陳經：從人機大戰前兩局推測AlphaGo算法的重大進展

2016年3月10日人機大戰第二局，AlphaGo執黑211手中盤勝李世石。對於不懂圍棋的圍觀羣眾，這意味着機器以5：0獲勝的前景確認，可能會轉而關注人工智能進步對社會的影響。對棋迷特別是職業棋手來説，會更關注第二局中AlphaGo在圍棋技藝上帶來的震撼，這個震撼比第一局更大。

先用一段文學性的描述概括前兩局：

在圍棋這個令許多人沉醉的迷失大陸上，忽然半空中浮現了一個既令人恐懼，又令人興奮的帶着魔幻主義色彩的怪物。離得還遠看不太清的時候，職業高手羣體作為人類護法，把AlphaGo當作一個有趣的小妖怪，準備用自己明顯更高的法力去吊打它。第一局過後，人們發現這小妖扛過了大法師的主動挑戰，第102手趁法師沒有防備忽然出手偷襲，獲得了勝利。人們稱讚這小妖法力可以啊，但並不認為它有多強大，而是認為大法師發揮不佳。第二局，人類大法師平心靜氣地開局，小妖更多地主動出招主導了棋局的進程。事實説明AlphaGo不是小妖，而是大魔王。它的着數與人類很不相同，下出了人們從未見過的次序與招數，但卻自成體系。大魔王的着法並非天衣無縫，一次主動出擊甚至被抓到了明顯破綻，卻靠着瀰漫在全局的邪氣維持着局面。後半盤，大魔王的威力開始顯現出來，差距越拉越大，在人類的眼中終於完成了從小妖到魔王的形象轉變。職業棋手們現在已經普遍悲觀，認為整個大陸都將被魔王統治，只有柯潔、孟泰齡等少數人還想着進行最後的抵抗。還有一些企圖抓住最後一根稻草，相信大魔王有“不會打劫”的死穴，盼望着最後三局出現奇蹟。

下面用幾個圖介紹一下AlphaGo帶有魔性的着法。

開局AlphaGo第13手脱先就讓所有人大吃一驚。15手這麼早刺一下，都是沒人下過的招。雖然難以論定好壞，但AlphaGo從魔界過來的作派已經初露端倪了。

黑37是讓所有職業高手都難以置信的創新招手。人類理論説，三路和四路是地勢平衡線，四路尖衝三路常見。AlphaGo卻五路尖衝四路，沒有人敢想。而且這招並不是胡下，四周有配合，得到了聶老等佈局高手的讚許。仔細品味，為什麼三路四路的地勢平衡線就是定死的？如果有配合，為什麼平衡線不能上移到四路五路？白R4R5R6這個頭非常硬，本來就是不應該去圍地的形狀，再加上黑S14扳白為了護住“四路大空”要應，等於黑先手護角。這幾個理由加起來，地勢線真的可能就上移了。

白80打入，黑81手卻悠然地封住白棋聯絡自身。這實在是很難想到的方向，這麼緊急的地方不去攻打入的那子，卻到這裏自補。但是細細品味，卻會發現這是好招，是一種間接攻擊。也許AlphaGo模擬了幾百萬個局面，認為有了81的自補，白就動不出什麼東西。這無疑是一種非常高級的思路。

李世石白120手兇悍出手。黑棋121扳123連125淡定得不得了，白似乎獲利極大。但是黑再127扳住，赫然發現黑這裏圍了不少地，而且整體厚了很多，122那裏的最後一個毛病沒有了，下面就輪到黑對中間白棋發起令人膽寒的魔性攻擊了。

感性完了，我們還是回到技術性的探討。從2015年10月AlphaGo與樊麾的對局來看，雖然AlphaGo正式比賽是5：0，但以高手的標準，五局中它的招數平平無奇，毫無魔性。是下得象人，比以前的程序強太多了，不會抽風。但並沒有真正震懾到人，人們還發現了它不少明顯的漏洞與不精確的地方，前面我寫文章分析介紹了（http://www.guancha.cn/chenjing/2016_02_01_349900.shtml）。而且五局非正式對局樊麾也勝了2局。考慮到樊麾心理失衡表現大打折扣，可以認為這時單機版的AlphaGo和他正常的棋力差不多，分佈式版本的高一些。谷歌論文也説了單機版AlphaGo的等級分和樊麾差不多，2900多分，差李世石600分。

2016年1月28日論文在《自然》上發表了，棋譜公佈了，3月挑戰李世石的計劃也宣佈了。在當天WeiqiTV立即推出的談話節目中，劉星透露不久前樊麾來北京時喝大了，又因為保密協議不能説，只是反覆説出大事了，要變天了。如果AlphaGo只是和樊麾差不多的實力，這隻能説是人工智能界值得慶祝的大事，對圍棋界卻不是變天性質的大事。這還是個好事，幫圍棋打響世界知名度。如果機器總是勝不了人類高手，這對圍棋發展到全球是一個絕佳機會。這是孟泰齡等職業棋手看到的機會，也是我內心的期盼。由於樊麾加入了谷歌團隊，他顯然知道了更多的東西，知道了AlphaGo的實力突破。可以認為，在2015年12月左右，谷歌團隊取得了顯著的算法突破。

