棋牌遊戲最根本的還是機率，機率是要透過透過計算才比較準確得知，計算是計算機的特長，他們沒有思維，這一切都太正常了。

象棋最容易，圍棋其次！這些相對比較“死板”，電腦按程式走就可以了，人類很容易被超越！像麻將，涉及動態博弈，估計在未來很長時間內都沒法趕上人類！

是的，而且不單隻在棋牌領域，在一切具備明確規則的領域，機器都比人厲害：比如汽車跑得比人快，百度記得的歷史比人多。不過現階段的人工智慧本質上仍然是一種機器，所謂神經網路，其本質還是在知識庫基礎上的邏輯運算，但還達不到自主思考的真正“智慧”。人工智慧之前在圍棋上沒有超越人類，僅僅是因為圍棋棋盤大，落子限制小，因而變化繁多，超過了計算機的計算能力。現在人工智慧戰勝了人類，也僅僅是因為計算能力的提升，在演算法上與之前沒有本質差異，細節上的的提升也非常有限。而“智慧”一詞，則遠遠超過了“規則”，即便是戰勝了李世石的阿法狗，也不能理解人類的語言，不能與人類對話，不能思考機生。作為一個程式設計師，我很難想象計算機可以超越設定好的程式自主執行，計算機是否能真正達到自由思考的智慧奇點？這恐怕只能等待時間給出回答了。

為什麼在人工智慧領域，科學家總是熱衷於讓AI跟人類下棋，玩遊戲？從簡單的跳棋、五子棋，到更加複雜的中國象棋、國際象棋，以及最近非常熱門的圍棋和德州撲克。每次AI在某個智力遊戲上成功地擊敗人類選手，便會讓大家唏噓不已，慨嘆AI會在不久的將來取代人類…

幸運的是，AI接手地球還並未發生。我們不僅不需要如此杞人憂天，而且還會欣喜地發現人工智慧的技術進步給生活帶來了更多便利。一個會下棋的AI也並非科學家的終極目標，其更積極的意義在於，AI演算法在研究棋藝的過程中不斷精進和提升，會帶來更多設計上的創新，從而在根本上提升人工智慧演算法的能力和適用範圍。

而科學家之所以樂於選擇棋類遊戲，一方面是因為它們自古以來就被認為是人類智力活動的象徵，模擬人類活動的AI自然要以此為目標。成功達到人類甚至高於人類水平，可以吸引更多人關注並投身於人工智慧的研究和應用中來。

另一方面，棋類也很適合作為新的AI演算法的標杆（Benchmark）。棋類遊戲的規則簡潔明瞭，輸贏都在盤面，適合計算機來求解。理論上只要在計算能力和演算法上有新的突破，任何新的棋類遊戲都有可能得到攻克。

除了棋類遊戲，牌類遊戲（比如德州撲克、橋牌、麻將、鬥地主等）也逐漸成為人工智慧研究的新方向。而在更加大型的電子遊戲方面，比如星際爭霸、我的世界(Minecraft)，科學家也開始了新一輪的AI演算法的創新。這些不同的遊戲在研究人員的眼裡究竟有什麼區別？這些研究成果對我們的生活又有什麼意義呢？下面我們就為大家扒一扒這兩個問題。

瞭解棋牌類AI，我們可以先從它的分類講起。這一家族按照牌面“坦誠”度的不同，可以分為兩支脈絡：一支擅長“開啟天窗說亮話”，另一支則是“猜測推理”的智慧高手。

國際象棋、圍棋等盤面資訊都是公開的，對弈雙方接收到的資訊完全相同，因此也被稱為“完全資訊類”的AI博弈；而德州撲克、橋牌、麻將等遊戲，每個人無法看到對手手裡的牌，所以稱之為“非完全資訊類”的AI博弈。

完全資訊類——看得到我就算得出

顧名思義，即棋面資訊大家都可看到，博弈雙方接收到的資訊是完全對等的，如國際象棋和圍棋。此類博弈中，AI每次只需要根據當前盤面，搜尋計算以後各種情況下自己的勝率。為了提高搜尋效率，一般需要對搜尋過程中產生的“博弈樹”進行廣度和深度剪枝。就是我們平常下棋時常說的算多遠和算多準。為了算得遠，我們一般需要讓AI少看對手和自己不太可能走的地方，稱之為策略函式。為了算的準，我們需要更加準確地評估多步後的盤面自己的勝率，稱之為價值函式。找到了合適的函式，再加上計算機的強大計算力，讓AI達到或超過人類成為可能。在博弈樹和策略價值函式的選擇上，“完全資訊類”棋類AI演算法經歷了從“AlphaBeta剪枝演算法”、“蒙特卡洛樹搜尋”到“深層神經網路”的迭代更新，功能也不斷“進化”。

