AlphaGo戰勝圍棋冠軍和當年IBM深藍戰勝象棋冠軍哪個意義和影響更大？

12-30

就計算機硬體來說，

深藍強調的是巨量並行性，30個節點的RS/6000 SP，每個節點包含一個120MHz的P2SC，以及480個專用的想起晶元。總運算量11.38 GFLOPS。（Top500 List - June 1997）

比較一下現在的GTX 1080，運算量是8228 GFLOPS。

而AlphaGo，根據現在看到的資料，有1920個CPU和280個GPU。而有多少個tensor processing units，沒查到。很顯然算圍棋要的運算量遠大於象棋。

不過，別忘了，沒有深藍那一步，就不會有AlphaGo這一步。

謝邀。

論對行外人的震撼程度，二者不分伯仲。

但技術本身對未來的影響力完全不在一個量級。AlphaGo背後的技術影響未來世界的程度在IT史上能排第三（前兩名是計算機的出現和互聯網的出現）。深藍背後的技術對世界的改變聊勝於無。

縱向比的話阿爾法狗顯然比深藍更有技術含量(貌似深藍現在一般程序員都能寫出)，，不過橫向比的話在各自時代都很偉大，都可以說是開啟了一個新的時代，，這個問題好比與牛頓與愛因斯坦誰偉大一樣。

汽車跑的比人快有什麼意義？這種問題很可愛，科技超過人類能力太正常了。大驚小怪。

某些回答對人工智慧太小看了。工業革命是機器取代人和牲畜做機械式重複勞動，其結果就是奴隸制和部分牲畜（馬）在勞動功能上基本消亡。如下圖，馬和騾子被拖拉機代替的歷史：（不到半個世紀，其數量縮小到原來的1/9）

來源：Economic History of Tractors in the United States

現在，是更多人類低附加值勞動被機器程序替代的時代了。

有回答說，人工智慧寫不出小學生作文，或許是，但是更有商業價值的，比如說法律文書，已經有人在做了：AI Lawyer "Ross" Has Been Hired By Its First Official Law Firm

甚至法律界自己都在推動類似的創新：

How artificial intelligence is transforming the legal profession

可以預見，未來高重複性的繁重文書工作也會被基本替代。

甚至更具創造新的，比如說音樂：已經有不少人工智慧創作的歌曲，比如這首，模仿了甲殼蟲樂隊的風格。（需要翻牆）我看知乎上大多數人是寫不出這個水平的曲子的：

https://youtu.be/LSHZ_b05W7o

退一步，如果就事論事，AlphaGo的這次勝利從狹義上來說證明了這些年人工智慧演算法的巨大進步。記得當年深藍戰勝卡斯帕羅夫之後幾年，人工智慧課堂上，教授跟我們介紹說人工智慧演算法當時在低複雜度的棋類，比如跳棋和五子棋上已經完敗人類了。國際象棋這種稍微複雜點的，要依賴運算速度高的大型機（IBM是當時的王者）。但是對於目前最高複雜度的圍棋，因為其可能性是天文數量，搜索演算法目前還無能為力。

畢業十幾年，結果當年的結論已經可以被拋棄無疑了。

只能說腦子是個好東西。要勤用，要珍惜。

深藍的原理是人工總結了很多規則，費盡心思編到程序里，說不好聽就是個體力活。

深藍下出的棋，也無非計算精準，並沒有超出人的預期。

AlphaGo完全不同，集深度神經網路、分散式並行計算大成，

AlphaGo下的（部分）棋超出人類預期【這手棋還能這麼下？】，能取勝且難以捉摸。

說深一點，人類（也許）遲早會設計出超出人類智慧的機器，而AlphaGo則是這個偉大長征的第一個序幕。

就算過一百年，AlphaGo也會是科技史最重大里程碑事件之一。

----------------

我讀博的時候做CV，天天搞的是高維空間（那時候子空間分解是主流），AlphaGo帶給我最震撼的一點是，我從來沒想到高維空間的流形（當然實際上也許圍棋並不是流形（因為不連續））這種我當年日思夜想的「玄妙」東西能如此直觀地出現在人類面前。

