旧版原理
深度学习
阿尔法围棋（AlphaGo）是一款围棋人工智能程序。其主要工作原理是“深度学习”。“深度学习”是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。n
阿尔法围棋用到了很多新技术，如神经网络、深度学习、蒙特卡洛树搜索法等，使其实力有了实质性飞跃。美国脸书公司“黑暗森林”围棋软件的开发者田渊栋在网上发表分析文章说，阿尔法围棋系统主要由几个部分组成：一、策略网络（Policy Network），给定当前局面，预测并采样下一步的走棋；二、快速走子（Fast rollout），目标和策略网络一样，但在适当牺牲走棋质量的条件下，速度要比策略网络快1000倍；三、价值网络（Value Network），给定当前局面，估计是白胜概率大还是黑胜概率大；四、蒙特卡洛树搜索（Monte Carlo Tree Search），把以上这三个部分连起来，形成一个完整的系统。
两个大脑
阿尔法围棋（AlphaGo）是通过两个不同神经网络“大脑”合作来改进下棋。这些“大脑”是多层神经网络，跟那些Google图片搜索引擎识别图片在结构上是相似的。它们从多层启发式二维过滤器开始，去处理围棋棋盘的定位，就像图片分类器网络处理图片一样。经过过滤，13个完全连接的神经网络层产生对它们看到的局面判断。这些层能够做分类和逻辑推理。
第一大脑：落子选择器（Move Picker）
阿尔法围棋（AlphaGo）的第一个神经网络大脑是“监督学习的策略网络（Policy Network）”，观察棋盘布局企图找到最佳的下一步。事实上，它预测每一个合法下一步的最佳概率，那么最前面猜测的就是那个概率最高的。这可以理解成“落子选择器”。
第二大脑：棋局评估器（Position Evaluator）
阿尔法围棋（AlphaGo）的第二个大脑相对于落子选择器是回答另一个问题，它不是去猜测具体下一步，而是在给定棋子位置情况下，预测每一个棋手赢棋的概率。这“局面评估器”就是“价值网络（Value Network）”，通过整体局面判断来辅助落子选择器。这个判断仅仅是大概的，但对于阅读速度提高很有帮助。通过分析归类潜在的未来局面的“好”与“坏”，阿尔法围棋能够决定是否通过特殊变种去深入阅读。如果局面评估器说这个特殊变种不行，那么AI就跳过阅读。
这些网络通过反复训练来检查结果，再去校对调整参数，去让下次执行更好。这个处理器有大量的随机性元素，所以人们是不可能精确知道网络是如何“思考”的，但更多的训练后能让它进化到更好。
操作过程
阿尔法围棋（AlphaGo）为了应对围棋的复杂性，结合了监督学习和强化学习的优势。它通过训练形成一个策略网络（policy network），将棋盘上的局势作为输入信息，并对所有可行的落子位置生成一个概率分布。然后，训练出一个价值网络（value network）对自我对弈进行预测，以-1（对手的绝对胜利）到1（AlphaGo的绝对胜利）的标准，预测所有可行落子位置的结果。这两个网络自身都十分强大，而阿尔法围棋将这两种网络整合进基于概率的蒙特卡罗树搜索（MCTS）中，实现了它真正的优势。新版的阿尔法围棋产生大量自我对弈棋局，为下一代版本提供了训练数据，此过程循环往复。n
在获取棋局信息后，阿尔法围棋会根据策略网络（policy network）探索哪个位置同时具备高潜在价值和高可能性，进而决定最佳落子位置。在分配的搜索时间结束时，模拟过程中被系统最频繁考察的位置将成为阿尔法围棋的最终选择。在经过先期的全盘探索和过程中对最佳落子的不断揣摩后，阿尔法围棋的搜索算法就能在其计算能力之上加入近似人类的直觉判断。n
2017年1月，谷歌Deep Mind公司CEO哈萨比斯在德国慕尼黑DLD（数字、生活、设计）创新大会上宣布推出真正2.0版本的阿尔法围棋。其特点是摈弃了人类棋谱，只靠深度学习的方式成长起来挑战围棋的极限。
