由谷歌倫敦子公司DeepMind開發的AlphaGo機器，以5:0的絕對優勢擊敗了歐洲圍棋冠軍樊麾。樊麾出生於中國、現籍法國，現為法國國家圍棋隊總教練。

據悉，“AlphaGo”還與其他幾個種類的圍棋軟體展開切磋，495局比賽中僅敗陣一局，優勢十分明顯。

今年3月，“AlphaGo”將挑戰全球頂級的南韓九段棋手李世乭，獎金是100萬美金。李世石表示：“(人工智慧)厲害得讓人吃驚，聽說一直在進化，不過我有信心取勝。”

戰勝圍棋高手到底有多難？

在過去的二十多年裡，機器在諸多智力遊戲領域都戰勝了人類，國際象棋、跳棋、黑白棋、撲克牌等都被人工智慧拿下。

1952年計算機掌握了第一款遊戲——井字棋。

90年代中期，一個名叫Chinook的程式打敗了全世界頂尖的跳棋高手們。

1997年，IBM的“深藍”打敗了當時國際象棋大師卡斯帕洛夫。

2011年，IBM的Watson 在智力遊戲Jeopardy中奪得第一。

然而，儘管上述智力競賽均被人工智慧拿下，圍棋也一直是例外，人類智力總是更勝一籌。儘管有著極簡的遊戲規則，但實際上圍棋卻是一種極為複雜的遊戲。

圍棋起源於三千多年前的中國，計算起來，共有10的170次方種可能的走法——這個數字大於宇宙中原子的數量，比國際象棋還多一個10的100 次方。

儘管目前AlphaGo機器已戰勝歐洲圍棋冠軍，但谷歌公司今日卻發文承認，截止目前，圍棋仍然是橫亙在人工智慧研究者面前的難題：計算機真正的圍棋水平只能達到業餘選手的程度。

谷歌如何做到？

谷歌公司稱，傳統的人工智慧方法是將所有可能的走法構建成一棵搜尋樹 ，但這種方法對圍棋並不適用。所以在征服圍棋的過程中，谷歌決定另闢蹊徑，構建了AlphaGo的系統，將高階搜尋樹與深度神經網路結合在一起。

這些神經網路透過12個處理層傳遞對棋盤的描述，這些處理層包含數百萬個類似於神經的連線點。其中一個神經網路“策略網路”（policy network）選擇下一步走法，另一個神經網路“價值網路”（value network）預測比賽勝利者。

谷歌用人類圍棋高手的三千萬步圍棋走法訓練神經網路，直至神經網路預測人類走法的準確率達到57%。為了打敗樊麾，AlphaGo學習自行研究新戰略，在它的神經網路之間運行了數千局圍棋，利用反覆試驗調整連線點，這個流程也稱為鞏固學習。 完成訓練後，谷歌再對AlphaGo進行測試。首先，谷歌在AlphaGo和其他頂級計算機圍棋程式之間舉行了比賽，結果AlphaGo在全部500場比賽中只輸了一場。下一步就是邀請歐洲圍棋三料冠軍樊麾來到谷歌的倫敦辦公室參加挑戰賽，結果大家已經知道了。

谷歌將用人工智慧做災難分析

谷歌公司稱，這項成就最重要的意義在於，AlphaGo不僅是遵循人工規則的“專家”系統，它還透過通用“機器學習”自行掌握如何贏得圍棋比賽的規則。

遊戲是迅速而高效地開發及測試人工智慧演算法的完美平臺，不過最終，谷歌表示，要運用這些技術解決現實社會的重要問題。

“我們所採用的方法具有通用性，因此我們希望有一天這些方法也能用來解決當今世介面臨的最嚴峻、最緊迫的問題——從氣候建模到複雜的災難分析，期待著繼續運用這些技術解決更多問題！”

人工智慧短期內是不會取代圍棋老師的，至於以後人工智慧會發展到什麼程度現在不好說。現在的人工智慧可以協助圍棋老師教學。

人工智慧畢竟是冷冰冰的機器，他的很多功能都是由人設定的，是沒有感情的。而我們圍棋的教學活動是需要各方面的交流與互動，比如師生之間的交流，這種交流有語言的交流，情感的交流，一個眼神是交流，一個手勢是交流，一個輕撫一個擁抱都是交流，而這些交流是電腦無法取代的。

人是有溫度有感情的，人有喜怒哀樂，而機器沒有，老師教學不單純是機械化的知識灌輸，很多知識需要老師用孩子們能夠理解的方式去教導，這些方式多種多樣，而人工智慧現在是做不到的。

雖然人工智慧不能完全取代圍棋老師，都是很多方面在不久的將來是可以替代的，比如改作業，陪孩子下棋，幫助孩子覆盤等等，而且有時候比人的效果更好。