圍棋，曾經(jīng)一度被視為智力游戲的最后堡壘。即便當(dāng)深藍(lán)擊敗卡斯帕羅夫后，圍棋也憑借自身千變?nèi)f化的變局，讓無數(shù)人工智能棋手望而卻步，讓無數(shù)人工智能研究者捶胸頓足。但技術(shù)的發(fā)展，從來就沒規(guī)定過只能勻速發(fā)展。

　　隨著技術(shù)上的突破，被俗稱為阿法狗的人工智能棋手AlphaGo及其后續(xù)升級(jí)版本，成功征服了圍棋游戲。

　　是什么讓它成為圍棋之神呢？

　　人工智能在20世紀(jì)后半葉誕生以后，主流發(fā)展方向一直是高度適于處理特定問題的專家系統(tǒng)。而在上個(gè)世紀(jì)60年代開始，神經(jīng)科學(xué)也迎來了大發(fā)展。尤其是大衛(wèi)·；休伯爾（David Hubel）與托斯坦·；維瑟爾（Torsten Wiesel），他們對(duì)哺乳動(dòng)物視覺皮層信息處理通路的研究，在相當(dāng)程度上啟發(fā)了人工智能學(xué)者。我們耳熟能詳?shù)纳窠?jīng)網(wǎng)絡(luò)一詞，作為一種人工智能設(shè)計(jì)方案，就此誕生。

　　這種一定程度上模仿大腦內(nèi)部天然神經(jīng)網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)算法，同樣把運(yùn)算結(jié)構(gòu)劃分為一個(gè)個(gè)神經(jīng)元。其中，前排神經(jīng)元負(fù)責(zé)接收并處理加工外界輸入的信息，然后再將結(jié)果交由后排神經(jīng)元進(jìn)行整合并輸出結(jié)果。

　　不過，在上個(gè)世紀(jì)80-90年代的計(jì)算機(jī)浪潮中，率先嶄露頭角的人工智能方案卻并不是神經(jīng)網(wǎng)絡(luò)。當(dāng)時(shí)的研究人員開發(fā)了一類算法，模仿人類在解決謎題或進(jìn)行邏輯推理時(shí)使用的逐步推理。這類算法，通過層層設(shè)置選擇條件，來根據(jù)現(xiàn)有局面構(gòu)建盡可能全面的發(fā)散狀選擇樹，并在運(yùn)算能力和反應(yīng)時(shí)間允許的極限內(nèi)，盡可能檢索出已知范圍內(nèi)的最優(yōu)解。

　　顯然，相比于死板地依照預(yù)設(shè)代碼執(zhí)行如果&hellip；&hellip；那么&hellip；&hellip；式命令的傳統(tǒng)計(jì)算機(jī)程序，這種能夠主動(dòng)進(jìn)行逐步推理算法，在處理不確定性問題或面對(duì)信息不完整局面時(shí)，會(huì)有更靈活的反應(yīng)。在國(guó)際象棋領(lǐng)域終結(jié)人類統(tǒng)治的深藍(lán)，其基本運(yùn)行原理就是基于這類算法。在與人類對(duì)弈時(shí)，深藍(lán)會(huì)基于已經(jīng)學(xué)習(xí)的海量對(duì)局，為當(dāng)前局面進(jìn)行分析，快速檢索出各種主要選擇，然后在有限的時(shí)間中內(nèi)盡快挑選出最優(yōu)解，作為下一手打出。

　　簡(jiǎn)而言之，深藍(lán)最核心的部分，就是一個(gè)局面檢索算法。

　　當(dāng)然，這種人工智能有一個(gè)明顯的弱點(diǎn)，就是當(dāng)它們面對(duì)足夠復(fù)雜的大型推理問題時(shí)，會(huì)遭遇名為組合爆炸的嘆息之墻，找出最優(yōu)解的速度急速下跌。

　　因此，可以在國(guó)際象棋贏下人類頂級(jí)大師的深藍(lán)，并不適合應(yīng)付圍棋這樣變局?jǐn)?shù)量近乎無窮的思維游戲。這也是演化賦予人腦智能的特點(diǎn)&mdash；&mdash；追求效率，但不求盡善盡美。

　　此時(shí)，經(jīng)過進(jìn)一步演化的神經(jīng)網(wǎng)絡(luò)算法開始重出江湖。經(jīng)過超進(jìn)化的新一代神經(jīng)網(wǎng)絡(luò)，在原本只有輸入和輸出兩層的神經(jīng)元結(jié)構(gòu)中間，塞進(jìn)去了大量名為隱層的神經(jīng)元。這一模仿人類神經(jīng)網(wǎng)絡(luò)逐層加工信息的三明治設(shè)計(jì)，極大增強(qiáng)了神經(jīng)網(wǎng)絡(luò)算法的信息處理能力。位于輸入層與輸出層中間的隱層神經(jīng)元，可以將輸入信息進(jìn)一步加工&mdash；&mdash；卷積神經(jīng)網(wǎng)絡(luò)中的卷積一詞，就是在數(shù)學(xué)上描述這種信息疊加。

