【写在前面】
连下三局后，AlphaGo与韩国棋手李世石的对决已毫无悬念。这样的比赛注定会成为人工智能（AI）的又一个里程碑。为此，3月12日最新刊发的《经济学人》杂志刊发了题为《人工智能和围棋一决胜负》的长文。
不同于1997年深蓝对弈的国际象棋，AlphaGo对弈的围棋更加复杂，每下一步后能产生的可能性也更多。但AlphaGo背后的算法在比赛中已经显示出自己的优势。通过深度学习，它已经能模拟人类下棋，拥有“直觉”，并能给出下一步的最佳策略选择。
对于商界和学术界而言，AlphaGo背后的深度学习更值得期待。《经济学人》指出，深度学习是未来通用人工智能必不可少的部分。目前已经有众多公司在这一领域投入资金和经历。
作为AlphaGo之父，Deepmind的创始人之一Demis Hassabis被问到AlphaGo的能力是否有上限时，Hassabis说他不知道：“如果有，我们也还未发现。”
《经济学人》指出，结合了策略网络和价值网络的深度学习，已经构成了人类棋手需要通过几年实践才能累积的围棋智慧。未来，我们可以期待深度学习在人脸识别、语音识别甚至是医疗领域的应用。
以下为《经济学人》最新文章的全文翻译：
这次争夺荣誉的战场在韩国首尔的一个棋盘上。韩国对围棋的热爱程度绝不亚于它的邻国，那个被称为最疯狂热爱围棋的国家——日本。让许多认为围棋是他们自己的日本人懊恼的是，这项运动最好的玩家（过去十年）普遍被认为是韩国的李世石。但这可能马上就要改变了。李世石正在与AlphaGo进行5场系列赛的对决。AlphaGo是由伦敦DeepMind公司开发的电脑程序，2014年被Google收购。虽然这次不是官方的冠军系列赛，但比分牌显示，李世石早已输掉了比赛。
围棋是一种古老的游戏，相传是中国秦始皇为指导他儿子发明的。围棋在东亚非地区非常流行，就像国际象棋在西方的位置一样。同时，围棋在计算机科学家当中也非常流行。尤其是对于人工智能研究人员，对打败围棋棋手一直有着一种迷
恋。人类在其他棋类比赛中，已经被机器打败。最著名的应该是1997年，历史上最优秀的国际象棋大师卡斯帕罗夫输给了“深蓝”。深蓝的表现比人类更好，但和围棋比起来，教电脑学会国际象棋简直就是轻而易举。
乍一看，这样说有点奇怪。围棋的规则简单，有限。棋分黑白，执黑子棋手先下。选手轮流放置棋子到19*19网格棋盘交叉点上。最终目的是使用棋子来圈地盘。在李世石和AlphaGo对弈的规则中，每个棋子，或者说每个被围着的交叉点，都决定最终分数。被对方棋子围着的棋子要被提走。可以重复出现提走和反提的情况（这种情况被称为“劫”），但棋手不允许立即反提对方的棋子，他必须先在别处下一棋子。直到其中一个人认输，游戏结束。
复杂多样的围棋
但是这种简洁是充满欺骗性的。在一个真实的简单游戏中，比如画圈打叉游戏，到游戏结束，每个可能的步数都是可以计算出来的。这意味着电脑可以计算出在某种特定情况下的最优下法。这种方法曾解决的最复杂游戏是国际跳棋，它大约有10^20（1000亿*10亿）次不同的下法。在2007年，经过18年的努力，研究者称他们找出了最佳战略。
但是国际跳棋的棋盘只有8*8个格子。而围棋棋盘的尺寸意味着这个游戏可走的数目是非常巨大的：粗略的估计为10^170。这么大的数字已无法通过类比来描述。它大概是我们可见宇宙中所有原子总和（大概在10^80的数量级）的100倍那么多。在围棋数百回合中，任一回合大约有250种下法，也被称为分支因子。因为选择其中任一种下法又将会出现250种可能的下法，以此往复直到游戏结束。就像DeepMind的创始人Demis Hassabis所说的，这意味着围棋是无法采取数学意义上的暴力算法。
而且这个游戏的难度不仅仅如此。虽然国际象棋的棋盘要小一些，规则也相对严格，大约只有10^47种不同的玩法，而且它的分支因子仅为35。但实际上，这也意味着对国际象棋的处理无法像国际跳棋那样。而代替的方法是，国际象棋程序会随着比赛的发展，选择看起来更有希望的步数，从而过滤掉其他选项，然后计算机能通过计算，模拟选择步数中衍生出来的成千上万个步数。这种方法是可行的，因为国际象棋有一些固定范式来帮助程序理解一个步数的好坏。例如，骑士通常比兵要有价值；皇后比任何棋子都有价值。（它们的标准价值分别为：3、1和9）。