未來圍棋當然會大發展，因為大概每個當年搞ML、曾經搞DNN、現在搞AI的人都會去學兩手圍棋吧（笑）

學ML之前，我覺得ML被媒體誇大了，學ML之後，這是我可以預見到的未來：

tesla汽車自動駕駛——F1賽車和坦克自動駕駛；

普通無人機自動駕駛——戰鬥機無人駕駛；

流水線全自動化——倉庫和工廠全自動化；

汽車自動駕駛+倉庫和工廠全自動化——運輸網路全自動化；

稜鏡監聽全球網路——稜鏡自動識別潛在威脅；

結論是：天網是可以實現的，只是不一定有電影里那麼玄幻罷了，而且人類也不會傻到不給天網裝一個開關。。。

此外，計算機可以產生自我意識嗎？我認為是可以的，因為意識的存在與否無法證明，只能以實驗來推測。比如說，你只能知道自己有意識，但永遠無法知道他人是真的有自我意識，還僅僅是有一種本能的神經網路反射，畢竟現實中能被監測到的僅僅是神經間的電信號而已。

既然意識只能被相信，而無法被證明，那如何設定值得相信的標準呢？目前的方法是拿出一面鏡子。

在對動物的研究中，我們可以相信黑猩猩具有自我意識，是因為黑猩猩在實驗中會對著鏡子擦自己的臉，而我們相信猴子沒有自我意識，是因為猴子不會照鏡子。然而黑猩猩的大腦和猴子的區別並不在於生物原理，是在於複雜程度。

所以擁有「自我意識」的標準，可以認為是大腦的複雜程度。

隨著電腦神經網路複雜度的上升，我相信終有一天它會具有意識，而我們所關心的，就是如何給它設計一個「照鏡子」的實驗。

阿爾法狗是黑箱演算法的巨大進步，因為圍棋的可行解數量特別巨大，靠窮舉在現有計算機上無法實現，因窮舉圍棋是對計算機來說是個天文數字無法實現，10^170，10後面有170個0，多過己知宇宙原子數量，目前你不可能用宇宙每個原子存一個解，所以不具有實用性。

人類對圍棋的認識是依賴過去的經驗，從死活定式到金角銀邊，從大龍對殺到戰略秒手，從流派布局到反轉創新，實際上只能算是局部貪心演算法，不是全局優化解，可優化空間巨大。圍棋之大類似宇宙之大，人類可能還沒摸到邊。

黑箱演算法本質是一種學習過的概率演算法，依靠過去經驗來選擇優等概率落子，如同黑夜中沒地圖打手電筒行路，依賴經驗來判斷是否是好的路線。深藍是窮舉式演算法，是計算機硬體發展的必然突破。如果說深藍處理的是小數據，小維度，確定性，靜態的，白箱演算法，那麼阿爾法狗處理的是大數據，高維度，不確定性，動態的，黑箱演算法。阿爾法狗的意義重大，為最近幾年發展起來的深度學習理論樹立了燈塔，說明深度學習在解決高維複雜度問題有其實用性，是演算法發展史上重要一頁，其理論和方法可以用於解決類似的高維複雜的難題。

人工神經網路因為解決複雜問題效果差在九十年代一直沉寂，發展出的深度學習演算法在阿爾法狗一戰成名，對未來演算法進一步發展應用推動性很大。特別是以後看圍棋智能演算法對智能演算法的pk，可以直觀評出演算法的優劣，因為圍棋在目前無法算出最優解，只知道輸贏，但最優解理論上是存在的，看不同演算法程序的上限在那裡，逼近最優解的水平如何。

至於人工智慧，很多只是商業炒作，在程序解決閉環繁殖，能量補充，自我修復問題前，還是以智能演算法的說法比較好，因為程序要自我解決類似生物生存問題需要控制一部分人類社會，而程序不是智能之前怎麼控制人類社會一部分？不能離開人類自我生存怎麼是人工智慧？這是悖論。

