棋士與AI：ALPHAGO開啓的未來

1. AI 如何在圍棋超越人類
2. 從圍棋理解 AＩ
3. 人類如何與AI共存

AlphaGo 的登場，
迫使我們必須重新思考、認識整個世界；
棋士與AI、人與人之間都需要重新對話與邂逅，
讓我們從理解AlphaGo 來開始吧！

 目前AI的最高到達點是圍棋，在圍棋發生的情況，所有其他領域也必將面臨。
Google旗下的Deep Mind公司為圍棋世界帶來前所未有的衝擊。AlphaGo發展至今，已達成戰勝世界頂尖棋士的目標。而開發AlphaGo的Google公司，也將帶領AlphaGo進一步從棋盤走向社會。面對AlphaGo帶來的變化，首當其衝的知名職業棋士，正是當時唯一參與圍棋軟體開發的職業棋士，55、56期本因防王銘琬。他眼中的AlphaGo，究竟是何種面貌呢？AI的活躍、AI和人類的相遇、最新的技術革新和資訊，以及如何享受圍棋世界的樂趣等等，重大的改變和議題隨之而來，在面臨新的挑戰之際，人類也要開始認真思考「如何面對AI」。
AI與圍棋相遇的種種現象，在AlphaGo塵埃落定、AI走向社會後，也將發生在所有領域，而唯有本書作者能藉著少量的分析圖，為讀者呈現AI、圍棋與其他領域的關聯與內涵，即使不會下棋也可以輕鬆閱讀。
「我身為棋士，參與軟體開發，得以站在一個特別的角度觀察AlphaGo。AI浪潮席捲人類社會，並進一步融入我們所在的這個世界。儘管一開始人們可能會受到衝擊，感到無所適從，但AI的發展也是讓我們重新檢視自己的好機會……」

王銘琬
1961年11月22日生，四歲開始學圍棋，1975年11月赴日。1977年入段。1979年獲第3期留園杯冠軍。1980年、1981年獲棋聖戰三段戰冠軍。1984年獲「新人獎」，1985年獲殊勛獎。共4次入圍名人戰循環圈。1986年獲棋聖戰六段戰冠軍。1987年獲棋聖戰七段戰冠軍。1989年、1991年獲俊英戰桂冠。1991年獲棋聖戰八段戰冠軍。1992年九段。2000年在第55期本因坊戰中以4：2勝趙善津奪得本因坊位。2001年在第56期本因坊戰中以4：3勝張栩衛冕本因坊。2002年贏得日經舉辦王座至高榮譽。


譯者簡介 林依璇
台大法律系學士，台大國家發展研究所碩士，現就讀政大法律系博士班。從學術研究中釐清思緒，同時也從翻譯工作中看見不一樣的世界。譯作：《三萬日圓的電扇為什麼能賣到缺貨?只要一張圖，就能學會熱賣商品背後的秘密!》、《你還沒讀過的世界史：史學大師帶你從人類商業活動看出歷史背後不為人知的真相》、《為什麼我不快樂：讓老子與阿德勒幫我們解決人生問題》等。

【前言】
二○一六年三月，將深層學習技術發揮到新境界的AI「AlphaGo」與圍棋界的
頂尖好手韓國棋士李世乭對戰，五局對決後，AlphaGo 最終以四比一獲勝。人類的敗北，讓圍棋AI瞬間成為全球矚目的焦點。在那之前，我也協助開發圍棋對戰軟體，兼具棋士與開發者的身分，因為如此，我在圍棋與軟體兩方面，同時嘗了二敗。由AlphaGo的出色表現，讓全世界發現AI的能力超過人類，大幅提升對AI的關注程度

「電腦在圍棋贏過人類」的新聞竟然足以撼動全球，這讓我感到十分驚訝。加
上開發團隊表示，AlphaGo系統具有橫跨其他領域的「通用性」，讓世界期待

AlphaGo未來在各個領域也能發揮作用。圍棋被當成人類智慧的象徵，具有運用在其他領域的共通性，身為棋士的我為此感到與有榮焉。

二○一七年五月，AlphaGo的「Master」版本對決世界排名第一的棋士——中國的柯潔，獲得三局全勝。壓倒性的勝利展現了AlphaGo超越人類的力量。在這次對決後，「AlphaGo」團隊表示，「未來不會再與人類對決」，因為已經不需要
。以對決來證實AlphaGo的能力，之後的AlphaGo將以和人類攜手合作為目標。
全世界也對AlphaGo與人類的合作達成共識，「人類和AI究竟誰比較強」的爭議，如今已成過去式。

