前有人工智慧“阿爾法狗”打敗排名世界第一的圍棋職業棋手，後有“阿爾法元”自學三天圍棋技術碾壓“阿爾法狗”。隨著科技的飛速發展，“人工智慧”無疑成了當下最火的詞。人們也不由發出追問：人工智慧真的會取代人類嗎？
25日，被譽為人工智慧領域“根目錄”之一的美國科學院、美國工程院、美國藝術院三院院士，加州大學伯克利分校教授邁克爾·喬丹（Michael I. Jordan）在出席由上海海事大學、上海市思維科學研究會承辦的第二屆智慧科學國際會議時指出，人工智慧目前確實能夠解決某些問題，但人類的創造力和抽象能力是獨有的，也是在人工智慧系統中很難實現的。因此，人工智慧應該給未來的人類社會帶來更有用的價值，而不是引發人的焦慮。
人工智慧可以幫你網上訂票，但無法和人們暢談人生
提到人工智慧，許多人腦海裡的第一個形象通常是機器人。就像電影《我，機器人（I, Robot）》中的智慧機器人一樣，它可以和你溝通，照顧你的衣食起居，甚至可以和人類進行智慧互動。
從科學意義上講，人工智慧就是代替人類做簡單繁瑣的事情。“我更願意將人工智慧（AI）稱為機器語言（ML）。”邁克爾·喬丹說，人工智慧在過去10多年來飛速發展，其實質是機器語言的增長和統計學的發展。無論是人工智慧的發展亦或是機器語言的發展，核心都是依賴資料的積累和發展。目前，人工智慧基於資料、演算法執行，已能較好實現計算機視覺、語音識別、自然語言處理等。
就在不久前，在圍棋上所向披靡的“阿爾法狗”以0比100慘敗給自學三天的“阿爾法元”。一場近乎碾壓式的勝利，觸動了很多人敏感的神經：人工智慧會不會透過自我學習變得無比強大？人類最終會被機器奴役甚至取代嗎？
邁克爾·喬丹說，誠然，人工智慧基於演算法和搜尋技術的應用，已可以實現很多事情，但人工智慧遠沒有人類想像得聰明。
“許多人覺得人工智慧是萬能的，然而事實並不是這樣。比如，人工智慧可以幫忙在網上訂票，但它無法和人們暢談人生。”邁克爾·喬丹說，人工智慧並不能真正理解它正在做的事情。例如，將系統中一些詞句替換成發音相近但語義相反的其他詞彙，只要系統能夠正常運轉，它並不能從語義理解層面察覺異樣。更重要的是，人工智慧並不知道做出搜尋或提供資料之後會產生什麼樣的結果。
可以說，創造力和智慧對於人工智慧系統來說還很難實現，推理和抽象能力的實現也似乎遙不可及。人工智慧只是善於捕捉資料，而不可能對未來做出一個長期的、有條不紊的規劃。
“所謂‘智慧’，是我們根據引數彙集起來的資料演算法，它們只能複製、模仿、模擬人類的行動，而不是真正的智慧。說到底，相比我們真實的世界，圍棋的複雜程度要低很多，因為真實的世界充滿不確定性。”邁克爾·喬丹說。
人工智慧可能會讓一些崗位消失，但同時也會產生新的崗位
雖然人工智慧技術已經在滲入各行各業，但在科學家眼中，這離真正意義上的“人工智慧”還有很長一段距離。人工智慧研究的最終指向或許是：人工智慧能自主執行並與人類互動，甚至讓人工智慧瞭解人類。
“雖然這一點在今天還很難實現，但未來，它或許可能成為現實。”邁克爾·喬丹透露，目前業界有許多公司和機構正在從事這一領域的研究。他預測，未來十年，自動駕駛汽車甚至是無人駕駛的空中計程車，可能成為人們的日常交通方式。而眼下，這些技術的使用體驗還不甚良好，從實驗室的前沿技術變成人們的日常使用的產品，還需要一定時間。
當然，人工智慧的出現也會對部分就業崗位造成衝擊。比如，像安檢、看病理切片和監控影片稽核等交給人工智慧更為高效可靠，這些工種也因此比較容易受到衝擊和替代。不過，邁克爾·喬丹表示，人們完全不必因此而過分擔心，人工智慧可能會讓一些崗位消失，但同時也會產生新的崗位。“很多劃時代的科技成果必然引發人們生活方式的改變，短期內很可能難以被接受，但若放眼歷史長河，就會發現，所有重大的科技革命無一例外地都最終成為人類發展的加速器，同時也是人類生活品質提高的根本保障。”
阿爾法狗再進化，10月19日谷歌旗下人工智慧研究部門DeepMind釋出了新版AlphaGo（阿爾法狗）
軟體
，它可以完全靠自己學習圍棋這款名為AlphaGo Zero的系統可以透過自我對弈進行學習，它利用了一種名為強化學習的技術。
它更加智慧，更加先進，或者直接點，更嚇人。它可以在不需要任何人類輸入的條件下，迅速自學圍棋。僅用3天時間自學和訓練，就擊敗了此前的AlphaGo，比分是89比11。值得注意的是，之前的版本都參考學習了大量人類專業棋手的圍棋經驗，而新版的AlphaGoZero則是自我對弈，即透過跟不同版本的自己下棋來學習。
而阿爾法狗進化的訊息也是引起了很多網友的圍觀，不少網友紛紛留言說：按照這個速度，上帝很快也被製造出來了。大家都在注意人工智慧本身，但是大家有沒有注意到阿爾法元的負責人眼睛裡閃著光，那裡面帶著最純粹的興趣。連阿法狗都在努力，你有什麼理由逃避，AI取代人類統治世界已經在路上了。那些說計算機在厲害還不是人造的。換位思考一下，你獲得了莫大的成就，然後別人吐槽你說還不是你爸你媽生你出來的，牛逼個啥。聽起來是不是很酸?