新版原理
自学成才
AlphaGo此前的版本，结合了数百万人类围棋专家的棋谱，以及强化学习的监督学习进行了自我训练。n
AlphaGoZero的能力则在这个基础上有了质的提升。最大的区别是，它不再需要人类数据。也就是说，它一开始就没有接触过人类棋谱。研发团队只是让它自由随意地在棋盘上下棋，然后进行自我博弈。n
“这些技术细节强于此前版本的原因是，我们不再受到人类知识的限制，它可以向围棋领域里最高的选手——AlphaGo自身学习。”AlphaGo团队负责人大卫?席尔瓦(Dave Sliver)说。n
据大卫·席尔瓦介绍，AlphaGoZero使用新的强化学习方法，让自己变成了老师。系统一开始甚至并不知道什么是围棋，只是从单一神经网络开始，通过神经网络强大的搜索算法，进行了自我对弈。n
随着自我博弈的增加，神经网络逐渐调整，提升预测下一步的能力，最终赢得比赛。更为厉害的是，随着训练的深入，DeepMind团队发现，AlphaGoZero还独立发现了游戏规则，并走出了新策略，为围棋这项古老游戏带来了新的见解。
一个大脑
AlphaGoZero仅用了单一的神经网络。在此前的版本中，AlphaGo用到了“策略网络”来选择下一步棋的走法，以及使用“价值网络”来预测每一步棋后的赢家。而在新的版本中，这两个神经网络合二为一，从而让它能得到更高效的训练和评估。
神经网络
AlphaGoZero并不使用快速、随机的走子方法。在此前的版本中，AlphaGo用的是快速走子方法，来预测哪个玩家会从当前的局面中赢得比赛。相反，新版本依靠地是其高质量的神经网络来评估下棋的局势。
旧版战绩
对战机器
研究者让“阿尔法围棋”和其他的围棋人工智能机器人进行了较量，在总计495局中只输了一局，胜率是99.8%。它甚至尝试了让4子对阵CrazyStone、Zen和Pachi三个先进的人工智能机器人，胜率分别是77%、86%和99%。n
2017年5月26日，中国乌镇围棋峰会举行人机配对赛。对战双方为古力/阿尔法围棋组合和连笑/阿尔法围棋组合。最终连笑/阿尔法围棋组合逆转获得胜利。
对战人类
2016年1月27日，国际顶尖期刊《自然》封面文章报道，谷歌研究者开发的名为“阿尔法围棋”（AlphaGo）的人工智能机器人，在没有任何让子的情况下，以5:0完胜欧洲围棋冠军、职业二段选手樊麾。在围棋人工智能领域，实现了一次史无前例的突破。计算机程序能在不让子的情况下，在完整的围棋竞技中击败专业选手，这是第一次。2016年3月9日到15日，阿尔法围棋程序挑战世界围棋冠军李世石的围棋人机大战五番棋在韩国首尔举行。比赛采用中国围棋规则，最终阿尔法围棋以4比1的总比分取得了胜利。n
2016年12月29日晚起到2017年1月4日晚，阿尔法围棋在弈城围棋网和野狐围棋网以“Master”为注册名，依次对战数十位人类顶尖围棋高手，取得60胜0负的辉煌战绩。n
2017年5月23日到27日，在中国乌镇围棋峰会上，阿尔法围棋以3比0的总比分战胜排名世界第一的世界围棋冠军柯洁。在这次围棋峰会期间的2017年5月26日，阿尔法围棋还战胜了由陈耀烨、唐韦星、周睿羊、时越、芈昱廷五位世界冠军组成的围棋团队。
新版战绩
经过短短3天的自我训练，AlphaGo Zero就强势打败了此前战胜李世石的旧版AlphaGo，战绩是100:0的。经过40天的自我训练，AlphaGo Zero又打败了AlphaGo Master版本。“Master”曾击败过世界顶尖的围棋选手，甚至包括世界排名第一的柯洁。
版本介绍
据公布的题为《在没有人类知识条件下掌握围棋游戏》的论文介绍，开发公司将“阿尔法狗”的发展分为四个阶段，也就是四个版本，第一个版本即战胜樊麾时的人工智能，第二个版本是2016年战胜李世石的“狗”，第三个是在围棋对弈平台名为“Master”（大师）的版本，其在与人类顶尖棋手的较量中取得60胜0负的骄人战绩，而最新版的人工智能开始学习围棋3天后便以100：0横扫了第二版本的“旧狗”，学习40天后又战胜了在人类高手看来不可企及的第三个版本“大师”。
