close
摘要： 圍棋因為變化委實太多，至今仍未有最優解，所以能存活到今天。AlphaGo並沒有徹底擊敗李世石，看起來圍棋的生命力仍然很頑強
（本文正在參與鈦媒體最新競拍話題【圍觀AlphaGo大戰世界圍棋冠軍：機器戰勝人到底是不是忽悠？】的競拍，如果持有不同見解，鈦妹歡迎你來參與競拍，觀點PK，不服來戰！）
再可怕的怪物也是有弱點的，AlphaGo為什麼會下臭棋讓大傢大跌眼鏡，圍棋人工智能第二代第三代的死穴是什麼？
圍棋人工智能第三代的死穴在哪兒？
韓國圍棋界曾獲得多項世界冠軍的職業九段李世石對陣谷歌計算機AlphaGo的人機大戰，三連敗之後，執白棋居然扳回一局。
大眾把此場圍棋人機大戰看得太重，看作人腦跟電腦的徹底較量，其實不然，因為比試的隻是圍棋一樣東西。圍棋人機大戰人類若輸瞭，不等於人腦就從此比不上電腦瞭。
實際上，圍棋雖然變化復雜，但理論上並非變化無窮。畢竟可以看作一道數學題目，可以用計算機來編程運算從而得到解答。假以時日，人類在下棋這一方面遲早難以與電腦匹敵。就算李世石三連敗之後能扳回兩局，那就怎麼樣呢？下圍棋這一方面人類遲早是敵不過人工智能的。
圍棋人工智能第一代算法使用的就是窮舉法，試圖把所有的下法都算出來，然後選擇必勝的下法。但是因為圍棋的變化委實太多，暫時無法辦到。
第二代算法，是抽樣評估選擇勝率最高的算法，大大減省瞭運算量，使人工智能終於能跟業餘圍棋選手較量。
谷歌AlphaGo是第三代算法，利用人工智能自我學習的能力使己身棋力突飛猛進。看上去似乎已能輾壓世界頂尖職業高手的AlphaGo，第四局居然爆冷下臭棋落敗，是出瞭什麼問題？
Alpha Go的算法是有問題的。第三代算法的問題實際上也是第二代算法的問題，因為第三代算法是基於第二代算法的抽樣評估再加以自我學習。就算Alpha Go可以自己跟自己下棋提升棋力，它之所以能這樣下棋還是基於抽樣評估。
抽樣評估是有弱點的。勝率高的下法不一定就是正確的下法，畢竟這隻是統計。有些冷門下法，也許反而能出奇制勝。
Alpha Go下臭棋時思考速度特別快恰恰說明此時的樣本少。李世石78手是奇招，會下這一手的棋手很少，AlphaGo按照程序運算的結果自以為李世石勝算不高，特別快地作出瞭反應。這是一個天大的錯誤。
跟圍棋程序下過棋的棋手都有這麼一種感覺：電腦在劣勢時應對特別混亂。不單AlphaGo，Zen也是這樣。因為電腦處於勝率低的情況已經不好思考瞭。按照樣本統計，處於勝率低的情況下當然是落敗的多，反敗為勝的樣本可不好找。勝率越低的情況，AlphaGo的思路越混亂。在極端情況下，也許找到的樣本中勝率低的一方已經投子認輸瞭，沒有後續的棋譜，AlphaGo於是不懂該怎麼辦瞭。
Alpha Go的失敗也是人類的失敗，畢竟的程序也是人類編出來的。另一方面，也是因為算法基於人類的樣本，導致瞭AlphaGo的失敗。如果有應對李世石那一招的樣本，AlphaGo也不至於如此判斷出錯。
Alpha Go之父哈薩比斯說：“AlphaGo的訓練並沒有專門針對李世石先生，而是像對普通棋手比賽前一樣，做的隻是日常的準備。AlphaGo備戰就是從網上下載很多業餘棋手的棋譜研究，沒有什麼特別之處。”隨後又說，“要針對某一個棋手備戰也很難，我們至少需要數百萬甚至上億的棋譜，才能整體提供給AlphaGo，它才能接收並進行深度學習。”
哈薩比斯的話也證實瞭圍棋人工智能第二代第三代的死穴，也就是樣本評估的問題。像李世石反敗為勝這樣的奇招，能找到的樣本實在太少。AlphaGo明顯需要有大量職業棋手的優質且非常全面的對局作為參考，這可不好辦到。
圍棋貼目難題仍待解決
第四局，台中通馬桶推薦李世石執白棋反而能獲勝，這是一件很匪夷所思的事。因為黑棋有先手優勢，勝率更高。
圍棋人機大戰引出瞭一個長期困擾圍棋界的問題，就是圍棋規則中關於貼目的規定。不玩圍棋的人可能不知道，但圍棋迷都清楚。執黑棋的棋手是先手，享有優勢，故為瞭公平起見，黑方需要向白方貼目。
1949年（昭和24年）日本棋院圍棋規則規定：黑方貼4目半。從1955年的第3期王座戰起，黑棋貼目從4目半改為5目半。但是根據統計，黑方仍然占瞭優勢。截止到2001年底，在日本棋院近5年來進行的1.5萬盤正式公開棋賽對局中，（黑貼5目半的情況下）黑棋勝率達到瞭51.86%。執黑執白的勝率之差雖然不大，但在爭奪激烈的圍棋大賽上，這樣的差距足以致命。