3月9日人機大戰第一局開戰前，就有一個谷歌工程師傳出來的流言，説內部評估李世石勝率為0，AlphaGo三天就完成了一次進化，對上一個版本的勝率達到了100%！現在看來這很可能是真的。後來流言又變成，每三天完成一次進化，對上一個版本達到100%。這應該不成立。谷歌放出的內部消息意思應該是，取得了算法突破，搞了一次學習進化，AlphaGo用三天時間進化完成後，對勝樊麾的那個版本勝率100%。

所有圍棋AI不斷開發提升實力的過程中，都存在瓶頸。例如之前最強的程序Zen，2011年在KGS上就很厲害了，打到了5D。但之後三四年雖然不斷調整代碼開發，實力進展卻很小。只有在最近引入了深度學習後，才再次突破站穩了7D。之前圍棋AI的主要開發工作是寫程序代碼，怎麼用代碼寫一個走子策略，寫出蒙特卡洛搜索（MCTS）算法的代碼，怎麼優化代碼，怎麼加進一些代碼消除bug。這種工作還是比較依賴人的具體代碼工作的，主要是人在那動腦子想。主要框架定了以後，不斷改進調試就到頂了，再想有所突破就難了。表現出來就是代碼改了這裏，那裏就不好了，顧此失彼。想加進一些改進的思想，大的加不了，小的越來越瑣碎，加了也不一定有大用。

那麼AlphaGo的瓶頸是什麼？從谷歌論文來看，與Zen等上一代程序很不相同。這裏我們要再次描述一下AlphaGo的算法框架。

AlphaGo的核心程序代碼有兩部分。一部分是MCTS算法代碼、快速走子策略中一些和圍棋專業知識相關的代碼。更重要的部分是策略網絡、價值網絡等幾個多層神經網絡中，那幾百萬個節點與更多聯結邊的“係數”。AlphaGo的開發者並不是從頭開始的，兩個並列第一作者David Silver和Aja Huang都是之前研究了圍棋算法多年的，整個團隊有約15-20人的業界頂級專家。但我相信，要讓他們去調整MCTS代碼，加一些代碼去消除bug，去提升最終的程序表現實力，他們也很快就會工作很煩卻進展不大，這是代碼開發中常有的事。程序算法框架定下來了，從2015年10月到2016年3月，五個月時間作出重大改變基本不可能。

但是，那幾百萬幾千萬個神經網絡中的“係數”卻是很容易變動的。你可以隨便去改那些係數，如果表現不好大不了回到原來的。要是找到了新辦法，搞個三天時間的訓練學習，大批大批地改係數，説不定就取得好的效果，再實踐檢驗下就知道有沒有用了。實踐檢驗很簡單，就是和沒改係數之前的版本下，勝率大躍進，就成功了。這時團隊的開發工作，就不是在那改代碼了，而是想“新的訓練方法”。當然這也不容易，按谷歌論文的説法，你得有一套訓練的“流水線”。想把這個流水線建起來，那就是砸錢，要把各類專家都配齊了，還得有一堆高性能機器。

比如短時間暴力生成3000萬個自我對局，這得多少高性能機子同時對下？還有“深度學習”，輸入的是10萬個甚至更多的棋局，然後用高性能機器訓練出一個節點特別多的多層神經網絡。還有“強化學習”，意思差不多如下。比如你要改進策略網絡，就有一個初始的“策略網絡”。策略網絡的結構是不會變的，變的是上面的係數。然後你用什麼方法變一下係數，就相當於變出了一個新的策略網絡。然後讓新舊兩個網絡對下，從結果看你剛才變的是好是壞，再決定繼續怎麼變。這麼反覆弄下去，就會弄出一個對舊網絡勝率很高的，新的策略網絡。總之就是讓機器self-play，左右互搏，看結果來變係數。這都是需要一堆高性能機器一起做的，不然根本沒有時間完成訓練。

但是對谷歌這樣有實力的公司，“這都不是事”。一旦把流水線建起來了，那個爽就沒法説了。現在整個團隊的開發工作簡直進入了另一個境界。不是去改代碼了。改來改去調bug，誰知道進度怎麼樣，這就是走入死路了。主要開發工作就是去高層次地想，還有什麼新的訓練方法？感覺靠譜就去試，流水線一開，成千上萬台高性能機器在那暴力運算，self-play熱火朝天。一計不成再生二計，盤算的都是類似於上帝的事，怎麼讓一堆機器幫你辦底層的事，團隊核心就負責想大招。