(2017-10-20)
在金庸的小說《射鵰英雄傳》裡，周伯通“左手畫圓，右手畫方”，左手攻擊右手，右手及時反搏，自娛自樂，終無敵於天下。
現實世界中，亦有這麼一個“幼童”，他沒見過一個棋譜，也沒有得到一個人指點，從零開始，自娛自樂，自己參悟，用了僅僅40天，便稱霸圍棋武林。
這個“幼童”，叫阿爾法元（AlphaGo Zero），就是今年5月在烏鎮圍棋峰會上打敗了人類第一高手柯潔的阿爾法狗強化版AlphaGo Master的同門“師弟”。不過，這個遍讀人類幾乎所有棋譜、以3比0打敗人類第一高手的師兄，在“師弟”阿爾法元從零自學第21天后，便被其擊敗。
10月19日，一手創造了AlphaGo神話的谷歌DeepMind團隊在Nature雜誌上發表重磅論文Mastering the game of Go without human knowledge，介紹了團隊最新研究成果——阿爾法元的出世，引起業內轟動。
雖師出同門，但是師兄弟的看家本領卻有本質的差別。
“過去所有版本的AlphaGo都從利用人類資料進行培訓開始，它們被告知人類高手在這個地方怎麼下，在另一個地方又怎麼下。” DeepMind阿爾法狗專案負責人David Silver博士在一段採訪中介紹，“而阿爾法元不使用任何人類資料，完全是自我學習，從自我對弈中實踐。”
David Silver博士介紹，在他們所設計的演算法中，阿爾法元的對手，或者叫陪練，總是被調成與其水平一致。“所以它是從最基礎的水平起步，從零開始，從隨機招式開始，但在學習過程中的每一步，它的對手都會正好被校準為匹配器當前水平，一開始，這些對手都非常弱，但是之後漸漸變得越來越強大。”
這種學習方式正是當今人工智慧最熱門的研究領域之一——強化學習（Reinforcement learning）。
崑山杜克大學和美國杜克大學電子與計算機工程學教授李昕博士向澎湃新聞（www.thepaper.cn）介紹，DeepMind團隊此次所利用的一種新的強化學習方式，是從一個對圍棋沒有任何知識的神經網路開始，然後與一種強大的搜尋演算法相結合，“簡單地解釋就是，它開始不知道該怎麼做，就去嘗試，嘗試之後，看到了結果，若是正面結果，就知道做對了，反之，就知道做錯了，這就是它自我學習的方法。”
這一過程中，阿爾法元成為自己的“老師”，神經網路不斷被調整更新，以評估預測下一個落子位置以及輸贏，更新後的神經網路又與搜尋演算法重新組合，進而建立一個新的、更強大的版本，然而再次重複這個過程，系統性能經過每一次迭代得到提高，使得神經網路預測越來越準確，阿爾法元也越來越強大。
其中值得一提的是，以前版本的阿爾法狗通常使用預測下一步的“策略網路（policy network）”和評估棋局輸贏的“價值網路（value network）”兩個神經網路。而更為強大的阿爾法元只使用了一個神經網路，也就是兩個網路的整合版本。
這個意義上而言，“AlphaGo Zero”譯成“阿爾法元”，而不是字面上的“阿爾法零”，“內涵更加豐富，代表了人類認知的起點——神經元。”李昕教授說。
上述研究更新了人們對於機器學習的認知。“人們一般認為，機器學習就是關於大資料和海量計算，但是透過阿爾法元，我們發現，其實演算法比所謂計算或資料可用性更重要。”DavidSilver博士說。
李昕教授長期專注於製造業大資料研究，他認為，這個研究最有意義的一點在於，證明了人工智慧在某些領域，也許可以擺脫對人類經驗和輔助的依賴。“人工智慧的一大難點就是，需要大量人力對資料樣本進行標註，而阿爾法元則證明，人工智慧可以透過‘無監督資料（unsupervised data）’，也就是人類未標註的資料，來解決問題。”
有人暢想，類似的深度強化學習演算法，或許能更容易地被廣泛應用到其他人類缺乏瞭解或是缺乏大量標註資料的領域。
不過，究竟有多大實際意義，能應用到哪些現實領域，李昕教授表示“還前途未卜”，“下圍棋本身是一個比較侷限的應用，人類覺得下圍棋很複雜，但是對於機器來說並不難。而且，下圍棋只是一種娛樂方式，不算作人們在生活中遇到的實際問題。”
那麼，谷歌的AI為什麼會選擇圍棋？
據《第一財經》報道，歷史上，電腦最早掌握的第一款經典遊戲是井字遊戲，這是1952年一位博士在讀生的研究專案；隨後是1994年電腦程式Chinook成功挑戰西洋跳棋遊戲；3年後，IBM深藍超級計算機在國際象棋比賽中戰勝世界冠軍加里•卡斯帕羅夫。
除了棋盤遊戲外，IBM的Watson系統在2011年成功挑戰老牌智力競賽節目Jeopardy遊戲一戰成名；2014年，Google自己編寫的演算法，學會了僅需輸入初始畫素資訊就能玩幾十種Atari遊戲。
但有一項遊戲仍然是人類代表著頂尖水平，那就是圍棋。