在國際棋賽中實力明顯占優的韓國率先在大多數棋賽中改用6目半制。中國也從2002年春天起，全部改貼3又3/4子（相當於7目半）。日本棋院對於實行瞭50年的黑棋貼5目半的制度也實行瞭改革，將部分比賽向中韓靠攏， 2003年開始全部采用黑棋貼6目半規則。
截止到2014年底，中國大陸主辦的貼3又3/4子（相當於7目半）的世界大賽共有380盤對局，其中黑勝200局，勝率為52.6%（前3屆春蘭杯相當於貼5目半，未計入）。而臺灣舉辦的應氏杯（貼8點，也相當於7目半）則是黑勝100局，白勝97局。由此可見，即便是貼7目半，黑方似乎還是略占優勢。
那麼，到底黑方要向白方貼目多少才絕對公平？目前這個數值隻是根據大量人類對局作統計得出的，並非數學上的完美無懈的解答。
也許，讓AlphaGo學金庸武俠小說中的周伯通和郭靖左右互搏，自己左手跟右手下棋，然後通過大量內戰結果統計出貼目的合理數值？No，這也不是完美的解答。
前面說過，AlphaGo之所以能自己跟自己下棋，還是基於對人類對局的抽樣評估。這跟直接對人類對局進行統計沒什麼兩樣。
完美的解答，還是要回到最初，用最原始的窮舉法，找出下圍棋的最優解。這樣，才能徹底制訂貼目的數值。隻是不知道，運算量這麼大的工程，不知道要到什麼時候才能實現？
我們倒是可以設想一下圍棋得到徹底破解之後的情景：某國際圍棋大賽在萬眾矚目下開始瞭，執黑棋的棋手才下瞭第一子，裁判當即宣佈，執白棋的棋手不用下瞭，比賽結果已定，誰勝誰負或是打成平手已經水落石出。觀眾一片歡呼。
AlphaGo玩麻將怎麼樣兼論桌遊設計的隨機性
圍棋人機大戰人類雖然輸瞭，但有些網友表示，人類的智慧還有中國麻將守著（詳見鈦媒體文章《贏瞭圍棋冠軍不算什麼，阿爾法狗敢不敢挑戰麻將？|鈦搞瞭》）。但中搜網絡創始人、北京圍棋業餘賽冠軍陳沛對采訪他的記者說：“要是麻將，人類會輸得更慘！麻將一共就那麼多張，很容易算出來的。”
然而，陳沛的話其實是錯的。假設有個傻大木，他都不太會玩麻將，但他就是運氣好到爆棚，一開局就自摸十三么，請問AlphaGo可有破解高招？
麻將這類棋牌遊戲因為隨機抽牌，是有運氣成分的。
有網友就戲言：假如打麻將時三個人聯手對付AlphaGo，AlphaGo會輸得很慘。這雖然是作弊瞭，但也道出瞭一個大問題：在多人遊戲中，局面變得異常復雜，人工智能要如何才能應對？
比如說，三個人跟Alpha Go打麻將，雖然沒人作弊，但是甲玩傢技術不行打錯瞭牌導致乙玩傢得利，這是Alpha Go所無法控制的。
說起來，AlphaGo要學習打麻將，也是得基於對大量人類對局的樣本評估。Alpha Go隻能弄明白什麼樣的打法勝率較高，然而打麻將並沒有所謂必勝的打法。
圍棋的棋子擺在棋盤上是明眼可見的。不知大傢有沒有聽說過一種“暗棋”，就是將象棋的棋子反過來蓋上再玩的。陸戰棋也有暗棋的玩法。麻將其實也跟暗棋玩法類似，牌是蓋起來玩的。蓋起來的棋牌是什麼，還得猜測。Alpha Go頂多是通過計算進行評估，蓋起來的棋牌是什麼的可能性比較大，不可能準確推理得到唯一結果。也就是說Alpha Go永遠無法進化到100%獲勝的地步。
圍棋沒有運氣成分，而麻將有著運氣成分，兩者都有自己的魅力。
廣義上，圍棋、麻將這些棋牌遊戲，其實是屬於桌遊的范疇。圍棋的英文是“Go”，AlphaGo的“Go”就從此而來。圍棋躋身BGG桌遊排行榜前100名，是中國棋牌類遊戲排名最高的。
在民間，實際上像象棋、圍棋這類沒有運氣成分的棋牌（桌遊）已漸趨沒落。現在關註圍棋人機大戰的網友，又有多少人是圍棋迷呢？
因為大眾想要的更是娛樂，像象棋、圍棋這類沒有運氣成分的，玩起來水平發揮比較穩定，高手就是高手，一般人很難贏得瞭，除非你能找到棋力剛巧跟你一個水平檔次的，不然玩起來沒意思，強的太強弱的過弱。
故此，新興桌遊的設計宗旨，都是要保證隨機性，要有運氣成分。像萬智牌、遊戲王和爐石傳說之類隨機抽牌，飛行棋、大富翁之類擲骰子，都是產生隨機數，帶來運氣成分。有瞭運氣成分，所有玩傢發揮出來的水平就不至於相差太遠，能湊到一起玩個痛快。
另一方面，沒有運氣成分的棋牌（桌遊），因為理論上一定存在最優解，最優解一旦出來後，肯定讓人興致大減。圍棋就是因為變化委實太多，至今仍未有最優解，所以能存活到今天。現在，AlphaGo並沒有徹底擊敗李世石，看起來圍棋的生命力仍然很頑強。（本文首發鈦媒體）
台中通馬桶 本文來源：鈦媒體
責任編輯：張彬彬_NT台中清化糞池推薦5025
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