跳棋和五子棋的空間複雜度較低。甚至在不需要對博弈樹剪枝的情況下，計算機憑藉強大的計算能力便可以計算所有盤面的可能。所以在這種相對簡單的棋類遊戲中，人類已經不存在戰勝AI的可能。

象棋的空間複雜度較高，暴力求解的方法並不可行。但是相對而言容易找到適合的價值函式。以國際象棋為例，可以根據棋盤上殘留棋子的型別和位置給出一個大致的評分。比如，棋盤上如還有皇后加10分，有車加5分，有馬加3分，以此為基礎計算函式。為了提高效率，國際象棋還有巨大的開局和終局資料庫來保證殘局計算的準確度。依靠這些規則，1997年“深藍”第一次戰勝了人類國際象棋冠軍。其後，電腦象棋程式甚至可以在PC上執行並擊敗頂級人類選手。

圍棋的空間複雜度高，據估計圍棋的決策點大概有10的170次方之多。找到合適的策略和價值函式一直是圍棋AI的核心問題。蒙特卡洛樹搜尋演算法用機率的方法幫助圍棋AI找到了一個較為準確的價值函式，並幫助程式達到了業餘高段的水平。而藉助深度神經網路，研究員尋找到了更好的策略和價值函式的計算方法。透過增強學習，AI還可以無限模擬各種對弈情境，生成上億資料，用來訓練生成更準確的函式。集大成的 “AlphaGo”在2016年以4：1歷史性戰勝了世界頂級圍棋棋手李世石。而正在進行的AlphaGo新版本與柯潔之戰，不知道又給我們帶來何種新演算法和啟示。

非完全資訊類——三缺一也不怕了嗎

在博弈過程中，如果雙方得到的資訊是不完全、不對等的，需要透過猜測對方底牌計算機率，就屬於非完全資訊類，如德州撲克、橋牌、麻將等。

非完全資訊博弈要求更為複雜的推理能力，不僅要看別人打了什麼牌，還要猜測別人手裡有什麼牌，並根據對手行動暗示出的資訊，來計算自己的最優出牌出法。由於對手的行為不僅暗示他的資訊，也取決於他對我們的私人資訊有多少了解，我們的行為透露了多少資訊。所以，這種“迴圈推理”，導致一個人很難孤立地推理出遊戲的狀態。

現代博弈理論建立者、計算機先鋒馮·諾依曼有句名言，用來形容非完全資訊類對弈再合適不過：“現實世界有很多假象、騙術，需要你去思考別人對你的策略到底看穿了多少。這就是我提出的理論所涉及的博弈。”

德州撲克的搜尋複雜度是10的160次方，和國際圍棋接近。博弈中主要採用“納什均衡”原理——在一個特定時刻，尋找相對於其他參與人的最優反應。與圍棋相比，撲克不僅要根據不完全資訊進行復雜決策，還要應付對手的虛張聲勢、故意示弱等招數。去年年底，來自阿爾伯塔大學、查爾斯大學和布拉格捷克理工大學的計算機科學家開發的 DeepStack在二人無限注德州撲克中打敗了人類職業玩家；今年年初，卡內基∙梅隆大學所開發的 Libratus 又擊敗了四個更加優秀的職業選手，這是AI 在不完全資訊博弈中堪稱里程碑式的突破。對於人工智慧而言，下一個挑戰是征服多人撲克。

目前麻將主要風靡於亞洲，所以國標麻將和日本麻將都有比較強的 AI，高於人類平均水平，但是和人類頂尖高手的水平還是有較大的距離。麻將的搜尋複雜程度遠遠小於圍棋和德州撲克，但是由於（一般）是四人博弈，其對技術的要求和二人零和博弈（例如一對一德州撲克）很不相同。二人零和博弈的解法主要是尋找納什均衡策略或近似納什均衡策略，多人博弈中由於存在多個均衡的可能性以及多人的相互影響，納什均衡策略沒有任何效能的保證，從技術上來講這意味著大家幾乎要從頭再來，這在技術上帶來了新的挑戰（和多人撲克比較類似）。