當然這流水線研發也會有瓶頸。谷歌論文中就説了，他們用KGS的高段對局者的10萬局棋譜，深度學習訓練出了一個“初始策略網絡”SL，然後又用“強化學習”對着它不斷“強化”，最後出了一個“強化策略網絡”RL。RL和SL對下，勝率高達80%。但是在整個AlphaGo中，把SL替換成RL，和別人下，等級分表現反而更差！原因論文上也有提及，可能是RL過於強調對SL的勝率，訓練得鑽牛角尖了，對別人反而不如SL好，因為SL是很多人的棋招訓練出來的，各種情況都見識過。但是RL也不是沒有用處，用RL自己下，可以生成3000萬個高質量棋局，用來訓練價值網絡效果好。

我當時就注意到這個了，所以認為AlphaGo可能水平到了瓶頸了，再怎麼暴力堆數據，堆更多棋局，可能就象RL不如SL一樣，提高不了水平。也因為對整個程序訓練機制理解不夠深，在仔細看棋譜後對AlphaGo的算法缺陷印象更深，從而作出了“AlphaGo還不如人類頂尖高手，但有勝機”的判斷。

但我們回過頭看，這個瓶頸其實並不嚴重，比起Zen這類程序代碼調整死去活來沒有進步的境地，AlphaGo就算有瓶頸，情況也好多了。谷歌開發者都是業界頂級牛人，肯定能想出一些新訓練方法。比如想個妙招，改用不同的“強化學習”訓練方法，加點小變化。這回從SL強化學習完了，學出個RL-Plus。然後拿RL-Plus換掉SL，變出個新版AlphaGo一試，哇，等級分高了200，大招見效了！又趕緊用RL-Plus在一堆機器對下，生成3000萬個質量更高的棋局，用它們深度學習，訓練出了新的價值網絡V-PLus。然後什麼都不變，新版的RL-Plus + V-Plus，對舊版的RL+V，對戰400局，全勝！這下就搞定了，幾個工程師碰杯慶祝，等級分一算，知道李世石機會為0了。

這個流水線非常厲害。谷歌甚至放出了激動人心的消息，不再用人類棋局訓練策略網絡！也就是説，讓AlphaGo從零知識開始，從胡亂扔子棋力最差的策略網絡開始，不斷刷流水線，通過強化學習、self-play、深度學習更新幾個神經網絡。這樣肯定會比較慢，説不定要幾個月時間才訓練好。但是一旦訓練好了，這就是真正沒有和人學過任何東西，全靠自己對下幾十億局訓練出來的，沒有受過人“污染”的機器智能！這個純種AlphaGo可能出手就和人完全不一樣，也許一開始就下的是天元、五五之類的怪招，直到中後盤才和人類棋手以及現在的AlphaGo走得差不多。這種自己在山洞裏練習出來的東西，會不會比人強，甚至比現在這個學了人走法的AlphaGo強，會是特別有意思的事。不懂圍棋的人可能很難理解，為什麼這特別有意思，但真的是很浪漫很狂野的一個事，非常激動人心。

谷歌論文出來以後，專家的解讀也出來了，我也仔細讀了。一開始以為，都是以前見過的東西，就是各個環節都做得不錯，下本錢加在一起細化優化了，所以弄出一個棋力大躍進，戰勝了人類低水平職業棋手。但再要進步，似乎得發明“新技術”，再來一個創新，才能棋力進步追上頂級職業棋手過招。

然而這是一個錯覺。就MCTS，策略網絡，價值網絡等等技術環節而言，別人都做過。但是搞出工業級的流水線，沒有人做過！流水線本身才是最大的創新！這個流水線誕生以後，潛力無窮，極易取得突破。開發者們一定玩得開心死了。

我大約想明白了谷歌圍棋算法的秘密，最厲害的就是這個神經網絡訓練的流水線。技術不是新的，但是量變到質變，暴力堆數據的各個環節打通以後，就產生了無窮的威力，一舉在短時間內破解了圍棋這個人工智能的核心問題。

作者簡介：筆名陳經，香港科技大學計算機科學碩士，中國科學技術大學科技與戰略風雲學會研究員，棋力新浪圍棋6D。21世紀初開始有獨特原創性的經濟研究。2003年的《經濟版圖中的發展中國家》預言中國將不斷產業升級，挑戰發達國家。2006年著有《中國的“官辦經濟”》。

致謝：感謝中國科學技術大學科技與戰略風雲學會會長袁嵐峯博士（@中科大胡不歸 ）與其他會員的寶貴意見。

討論：袁嵐峯認為，DeepMind調整係數的辦法可能是遺傳算法。即先產生大量的初代種羣，然後把它們組合起來並加上隨機變異產生下一代種羣，通過互相對弈選擇優勝者，再進行下一代組合、變異、選擇，如此循環。這是當代科學研究中全局搜索的常用算法。

本文系觀察者網獨家稿件，文章內容純屬作者個人觀點，不代表平台觀點，未經授權，不得轉載，否則將追究法律責任。關注觀察者網微信guanchacn，每日閲讀趣味文章。