接下來，二○一七年十月，最新版本的「AlphaGo Zero」標榜「從零自學」，也
就是「無需教師的學習方式」，並且與先前的Master版本對決，根據團隊公布的資料，AlphaGo Zero總計在一百次對決中取八十九次勝利。

已往的AlphaGo在學習過程中，先以人類的棋譜作為範本，加以學習，並以此為基礎進一步強化，進而勝過人類。但是AlphaGo Zero並未利用人類的棋譜，單憑自身的強化系統所呈現的戰果，比已往的圍棋對戰軟體更為優秀。

對此柯潔在推特上表示，「從無垢的AlphaGo 來看，人類太多餘了。」從AlphaGo 雖勝過人類，人還能保留「它是站在我們肩膀上」這份些許的驕傲，而AlphaGo Zero 連這點僅有的自尊都剝奪掉了，從柯潔的留言可以看出他所感受的喪失感。

圍棋軟體的「從零自學」本來就是備受矚目的話題，透過「從零自學」，或許可以發現超越人類思考範疇的可能性， 圍棋愛好者對此也十分期待。 除AlphaGo
外，先前全球也有其他團隊開發圍棋AI自學軟體，然而遲遲未見成果，以過往的主流認知來說，「圍棋不適合軟體自學」是共識。

雖然AlphaGo Zero跌破眾人眼鏡，但它的下法和人類其實並沒有太大差距，也沒有遠超乎人類想像的表現。AlphaGo Zero的表現並未完全否定人類迄今的圍棋研究成果，這讓我不禁鬆了一口氣。其後過了兩個月，在二○一七年十二月，研究團隊更進一步發表Alpha Zero。Alpha Zero指的是將AlphaGo Zero所使用的演算法，應用到其他遊戲上。經過數小時的學習後，Alpha Zero 戰勝西洋棋和將棋的最強軟體。到目前為止，圍棋AI的研究遠超過其他遊戲，自此可以與其他遊戲站在一個平台，廣泛交換多面的資訊與看法，未來的發展值得期待。縱使
AlphaGo的活動時間還不到兩年，但對棋士而言，每天都是悲喜交集的。

來自AI的戰帖帶給圍棋界前所未有的衝擊，面對新時代，圍棋界也只能一邊摸索一邊前進，而今後其他領域也將相繼面臨一樣的情形。隨著AlphaGo的發展，
AI的開發更加注重深層學習。AlphaGo可說率先引路，領導了AI軟體與硬體雙邊的發展，不僅限於AI，作為一個時代的象徵，它的影響層面可說是無遠弗屆。

我身為參與軟體開發的棋士，得以站在一個特別的角度觀察AlphaGo。AI 浪潮席捲人類社會，並進一步融入現實的世界。儘管一開始人們可能會受到衝擊，感到無所適從，但AI的發展也是讓我們重新檢視自己的好機會。AlphaGo讓我們看到，人類的未來有許多可能性，充滿許多不確定性和隨之而來的課題，也有許多疑問還沒有得到解答。

圍棋的規則非常單純。雖然其中充滿千變萬化的巧思，但內容並不難理解。本書以一般大眾為訴求對象，就算不懂圍棋也無妨，希望任何人都可以輕鬆閱讀。如果各位在了解AlphaGo的同時，更進一步對圍棋產生興趣的話，身為作者，我也感到無上的喜悅。

X DAY

遊戲機的歷史，最早可以追溯到一七七○年名為「土耳其人」的西洋棋機器人。 這台機器連戰連勝，強悍無比。後來發現是有人躲藏在機器裡面下棋，不過當時「土耳其人」的確也引發許多人的好奇心。「人和機器對決時，哪一方會獲勝？」無論哪個時代，人和機器的較勁總是眾所矚目的話題。

對於電腦程式師而言，以遊戲來測試電腦能力，一直是很有效的方式。程式師將電腦贏過人類的日子稱為「X DAY」，作為明確的目標。這一天的到來，對程式師具有很大的意義。

一九九七年，電腦西洋棋軟體「深藍」擊敗西洋棋世界冠軍卡斯巴羅夫，震撼全世界。不過在那之後，仍然很少人認為人類真正敗給了機器。畢竟電腦的計算速度遠勝於人類，很多人認為深藍之所以能夠取勝，只不過是因為享有計算速度的優勢罷了。