星際爭霸和我的世界這類遊戲的複雜程度不僅在資訊的不對稱，更在於其更加開放的遊戲規則。此類遊戲更加類似人們在現實世界中遇到的情況。遊戲規則的開放性讓遊戲世界會出現很多計算機很難處理的新情況。比如特殊的從未出現過的地形特點，對手長時間的密謀和規劃等。排除計算機在執行速度上的優勢，計算機還未真正在這些遊戲上證明自己的能力。

小貼士：與完全資訊類對弈相比，有時候德州撲克、麻將對弈輸了，不全是因為打得不好，有可能從一開始牌不好，所以贏面比較低。運氣的成分在這類棋藝比賽中非常重，這一點與國際象棋和圍棋大不同。在圍棋中，專業選手和非專業選手的對決，從來不會因為運氣的存在而馬失前蹄或極其偶然地鹹魚翻身。

從社會層面的反饋看，有人會顧慮，機器對弈人類獲得成功，會破壞棋類藝術本身的意味，它們會讓專業棋手的價值受到挑戰，甚至讓更多的人放棄學習棋類運動；有人卻覺得這樣的賽事可以普及各種棋類，讓更多人對這些棋類、遊戲等產生興趣；還有人會誇大AI帶來的對人類的威脅……

可能在技術進步的過程中，確實會引發一些社會問題，但這在人類每個歷史階段都會遇到，人類也不會因此而放慢技術進步的步伐，一些現在看起來引發大眾不適的社會問題，一定會逐步解決。愛因斯坦說過：“科學，究竟是給人帶來幸福還是帶來災難，全取決於人自己。” 畢竟，在一場場人腦和AI的巔峰對決中，並不是機器打敗了人類，而是人類超越了自己！

未來AI更廣泛的用途一定會是在類似無人駕駛、智慧安防以及人工智慧助理這種真正意義上的非完全資訊類的真實環境裡。在真實世界，AI遇到的問題千變萬化，不會有一個統一的規則、統一的函式就能幫助其解釋相應的行為。棋牌類AI只是人工智慧非常早期的演練而已。

所以，AI在各種棋牌遊戲和人類對戰，其意義不在於輸贏本身，更重要的是人們對這類遊戲都耳熟能詳，能夠透過比賽瞭解到AI的最新進展，這對AI的發展有很大促進作用，畢竟AI進化的過程還相當長，即便是圍觀群眾，也需要了解這個未來會與每個人的生活都息息相關的領域。

我們也期盼著棋牌類AI的成功和突破能夠啟發AI在其他方面的研究和應用，並能將創新應用到更多行業和領域，激勵更多的人投身於AI的研究和實用化，讓人類生活更加便捷、高效和智慧化，使整個人類和大自然都能夠受益於AI。在對弈過程中，人工智慧研究領域的技術、專家人才培養體系也得以更加完善，從而推動人工智慧去攻克一個又一個技術和應用的“高地”。

————這裡是回答結束的分割線————

行業概況

相關政策

▶今年3月，人工智慧被首次寫入政府工作報告，連同新材料、積體電路、生物製藥以及第五代行動通訊等戰略性新興產業一道上升至國家級戰略層面。

▶7月底，國務院印發了《新一代人工智慧發展規劃》，提出六方面重點任務和一系列保障措施。要求到2020年人工智慧總體技術和應用與世界先進水平同步，人工智慧核心產業規模超過1500億元，帶動相關產業規模超過1萬億元；到2030年，中國人工智慧理論、技術與應用總體達到世界領先水平。

人工智慧（Artificial Intelligence）：

是指使用機器代替人類實現認知、識別、分析、決策等功能，其本質是對人的意識與思維的資訊過程的模擬，是一門綜合了計算機科學、生理學、哲學的交叉學科。

作為一種基礎技術，理論上講人工智慧能夠被應用在各個基礎行業（如:AI+金融、AI+醫療、AI+傳統制造業等），同時也有像機器人這樣具體應用的行業概念。

· 發展趨勢 ·

目前，中國的人工智慧研究處於爆發期，華人工智慧相關專利申請數從2010年開始出現持續增長，於2014年達到19197項，並於2015年開始大幅增長達到28022項。2016年，華人工智慧相關專利年申請數為29023項。

