不過在一個月前，勝李世石勝人搜狗CEO王小川在知乎上發表評論，王小川認為，谷歌人工智能AlphaGo將完勝職業圍棋手李世石。
王小川說，AlphaGo的發布，是一個偉大的里程碑，深度學習的魅力在于只要一個領域里能夠建模，并有充足的數據，就能夠在這個領域里讓機器做到超越人、取代人。王小川還大膽預測，3月與韓國九段棋手李世石對弈，AlphaGo依然會完勝。“除了圍棋，人工智能在其他博弈類的封閉游戲里，也會橫掃一切，完勝人類。”
以下為王小川知乎全文：
AlphaGo的發布，是一個偉大的里程碑，又一次讓我興奮得需要說一說。
先說我的斷言一：AlphaGo在兩個月后，將會完勝李世石。
留個關子，本文最后再說斷言二。
從中學開始，我就著迷用算法來解決游戲的博弈問題，用搜索方法創新性完成過一些題目。這幾年深度學習出現后，就感覺有機會能夠突破圍棋，和清華的聯合實驗室做過幾次探討，都認為這個方向可行，可惜限于氣場和能力不足，沒能組織進行這方面的投入。
而此次出手的，是Google旗下的DeepMind團隊，在深度學習方面是最頂尖的，資源、能力、氣場都沒有問題，突破性的技術是基于深度學習進行估值和走棋。
看知乎里好多討論，是從之前AlphaGo完成的棋局來判斷其下棋風格，倒推這個算法的威力，有點刻舟求劍的感覺。我們核心還是要回到對這次AlphaGo用到的技術的深刻理解。
為了便于討論，我們對比以搜索剪枝為核心的深藍下國際象棋，和以搜索剪枝+深度學習為核心的AlphaGo的三個區別：
1.圍棋相對象棋，最大的區別是棋局的評價函數極難定義。象棋可以找到各種“特征”來計分，比如丟一個馬扣多少分，兵往前拱到離底線近了加多少分，而圍棋做不到，密密麻麻的黑白子挨著，互相之前又有關聯，變化多，規律難以總結。這也是傳統算法相對人最弱的幾個問題之一。
就像是我們人做人臉識別，看一眼就知道是張三李四，而機器算法難以下手。這個問題恰恰是最近幾年深度學習最大的突破之處，深度學習不需要人來設計算法“找特征”，通過大量原始數據和標簽的積累，機器就能夠自動找特征，并且并不比人差。
在幾年前還有很多人認為機器在圖像處理方面舉步維艱，怎么定義和抽象鼻子?耳朵?眼睛?可就在這一兩年深度學習突飛猛進，一舉超過了人類。就在2015年，人臉識別方面，機器的識別能力已經超過了人了，這可是人進化了數千萬年的核心能力之一呀。
一個圍棋棋局，可以理解為一張19*19的圖片，其他的走棋規則和非常簡單(很容易翻譯成計算機規則)，正好落入了深度學習擅長的事情。
搜索+深度學習，這個算法完全可以覆蓋圍棋的規則，人下棋的思維過程和模式，只是AlphaGo的一個子集。這就決定了這個算法沒有天花板，有機會在圍棋領域“打通關”。
2.深藍相對AlphaGo，AlphaGo最大的優勢是“學習能力”。深藍的開局更多依靠數據庫棋譜的建立，但沒有泛化能力(不懂得舉一反三)，對于沒有見過的走棋方法就可能犯傻。而之后的核心能力是計算力，通過暴力的搜索(當然也有最優秀的剪枝，但還是暴力)，力圖走出10-20步棋來選擇最優的路徑。
這個復雜度是指數級的，變成一個NP問題，受限于計算力。這個系統的算法是寫死的，固定的參數下，就會有固定的表現。而調整參數和改變算法，都是工程師的事情。這個系統的天花板是計算機有多強，以及工程師有多聰明。
而AlphaGo更多是數據驅動的，喂給他更多的棋局數據，他就能夠優化“神經元網絡”，同樣的運算資源下變得更聰明，并且具有舉一反三的能力，這一點非常接近于人(或者說本身就是模擬人的方式來設計的)。
而且我們知道，機器處理數據的能力足夠地快，以及沒有情緒不會出錯，這就決定了這個系統如果把今天互聯網上能收集到的棋局都學一遍，就成為頂尖高手了。
3.最最最可怕的還不只是前面這兩點，對于下棋博弈問題，AlphaGo還不只是從互聯網上去收集數據進行學習，更可以自己和自己下，實現“自學習”。看過電影“超驗駭客”沒有?
人工智能可以做到隨著時間的推移就能更加聰明。金庸小說中老頑童讓自己左手和右手打架“左右互搏”，成為天下無敵的武功，那個只是故事，在下棋這個領域，而AlphaGo有這樣的設計，讓這種武功成真了!
往下還有兩個月的時間，AlphaGo這樣一臺算法上沒有天花板的機器，很有機會在“左右互搏”下登峰造極，成為不可超越的圍棋高手。
AlphaGo的技術問題講完了。怎么來看Google背后的完整動作呢?有人覺得是過度解讀了，實際系統挺糙的——選的都是“歐洲冠軍——說明系統并不行，這是一種錯誤的理解。
更有可能的原因是Google和Fackebook在競爭下圍棋，Fackbook的員工缺心眼提前放了好多消息出來泄密了，結果Google就趕緊把Nature的文章發了搶了個先，然后賣個期貨兩個月后和人類對決，那會兒系統就足夠好了，這是在競爭環境下合適的做法。
事實上Google和Facebook兩家都認識到了AI的重要性，以及就在最近幾年會有大的突破。
Google 4億美金收購了DeepMind，當時只有20人，現在已經突破200人了，并且是不計代價的瘋狂投入。
下圍棋只是體現人工智能進步絕佳的宣傳點和切入點，從公開的文獻可以看到，DeepMind做圍棋研發是基于通用的技術進行，領域無關的(Domain independent)。這樣的技術未來可以用到合適的其他領域里去。
深度學習的魅力在于，只要一個領域里能夠建模，能夠有充足的數據，就能夠在這個領域里做到超越人、取代人，短時間能從0分做到99分。
如果我們依然是老觀念，用漸進的方式來理解機器智能，比如之前某位大佬宣傳他家的XX大腦做到了X歲的智力，這是很誤(che)導(dan)的。我們同樣也會錯誤地估計下圍棋方面機器的能力，按照人類的理解1D-9D來評價它。
一句話，不要用評價人的方法來評價機器的人工智能的能力，完全是不同的模式。
老羅曾經評價過人工智能的一句話：“人工智能就像一列火車，它臨近時你聽到了轟隆隆的聲音，你在不斷期待著它的到來。他終于到了，一閃而過，隨后便遠遠地把你拋在身后”。
如果給這句話打上一個補丁，把人工智能的應用局限到一個一個的具體的封閉領域，這是一個很貼切的描述。我們不要過度自大，例如我們容易在自我優越感的驅使下，說動物不如人，比如人會直立行走、會說話、會實用工具，以區別于其他動物。事實證明，動物也會。
面對機器也一樣，就在幾個月前還有人叫囂機器十年內不能夠玩轉圍棋，理由也都是人一眼就能看明白，機器只會計算。這些自大會讓我們誤判。也不用過于自卑，覺得圍棋上機器上勝利了人類整個智力就被碾壓了，到今天機器還是有很多領域完全無能，只能在局部領域。
到結尾，再說斷言二：除了圍棋，人工智能在其他博弈類的封閉游戲里，也會橫掃一切，完勝人類。