谷歌DeepMind創始人兼CEO Demis Hassabis博士曾在2016年AlphaGo對陣李世石時就做過說明，有著3000多年曆史的圍棋是人類有史以來發明出來的最複雜的遊戲，對於人工智慧來說，這是一次最尖端的大挑戰，需要直覺和計算，要想熟練玩圍棋需要將模式識別和運籌帷幄結合。
“圍棋的搜尋空間是漫無邊際的——比圍棋棋盤要大1個古戈爾（數量級單位，10的100次方，甚至比宇宙中的原子數量還要多）。”因此，傳統的人工智慧方法也就是“為所有可能的步數建立搜尋樹”，在圍棋遊戲中幾乎無法實現。
而打敗了人類的AlphaGo系統的關鍵則是，將圍棋巨大無比的搜尋空間壓縮到可控的範圍之內。David Silver博士此前曾介紹，策略網路的作用是預測下一步，並用來將搜尋範圍縮小至最有可能的那些步驟。另一個神經網路“價值網路（valuenetwork）”則是用來減少搜尋樹的深度，每走一步估算一次遊戲的贏家，而不是搜尋所有結束棋局的途徑。
李昕教授對阿爾法元帶來的突破錶示欣喜，但同時他也提到，“阿爾法元證明的只是在下圍棋這個遊戲中，無監督學習（unsupervised learning）比有監督學習（supervised learning）‘更優’，但並未證明這就是‘最優’方法，也許兩者結合的semi-supervised learning，也就是在不同時間和階段，結合有監督或無監督學習各自的優點，可以得到更優的結果。”
李昕教授說，人工智慧的技術還遠沒有達到人們所想象的程度，“比如，網際網路登入時用的reCAPTCHA驗證碼（影象或者文字），就無法透過機器學習演算法自動識別”，他說，在某些方面，機器人確實比人做得更好，但目前並不能完全替換人。“只有當科研證明，一項人工智慧技術能夠解決一些實際問題和人工痛點時，才真正算作是一個重大突破。”
崑山杜克大學常務副校長、中美科技政策和關係專家丹尼斯·西蒙（Denis Simon）博士在接受澎湃新聞採訪時表示，阿爾法元在圍棋領域的成功說明它確實有極大的潛力。阿爾法元透過與自身對弈實現了自身能力的提升，每一次它都變得更聰明，每一次棋局也更有挑戰性。這種重複性的、充分參與的學習增強了阿爾法元處理更高層次的、戰略複雜問題的能力。但缺點是這是一個封閉的系統。“阿爾法元如何能夠超過自身的侷限獲得進一步的成長？換句話說，它能跳出框框思考嗎？”
(2017-10-22)
中新網10月19日電 據《日本經濟新聞》報道，美國谷歌旗下的英國子公司沉思科技(DeepMind Technologies)日前開發出了新版本圍棋用人工智慧(AI)“AlphaGo Zero”。
此前的AlphaGo在擊敗全球頂級棋手時透過學習約3千萬專業棋手的對弈資料使自身變得強大。但AlphaGo Zero無需人類作出示範，也能反覆與自己對弈，藉助自學創造出勝率最高的下法。
據報道，以前的AlphaGo對人類就已經具有壓倒性優勢，棋力達到史上最強。這種實力有助於將來在產業方面得到應用，例如透過大量資料自動找到調整電力供需的時機等。
英國科學雜誌《自然》雜誌10月19日發表了相關文章。谷歌僅向AlphaGo Zero教授了圍棋規則。AlphaGo Zero 將現有的2種學習方法結合起來，分別透過2種方法思考下一手，還能對彼此思考出的結果進行參照。
據悉，AlphaGo Zero最初是隨機落子，但透過反覆與自己對弈，迅速提高水平。在進行實驗3天后，面對2016年3月擊敗頂級棋手李世石時的舊版AlphaGo取得了100戰全勝。
據瞭解，人類在多年的圍棋歷史中不斷自主完善了被稱為“定式”的慣用下法。在試驗40天后，AlphaGo Zero已經與自己對弈 2900萬局，強大程度超過2016年5月時面對全球最強棋手柯潔九段取得3連勝的AlphaGo版本。據稱，AlphaGo Zero還開始掌握人類未知的下法。
美國圍棋協會主席安迪·奧肯等在發給《自然》雜誌的稿件中指出，“AlphaGo Zero在中盤階段的若干判斷簡直就像迷一樣”。另一方面，隨著人工智慧和人類在下棋時總結出了相同的定式，證明“人類長達數個世紀的圍棋活動取得的成果並非全部錯誤”。
沉思科技的執行長傑米斯·哈薩比斯在AlphaGo擊敗最強人類棋手時表示，“這是最後一次和人類對弈”。為達成“完全不依賴人類的人工智慧”這個目標，哈薩比斯在此後繼續對AlphaGo進行了改進。
此前，人工智慧曾將人類的對弈資料作為“教師”加以學習。因此有觀點指出，人工智慧雖然強大，但僅僅處於人類知識的延長線上。沉思科技透過讓人工智慧從零開始自學，採用被稱為“沒有教師的學習”方式，創造出了不受人類思維束縛的革新性人工智慧。
哈薩比斯表示，“人工智慧有可能推動人類的智力向前發展，給全人類帶來積極影響”。
報道指出，沉思科技與英國國家醫療服務體系(NHS)展開合作，除了將人工智慧用於早期發現疑難雜症外，還將用於調整電力供需等方面。將來，還期待人工智慧在依靠人類力量難以解決的新材料開發、探究蛋白質生成機制等方面做出貢獻。
