Alpha Go系统战胜欧洲冠军，并将挑战李世石，让围棋爱好者吃了一惊。实际上，机器深度学习的论文和成果最近几年飞速增加，Google和Facebook等巨头也在投资布局。这次只是IT男小小炫耀了一下新技能。

    上世纪九十年代的深蓝是一本棋步大辞典，囊括了最可能发生的对局。Alpha Go不同，它是个打谱学棋的小孩儿，只不过从菜鸟到大师至少十年的训练，它十天就搞定了。Alpha Go系统不拼计算速度，一共只用了几百个CPU和几百个GPU，依靠的是上世纪40年代开始发展的神经网络技术。

    认脸、切菜、骑车、寒暄……人类下意识的技能，源于一次次奖励和惩罚让大脑有了“感觉”，或者说“悟性”。参与工作的神经元之间的铰链，或者说“突触”，会被欣快感加固，使大脑更容易重复这个动作。

    想一想小孩子学说话：婴儿随意发出一些声音，喃喃中有那么几声在大人听起来有意义，妈妈就会惊喜地笑起来，奖励婴儿。如此重复，婴儿建立了“词感”，以及更后期的“句感”，越来越轻松地吐出旨在交流的声音。

    人工神经网络也是同理：一开始，许多机器神经元组成的大脑是块白板，像婴儿说话一样输出低质量信息。当它某次恰巧说对了一句，参与的神经元之间的连接强度会被调高。训练多了，人工大脑慢慢不均匀了，成熟了，开始做出高质量的反应。

    败给Alpha Go的欧洲冠军和监赛者认为：Alpha Go的棋步稳健，像人一样。过去的围棋软件则像机器人，不时来一招高手绝对不考虑的臭棋。大师和Alpha Go是通过海量的对局和阅读棋谱，培养出了“围棋感觉”——高手或许算不出二十步以后的局势，但能感觉出棋局大概该是什么模样。

    曾有一项心理学研究发现，国际象棋大师超出常人的能力，是将复杂局势“模块化”，化繁为简，化新局面为熟悉套路，从而将计算力投放在关键部位。

    模块化或曰“模式识别”，正是计算机的传统弱项。人类轻松辨认出人脸或笔迹，电脑却做不到。哪些细节是关键？哪些无关紧要？电脑一头雾水。

    但依仗更高级的学习算法的Alpha Go有这个本事。在大量培训后，它能判断出棋局上的关键部位，减少没必要的“深蓝”式蛮算。如果Alpha Go的悟性用在游戏以外，前途不可限量。我们几乎可以肯定，一些枯燥的识别任务，几年后将由机器代劳。

    顺便一提，即使哪天电脑的“悟性”反超人类，也不等于它更智慧。电脑能赢棋，能编辑财经新闻，但它不会发明围棋，也写不出莎士比亚的剧本。

    （科技日报北京1月28日电）