然而，二○一六年三月，圍棋AIAlphaGo擊敗圍棋世界冠軍李世乭，卻帶來了遠比深藍強大的震撼．比賽為五局決勝，AlphaGo不僅以四勝一敗取得勝利，在內容上也壓倒了對手，因為如此，這次世界認識了電腦能力超過人類的現實。

 至今為止，「電腦凌駕於人類之上」頂多是出現在科幻片中的情節，但AlphaGo 的獲勝，讓全世界開始認真討論和面對「AI贏過人類」這個重要現象。而這不只是一時的風潮，相關討論與時俱增直到現在，每當討論AI的議題，二○一六年 AlphaGo 和李世乭的對戰照片仍不時會被拿出來作為開場白；可見AlphaGo 的勝利是如此重要，具有跨時代的意義。

深藍獲勝之後，圍棋可說是人類僅剩的堡壘。圍棋的變化多端遠勝西洋棋，而圍棋需模糊判斷的特質，也是當時電腦的弱項。直到AlphaGo 問世之前，歐美對圍棋的定位是以「電腦也難以取勝的遊戲」聞名的。

我有緣於二○一四年參與開發圍棋軟體，不過並沒有讓圍棋軟體勝過人類的野 心。電腦圍棋軟體雖然在二○○六年有飛躍的進步，但還是遠遠不及頂尖棋士。在 AlphaGo 登上國際舞台之前，從西洋棋和將棋的經驗判斷，許多人都認為X DAY 最少還要等上十年，而且連要從何著手都沒看清楚。

深層學習
AlphaGo 和至今軟體最大的不同，在於使用了「深層學習」技術。 AlphaGo由Google旗下的Deepmind公司所開發， 負責人傑米斯． 哈薩比斯表示， 「AI可分強AI與弱AI，弱AI只會做人類教它的事情，而強AI能夠自己觀察所處的環境，並以適應環境來成長」，深層學習正是強AI的關鍵技術。

電腦過往的「機器學習」方式，只會學習資料裡被人類所指定的特徵，將指定

特徵有關部分加以整理、學習。但是深層學習不是學習被指定的特徵，而是能自動自發從資料找出特徵來進行學習的技術。

已往人類只能教電腦去學「可以說明的」事情，因為電腦是聽人類的命令行動無法說明清楚就無法教它學會，所以電腦不可能學會「無法說明」的內容，自然也無法做出人類沒有教過的事情。

然而不需要人類指導的深層學習技術，讓電腦能開始去理解不容易說明的「只能意會，不能言傳」的事物與內容；這樣的內容，人們常用 「感覺」這個語彙來表現，就像圍棋也常用「感覺」這兩個字眼。換句話說，深層學習就是能夠讓電腦學會「感覺」的技術。

比方說孩子能夠認得母親的臉孔，學會走路或堆積木等等，這些事看似簡單， 但其中包含難以用言語形容的感覺；而深層學習能讓電腦學會做這些事情或判斷。

只會照著人所教的內容去做的軟體不管能力多強，只要發生前所未有的狀況，它們就無法應對。但擁有藉由深層學習所獲得的「感覺」的軟體，就有自己的「世界觀」，因此能處理各式各樣的狀況。

例如孩子所認知的「母親」，不只是正面朝自己微笑的母親，也有發怒的母親、用側臉對著自己的母親、被家具遮擋住半邊臉的母親，還有母親的背影等等，和小孩子一樣，深層學習都有能力去認識。

圍棋規則極為簡單，反而讓電腦不容易找到明顯特徵，內容難用言語形容；因此下棋時必須動用「感覺」的比例比起別的遊戲高得多，這也是人類已往能夠在圍 棋上保持對對電腦優勢的關鍵因素。然而深層學習獲得了「感覺」，讓人類失去原本的優勢，也讓最後的堡壘忠告淪陷。

深層學習的另一個特徵是「無法說明究竟是如何學會」。雖說學會「無法說明的能力的過程，必定更無法說明，這個現象也讓某些電腦程式師困惑不已。

深層學習的過程首先必須輸入大量資料，接著程式便會自行整理資料，形成對資料的各種認知，不過這些認知究竟是如何形成的，實際上無跡可尋。

對於程式師來說，電腦應該是照指令行動的東西。以開車為例，自己開的車必須能百分之百照自己的意思操縱才能安心，有時只要輪胎稍微一滑，任何一位駕駛
都會捏把冷汗。若車子能深層學習，隨自己的經驗自己跑，睡醒時驚覺已經幫你開到目的地，就算結果不錯，也一定有人不喜歡這樣的車子。