设计团队
戴密斯·哈萨比斯（Demis Hassabis），人工智能企业家，DeepMind Technologies公司创始人，人称“阿尔法围棋之父”。4岁开始下国际象棋，8岁自学编程，13岁获得国际象棋大师称号。17岁进入剑桥大学攻读计算机科学专业。在大学里，他开始学习围棋。2005年进入伦敦大学学院攻读神经科学博士，选择大脑中的海马体作为研究对象。两年后，他证明了5位因为海马体受伤而患上健忘症的病人，在畅想未来时也会面临障碍，并凭这项研究入选《科学》杂志的“年度突破奖”。2011年创办DeepMind Technologies公司，以“解决智能”为公司的终极目标。n
大卫·席尔瓦（David Silver），剑桥大学计算机科学学士、硕士，加拿大阿尔伯塔大学计算机科学博士，伦敦大学学院讲师，Google DeepMind研究员，阿尔法围棋主要设计者之一。n
除上述人员之外，阿尔法围棋设计团队核心人员还有黄士杰（Aja Huang）、施恩·莱格（Shane Legg）和穆斯塔法·苏莱曼（Mustafa Suleyman）等。n
2017年10月18日，DeepMind团队在世界顶级科学杂志——《自然》发表论文，公布了最强版AlphaGo，代号AlphaGo Zero。它的独门秘籍，是“自学成才”。而且，是从一张白纸开始，零基础学习，在短短3天内，成为顶级高手。
发展方向
“阿尔法围棋”（AlphaGo）能否代表智能计算发展方向还有争议，但比较一致的观点是，它象征着计算机技术已进入人工智能的新信息技术时代（新IT时代），其特征就是大数据、大计算、大决策，三位一体。它的智慧正在接近人类。n
谷歌Deep mind首席执行官（CEO）戴密斯·哈萨比斯宣布“要将阿尔法围棋（AlphaGo）和医疗、机器人等进行结合”。因为它是人工智能，会自己学习，只要给它资料就可以移植。n
据韩国《朝鲜日报》报道，为实现该计划，哈萨比斯2016年初在英国的初创公司“巴比伦”投资了2500万美元。巴比伦正在开发医生或患者说出症状后，在互联网上搜索医疗信息、寻找诊断和处方的人工智能APP（应用程序）。如果阿尔法围棋（AlphaGo）和“巴比伦”结合，诊断的准确度将得到划时代性提高。n
在柯洁与阿尔法围棋的围棋人机大战三番棋结束后，阿尔法围棋团队宣布阿尔法围棋将不再参加围棋比赛。阿尔法围棋将进一步探索医疗领域，利用人工智能技术攻克现实现代医学中存在的种种难题。在医疗资源的现状下，人工智能的深度学习已经展现出了潜力，可以为医生提供辅助工具。n
谷歌公司研发“阿尔法狗”，只是为了对付人类棋手吗？实际上，这从来不是“阿尔法狗”的目的，开发公司只是通过围棋来试探它的功力，而研发这一人工智能的最终目的是为了推动社会变革、改变人类命运。n
“阿尔法狗”之父哈萨比斯表示：“如果我们通过人工智能可以在蛋白质折叠或设计新材料等问题上取得进展，那么它就有潜力推动人们理解生命，并以积极的方式影响我们的生活。”据悉，目前他们正积极与英国医疗机构和电力能源部门合作，以此提高看病效率和能源效率。
社会评论
中国围棋职业九段棋手聂卫平：Master（即阿尔法围棋升级版）技术全面，从来不犯错，这一点是其最大的优势，人类要打败它的话，必须在前半盘领先，然后中盘和官子阶段也不容出错，这样固然很难，但客观上也促进了人类棋手在围棋技术上的提高。n
世界排名第一的围棋世界冠军柯洁：在我看来它（指阿尔法围棋）就是围棋上帝，能够打败一切。n
复旦大学计算机科学技术学院教授、博士生导师危辉：人机大战对于人工智能的发展意义很有限。解决了围棋问题，并不代表类似技术可以解决其他问题，自然语言理解、图像理解、推理、决策等问题依然存在，人工智能的进步被夸大了。n
