Alphago在不被看好的情況下，以4比1擊敗了圍棋世界冠軍李世石，令其名震天下。隨著AlphaGo知名度的不斷提高，人們不禁好奇，究竟是什么使得AlphaGo得以戰(zhàn)勝人類大腦？AlphaGo的核心依托——人工神經(jīng)網(wǎng)絡(luò)。

什么是神經(jīng)網(wǎng)絡(luò)?

人工神經(jīng)網(wǎng)絡(luò)是一種模仿生物神經(jīng)網(wǎng)絡(luò)(動物的中樞神經(jīng)系統(tǒng)，特別是大腦)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模型。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進(jìn)行計算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu)，是一種自適應(yīng)系統(tǒng)?，F(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計性數(shù)據(jù)建模工具，常用來對輸入和輸出間復(fù)雜的關(guān)系進(jìn)行建模，或用來探索數(shù)據(jù)的模式。

神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱“神經(jīng)元”，或“單元”）和之間相互聯(lián)接構(gòu)成。每個節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵函數(shù)。每兩個節(jié)點(diǎn)間的連接都代表一個對于通過該連接信號的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的近，也可能是對一種邏輯策略的表達(dá)。

例如，用于手寫識別的一個神經(jīng)網(wǎng)絡(luò)是被可由一個輸入圖像的像素被激活的一組輸入神經(jīng)元所定義的。在通過函數(shù)（由網(wǎng)絡(luò)的設(shè)計者確定）進(jìn)行加權(quán)和變換之后，這些神經(jīng)元被激活然后被傳遞到其他神經(jīng)元。重復(fù)這一過程，直到最后一個輸出神經(jīng)元被激活。這樣決定了被讀取的字。

它的構(gòu)筑理念是受到人或其他動物神經(jīng)網(wǎng)絡(luò)功能的運(yùn)作啟發(fā)而產(chǎn)生的。人工神經(jīng)網(wǎng)絡(luò)通常是通過一個基于數(shù)學(xué)統(tǒng)計學(xué)類型的學(xué)習(xí)方法得以優(yōu)化，所以人工神經(jīng)網(wǎng)絡(luò)也是數(shù)學(xué)統(tǒng)計學(xué)方法的一種實際應(yīng)用，通過統(tǒng)計學(xué)的標(biāo)準(zhǔn)數(shù)學(xué)方法我們能夠得到大量的可以用函數(shù)來表達(dá)的局部結(jié)構(gòu)空間，另一方面在人工智能學(xué)的人工感知領(lǐng)域，我們通過數(shù)學(xué)統(tǒng)計學(xué)的應(yīng)用可以來做人工感知方面的決定問題(也就是說通過統(tǒng)計學(xué)的方法，人工神經(jīng)網(wǎng)絡(luò)能夠類似人一樣具有簡單的決定能力和簡單的判斷能力)，這種方法比起正式的邏輯學(xué)推理演算更具有優(yōu)勢。

人工神經(jīng)網(wǎng)絡(luò)是一個能夠?qū)W習(xí)，能夠總結(jié)歸納的系統(tǒng)，也就是說它能夠通過已知數(shù)據(jù)的實驗運(yùn)用來學(xué)習(xí)和歸納總結(jié)。人工神經(jīng)網(wǎng)絡(luò)通過對局部情況的對照比較（而這些比較是基于不同情況下的自動學(xué)習(xí)和要實際解決問題的復(fù)雜性所決定的），它能夠推理產(chǎn)生一個可以自動識別的系統(tǒng)。與之不同的基于符號系統(tǒng)下的學(xué)習(xí)方法，它們也具有推理功能，只是它們是建立在邏輯算法的基礎(chǔ)上，也就是說它們之所以能夠推理，基礎(chǔ)是需要有一個推理算法則的集合。

2AlphaGo的原理回頂部

AlphaGo的原理

首先，AlphaGo同優(yōu)秀的選手進(jìn)行了150000場比賽，通過人工神經(jīng)網(wǎng)絡(luò)找到這些比賽的模式。然后通過總結(jié)，它會預(yù)測選手在任何位置高概率進(jìn)行的一切可能。AlphaGo的設(shè)計師通過讓其反復(fù)的和早期版本的自己對戰(zhàn)來提高神經(jīng)網(wǎng)絡(luò)，使其逐步提高獲勝的機(jī)會。