報道還稱，新技術將來還可能在產業方面做出貢獻。例如，從大量資料中發現人類難以意識到的提升效率的方式等。
據悉，以各種用電資料為基礎，人工智慧將有助於節省電力。由於像AlphaGo Zero一樣的人工智慧可以“無師自通”，在宇宙和海洋等觀測資料不足的領域也有可能做出貢獻。
以下為網友評論：
網友“涼茶”：世界要毀滅了，相信我我是從2080年來的，終結者統治了世界！
網友“Miox”：我準備打包回山裡做猴子。
(2017-10-19)
在圍棋上，AlphaGo Zero已經到達了人類從未涉足的知識疆域，人工智慧進入無師自通的新時代。
（資料圖）
《財經》記者賀濤／文王小／編輯
世界上最強大的圍棋程式誕生了。對，又是AlphaGo乾的。
這款名叫AlphaGo Zero的新程式，在沒有任何人類資料輸入的情況下，經過短短三天的圍棋自學，就以100比0的戰績打敗了它的“前任”——在2016年擊敗世界冠軍李世石的那款。
在自我訓練40天后，AlphaGo Zero變得更為強大，超越了AlphaGo的前一版本“大師”，“大師”曾折服了圍棋世界排名第一的柯傑。這是人工智慧（AI）領域的一大步。北京時間10月19日凌晨1點，Nature雜誌發表了這篇研究論文。
演算法的升級
以往所有版本的AlphaGo，都是從利用人類棋手的資料培訓開始。其特點是基於上百萬種專業棋手的下棋步驟，透過“監督式學習”來掌握圍棋。就像培養孩子一樣，透過人類高手資料的“喂招”，加之不斷地反饋，讓AlphaGo成長。
此外，也使用了基於自我對弈的增強學習。就是不給AlphaGo任何指導，只是告訴它圍棋輸贏的規則，讓它自己下棋，並根據輸贏的結果總結最優策略。
AlphaGo的創造者、谷歌旗下的DeepMind公司沒有止步於此，而是要探索一種能從零開始、以超人的水平學習複雜概念的演算法。於是，AlphaGo Zero誕生了。
AlphaGo Zero的學習從零開始，且單純基於與自己的對弈，無需任何人類示例或干預。它僅用到一張神經網路，這張網路經過訓練，專門預測程式自身的棋步和棋局的贏家，在每次自我對弈中進步。
當年首款AlphaGo的訓練過程長達幾個月，用到多臺機器和48個TPU（神經網路訓練所需的專業晶片）。而AlphaGo Zero只使用了一臺機器和4個TPU，對計算能力的要求降低了一個數量級，而棋力水準反而得到躍升。這表明，演算法比所謂的計算能力或資料可用性更重要。
延伸出新的知識邊疆
AlphaGo Zero還帶來了更大的彩蛋。
“它總結出一些人類目前尚未發現的東西，形成一些極具創意的新知識。” AlphaGo專案的主要負責人戴維·席爾瓦（David Silver）說。AlphaGo不僅在短時間內重新發現了人類經過上千年總結出來的所有圍棋知識，如先在角落裡落子，它還獨創了自己的下法，有些下法甚至是人類從未觸及的。
中國科學院計算技術研究所研究員張雲泉對《財經》記者分析，人類棋手為了降低計算需求和追求棋形之美，透過定式等手段對圍棋下法進行了大量的簡化和限制，從而錯失了很多有效的下法，AlphaGo Zero代替人類探索了圍棋世界的巨大的空間。
這正是AlphaGo Zero驚人的地方。隨著知識和資料的爆炸，人類已經沒有能力學習和掌握所有的新知識並進行創造，而AlphaGo卻做到了。作為人類的新知識的助手，去探索發現和總結目前人類能力無法到達的新的知識空間。
“它可以延伸人類探索發現新知識邊疆的能力！”張雲泉說。這預示著機器學習將正式進入無師自通時代，一個新時代已經到來。
需要明晰的是，這並不代表有了AlphaGo Zero，人類經驗就沒用了，人工智慧已經超過人類智力。
中國科學院自動化研究所複雜系統管理與控制國家重點實驗室主任王飛躍認為，在所有“規則界定得非常清楚，而且規則中包含了所有資訊”的任務中，機器或程式都應超過人類。正如汽車會跑得比人快，飛機會飛得比人高。圍棋屬於這個範疇。
問題是，人工智慧在應用中面臨的更多挑戰是那些規則不清，或者清楚但不包含所有資訊的事情。在軍事國防、社會經濟，特別是日常生活中，大多數應用場景都屬於此類，即使人為界定出來的規則可以簡化複雜性，但無法確定所有資訊。比如，交通規則無法杜絕交通擁堵和事故的發生。也就是說，在目前大多數應用場景下，人工智慧還無法超越人類智力。
成功要複製
DeepMind公司的使命感很強，他們希望首先解決人工智慧問題，然後用人工智慧去解決一切其他問題。
顯然，研發出AlphaGo Zero不會讓它僅坐在圍棋王座上。
最讓戴維·席爾瓦驚喜的，也是它在現實世界裡的應用前景。AlphaGo Zero在圍棋這個複雜、高挑戰的領域能夠達到極高水平，意味著可以將它從圍棋領域移植到其他領域，建立一種普遍演算法，來著手解決對人類來說最棘手、影響最大的難題了。