AlphaGo对围棋界带来的影响，甚至波及到其他项目。五子棋棋手吴侃表示，有时候感觉对AlphaGo的评价过于高了，人类也不需要把其奉为神明，但不可否认，AlphaGo的出现给围棋界带来了巨大的震动。n
有关于“阿尔法狗”的最新论文公布，得知详情后柯洁感慨道：一个纯粹自我学习的AlphaGo是最强的，“对于AlphaGo的自我进步来讲，人类太多余了”。n
唐韦星也发表微博表示：“看了之后不知道说什么，它（AlphaGo）确实不需要我们的知识，之前版本用了好几年，被这个才学了40天的打败似乎就是我们拖后腿了。”
其他
“阿尔法围棋”再揭秘
2017年1月6号６０胜，人工智能最新的围棋战绩定格在了这一数字上，唯一一盘和棋还是因为网络断线。新版“阿尔法围棋”，以Ｍａｓｔｅｒ这个账号，在网站上横扫中韩等国顶级棋手。
本有风声传出转型到医疗等领域的这个围棋人工智能技术，此次杀了个“回马枪”，再次让人们感到了人工智能迅猛的来势。
不怕电脑记性好，就怕电脑爱学习——“阿尔法围棋”的秘密
“阿尔法围棋”大胜，意味着人工智能进步速度前所未有。在去年３月的那场“人机大战”中，“阿尔法围棋”以４：１战胜李世石，毕竟还是输了一盘，而今年它横扫人类众多围棋高手而无败绩，这进步速度让人惊叹。
不过探其究竟，到底是人工智能自身进步速度可畏，还是背后的科学家令人生畏？答案耐人寻味。
毕竟，围棋这种源自中国的古老游戏难度之高毋庸置疑：３６１个交叉点可让棋盘上变幻无穷，千古不同局。相比之下国际象棋和中国象棋变化较少，曾很大程度上依赖“穷举法”攻占这两个领域的传统人工智能难以“故技重施”。许多专家原以为，计算机战胜围棋职业棋手还需要很多年，没想到现在人类棋手就已无法获得一胜。
“阿尔法围棋”用到了很多新技术，如神经网络、深度学习、蒙特卡洛树搜索法等，使其实力有了实质性飞跃。美国脸书公司“黑暗森林”围棋软件的开发者田渊栋曾在网上发表分析文章说：“‘阿尔法围棋’这个系统主要由几个部分组成：一，走棋网络，给定当前局面，预测／采样下一步的走棋；二，快速走子，目标和一一样，但在适当牺牲走棋质量的条件下，速度要比一快１０００倍；三，估值网络，给定当前局面，估计是白胜还是黑胜；四，蒙特卡洛树搜索，把以上这３个部分连起来，形成一个完整的系统。”
不怕电脑记性好，就怕电脑爱学习。学会自主学习的“阿尔法围棋”，掌握全球各种对局，去年和李世石对战前就已经和自己对弈３０００万盘。前几天在网上与各路高手的对战，也是为了通过更多的学习来检测新版本，现在它所呈现出的能力，到了不断碾压人类智商，乃至让人叹为观止的地步。
与人工智能“对弈”，人类面对的是一堵墙
“阿尔法围棋”的人机大战，引发人们对人工智能时代浮想联翩。当今世界，人类已依赖机器的计算与“算计”。从购物网站的精准推送到电视剧的剧情设计，再到无人驾驶汽车中的识别技术，优化计算在生活中无处不在，人工智能也可谓无处不在。事实上，“阿尔法围棋”所应用的技术，尤其是“深度学习”，已被应用在包括图像识别、文本翻译、音频／文本处理、脸部识别、强化学习以及机器人等领域。人工智能的水平恰恰折射出人类自身的科技发展能力，人类在前进，人工智能也在前进。
各大科技企业都在加大对人工智能的投入。谷歌首席执行官皮柴去年１０月表示，过去１０年，谷歌一直在建立“移动优先”的世界，在接下来１０年中，谷歌将转向建立“人工智能优先”的世界；微软宣布组建５０００人规模的工程和研发团队，专注人工智能；百度宣布成立独立风险投资公司，为人工智能等下一代科技创新项目提供支持……
在科技类公司一股脑地向人工智能狂奔时，人工智能背后的人类自己，是否会提前思考一下未来呢？