　　簡(jiǎn)而言之，隱層神經(jīng)元就像人腦中那些處理輸入信息的生物神經(jīng)元，可以根據(jù)各自不同的偏好（數(shù)學(xué)上表述就是卷積核）來對(duì)輸入信息進(jìn)行過濾和加工。如此一來，神經(jīng)網(wǎng)絡(luò)對(duì)輸入信息關(guān)鍵特征的抽取和整合能力得到了空前的增強(qiáng)。

　　此外，研究者還把生物神經(jīng)元之間隨著共同激活而加強(qiáng)連接強(qiáng)度的設(shè)定，也帶入到人工神經(jīng)網(wǎng)絡(luò)的虛擬神經(jīng)元中。神經(jīng)網(wǎng)絡(luò)算法，因此擁有了近似人腦的學(xué)習(xí)適應(yīng)能力，可以通過不斷比對(duì)不同輸出結(jié)果的成績(jī)，自動(dòng)對(duì)內(nèi)部的運(yùn)算結(jié)構(gòu)進(jìn)行優(yōu)化。以至于如今的程序員，已經(jīng)不敢再說自己編寫神經(jīng)網(wǎng)絡(luò)，而只能說訓(xùn)練它們。

　　而阿法狗，在橫掃棋壇之后，開始了下一輪演化。

　　經(jīng)過一輪又一輪的算法優(yōu)化，完全不接觸人類對(duì)局、從零開始學(xué)圍棋的AlphaGo Zero，又卷出了全新的高度：它只用了3天的訓(xùn)練時(shí)間，就將自己的前輩AlphaGo Master斬于馬下。這就是弱人工智能的力量。

　　當(dāng)然，阿法狗依然有著專家系統(tǒng)的通病&mdash；&mdash；不擅長(zhǎng)處理任務(wù)之外的輸入信息，也不擅長(zhǎng)面對(duì)充滿噪音的非標(biāo)準(zhǔn)環(huán)境。對(duì)于阿法狗來說，圍棋那個(gè)6464的棋盤是一個(gè)簡(jiǎn)單純粹、黑白分明、便于理解的世界，而紛繁復(fù)雜的現(xiàn)實(shí)世界，則是一片完全在它認(rèn)知能力之外的滾滾紅塵。更何況，和所有的弱人工智能一樣，如果沒有人類預(yù)先設(shè)定游戲規(guī)則和勝敗目標(biāo)，并給出指令讓它學(xué)習(xí)，阿法狗也根本不會(huì)對(duì)這種興起于周朝的古老中國(guó)游戲有任何反應(yīng)。

　　但是AlphaGo的出名所帶來的關(guān)注度，切實(shí)推動(dòng)了更多的研究與資源向人工智能領(lǐng)域傾斜。而數(shù)字經(jīng)濟(jì)的發(fā)展，離不開新一代信息技術(shù)的支持，人工智能技術(shù)就是數(shù)字經(jīng)濟(jì)領(lǐng)域相關(guān)技術(shù)中的中堅(jiān)力量。

　　根據(jù)科技部于2019年印發(fā)的《國(guó)家新一代人工智能創(chuàng)新發(fā)展試驗(yàn)區(qū)建設(shè)工作指引》顯示，到2023年，我國(guó)將布局建設(shè)20個(gè)左右的人工智能創(chuàng)新發(fā)展試驗(yàn)區(qū)，打造一批具有重大引領(lǐng)帶動(dòng)作用的人工智能創(chuàng)新高地。

　　人工智能技術(shù)提高了各行各業(yè)對(duì)于數(shù)字信息的敏感度與反饋效率，有利于產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整與產(chǎn)業(yè)的智能化轉(zhuǎn)型，也有利于推動(dòng)整個(gè)產(chǎn)業(yè)生態(tài)體系的智能化轉(zhuǎn)型。數(shù)字經(jīng)濟(jì)時(shí)代的到來對(duì)于人工智能的發(fā)展而言，即是一個(gè)機(jī)遇，也是一場(chǎng)挑戰(zhàn)。我們所能做的，就是充分挖掘人工智能技術(shù)對(duì)于數(shù)字經(jīng)濟(jì)的牽引作用，切實(shí)促進(jìn)社會(huì)的發(fā)展。