“最終，我們希望將這種演算法上的突破，用於幫助解決現實世界各種的緊迫問題，如蛋白質摺疊、設計新材料。如果我們能在這些問題上做出同樣的進步，AlphaGo就有潛力推動人類的知識，並對我們的生活產生積極的影響。”DeepMind聯合創始人兼執行長戴密斯·哈薩比斯（Demis Hassabis）說。
(2017-10-19)
10月18日，《自然》雜誌網站公佈的論文顯示，此前戰勝人類圍棋世界冠軍的電腦程式AlphaGo的開發團隊又出力作——新程式AlphaGo Zero（阿爾法元）不依靠人類指導和經驗，僅憑自身演算法強化學習，就以100:0的戰績擊敗了AlphaGo（阿爾法狗）。
新一代阿爾法狗的出現，資料上完全是碾壓老阿爾法狗，驚豔了整個世界，網友戲稱連阿爾法狗都這麼努力，我們人類還有什麼藉口不努力？
那麼具體是什麼事呢？我們聽聽科學作家黃永明先生的解答：
文：黃永明
打敗了人類棋手的AlphaGo有了個弟弟——AlphaGo Zero。它自學成才，在不借助人類知識的情況下學會了下圍棋，而且只花了40天時間，就達到了在大部分情況下打敗AlphaGo的境地。
這個訊息確實令人震驚。它非同一般的地方主要在於幾處。
第一，AlphaGo Zero一開始只學習了一些最基本的規則，然後透過與自己對弈，在短短几天之內就重新發現了人類花了上千年找到的圍棋技法。這改變了人工智慧需要基於大量資料的情況。比如說，我們人類的兒童看到幾輛汽車之後，再看到不同款的車，他也知道那是汽車。而機器可能要看幾千張汽車的照片，才能學會識別汽車。這個不同曾被認為是人工智慧的一個很大的短板。現在AlphaGo Zero突破了這個瓶頸，這種學習能力是令人驚奇的。
第二，它佔用的計算能力很少，只用了4個張量處理器（TPU,Google專門為人工智慧設計的計算片），而前面一代AlphaGo用了48個。這讓人工智慧更加具有應用前景。
有人對人工智慧的新發展感到恐懼——也許它們會失控，也許它們會像科幻電影裡那樣消滅人類。這種擔心有點遠。人工智慧確實有它令人擔憂的一面，但暫時還不是這個。
人類歷史上出現過的一個技術突破是可以拿來做類別的。那就是紡織機。
最初紡織機是純手動的，世界上最早發明電動紡織機的是英國人。1745年出現第一代電動紡織機，但是沒有進一步發展。分水嶺出現在1785年，用同樣原理做出來的電動紡織機獲得專利並開始在工業上應用。後來John Kay發明了飛梭，這讓電動織布機迅速替代人工，佔領英國，到1818年，全英國已經有5700多臺電動織布機。
我們來看，電動織布機首先看起來給人類帶來了很多好處。它“解放”了工人，人們不需要那麼苦哈哈地去操作織布機了。人工智慧現在看起來也是這樣，許多原先需要靠人力去完成的事，現在自動就能完成了，而且效率高得多。
研發AlphaGoZero的人說，他們的技術將來可以應用於科學發現，比如用於尋找新藥、研究蛋白摺疊、量子化學、粒子物理、材料設計。他們還舉了個例子，說可以研究常溫超導體，可以用演算法去把不同材料的原子構成和性質結合起來，去尋找人類沒能找到的常溫超導體，一旦找到，將會給人類能源傳輸技術帶來巨大突破。
換句話說，人工智慧的演算法替代了現有的靠大量科研人員人力完成的工作。而且看起來確實有可能帶來許多有益的成果——就像電動織布機能生產大量的布。
但是，這裡面有一個問題啊：電動織布機把人工替代了，原先的織布工人幹什麼去？他們就失業了啊。同樣，人工智慧這麼能幹，科學家就不需要那麼多了，他們也要失業啊。
對人工智慧要擔心的地方，不是它們會消滅人類，而是它們對經濟帶來的衝擊。它會造成一些可能已經存在上百年的行當短時間內崩塌。
織布機的例子可能有點遠，但是我們其實已經親身經歷了類似的過程。網際網路的發展對多少傳統行業造成了破壞。當然，網際網路行業的人不是這麼看，他們是把破壞當成就的。當人類一年中產生的照片的數量超過了人類歷史上照片的總和，存在了130年的柯達公司卻破產了。它生存不下去了。大量的工人下崗。
人工智慧的發展不可避免地帶來新一波的破壞。它會破壞哪些行業？其實你應該想的是，有什麼行業不會被破壞？連最需要智力活動和創新性的科研領域，都要被人工智慧佔領了，還是什麼領域是不受影響的？
現在的年輕人已經不像他們的父輩那樣能夠一份工作穩定地幹幾十年。這其中當然有多種因素，但在我看來，一個不容忽視的因素是，必須要人來做的工作越來越少了，那麼必然有大量的人是被替代下來的。
圖：以後買東西可以讓機器人排隊了
為什麼近年來那麼多人去當程式設計師？
包括本來不是這個專業的，也要去刷題轉行當程式設計師。因為他們沒有別的選擇。這就好像說，電動織布機出現了，大量織布工面臨工作被替代，那麼他們就得想方設法去競爭那少量的操作電動織布機的工作，還有一些人去當電動織布機的生產者。越多的人去做程式設計師，人工智慧發展越快，就又會有更多人被替代。最後程式設計師也會被替代。
