谷歌围棋人工智能战胜人类最后的智力骄傲，对医疗有什么启示？

MedSci小编题记——

这篇报道与医疗看似无关，然而，未来可能对医疗影响深远！人类最傲娇的技艺---围棋终于有可能被机器战败，这预示着机器学习进入了惊人的程度，机器人不再上我们一直认为的“婴儿水平的智力”，而可能成为成人，甚至成为“智人”，也许将来有一天，还能自我进化！机器人去革新新一代机器人！这些“智慧机器人”，会不会大规模进入医疗领域，作为医生，我们有哪些优势？

以前听一位专家说过，机器人再发达，但是医生在看病过程中，不仅仅有医疗，还有人文与情感！然而，机器人在人文与情感方面，也可能不亚于人类。也许有一天，机器人不断地取代目前的医生的工作，在国际医学大会上发言的，可能是机器人，会议主席也可能是一台机器人！我们医生要赢得地位，可能不得不与机器人医生赛跑！当然，我们希望这一切不要发生！

因此，MedSci小编建议大家都读读，静下来思考一下未来。

正文：

1997年，国际象棋AI（IBM的深蓝计算机）第一次打败顶尖的人类（长期占住国际象棋第一的宝座的卡斯帕罗夫）；2006年，人类最后一次打败顶尖的国际象棋AI。欧美传统里的顶级人类智力试金石，在电脑面前终于一败涂地，应了四十多年前计算机科学家的预言。

至少还有东方，人们自我安慰道。围棋AI长期以来举步维艰，顶级AI甚至不能打败稍强的业余选手。这似乎也合情合理：国际象棋中，平均每回合有35种可能，一盘棋可以有80回合；相比之下，围棋每回合有250种可能，一盘棋可以长达150回合。这一巨大的数目，足以令任何蛮力穷举者望而却步——而人类，我们相信，可以凭借某种难以复制的算法跳过蛮力，一眼看到棋盘的本质。

但是，无论人怎么想，这样的局面当然不可能永远延续下去。就在今天，国际顶尖期刊《自然》报道了谷歌研究者开发的新围棋AI。这款名为“阿尔法围棋”（AlphaGo）的人工智能，在没有任何让子的情况下以5:0完胜欧洲冠军，职业围棋二段樊麾。

AlphaGo与欧洲围棋冠军樊麾的5局较量。图片来源：参考文献[1]

这是人类历史上，围棋AI第一次在公平比赛中战胜职业选手。

AlphaGo的战绩如何？

此次比赛和以往不同。之前的比赛中，由于AI棋力比人类弱，人类选手都会让子，而且AI主要和业余段位的棋手比赛。而AlphaGo 对战樊麾是完全公平的比赛，没有让子。职业二段樊麾出生于中国，目前是法国国家围棋队总教练，已经连续三年赢得欧洲围棋冠军的称号。

研究者也让AlphaGo 和其他的围棋AI进行了较量，在总计495局中只输了一局，胜率是99.8%。它甚至尝试了让4子对阵Crazy Stone，Zen和Pachi三个先进的AI，胜率分别是77%，86%和99%。可见AlphaGo有多强大。

在接下来3月份，AlphaGo 将和韩国九段棋手李世乭在首尔一战，奖金是由Google提供的100万美金。李世乭是最近10年中获得世界第一头衔最多的棋手。围棋是最后一个人类顶尖高手能战胜AI的棋类游戏。之前有人预测说，AI需要再花十几年才能战胜人类。所以这场比赛或许会见证历史，我们将拭目以待。

李世乭表示很荣幸自己将与电脑公平对弈。“无论结果如何，这都会是围棋史上极其意义的事件。”他说，“我听说谷歌DeepMind的AI出人意料地强，而且正在变得更强。但我有自信这次至少能赢一局。”图片来源：tygem.com

AI下围棋到底有多难？

计算围棋是个极其复杂的问题，比国际象棋要困难得多。围棋最大有3^361 种局面，大致的体量是10^170，而已经观测到的宇宙中，原子的数量才10^80。国际象棋最大只有2^155种局面，称为香农数，大致是10^47。

面对任何棋类，一种直观又偷懒的思路是暴力列举所有能赢的方案，这些方案会形成一个树形地图。AI只要根据这个地图下棋就能永远胜利。然而，围棋一盘大约要下150步，每一步有250种可选的下法，所以粗略来说，要是AI用暴力列举所有情况的方式，围棋需要计算250^150种情况，大致是10^360。相对的，国际象棋每盘大约80步，每一步有35种可选下法，所以只要算35^80种情况，大概是10^124。无论如何，枚举所有情况的方法不可行，所以研究者们需要用巧妙的方法来解决问题，他们选择了模仿人类大师的下棋方式。

机器学习

研究者们祭出了终极杀器——“深度学习”(Deep Learning) 。深度学习是目前人工智能领域中最热门的科目，它能完成笔迹识别，面部识别，驾驶自动汽车，自然语言处理，识别声音，分析生物信息数据等非常复杂的任务。