　　圍棋，曾經(jīng)一度被視為智力游戲的最后堡壘。即便當(dāng)深藍(lán)擊敗卡斯帕羅夫后，圍棋也憑借自身千變?nèi)f化的變局，讓無數(shù)人工智能棋手望而卻步，讓無數(shù)人工智能研究者捶胸頓足。但技術(shù)的發(fā)展，從來就沒規(guī)定過只能勻速發(fā)展。

　　隨著技術(shù)上的突破，被俗稱為阿法狗的人工智能棋手AlphaGo及其后續(xù)升級(jí)版本，成功征服了圍棋游戲。

　　是什么讓它成為圍棋之神呢？

　　人工智能在20世紀(jì)后半葉誕生以后，主流發(fā)展方向一直是高度適于處理特定問題的專家系統(tǒng)。而在上個(gè)世紀(jì)60年代開始，神經(jīng)科學(xué)也迎來了大發(fā)展。尤其是大衛(wèi)·；休伯爾（David Hubel）與托斯坦·；維瑟爾（Torsten Wiesel），他們對(duì)哺乳動(dòng)物視覺皮層信息處理通路的研究，在相當(dāng)程度上啟發(fā)了人工智能學(xué)者。我們耳熟能詳?shù)纳窠?jīng)網(wǎng)絡(luò)一詞，作為一種人工智能設(shè)計(jì)方案，就此誕生。

　　這種一定程度上模仿大腦內(nèi)部天然神經(jīng)網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)算法，同樣把運(yùn)算結(jié)構(gòu)劃分為一個(gè)個(gè)神經(jīng)元。其中，前排神經(jīng)元負(fù)責(zé)接收并處理加工外界輸入的信息，然后再將結(jié)果交由后排神經(jīng)元進(jìn)行整合并輸出結(jié)果。

　　不過，在上個(gè)世紀(jì)80-90年代的計(jì)算機(jī)浪潮中，率先嶄露頭角的人工智能方案卻并不是神經(jīng)網(wǎng)絡(luò)。當(dāng)時(shí)的研究人員開發(fā)了一類算法，模仿人類在解決謎題或進(jìn)行邏輯推理時(shí)使用的逐步推理。這類算法，通過層層設(shè)置選擇條件，來根據(jù)現(xiàn)有局面構(gòu)建盡可能全面的發(fā)散狀選擇樹，并在運(yùn)算能力和反應(yīng)時(shí)間允許的極限內(nèi)，盡可能檢索出已知范圍內(nèi)的最優(yōu)解。

　　顯然，相比于死板地依照預(yù)設(shè)代碼執(zhí)行如果&hellip；&hellip；那么&hellip；&hellip；式命令的傳統(tǒng)計(jì)算機(jī)程序，這種能夠主動(dòng)進(jìn)行逐步推理算法，在處理不確定性問題或面對(duì)信息不完整局面時(shí)，會(huì)有更靈活的反應(yīng)。在國(guó)際象棋領(lǐng)域終結(jié)人類統(tǒng)治的深藍(lán)，其基本運(yùn)行原理就是基于這類算法。在與人類對(duì)弈時(shí)，深藍(lán)會(huì)基于已經(jīng)學(xué)習(xí)的海量對(duì)局，為當(dāng)前局面進(jìn)行分析，快速檢索出各種主要選擇，然后在有限的時(shí)間中內(nèi)盡快挑選出最優(yōu)解，作為下一手打出。

　　簡(jiǎn)而言之，深藍(lán)最核心的部分，就是一個(gè)局面檢索算法。

　　當(dāng)然，這種人工智能有一個(gè)明顯的弱點(diǎn)，就是當(dāng)它們面對(duì)足夠復(fù)雜的大型推理問題時(shí)，會(huì)遭遇名為組合爆炸的嘆息之墻，找出最優(yōu)解的速度急速下跌。

　　因此，可以在國(guó)際象棋贏下人類頂級(jí)大師的深藍(lán)，并不適合應(yīng)付圍棋這樣變局?jǐn)?shù)量近乎無窮的思維游戲。這也是演化賦予人腦智能的特點(diǎn)&mdash；&mdash；追求效率，但不求盡善盡美。

　　此時(shí)，經(jīng)過進(jìn)一步演化的神經(jīng)網(wǎng)絡(luò)算法開始重出江湖。經(jīng)過超進(jìn)化的新一代神經(jīng)網(wǎng)絡(luò)，在原本只有輸入和輸出兩層的神經(jīng)元結(jié)構(gòu)中間，塞進(jìn)去了大量名為隱層的神經(jīng)元。這一模仿人類神經(jīng)網(wǎng)絡(luò)逐層加工信息的三明治設(shè)計(jì)，極大增強(qiáng)了神經(jīng)網(wǎng)絡(luò)算法的信息處理能力。位于輸入層與輸出層中間的隱層神經(jīng)元，可以將輸入信息進(jìn)一步加工&mdash；&mdash；卷積神經(jīng)網(wǎng)絡(luò)中的卷積一詞，就是在數(shù)學(xué)上描述這種信息疊加。