另外一個方面，把人工智慧本身想象成邪惡的，把它自身想象成人類的對立面是有點想偏了的。它是一種工具，它的善惡要看是被掌握在誰的手裡。它的效應其實還是由人類投射出來的。如果邪惡的人或組織掌握了人工智慧，那麼其他人就很難有翻身之日。因為沒有人鬥得過它。
碼字不易，如果感覺好，煩勞給還在加班碼字的小編晚飯加茶葉蛋啊！！
(2017-10-21)
2017年是人工智慧元年，“阿爾法狗”圍棋橫空出世秒殺人類棋手，怒濤六十連勝，完成了圍棋創世紀的偉業。這已經不是“一石激起千層浪”的問題了，簡直是印度洋海嘯！
作為一個人類業餘棋手，鐵船長是一喜一悲。喜的是在有生之年終於見到了“圍棋之神”或者說是“最接近神的狗”。悲的是從此以後，人類棋手的計算、感覺、大局、構思，在“阿爾法狗”面前都變得如同孩子的玩具。
（那些一味幸災樂禍的人沒有資格做真正的圍棋愛好者）然而鐵船長是個樂觀的人，一定要在黑暗中尋找希望，仔細研究了“阿爾法狗”圍棋，想到了這樣幾個辦法。
首先“阿爾法狗”雖然兇猛，但我們人類享受圍棋的樂趣，並不需要去征服“狗”，就好像博爾特不需要去同摩托車賽跑一樣。我們的對手是人，現在要做的是“師狗長技以制人”。
其次“阿爾法狗”表現出的強大實力，除了精湛的計算之外，一定還有計算之外的東西。
鐵船長仔細研究發現，和“阿爾法狗”圍棋最像的棋手就是“昭和棋聖”吳清源大師，這並不是我個人意見，而是職業棋手所公認。
阿爾法狗
這說明我們人類對於圍棋的數千年研究並沒有誤入歧途，而是走在正確的道路上。吳清源大師已成為最接近圍棋之神的人。這是我們全體人類的驕傲，我們一定要努力爬到巨人的肩膀上。
第三對於我們廣大業餘棋手來講，“阿爾法狗”圍棋可能是個大好事，可借鑑東西更多。為啥呢？因為既然在“阿爾法狗”面前我們人類的計算都不值得一提，加權係數變小了許多，棋理變得更重要了。
也許我們應該轉變思路，要在計算之外多動動腦筋。就像藤澤秀行大師說的：我要在計算之外展開戰鬥！對圍棋藝術來說，計算之外不是有更多的精彩嗎？
從此以後，凡是阿爾法狗支援的我們都要學習。凡是阿爾法狗反對的我們都要研究。一個合格的圍棋愛好者，首先要膜拜吳清源大師，第二就是要做一隻“狗粉”
阿爾法狗
阿爾法狗的自我對局和人機大戰是不同的。因為在人機大戰中，狗狗更多的是針對人類的弱點，因此特點鮮明。而在左右互搏式的自我對戰中，雙方知根知底，更多的是無招勝有招。
閒話少說，我們就從阿爾法狗自我對戰第一局開始吧。
棋譜1（1—18）
黑用修正中國流開局是常見招法。但隨後白10、白12個碰可謂技驚四座.。推測原因，一個是作為適應手觀察黑棋動向，另外就是要追求高效率。
黑棋兩粘穩健，區域性也不吃虧，但從全域性上看似乎手數效率差了一些。
白棋殘子全部擱置在那裡，把搶先手佔大場放在第一位。殘子也是活力十足可棄可取，自如的在全域性與區域性之間靈活轉換，遊刃有餘。
總的來看白棋速度很快，棋形薄卻效率極高，這點非常神似吳清源大師。
究其原因白棋敢於採取這樣的作戰方法，首先得益於強大的計算能力，魔鬼般的騰挪能力，無論什麼樣的危機局面都有治孤的信心。再加上局勢的判斷取捨極為清晰，因此才能採用這樣藝高人膽大的做法。
而人類棋手計算能力、時間、局勢判斷都不能如此精準。因此人類高手大多選擇均衡的分寸感，行棋偏厚為自己留有餘地。
以此反觀歷史上以棋形薄效率高，善於棄子著稱的吳清源大師，的確是最接近於圍棋之神的人。
結論一：搶先手搶速度，棋形薄效率高是棋之正道。但人類棋手由於計算能力局勢判斷的限制，還是選擇均衡分寸感，偏厚的棋形，為自己留有餘地較好。
棋譜2（19—26）
黑1打入自以為擊中要害，白棋輕處理後再次脫先。黑5執著，但恐怕大局上判斷不清晰。
白6一粘後竟然反守為攻，剛才的殘子棄子轉眼變成了進攻黑棋的堡壘！黑7被迫跳補，白8滿足地應在寬闊之處。
♥ ♥ ♥
行棋至26做一對比。白棋以邊星為核心的左半盤效率極高，沒有一個廢棋。黑棋的右半盤不但中心點被佔少了一路，而且還有若干借用，吃子反而虧了！
白棋這一串靈活的轉換棄取如同行雲流水一般，活像是在多維空間進行穿越。就像是“熵”在宇宙間迴圈升降，不知其所蹤。
這不是“神之一手”是“神的組合拳”。就像是剛到日本的吳清源爆發了小宇宙，瞬間照亮了舊的圍棋世界。
名詞解釋：
熵，熱力學中表徵物質狀態的參量之一，在宇宙間自由轉化。此處借用其狀態來做一比喻。
棋譜3（27—42）
黑1大跳寬攻照顧大局。白棋2、4又是碰！真是“飛刀又見飛刀”。白12點刺的時候，不知什麼原因黑棋已不能粘。
至白16為止做一小結，黑棋的進攻除了在中腹有了挺拔的棋形之外一無所獲。右邊自己的大本營最後竟然要變成白棋的巨空。簡直醉了。
小連結——碰的歷史
其實人類圍棋中碰並不少見，無論在中國古譜還是日本的傳統圍棋。在道策、秀策，丈和時代，碰都是常用著法，吳清源更是把碰用的爐火純青。
而現代自從新聞棋戰開展以來，考慮到用時的因素，考慮到更安全的取勝，以及若干棋型研究的積累，人類圍棋的發展止步不前，碰才逐漸變得少見了。
