2016年與人工智慧機器人AlphaGo一戰，儘管1比4失利，但也拿下人類迄今對AlphaGo唯一的勝利，可以說是唯一一個擊敗過人工智慧的人。

李世石在接受採訪時表示：“隨著人工智慧在圍棋遊戲中的首次亮相，我意識到，即使我通過瘋狂的努力成為第一，我也不會是頂尖的。”

有人推測此次李世石的退役，與AlphaGo的那次對弈不無關係。

當一個人無論如何都絕無勝算，永遠有個實力遠超你的對手碾壓你的一切努力，所有的付出就會變得索然無味，那麼就是時候退出了。

AlphaGo和李世石的世紀大戰已經過去三年，有一部紀錄片全方位展示了這次人機對戰的經過。

此片對比了人類思維方式和人工智慧未來的工作方式，感動之餘也令人深思——

AlphaGo

導演:格雷格·科斯

主演: Demis Hassabis / David Silver / 李世石 / 黃士傑 / 樊麾

上映日期: 2017-04-21(翠貝卡電影節)

片長:90分鐘

AlphaGo（“Go”為日文“碁”字發音轉寫，是圍棋的西方名稱），直譯為阿爾法圍棋，亦被音譯為阿爾法狗，是於2014年開始由英國倫敦Google DeepMind開發的人工智慧圍棋軟體。