　　簡(jiǎn)而言之，隱層神經(jīng)元就像人腦中那些處理輸入信息的生物神經(jīng)元，可以根據(jù)各自不同的偏好（數(shù)學(xué)上表述就是卷積核）來對(duì)輸入信息進(jìn)行過濾和加工。如此一來，神經(jīng)網(wǎng)絡(luò)對(duì)輸入信息關(guān)鍵特征的抽取和整合能力得到了空前的增強(qiáng)。

　　此外，研究者還把生物神經(jīng)元之間隨著共同激活而加強(qiáng)連接強(qiáng)度的設(shè)定，也帶入到人工神經(jīng)網(wǎng)絡(luò)的虛擬神經(jīng)元中。神經(jīng)網(wǎng)絡(luò)算法，因此擁有了近似人腦的學(xué)習(xí)適應(yīng)能力，可以通過不斷比對(duì)不同輸出結(jié)果的成績(jī)，自動(dòng)對(duì)內(nèi)部的運(yùn)算結(jié)構(gòu)進(jìn)行優(yōu)化。以至于如今的程序員，已經(jīng)不敢再說自己編寫神經(jīng)網(wǎng)絡(luò)，而只能說訓(xùn)練它們。

　　而阿法狗，在橫掃棋壇之后，開始了下一輪演化。

　　經(jīng)過一輪又一輪的算法優(yōu)化，完全不接觸人類對(duì)局、從零開始學(xué)圍棋的AlphaGo Zero，又卷出了全新的高度：它只用了3天的訓(xùn)練時(shí)間，就將自己的前輩AlphaGo Master斬于馬下。這就是弱人工智能的力量。

　　當(dāng)然，阿法狗依然有著專家系統(tǒng)的通病&mdash；&mdash；不擅長(zhǎng)處理任務(wù)之外的輸入信息，也不擅長(zhǎng)面對(duì)充滿噪音的非標(biāo)準(zhǔn)環(huán)境。對(duì)于阿法狗來說，圍棋那個(gè)6464的棋盤是一個(gè)簡(jiǎn)單純粹、黑白分明、便于理解的世界，而紛繁復(fù)雜的現(xiàn)實(shí)世界，則是一片完全在它認(rèn)知能力之外的滾滾紅塵。更何況，和所有的弱人工智能一樣，如果沒有人類預(yù)先設(shè)定游戲規(guī)則和勝敗目標(biāo)，并給出指令讓它學(xué)習(xí)，阿法狗也根本不會(huì)對(duì)這種興起于周朝的古老中國(guó)游戲有任何反應(yīng)。

　　但是AlphaGo的出名所帶來的關(guān)注度，切實(shí)推動(dòng)了更多的研究與資源向人工智能領(lǐng)域傾斜。而數(shù)字經(jīng)濟(jì)的發(fā)展，離不開新一代信息技術(shù)的支持，人工智能技術(shù)就是數(shù)字經(jīng)濟(jì)領(lǐng)域相關(guān)技術(shù)中的中堅(jiān)力量。

　　根據(jù)科技部于2019年印發(fā)的《國(guó)家新一代人工智能創(chuàng)新發(fā)展試驗(yàn)區(qū)建設(shè)工作指引》顯示，到2023年，我國(guó)將布局建設(shè)20個(gè)左右的人工智能創(chuàng)新發(fā)展試驗(yàn)區(qū)，打造一批具有重大引領(lǐng)帶動(dòng)作用的人工智能創(chuàng)新高地。

　　人工智能技術(shù)提高了各行各業(yè)對(duì)于數(shù)字信息的敏感度與反饋效率，有利于產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整與產(chǎn)業(yè)的智能化轉(zhuǎn)型，也有利于推動(dòng)整個(gè)產(chǎn)業(yè)生態(tài)體系的智能化轉(zhuǎn)型。數(shù)字經(jīng)濟(jì)時(shí)代的到來對(duì)于人工智能的發(fā)展而言，即是一個(gè)機(jī)遇，也是一場(chǎng)挑戰(zhàn)。我們所能做的，就是充分挖掘人工智能技術(shù)對(duì)于數(shù)字經(jīng)濟(jì)的牽引作用，切實(shí)促進(jìn)社會(huì)的發(fā)展。