阿爾法狗圍棋一出，碰再次發揚光大。說明事物總是螺旋式上升的。正是所謂“問渠哪得清如許，為有源頭活水來”。
棋譜4（43—82）
黑棋無奈，只能出動下方的孤棋“轉戰”。白4應法自然是聲東擊西之術。黑棋當然要各走各的。
黑棋5、7靠點是某些職業棋手喜歡用的“鑽牛角尖”手段，事實證明沒什麼大不了，走上了“邪路”，估計以後要被淘汰。而白8扳，白10團的手段，將作為正著載入史冊。
黑39佔到大場，白40補棋極為乾淨。
戰鬥到白40為止，看不出黑棋有啥奇妙手段，除了中腹又多了五個子的“外勢”之外。白連邊帶角形成40多目巨空，爬5個二路也值得了。
棋譜5（83—111）
黑1雙飛燕進攻，黑3、5都是區域性要點。由於周圍黑棋很厚，感覺白棋形勢危急，白6竟然能在此關鍵時刻脫先肩衝。
黑7爬搜根決戰開始。白16、18的扭斷不明何意，事後看來白棋竟然是忙裡偷閒，借治孤之機幫下面圍空！簡直是魔鬼般的手段。
但白棋大龍也被黑27點在腰眼上，難道要棄子不成？
棋譜6（112—125）
白1靠補斷的普通手筋看上去我也會。但緊跟著白5、7兩手神光乍現，原來組合妙手在這裡，大部隊跑回家了。
黑棋為了自身的厚薄還不得不後手斷吃那個尾巴。白棋借治孤圍空之後竟然還先手回家。如果黑棋也是真人，不知此時會沮喪到什麼程度，恐怕會當場認輸了吧。
棋譜7（126—148）
白1獲得先手衝下，白3拐後大局已定。雖然黑棋也是人工智慧，但恐怕此時鬥志已失。以下還是聊盡人事地對白棋進行了“衝擊”，白棋再次先手活棋，並於21、23位搶先收官。以下已經無話可講。
棋譜7（149—220）
本譜全是官子。考慮到阿爾法狗強大的形勢判斷水平和計算能力，我相信雙方官子收的次序手法不會比李昌鎬差。這些鐵船長既看不懂也學習不了，相信各位也是一樣。還是把重點放在前半盤的思路吧。
思路1人類數千年的圍棋心得以及高手著法道路是正確的，尤其是吳清源大師。2大局觀仍然是決定性的，一點兒也不會因為計算能力強大而遜色，反而更加重要。3搶先手佔大場，薄棋形效率高也是棋之正道，只是人類不一定適應。阿爾法狗幾乎沒有漏算，因此“後中先”之類藏有後招兒陰人的想法兒就算了。在狗這不好使，當然在人類可能不一樣。4果斷用碰，回覆棋道本源。
(2017-10-15)
在本番對局中，利用了阿爾法狗的弱點，進行了針對性的戰略。
所謂知己知彼，就能百戰百勝。
下一番棋，阿爾法狗一定會更趨完善，
同樣的招數不再管用。
那麼如何才能完勝阿爾法狗呢？
且看下回分解。
(2017-10-15)
倫敦當地時間10月18日18：00（北京時間19日01：00），谷歌旗下的DeepMind團隊公佈了進化後的最強版AlphaGo ，代號AlphaGo Zero。
新版本的AlphaGo究竟有多厲害？打敗李世石的AlphaGo用了3000萬盤比賽作為訓練資料，AlphaGo Zero用了490萬盤比賽資料。經過3天的訓練，AlphaGo Zero就以100：0的比分完勝對陣李世石的那版AlphaGo。
DeepMind聯合創始人兼CEO 、AlphaGo之父戴密斯·哈薩比斯（Demis Hassabis）和AlphaGo團隊負責人大衛·席爾瓦（Dave Sliver） 等人同時在官方部落格上發表文章，詳解最強版本阿爾法狗是如何煉成的，與前代有何不同。
哈薩比斯
與學習大量人類棋譜起步的前代AlphaGo不同，AlphaGo Zero是從“嬰兒般的白紙”開始，透過3天數百萬盤自我對弈，走完了人類千年的圍棋歷史，並探索出了不少橫空出世的招法。
哈薩比斯等人專文：《AlphaGo Zero：從零開始》
席爾瓦在烏鎮人機峰會上發言
從語音識別、影象分類到基因和藥物研究，人工智慧發展迅速。這些專家系統，很多是借用海量人類經驗和資料開發出來的。
然而，在有些特定問題上，人類的知識要麼過於昂貴，要麼不靠譜，要麼無法獲得。因此，人工智慧研究的一個長期目標就是跳過這一步，創造能在最有挑戰性的領域，不用人類輸入就達到超人水平的演算法。我們發表在《自然》期刊上的最新論文，展示了實現該目標的關鍵一步。
論文介紹了首個戰勝人類圍棋冠軍的電腦程式AlphaGo的最新進化版本：AlphaGo Zero。AlphaGo Zero更為強大，可以一爭史上最強圍棋手。
AlphaGo的前幾代版本，一開始用上千盤人類業餘和專業棋手的棋譜進行訓練，學習如何下圍棋。AlphaGo Zero則跳過了這個步驟，自我對弈學習下棋，完全從亂下開始。用這種方法，它很快超過了人類水平，對陣此前戰勝人類冠軍李世石的前代AlphaGo取得了100連勝。
AlphaGo Zero之所以能當自己的老師，是用了一種叫強化學習的新模式。系統從一個對圍棋一無所知的神經網路開始，將該神經網路和一個強力搜尋演算法結合，自我對弈。在對弈過程中，神經網路不斷調整、升級，預測每一步落子和最終的勝利者。