根據烏鎮智庫釋出的《全球人工智慧發展報告》資料顯示，在人工智慧專利數量方面，中國已經獲得了長足的進步，在過去三四年已經超越了美國。

2007-2016年華人工智慧相關專利申請數統計

· 行業分類 ·

人工智慧行業主要分為基礎支撐、技術應用和方案整合這三大板塊。基礎支撐主要包括 CPU/GPU/NPU，感測器，深度學習和神經網路。

*本報告研究範圍為以上產業鏈內容。

產業鏈佈局

據參照系資料庫顯示，目前全國從事人工智慧領域相關的企業共有346家。下面將從基礎技術支撐、技術應用領域、方案整合領域三方面來介紹相關企業的具體發展情況。

· 基礎技術支撐 ·

在該階段中誕生了基礎理論、基本規則和基本開發工具。在此階段，演算法和計算機對AI的發展起到主要推動作用。

現在主流應用基於多層網路神經的深度演算法，一方面不斷加強從海量資料庫中自行歸納物體特徵的能力，一方面不斷加強對新事物多層特徵提取、描述和還原的能力。對演算法來說，歸納和演繹同樣重要，最終目的是提高識別效率。

【相關企業】

基礎支援領域相關的企業一共有4家，分別為深圳真時科技有限公司、崑山塔米機器人有限公司、塔米智慧科技（北京）有限公司和蘇州科大訊飛教育科技有限公司。

· 技術應用領域 ·

人工智慧發展的第二個階段，演算法和計算力已經基本不存在堡壘，資料將成為主要驅動力，推動人工智慧更迭。在此階段，大量結構化、可靠的資料被採集、清洗和積累，甚至變現。

自然語言處理（NLP，natural language processing）：是計算機科學領域與人工智慧領域中的一個重要方向，主要研究人與計算機之間用自然語言進行有限通訊的各種理論和方法，是一門融語言、計算機和數學於一體的科學。

自然語言處理大致分成自然語言理解和自然語言生成兩大部分，包括句語法義分析，資訊抽取，文字挖掘，以及語音識別，語音合成和機器翻譯等技術。機器翻譯研究如何利用計算機實現自然語言之間的自動轉換，是人工智慧和自然語言處理領域的重要研究方向之一。

計算機視覺和影象識別原理

【相關企業】

人工智慧技術應用領域相關企業有108家，下圖中列舉的5家企業為深圳碳雲智慧科技有限公司、北京捷通華聲科技股份有限公司、北京星核軟體有限公司、北京艾克斯智慧科技有限公司、上海海知智慧科技有限公司。

（部分企業列表）

· 方案整合領域 ·

到了人工智慧發展的第三個階段，場景驅動作為主要驅動力，不僅可以針對不同使用者做個性化服務，而且可在不同場景下執行不同的決策。

【相關企業】

人工智慧方案整合領域相關企業達234家，以下列舉的為部分企業名稱，分別為北京盛開互動科技有限公司、北京文安智慧技術股份有限公司、北京市商湯科技開發有限公司、上海經達資訊科技股份有限公司。

（部分企業列表）

投資動向分析

以下將從最受機構喜愛的企業、投資機構佈局、企業資本狀態分佈情況和區域分佈狀況這四方面來做具體的分析。

· 最受機構喜愛企業 ·

從參照系資料庫提供的資料來看，最受投資機構喜愛的企業是北京市商湯科技有限公司。機構介入數多達19家，包括IDG資本，萬達集團，華興資本，TCL創投等。其次是深圳前海達闥科技有限公司，機構介入數為12家，包括富士康、深創投等。

· 投資機構佈局 ·

從投資機構的佈局上看，真格基金投資的人工智慧相關企業達14家，位列第一。IDG資本投資和達晨創投分別為7家企業，紅杉資本和啟迪創投分別為6家。

· 企業資本狀態分佈 ·

從企業資本狀態的分佈情況來看，346家人工智慧領域相關企業中，其中15家企業為A股公開交易狀態，14家企業為新三板上市狀態。

15家A股上市企業名單

▽

14家新三板上市企業名單

▽

· 區域分佈狀態 ·

從人工智慧行業相關企業的市級分佈情況來看，佈局最多的是北京市，有多達124家關聯企業。其中上海市共有47家相關領域企業。

除北京和上海外，人工智慧領域企業分佈最多的是深圳市，企業數量為42家。其次為杭州市，企業數量達34家。

市級分佈狀況

參照系研究院·出品