港科技大學計算機科學碩士，中國科學技術(shù)大學科技與戰(zhàn)略風云學會研究員，棋力新浪圍棋6D。21世紀初開始有獨特原創(chuàng)性的經(jīng)濟研究。2003年的《經(jīng)濟版圖中的發(fā)展中國家》預言中國將不斷產(chǎn)業(yè)升級，挑戰(zhàn)發(fā)達國家。2006年著有《中國的“官辦經(jīng)濟”》。

致謝：感謝中國科學技術(shù)大學科技與戰(zhàn)略風云學會會長袁嵐峰博士（@中科大胡不歸 ）與其他會員的寶貴意見。

討論：袁嵐峰認為，DeepMind調(diào)整系數(shù)的辦法可能是遺傳算法。即先產(chǎn)生大量的初代種群，然后把它們組合起來并加上隨機變異產(chǎn)生下一代種群，通過互相對弈選擇優(yōu)勝者，再進行下一代組合、變異、選擇，如此循環(huán)。這是當代科學研究中全局搜索的常用算法。