升級後的神經網路與搜尋網路結合成一個更強的新版本AlphaGo Zero，如此往復迴圈。每過一輪，系統的表現就提高了一點點，自我對弈的質量也提高了一點點。神經網路越來越準確，AlphaGo Zero的版本也越來越強。
這種技術比此前所有版本的AlphaGo都更為強大。這是因為，它不再受到人類知識的限制，而能夠從嬰兒般的白紙狀態，直接向世界上最強大的棋手——AlphaGo本身學起。
AlphaGo Zero相較前代還有幾點明顯的差別：
首先，AlphaGo Zero僅用棋盤上的黑白子作為輸入，而前代則包括了小部分人工設計的特徵輸入。
其次，AlphaGo Zero僅用了單一的神經網路。在此前的版本中，AlphaGo用到了“策略網路”來選擇下一步棋的走法，以及使用“價值網路”來預測每一步棋後的贏家。而在新的版本中，這兩個神經網絡合二為一，從而讓它能得到更高效的訓練和評估。
第三，AlphaGo Zero並不使用快速、隨機的走子方法。在此前的版本中，AlphaGo用的是快速走子方法，來預測哪個玩家會從當前的局面中贏得比賽。相反，新版本依靠的是其高質量的神經網路來評估下棋的局勢。
所有這些差異，都提高了系統的表現，使其更為普適。不過，是演算法上的變化使得系統更為強大和高效。
僅僅自我對弈3天后，AlphaGo Zero就以100：0完勝了此前擊敗世界冠軍李世石的AlphaGo版本。自我對弈40天后，AlphaGo Zero變得更為強大，超過了此前擊敗當今第一人柯潔的“大師”版AlphaGo。
透過數百萬次自我對弈，AlphaGo從零開始掌握了圍棋，在短短几天內就積累起了人類幾千年才有的知識。AlphaGo Zero也發現了新的知識，發展出打破常規的策略和新招，與它在對戰李世石和柯潔時創造的那些交相輝映，卻又更勝一籌。
這些創造性的時刻給了我們信心：人工智慧會成為人類智慧的增強器，幫助我們解決人類正在面臨的一些嚴峻挑戰 。
儘管才剛剛發展起來，AlphaGo Zero已經走出了通向上述目標的關鍵一步。如果類似的技術可以應用在其他結構性問題，比如蛋白質摺疊、減少能耗和尋找新材料上，就能創造出有益於社會的突破。
(2017-10-20)
▎━1━
【夢外】2017福布斯爸爸們榜上有名
2017福布斯富豪榜新鮮出爐，比爾蓋茨繼續蟬聯榜首，王健林爸爸以330億美元身價位列中國第一。
福布斯富豪榜一直為人們津津樂道，曾幾何時與我等草民毫無關係。隨著網際網路時代的發展，我們更關注爸爸們身價多少排名高低。
中國榜前三依然非常熟悉，馬雲爸爸以282億美元排第二，馬化騰爸爸以245億美元排第三。我可以驕傲自豪的說，爸爸們的財富有我一份貢獻。
『明天再充十Q幣
就這麼愉快的決定了』
【夢裡】富豪爸爸們的生活我不懂，但夢到他們代表好運降臨，會有貴人幫你取得事業成功。夢到自己莫名其妙變成富豪，則有可能是反夢，代表現實中經濟困窘，或近期很急需用錢。
閱讀《2017福布斯爸爸們榜上有名》，今夜夢到富豪。
基礎機率：10%
運勢上升者：12%
經濟困窘者：18%
▎━2━
【夢外】直播行業縮水誰能笑到最後
直播行業經歷了短暫的爆發期後，如今資料急劇下滑大家有目共睹。主播越來越少，觀眾越來越少，行業革新迫在眉睫。
網路直播紅極一時，巔峰時期每兩個網民中，就有一個人正在看，或看過直播。而現在許多直播平臺乾脆關門大吉，幾個大平臺活躍使用者也急劇下跌。
任何行業在急速發展背後，都會呈現亂象叢生等狀態。這時候正是優勝劣汰，樹立規範行業規則的大好時機。
使用者對直播的需求不會改變，有內涵有規範的直播平臺才註定會笑到最後。
『喜歡的老鐵
【夢裡】主播在直播中展示才藝吸引使用者眼球。夢到自己當上主播，代表你內心渴望展現自己優秀的一面。
夢到身邊朋友或親人做主播，而且人氣不錯。一方面代表現實中你很羨慕對方的能力，一方面代表他可能會對你的未來發展有幫助。
閱讀《直播行業縮水誰能笑到最後》，今夜夢到主播。
基礎機率：12%
注重名譽和發展者：15%
常看直播者：20%
▎━3━
【夢外】人工智慧再進化稱霸圍棋界
人工智慧是人類科技發展的不懈追求，我們在無數科幻電影中，設想未來人工智慧的無限可能。
近日，谷歌人工智慧團隊宣稱阿爾法狗再進化，最新型只需自主學習3天，便可成為圍棋聖手，並一舉戰勝曾擊敗柯潔、李世石的上代阿爾法狗。
聽到這個訊息，感覺從小學圍棋的朋友們分分鐘哭暈，苦練十年不如機器學習三天，這要上哪兒說理去。
稱霸圍棋界後，未來人工智慧取代人腦的日子，還會遠嗎？
『未來十年
人工智慧或有重大突破』
【夢裡】機器人、人工智慧曾只是存在於理論中的東西，如今正一點點實現。夢中的機器人，代表你當前仍處於敢打敢拼、富有創新精神的狀態，你的工作事業會逐漸獲得成功。
閱讀《人工智慧再進化稱霸圍棋界》，今夜夢到機器人。
基礎機率：12%
事業上升期：15%
機器人愛好者：18%
(2017-10-19)