原理都是搜索樹+剪枝。

但是深藍是靠人定義的邏輯去剪，而AlphaGo至少有一部分邏輯是由深度學習生成的。

圍棋理論這麼多，但是想要寫出自洽而優秀的邏輯，是非常難的。

優秀的棋士心中有「直覺」，但是他無法把這種直覺邏輯化，所以圍棋很大程度上靠大量練習產生的棋感。

而AlphaGo證明了深度學習產生的剪枝結果是相當優秀的，這說明人類在一定程度上不必決定計算機的所有邏輯，而是可以信任計算機自己產生的邏輯。

相比之下，深藍的所有邏輯都是人一點點寫的。剪枝並沒有人類優秀，而是靠搜索深度取勝。

所以從這一角度看，AlphaGo在AI領域的意義大於深藍。

AI不懂，不明白深度學習+神經網路能用在其它領域？還是僅僅是針對圍棋開發的一種演算法？

我猜未來的AI，要想應用到生活的其它領域，靠這2個技術是遠遠不夠的。深藍的勝利我還有些印象，但AI並沒有為世界留下什麼影響。

如上，我以為兩者都差不多，都是演算法上的一次成功而已，離我們想像的AI世界還差得很遠。

AlphaGo的意義更大。

深藍主要是依靠硬體，也就是把同樣的軟體的內容簡化後，做成晶元進行加速。

這就是專為專用功能做的一款專用CPU的意思。10-100倍加速後，深藍戰勝了世界冠軍。

也就是說，深藍本身對相關領域的推動很少。

一個明顯驗證是，就算沒有深藍的硬體，大多數普通的電腦5-10年後也能戰勝世界冠軍了

（因為電腦5-10年進步了10倍以上）

但是Alphago是新的思想。

Alphago雖然採用了通用的GPU和CPU，採用深度學習的辦法，通過大數據來實現勝利的。

一個驗證是：在AlphaGo公布其想法後，原來的ZEN等，採用相同方法，都實現了2-4子的能力提升。

這點提升不是簡單的，在alphago之前，大家預計電腦戰勝人類是10-20年後的事情。

一個是錢的威力，一個是新思維的威力。前者是能預期的進步，後者是不在大家預期的進步，

後者意義更大。

另外，深藍是不能自己進步的，alphago是自己不斷進步的。細思極恐的。

深藍和alphago意義都不大，全是科技企業炒作的噱頭而已。

人工智慧其實並不智能，她能做什麼？寫幾篇小學水平的作文？譜幾首不好聽的曲子？改進一下tts的發音質量？你讓他寫一篇社論試試。

alphago的決策核心是mcts，蒙特卡洛樹搜索。其智能核心是mcts，dcnn只是解決建模問題罷了。deepmind在youtube上的宣傳通常只提神經網路，不提mcts，因為神經網路這個名詞更能唬人而已。

所以alphago和深藍沒有質的區別，其棋力很強，甚至可以跟國象ai類比了。但離智能差得很遠很遠。

所謂神經網路技術和真正的生物神經網路不是一回事，卷積神經網路只是一種數學上建模的方式而已。神經網路的應用集中在計算機科學的很多方面，其技術突破可以做很多事，唯獨alphago僅是個營銷的山頭，跟奇點什麼的無關。

當然是阿發狗意義大。

這麼說吧，深藍下出一部棋，程序員是可以大概理解它為什麼這麼下的。如果它下錯了，程序員花個一年半載是可以修正程序的。

阿法狗下棋，基本大家對它為什麼這麼下沒啥概念，下錯了大家也不知道是不是錯了，下輸了程序員也不見得認為有啥問題（由於並非窮舉，所以只是難以置信的強，而不是無敵）

簡單來說，深藍被局限於「完美」二字之中，阿法狗是對無盡強大的不懈追求。

深藍只能用於國際象棋，而如果有人認為阿法狗的應用範圍僅限於圍棋，那麼那就有點天真了，阿法狗其實是泛用人工智慧的雛形。

這就是為啥贏了以後霍金同志警告大家人工智慧比核武器要恐怖得多。創造一個比自己聰明得多的物種，無異於自取滅亡。

有人說AI只能寫小學水平作文的…………

嗯，不說小學水平，可以寫中學水平文章的AI我都能寫出來。

記得之前哪個大學一組人寫了個本科論文的AI，映像當中投的稿子還又不少被接受了？

言歸正傳。

與圍棋不同，象棋的步數是有限的。

只需要簡單堆疊計算機性能，就可以窮舉出所有可能的步法，通過選擇最優解來取勝。

DeepBlue象徵著AI在智力上戰勝人類的開端

這個開端在一定意義上也可以理解為，

一個二十位的加減乘除四則運算

而圍棋AI，則象徵著深度學習技術的成熟

窮舉圍棋的步法對於目前人類的計算機性能來說是個笑話

所以只能通過取巧的方式來做，即ML。

至於你說哪個更重要……我覺得還是AlphaGo。

利益相關：圍棋業餘一段（剛剛會捏子的水準），人工智慧開發者（給自己貼點兒金吧）

深藍第一次出戰是 96年

96年，我爹剛給自己辛苦攢的電腦配上硬碟（之前只靠兩個軟碟機工作），並興奮不已。我還在讀中學，好多同學是在我家人生第一次摸到電腦

96年，中學生編個寫五言詩的程序能被多個國家級媒體在重要板塊反覆播報，這是當年人們對ai 的認識

...