它是第一個擊敗人類職業圍棋選手、第一個戰勝圍棋世界冠軍的人工智慧機器人。

AlphaGo主要工作原理是“深度學習”。

“深度學習”是指多層的人工神經網路和訓練它的方法。

這就像生物神經大腦的工作機理一樣，通過合適的矩陣數量，多層組織連結一起，形成神經網路“大腦”進行精準複雜的處理。

當DeepMind團隊提出讓計算機和人類對戰圍棋的時候，很多人都覺得計算機不可能贏。

人們普遍認為想要贏一場圍棋，你需要有人類的直覺，而計算機不具備人類獨有的“直覺”。

DeepMind團隊找到了歐洲圍棋冠軍樊麾，希望他來和AlphaGo來一次對戰。

樊麾欣然接受，他自信滿滿地認為自己一定會贏，對方不過是一個程式而已。

然而，歐洲圍棋冠軍樊麾以五比零輸給了AlphaGo。

輸給AlphaGo之後，樊麾開始懷疑人生：自己怎麼會輸給一個電腦程式？

他無法接受這樣的事實，然而這是歷史上第一次，專業圍棋手輸給了一個程式。

不過樊麾很快就調整了狀態，雖然輸給程式很令人難過，但是他也隱約看到了人工智慧的未來，能夠參與歷史的發展，也是意義非凡的。

然而賽後收到的輿論卻大多在質疑樊麾的圍棋水平，由於不了解AlphaGo的實力，很多人認為樊麾竟然輸給電腦程式，說明他現在只是個業餘選手的水平。

圍棋界對於AlphaGo到底有多強，持懷疑態度。

作為迴應，DeepMind團隊需要更強大的挑戰和對手，他們看中了全球圍棋冠軍李世石。

如果AlphaGo能贏世界頂尖選手，那麼它的實力就不言而喻了。

李世石欣然應戰，賽前的他信心滿滿，認為自己不會輸，而且是五場比賽一場都不會輸。

李世石，世界頂級圍棋棋手，1983年3月2日生於南韓全羅南道。

李世石屬於典型的力戰型棋風，善於敏銳地抓住對手的弱處主動出擊，以強大的力量擊垮對手，他的攻擊可以用“穩，準，狠”來形容，經常能在劣勢下完成逆轉。

無論是網際網路上還是圍棋界，大多數人都認為李世石可以輕而易舉獲勝。

DeepMind團隊這邊也很重視這次的比賽，讓AlphaGo對弈世界頂級棋手其實有很大風險，他們很可能會輸，而且會以很愚蠢的方式輸掉。

所以團隊全天工作，不斷改進AlphaGo的演算法，更好地應對挑戰。

而正式比賽時，坐在李世石對面的將是工程師Aja，他來負責操作AlphaGo。

換而言之就是替AlphaGo落下真實的棋子，並且將李世石走的棋子輸入電腦給AlphaGo。

團隊還邀請了樊麾回來參與AlphaGo的改進工作。

在對AlphaGo的反覆研究中，樊麾發現了AlphaGo的弱點，也就是所謂的bug，而這個問題涉及AlphaGo對問題的理解能力，團隊因此感到焦慮。

而李世石那邊已經做好了接受挑戰的準備。

圍棋在南韓是一項頗有人氣的活動，大約有800萬南韓人玩圍棋，即便是不玩圍棋的南韓人也都知道世界冠軍李世石。

這樣的比賽自然受到很多南韓民眾的關注，大家都帶著幾分民族自豪感來觀戰。

而對於全人類來說，人類與人工智慧交鋒也是一件值得關注的事。

人類因智慧在地球崛起文明，大多數人都認同人類的智慧、情感、直覺是獨一無二的，是人類文明的基石。

李世石也認為人類的直覺是決勝的關鍵，而人工智慧不具備這種能力。

在這之前，李世石代表的是南韓。

而這一次他是為人類而戰。

比賽正式開始，胸有成竹的李世石落下第一顆棋，而AlphaGo卻在第一步就突然卡住，停頓了近半個小時之久，這讓背後的開發團隊都不禁捏了把汗。

當它終於落下第一顆棋，比賽在靜默中進行著。

人機對抗在棋盤上逐漸變得激烈，AlphaGo的攻擊性開始令李世石難以招架。

作為專業棋手的李世石不禁抬頭望向對面的操作員Aja，這是一個本能動作。

他想要觀察對手的心境，但是卻看不到AlphaGo的表情，這也是AlphaGo的可怕之處。

當你和人類比賽時，你可以通過感覺做些調整。

我看著你，我可以揣測你的想法，眼神的交流可以觀察到很多事。

但是和AlphaGo比賽，你什麼都感覺不到，你能看到的只是一臺膝上型電腦。

令所有人驚歎的情況出現了，世界圍棋冠軍李世石終於在與AlphaGo的對抗中落後了。

就連李世石自己也對這種局面感到震驚。

所有人都以為李世石會主導這場比賽，然而比賽進行到一半，他是掙扎的那一個。

就在這時，AlphaGo似乎出錯，接著就不停“犯錯”。

但基於AlphaGo是計算機，所以這些“錯誤”也許是計算的結果，而不是錯誤。

看上去更像是AlphaGo在玩弄對手。

這一局，李世石輸給了AlphaGo。

他花了很長時間才接受這個事實。

然而AlphaGo的開發團隊DeepMind那邊卻歡欣雀躍。

與失落的人們相比，他們有著不同的立場。

“人類希望人類贏是自然的事，但AlphaGo是人類創造的。這是人類智慧和才智的終極象徵。”

全球有8000萬人在關注這場比賽，這樣的結果無疑震驚了世人。

李世石雖然輸掉了第一場比賽，但他還有四次機會打敗AlphaGo。

第二場比賽開始，李世石改變了策略，不再輕敵。

這一場他每一步都走得很慢，可以想象他揹負著巨大的壓力。

AlphaGo有三個主要成分：

政策網路——專門訓練高水平的遊戲來模仿人類。

價值網路—— 用來評估棋盤的位置，並顯示特定區域的勝算有多大。

樹狀搜尋——它可以看穿遊戲中所有不同的變化，以此來推算出接下來棋盤上會發生什麼。

可以說AlphaGo走的每一步都是電腦複雜運算的結果，人類大腦能與之匹敵嗎？

第二場比賽正在進行時，李世石似乎承受不住壓力，突然離場去天台抽菸。

而AlphaGo不受情緒影響，繼續有條不紊地落子。

它又走出了一步，被在場專業棋手認為是錯誤的棋，人類絕不會這樣走棋。

這已經超出了人類的經驗，是AlphaGo自己創造出的新棋路。

李世石看到這步棋，也震驚了。

他認為這已經不僅僅是基於計算的結果，這是一種創新，意味著AlphaGo具有創造力。

第二場比賽，李世石還是輸給了AlphaGo。

有趣的是，儘管連開發團隊都承認AlphaGo只是一個電腦程式，但是在網上的評論中，很多人下意識地為AlphaGo賦予了人格甚至性別，它開始讓人感到一絲微弱的恐懼和威脅。

接下來的第三場比賽中，李世石還是輸給了AlphaGo。

這一次所有人都能感覺到他的無奈和絕望。

不公平的是，這樣的對戰中，無論AlphaGo是輸是贏，都不會受到情緒的影響。而對於人類而言，情緒會影響發揮。

第四場比賽中，李世石徹底放鬆了。

面對AlphaGo這樣強大的對手，他開始慢慢找回最初對圍棋的認識，一步步用人類的方式把AlphaGo逼入絕境。

AlphaGo終於開始真正意義上的“犯錯”。

這一局，幾乎是歷史性的時刻，AlphaGo放棄了，李世石贏回了這一局。

連輸三場以後，第四場似乎毫無希望，那感覺就像世界末日來臨。

但這一次，人類贏了。

所有人激動不已，現場一片歡呼，一掃前幾天的壓抑和恐懼，大家不僅在為李世石歡呼，也是為人類自己歡呼。

這次勝利意味著，人類在面對超級計算機時，似乎並非毫無勝算。

雖然第五場比賽，李世石還是輸給了AlphaGo。

迄今為止，人類只戰勝過AlphaGo一次。

但是通過這場比賽，人類對人工智慧的實力有了驚鴻一瞥，也隱約看到了未來世界的可能。

可以預見的是，隨著科技日新月異的發展，人工智慧（AI）必將逐漸走入人類的生活。或許當下很多人對人工智慧的印象缺乏真實感，總是會聯想到科幻小說和電影。

《機械姬》劇照其實我們當下，正處在一個充滿了弱人工智慧的世界。

無論是汽車還是手機中都不乏各種人工智慧的應用，谷歌最近在測試的無人駕駛車就是一例。

弱人工智慧目前在給人帶來便利的同時，還不至於對人造成威脅。

然而，每一個弱人工智慧的創新，都在給通往強人工智慧和超人工智慧的未來添磚加瓦。

有人曾預言：現在的弱人工智慧，就像是地球早期軟泥中的氨基酸——沒有動靜的物質，也許突然的契機就組成了生命。

電腦科學家Donald Knuth認為：

“人工智慧已經在幾乎所有需要思考的領域超過了人類，但是在那些人類和其它動物不需要思考就能完成的事情上，還差得很遠。”

但總有一天，我們會造出和人類智慧相當的強人工智慧電腦，這只是時間問題。

超級智慧的誕生，或許就會發生在不久的將來，因為指數級增長的關係，雖然機器學習現在還發展緩慢，但是在未來幾十年就會變得飛快。

到那時，人類將不得不面對自己創造出來的超級智慧。

而大多數人關心的是，它會如何對待人類，它會協助人類更好地生活還是威脅人類的生存呢？

或許答案只能交給時間了。