描述AlphaGo研究成果的论文成为了1月28日的《自然》杂志的封面文章。图片来源：Nature/Google DeepMind

AlphaGo 的核心是两种不同的深度神经网络。“策略网络”(policy network)和 “值网络”(value network)。它们的任务在于合作“挑选”出那些比较有前途的棋步，抛弃明显的差棋，从而将计算量控制在计算机可以完成的范围里，本质上和人类棋手所做的一样。

其中，“值网络”负责减少搜索的深度——AI会一边推算一边判断局面，局面明显劣势的时候，就直接抛弃某些路线，不用一条道算到黑；而“策略网络”负责减少搜索的宽度——面对眼前的一盘棋，有些棋步是明显不该走的，比如不该随便送子给别人吃。将这些信息放入一个概率函数，AI就不用给每一步以同样的重视程度，而可以重点分析那些有戏的棋着。

AlphaGo所使用的神经网络结构示意图。图片来源：参考文献[1]

AlphaGo利用这两个工具来分析局面，判断每种下子策略的优劣，就像人类棋手会判断当前局面以及推断未来的局面一样。这样AlphaGo在分析了比如未来20步的情况下，就能判断在哪里下子赢的概率会高。

研究者们用许多专业棋局训练AI，这种方法称为监督学习(supervised learning)，然后让AI和自己对弈，这种方法称为强化学习（reinforcement learning)，每次对弈都能让AI棋力精进。然后他就能战胜冠军啦！

人类在下棋时有一个劣势，在长时间比赛后，他们会犯错，但机器不会。而且人类或许一年能玩1000局，但机器一天就能玩100万局。所以AlphaGo只要经过了足够的训练，就能击败所有的人类选手。

Google DeepMind

Google DeepMind是这个程序的创造者，我们来看一下他们萌萌的程序员。

杰米斯·哈萨比斯（Demis Hassabis） 是Google DeepMind 的CEO。图片来源：Nature Video

文章的第一作者大卫·西尔弗（David Silver）。图片来源：Nature Video

Google DeepMind 去年在《自然》杂志上发表过一篇论文[2]，他们用增强学习的方法训练AI玩经典的Atari 游戏。其实在几年前就有人研究如何让AI玩《星际争霸》，目前人类大师还是能击败AI的。电脑游戏中大量使用人工智能技术，你有没有觉得游戏变得越来越聪明了？

那么……未来呢？

人工智能研究者面对这样的成就当然欣喜。深度学习和强化学习等技术完全可以用于更广泛的领域。比如最近很火的精准治疗，我们可以训练它们判断哪些治疗方案对某个特定的人有效。

但是，围棋毕竟不仅仅是一项智力成就。就像十多年前的国际象棋一样，围棋必定也会引发超出本领域之外的讨论。等到计算机能在围棋上秒杀人类的时候，围棋是不是就变成了一种无聊的游戏？人类的智力成就是不是就贬值了？AI还将在其他层面上继续碾压人类吗？传统认为AI不可能完成的任务是否也都将被逐一打破？人类最后是会进入AI乌托邦还是被AI淘汰呢？

没人知道答案。但有一点毫无疑问：AI一定会进入我们的生活，我们不可能躲开。这一接触虽然很可能悄无声息，但意义或许不亚于我们第一次接触外星生命。

上述正文内容来自果壳，其它内容为MedSci补充

参考文献：

David Silver, et al. "Mastering the game of Go with deep neural networks and tree search." Nature doi:10.1038/nature16961

Mnih V, Kavukcuoglu K, Silver D, Rusu AA, Veness J, Bellemare MG, Graves A, Riedmiller M, Fidjeland AK, Ostrovski G, Petersen S, Beattie C, Sadik A, Antonoglou I, King H, Kumaran D, Wierstra D, Legg S, Hassabis D.Human-level control through deep reinforcement learning. Nature. 2015 Feb 26;518(7540):529-33

人类与国际象棋的斗争史---人类简直不堪一击！

1996年2月10日，深蓝首次挑战国际象棋世界冠军卡斯帕罗夫，但以2-4落败。比赛在2月17日结束。1997 年 5 月 11 日，在人与计算机之间挑战赛的历史上可以说是历史性的一天。计算机在正常时限的比赛中首次击败了等级分排名世界第一的棋手。加里·卡斯帕罗夫以 2.5:3.5 （1胜2负3平）输给 IBM 的计算机程序 “深蓝”。机器的胜利标志着国际象棋历史的新时代。

2015年，Matthew Lai开发了一个名为Giraffe的人工智能机器，它可以通过自学来判断下步棋该怎么走，这种方式更像人类，和传统的国际象棋引擎完全不同。整个训练过程中，他会测试机器的各个阶段成绩。当引导过程开始时，Giraffe很快就达到了6000分的成绩，仅在72小时就达到了9700分。9700分已经可以成为世界上最好的国际象棋引擎了。这种学习和提高速度，是人类难以达到的水平。