我們可以預料，未來有些工作會逐漸轉由AI代勞。不過AI的認知和人類會有所差異，也一定有人類難以預測的部分。雖說學習無法說明的能力的過程，也必定無法透明，只要人類繼續使用深層學習技術，這個問題也將永遠存在。

通用性
 當Deepmind 公司開發AlphaGo之際，所抱持的概念是「AlphaGo必須是不僅限於圍棋的演算法」。 圍棋遊戲的歷史相當漫長，從《論語》和《孟子》中的記載我們可以得知，圍棋從西元前就已經是相當廣為人知的娛樂。在漫長的歷史中，圍棋相關的技術不斷累積，從中構築出各種技巧和思考方式。因此，過往的圍棋軟體通常把重點放在「棋該怎麼下」，也就是以圍棋遊戲本身為對象，開發軟體技術。

相較之下，AlphaGo的系統極力減少專門為圍棋所設計的部分，將目標放在各個領域都能運用的系統，重視「通用性」。在與李世乭對戰後的四個月，也就是二○一六年七月，Deepmind公司立刻把AlphaGo 技術運用在自家資料中心的冷卻系統上，並且發表成果，表示能節省40%的用電，今後關聯技術在醫療領域的活躍也十分令人期待。

新的AlphaGo Zero 和先前的版本相比，架構更為簡潔，更加體現電腦演算法之美。像是蛋白質的摺疊分散式計算式，能量消耗的削減，以及探索革命性的新素材等等，在許多領域都有AlphaGo Zero 的活躍機會。

廣範圍的通用性不只是AlphaGo 的成功，同時代表了AI的成功。AlphaGo 所
以引發了世界對AI爆炸性的關注，係因世界認為，在圍棋做得到的事情，在其他領域也應該做得到。如果軟體是為了因應規則複雜的遊戲而設計，就必須就個別遊戲加以規劃。單純的圍棋規則是達成通用性的關鍵，也是Deepmind 公司選擇開發圍棋軟體的原因。

在這裡希望大家不要把上述的「通用性」和AI開發的目標「通用型AI」混淆。包括圍棋軟體在內，目前的AI都是以達成特定工作為目標的「單一功能型 AI」。 不過 「通用型AI」 的目標不僅止於此， 除了讓AI能夠像人類一樣下圍棋， 也能發揮其他工作、家事或是對話等各種功能，這正是目前開發「通用型AI」的主要目標。

 AlphaGo 的通用性和「通用型AI」沒有關係，而是作為「單一功能型 AI」，具有能夠運用在不同領域的通用性。AlphaGo Zero 的「從零自學」成功實踐「不需要教師的學習方式」，未來的應用面向是否還會再擴大，也十分令人期待。

AlphaGo Zero 能夠獲得如此成果，必須歸功於AI和圍棋是很棒的組合。因為圍棋具備了規則簡潔、有明確的標準以判斷學習效果等優秀條件；所以其他領域用 Zero作無教師學習，未必能和圍棋達到同樣的成果，但是AlphaGo Zero這個學 習機制以圍棋為原點，提供了將來其他領域自我學習的可能性。

順便提一下本書對於「AI」一詞的用法。「AI」命名於一九五六年，日語將之翻譯為「人工知能」。「AI」的範圍十分廣泛，西洋棋程式「深藍」當然是 AI，讓烤箱順利運作的系統有時也被稱為「AI」。

不過在圍棋軟體的世界，AlphaGo之前的圍棋軟體並未被稱為「AI」，而是直接被稱作「圍棋軟體」。也就是說，只有具備深層學習功能的圍棋軟體才開始被稱 「AI」。

雖說圍棋以外，也不乏以具備深層學習功能與否，區分是否稱為「AI」，但因還不算有社會共識，也有不少軟體雖然沒有深層學習功能也被稱為「AI」。

雖說是否使用深層學習技術，對於軟體本身的定位有很大的影響，仍不乏許多評論將沒有深層學習技術的軟體也稱為「AI」，並以此為基礎討論「AI」對社會的影響。如此混亂的情況雖然必須釐清，但實際上沒有這麼簡單。而深層學習也不一定永遠是AI的關鍵技術；總之在目前的時點，「能夠自主性地找出對象特徵以 學習」的深層學習仍然具有特殊意義，也由於這項技術才讓AI得以有突破性的發展。因此在本書中僅將使用深層學習技術的軟體稱為「AI」。