电脑能够战胜人脑，与其不受情绪影响的计算风格有关。“阿尔法围棋”最初因战胜欧洲围棋冠军樊麾而成名，对于与“阿尔法围棋”下棋的感受，樊麾曾这样描述：“我在采访时把它形容为一堵墙，这个墙的概念是什么呢？就是它不动，你对它施展的任何压力它都会反弹给你，你对它施加的所有力量，你对它所有的辱骂也好，对它所有的微笑也好，最后全反馈到你自己身上，这是我对‘阿尔法围棋’的感觉。”
这是不是意味着在未来人工智能的发展中，人类面对的是一堵墙？而人类一直未摆脱对人脑与电脑双方优劣的关注：机器会比人聪明吗？聪明的机器是否会控制人类？机器到底挑战的是一个人，还是整个人类？更深一层的追问是，人类众多最优秀围棋手被没血没肉的机器打败了，向来自傲于自身智慧的最高级灵长类动物是否会对自己“万物之灵”的地位产生怀疑？如果连所有顶级高手都输了围棋，下一次人类还将输掉什么？
种种喧嚣，正是人类内心的写照。当年卡斯帕罗夫与“深蓝”的决战中，常被“深蓝”一些出其不意的招数弄得心烦意乱。对抗之中，人们开始感受到前所未有的压力。其实放松一点看，这种压力何尝不是“左手对右手的压力”？
那次比赛，人工智能显现了自己“不会学习、只会推理”局限性。现在，人工智能已成为涉及计算机、心理学、系统论、博弈论、哲学等领域的交叉学科。应该认识到，对待人工智能的发展，未来绝不是靠“掉线”就能阻止它获胜这么简单。
辅助还是颠覆，人工智能带来的追问
许多人在担心，人工智能在充分发展后是否会对整个人类产生威胁？著名科学家霍金就曾提出过这方面的担忧。如果有朝一日人工智能掌握了各种重要基础设施和武器系统，稍有不慎就可能让人类面临风险。
而科幻作家刘慈欣相对乐观。“人工智能发展的未来有多种可能，最好的前景是人与机器的融合，但目前看来这面临着巨大的技术障碍，比如目前对人类大脑的科学研究还处于很初级的阶段，如果不能深入了解大脑的机制，就无法实现真正的人机融合。”
科学家一直希望以最简单的办法，保证以机器人为代表的人工智能不会给人类带来任何威胁。人们最熟悉的，莫过于科幻作家阿西莫夫设计的“机器人三定律”，即每一个机器人在出厂时就注入三个定律以防它们失控：机器人不能伤害人类、它们必须服从于人类、它们必须保护自己。后来还加入了“第零定律”：机器人不得伤害人类整体，不得因不作为使人类整体受到伤害。
美国机器智能研究院专门研究人工智能的安全发展，该机构奠基人尤德科夫斯基提出了“友好人工智能”的概念，认为“友善”从设计伊始就应当被注入机器的智能系统中，即便机器智能不断演化，友善永远是它对待人类的态度。
在这个概念的基础上诞生了“社会机器人”领域，研究人员希望设计出能融入社会、能爱、能融入人类家庭的机器人。未来学家认为，随着人工智能领域越来越多的投资来自民用商业部门，“友好人工智能”有巨大的商业发展前景。
人与人工智能融合，也许是未来之路
“如果不能战胜它，就让它成为自己的一部分。”让超越人类能力的机器成为人类“外挂”，是很现实的选择。
“肌肉与机器融合”，这个概念，由美国麻省理工学院计算机科学与人工智能实验室前任负责人、著名扫地机器人公司ｉＲｏｂｏｔ的首席技术官布鲁克斯提出。他预计到２１００年，日常生活中将到处是智能机器人，“但我们和机器人不是分开的，我们将是部分机器人，并且和机器人是连接的”。
美国卡内基梅隆大学机器人学院著名学者莫拉维克认为，人类最终可能变成自己创造的机器人本身，人类可能通过手术用晶体管取代大脑的每一个神经元，完全抛弃血肉躯体，最终成为将个性特质编码储存的计算机软件程序，身体的存在成为超级计算机中的电子流动，这种技术或在２２世纪成为人类的一种选择。
对于独立的能自我思考的人工智能，科学家目前还没有充分考虑过。美国理论物理学家、超弦理论奠基人加来道雄表示，人工智能的重点目前还在由人或程序遥控的机器上，“没有人，它们就是一堆无用的垃圾”。
事实上，人类对人工智能的研究和测试，是一项极富挑战性的工作，不论是它的复杂性和学科交叉性，还是它那些带有根本性的思考和创新，都是人类对自身的不断认识和挑战。