在it界拿96年的東西跟16年的比技術性、繼承性，是不公平的，沒有意義的

deep blue，alpha go 無疑讓兩代程序員酣醉了一把，為無數孩子點亮了夢想的明燈

兩者無疑都會載入史冊。

如果很久很久很久之後，某寫手介紹到我們這個時代的ai，篇幅只夠說一個例子

我想提到深藍的機會多一些

因為既然賣點是「第一個xxx」，而不是「性能最突出的xxx」，"when" 顯然更重要些

萬有引力定律和相對論哪個意義和影響更大？

答：你吃飽了撐的？

轉帖：

IBM深藍當年打敗卡斯帕羅夫之後什麼事都沒有發生，深藍也退隱了。沃森也是一直沉寂多年，就搞過一個pk人類選手的智力問答，之後也沉寂了下來。

AlphaGo打敗李世石之後引爆了AI產業化發展的奇點，AI產業化的元年已經到來。

這說明，前者局限性很大，後者志在打造出一個通用的演算法，服務於各行各業，就像數學之於理工學，軟體之於工業界，無處不在，服務於各種領域，各行各業。

也許，IBM當年研發深藍就是為了下象棋；而DeepMind搞AlphaGo只是其20年規劃，達成通用演算法漫長道路上的一個測試流程。

當然，現在IBM的沃森似乎也突然間、終於，開竅了。

再說點題外話，最近看到篇文章說程序員如何轉行到AI，這也算是AlphaGo的一個小小貢獻：

程序員又有的忙活了。學術研究搞上層研究，中層到下層的產業化完全由程序員去做產品，而且現在很多學術大牛也早就離開實驗室，不搞那種純學術的研究了。很多企業紛紛布局AI，人才爭奪異常激烈，推出相關產品，炒作也罷，噱頭也罷，AI早已經不是象牙塔尖上的事物了。這些，都是之前的深藍半點都做不到的，影響不到的。

恐怕是alphago的意義比較大。

人類一般認為自己完全理解的東西"沒有"思維，比如汽車一定沒有，手寫的程序也沒有。

(以此標準，將來充分研究後人類也未必有。這個標準其實是不固定的，也不能預測危險與否)