從廣義上講，神經(jīng)網(wǎng)絡(luò)是一個非常復(fù)雜的數(shù)學(xué)模型，通過對其高達(dá)數(shù)百萬參數(shù)的調(diào)整來改變的它的行為。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的意思是，電腦一直持續(xù)對其參數(shù)進(jìn)行微小的調(diào)整，來嘗試使其不斷進(jìn)行微小的改進(jìn)。在學(xué)習(xí)的第一階段，神經(jīng)網(wǎng)絡(luò)提高模仿選手下棋的概率。在第二階段，它增加自我發(fā)揮，贏得比賽的概率。反復(fù)對極其復(fù)雜的功能進(jìn)行微小的調(diào)整，聽起來十分瘋狂，但是如果有足夠長的時間，足夠快的計算能力，非常好的網(wǎng)絡(luò)實施起來并不苦難。并且這些調(diào)整都是自動進(jìn)行的。

經(jīng)過這兩個階段的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)就可以同圍棋業(yè)余愛好者下一盤不錯的棋了。但對于職業(yè)來講，它還有很長的路要走。在某種意義上，它并不思考每一手之后的幾步棋，而是通過對未來結(jié)果的推算來決定下在哪里。為了達(dá)到職業(yè)級別，AlphaGp需要一種新的估算方法。

為了克服這一障礙，研究人員采取的辦法是讓它反復(fù)的和自己進(jìn)行對戰(zhàn)，以此來使其不斷其對于勝利的估算能力。盡可能的提高每一步的獲勝概率。（在實踐中，AlphaGo對這個想法進(jìn)行了稍微復(fù)雜的調(diào)整。）然后，AlphaGo再結(jié)合多線程來使用這一方法進(jìn)行下棋。

我們可以看到，AlphaGo的評估系統(tǒng)并沒有基于太多的圍棋知識，通過分析現(xiàn)有的無數(shù)場比賽的棋譜，以及無數(shù)次的自我對戰(zhàn)練習(xí)，AlphaGo的神經(jīng)網(wǎng)絡(luò)進(jìn)行了數(shù)以十億計的微小調(diào)整，即便每次只是一個很小的增量改進(jìn)。這些調(diào)整幫助AlphaGp建立了一個估值系統(tǒng)，這和那些出色圍棋選手的直覺相似，對于棋盤上的每一步棋都了如指掌。

此外AlphaGo也使用搜索和優(yōu)化的思想，再加上神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能，這兩者有助于找到棋盤上更好的位置。這也是目前AlphaGo能夠高水平發(fā)揮的原因。

3神經(jīng)網(wǎng)絡(luò)的延伸和回頂部

神經(jīng)網(wǎng)絡(luò)的延伸和

神經(jīng)網(wǎng)絡(luò)的這種能力也可以被用在其他方面，比如讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)一種藝術(shù)風(fēng)格，然后再將這種風(fēng)格應(yīng)用到其他圖像上。這種想法很簡單：首先讓神經(jīng)網(wǎng)絡(luò)接觸到大量的圖像，然后來確認(rèn)這些圖像的風(fēng)格，接著將新的圖像帶入這種風(fēng)格。

這雖然不是偉大的藝術(shù)，但它仍然是一個顯著的利用神經(jīng)網(wǎng)絡(luò)來捕捉直覺并且應(yīng)用在其他地方的例子。

在過去的幾年中，神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域被用來捕捉直覺和模式識別。許多項目使用神經(jīng)這些網(wǎng)絡(luò)，涉及的任務(wù)如識別藝術(shù)風(fēng)格或好的視頻游戲的發(fā)展戰(zhàn)略。但也有非常不同的網(wǎng)絡(luò)模擬的直覺驚人的例子，比如語音和自然語言。

由于這種多樣性，我看到AlphaGo本身不是一個性的突破，而是作為一個極其重要的發(fā)展前沿：建立系統(tǒng)，可以捕捉的直覺和學(xué)會識別模式的能力。此前計算機(jī)科學(xué)家們已經(jīng)做了幾十年，沒有取得長足的進(jìn)展。但現(xiàn)在，神經(jīng)網(wǎng)絡(luò)的成功已經(jīng)大大擴(kuò)大，我們可以利用電腦攻擊范圍內(nèi)的潛在問題。

事實上，目前現(xiàn)有的神經(jīng)網(wǎng)絡(luò)的理解能力是非常差的。神經(jīng)網(wǎng)絡(luò)很容易被愚弄。用神經(jīng)網(wǎng)絡(luò)識別圖像是一個不錯的手段。但是實驗證明，通過對圖像進(jìn)行細(xì)微的改動，就可以愚弄圖像。例如，下面的圖像左邊的圖是原始圖，研究人員對中間的圖像進(jìn)行了微小的調(diào)整后，神經(jīng)網(wǎng)絡(luò)就無法區(qū)分了，就將原圖顯示了出來。

另一個是，現(xiàn)有的系統(tǒng)往往需要許多模型來學(xué)習(xí)。例如，AlphaGo從150000場對戰(zhàn)來學(xué)習(xí)。這是一個很龐大額度數(shù)字！很多情況下，顯然無法提供如此龐大的模型案例。