機器學習浪潮的意義在於，人類開始使用自己不理解 (基於肉體的能力限制，可能幾百年內都無法理解) 的技術產品。

　　「飛躍界存在數千個巨庫。如果算上年代過久無法修復的、脫離網路的，數目還會升至好幾萬個。裡面的內容很多是無關緊要的瑣碎，但巨庫的確保存著秘密極度重要的，還有同樣重要的謊言。這些都是殺人的陷阱啊。」通過網路，巨庫會主動提出許多意見建議，數以百萬計的種族參考過這些意見，數萬個種族因此惹火燒身。有時損失還不大，巨庫的意見本身是好的，但與接受意見者的環境不大相合。還有的時候，所提供的意見建議不懷好意，根本就是惡性病毒，一旦採納，說不定就會有哪個本地網路被徹底堵死、毀掉，讓某個文明體系完全崩潰，不得不白手起家重新開始。飛升之後興趣組和危機新聞組裡有些故事還要慘得多：星球居民全成了活屍，免疫系統的程序被惡意篡改，於是整個文明體系的智慧生物全部淪為自痴。
　　范·紐文還是一臉懷疑：「在安全距離之外先檢驗檢驗那玩意兒不就行了？還可以事先採取預防措施嘛。」
　　一言既出，所有解釋全成了白費唇舌。拉芙娜不得不佩服車行樹，他停下來，從最基本的一二三開始重新解釋：「也有道理你說的話，只要有預防措施，很多災難都可以避免。如果實驗室在飛躍中、下界，這些預防措施就足夠了，不管危險潛伏得多深。但各界區的性質我們都知道……」拉芙娜完全看不懂車行樹的身體語言，但她敢發誓，藍莢正急切地注視著那個蠻子的表情，努力從中推測范到底無知到什麼程度。
　　人不耐煩地點點頭。
　　藍莢繼續解釋：「超限界的設施極其複雜，它們的程序實實在在比下界任何人聰明得多。要知道，只要有了大大超越對手的計算資源，無論經濟還是軍事，你都可以勝過敵對的一方。我所說的這種大大超越對手的資源，飛躍上界和超限界就有。不斷有種族遷徙到那裡，希望建立起自己的烏托邦。可遷到那裡又能怎麼樣？就算天人並不傷害你，但到了之後，你創造出來的東西比你自己更加聰明，你如何是好？事實證明，發生災難的可能性太大了，無窮無盡簡直。所以才出現了許許多多配方，教人如何利用超限界的事物，又不為其所害。當然，這些配方你沒辦法有效檢驗，只有超限界才有這個能力。而且，按照配方的要求建起設備，把配方在上面一運行，它立時便成為其有獨立意識的存在。」
　　范·紐文臉上開始出現恍然大悟的神情。
　　拉芙娜身體前傾，紅頭髮的注意力轉向她。「巨庫里有些東西極度複雜，這些東西雖然沒有獨立意識，但具有這種潛力。如果哪個天真無知的種族相信了它所描繪的美好前景，結果很可能受騙上當，鑄成大禍。我們估計斯特勞姆文明圈所發生的事件就是這種類型。他們被配方里的文檔騙了，相信了它許諾的奇蹟，於是著手創造一個超限界的事物，一位天人——但卻是一位對飛躍界智慧生命大施屠戮的天人。」發生這類變種的情形是很罕見的，這個她沒有提。天人們各自不同，有的惡毒、有的頑皮、有的漠然，但幾乎沒有哪個天人會這麼無聊，把自己的寶貴時間花在誅殺無關緊要的小昆蟲上。
　　范·紐文若有所悟地搓著下巴：「嗯，我想我明白了。但你們讓我有個感覺，這些都是人人知道的常識。真像你們說的那麼厲害，斯特勞姆那伙人怎麼會上鉤？」
　　「運氣糟透加上無能，無能到這種地步，真是犯罪。」脫口而出的話語氣之激烈，把拉芙娜自己都嚇了一跳。她剛剛發現，自己竟對斯特勞姆事件如此憤慨。但在內心深處，過去對那個文明圈的好感仍然存在，「要知道，在飛躍上界和超限界搞什麼活動是極其危險的。上頭的文明體系沒有哪個能延續很久，但總少不了人躍躍欲試。當然話又說回來，上面的種種危險中，意存邪惡的很少。至於說斯特勞姆人……他們碰上個配方，把自己的巨庫吹得天花亂墜。其實它很可能在那兒埋了幾百萬年，無數其他種族都覺得這東西太危險，不想沾手。你剛才也說得對，斯特勞姆人也知道危險。」老一套了：希望在危險與機遇之間保持平衡，結果判斷錯誤。應用天人理論課中，差不多隻分之一都是教導如何既在火邊跳舞，又不被燒成灰燼。斯特勞姆大災難的細節沒人知道，但她完全可以從成百個相似案例中猜測出來：
　　「所以他們遠離自己的星球，在超限界設一個基地，靠近這個掉網的巨庫——就算它是個掉網的巨庫好了。他們開始實驗找到的配方，肯定大多數時間都花在仔細觀察上，看會不會出現什麼徵兆，證明他們受騙上當了。我敢說，這個配方分成很多個階段，每個階段都有某種智力，到了一定階段，它就完全具備了獨立意識。前面的幾個階段只發現電腦和程序的效率大大提高，遠高于飛躍界的東西，而且完全看不出危害。」

其實alphago可以追溯到10年以前，那時候的gnugo和台灣陳志行教授的手談系列一統圍棋ai界的天下。圍棋界基本的共識是對ai界開啟嘲諷模式。

直到mogo帶著蒙特卡洛+uct大殺器橫空出世，我知道，已經變天了。

在絕對的力量面前，一切智謀都是浮雲。說的就是它這種暴力的美學。

那時候qq圍棋里還有9路棋盤，我在裡面碰到個估計是沖段少年之類的，可能打譜無聊了去那裡虐菜，輸了第一盤後他不相信，然而在我操縱的mogo手裡連輸了10多盤，帶著絕望離開了。

我當時也湊興實現了一個，水平有限，有些工程上的問題解決的不好，例如征子。不過並不妨礙我從那時起就堅定的站在ai那邊了。

現在的alphago確實只是個升級版，克服了很多工程問題，例如通過多個策略網路來平衡精度和速度，通過額外的估值函數來避開搖擺。

居然還有說意義不大的，呵呵

只提一點，大家有沒有想過用阿法爾狗去編程。

做好需求分解，由阿法爾狗去完成代碼最優編寫。

如果阿法爾狗會編程了，那會不會自我優化呢？

誰能想到一個自我優化3個月的阿法爾狗會是什麼樣子？