2017年5月23日，围棋等级分排名世界第一、中国围棋职业九段棋手柯洁将迎战DeepMind的人工智能围棋选手AlphaGo。

　　但你可能已经发现了，人们对这场世纪之战，或者说人们对AI下棋已经不那么关心了——为什么发展至今，我们仍旧要关注人工智能是否能在棋盘上战胜人类？

　　这个问题不如反过来说：如果人工智能比作一个生物，那为什么这种生物比人类对下棋更执着？

　　很难说清究竟是谁第一个教会了计算机下棋，二十世纪最伟大的计算机科学专家克劳德·香农在1949年发表了论文《编程实现计算机下（国际）象棋》。

　　而另一位同样被载入计算机发展史的学者艾伦·图灵在1952年编写了第一个计算机下棋程序——当时计算机的算力无法支撑这个程序的运转，图灵用笔和纸进行模拟验算与人类同事对弈，每走一步要花半小时的时间，最后输了。

　　如果AlphaGo战胜柯洁，那么就意味着：从学会下棋到在棋盘游戏领域完胜人类，人工智能等了这一天50年。

　　如果输了，它还要继续进化下去。

　　为什么游戏对人工智能这么重要？

　　“人工智能这么厉害，但为什么要和游戏较劲，不能把它用在更有实际意义的领域吗？”

　　这是大众在被AlphaGo轰炸一年之后的一个普遍的疑问。AlphaGo开发者的官方回答是：让AlphaGo研究下棋，能让人类更好的研究人工智能。

　　或许了解人工智能与游戏，或者说与棋盘、扑克、电子游戏的斗争史，能让你对这个看似简单的回答有一个更深刻的理解。

　　正如开头所提到的，人工智能的起源就来自于游戏，20世纪最伟大的两位计算机专家艾伦·图灵和克劳德·香农，分别对计算机下棋产生过浓厚的兴趣。

　　事实上，早期的的游戏是验证AI科学家一次性成果的检验器，许多人工智能的研究都是基于“让人工智能完成某一种游戏”来进行的。而人工智能与游戏的不解之缘并不仅仅局限于棋盘之上。

　　1957年，计算机专家Arthur Samuel编写了一个跳棋程序，然后让计算机战胜了自己。

　　在人工智能这个概念一次次被公众捧上巅峰又跌落谷底的往日时光里，游戏一直是人工智能不离不弃的好伙伴。人工智能除了先后攻克了跳棋、五子棋、象棋、扑克等传统桌上游戏之外。80年代电子游戏兴起，它和你一样喜欢玩电子游戏。

　　只是它和你玩游戏的方式不太一样：你玩游戏，人工智能控制NPC玩你。

　　游戏中的一些NPC只是简单的复述台词或为玩家复活、加血。但另外一些，却融入了早期人工智能的影子，尤其是那些带有博弈和竞技类的电子游戏。

　　开发者在制造这些NPC的时候，需要先将游戏规则写在程序里，并且要求电脑依照这些规则去进行游戏。一旦游戏开始，开发者并不能100%的预测这些NPC究竟会怎么操作游戏，这与控制论和80年代较为流行的一种名为专家系统的人工智能所遵循的逻辑十分相似。

　　人工智能像是欧洲炼金术传说中的人造生命体瓶中小人，尽管人工智能一次次的在瓶子之外受挫。但每当它回到“游戏”这个瓶子之中的时候，所有人都能看到它成长的速度。

　　在过去，瓶中小人的成长是发生在代与代之间的——研究人员开发了一款AI，让它去进行某种特定的游戏。通过观察AI在既定规则、充分信息的游戏中如何运作，研究人员可以在未来的版本中让这个AI玩的更好。

　　但到了现在，人工智能拥有了深度学习这一自主进化的能力之后。游戏对人工智能有了全新的意义——游戏是自主学习AI的“学校”和温床。

　　在解释为什么游戏是AI学校之前，我们要先用一下人话解释一下什么是深度学习。

　　2014年，DeepMind制作了一款游戏AI，在几乎没有人类干预的情况下通过上百局的反复游戏，学会了如何玩《打砖块》这种游戏。之后这款AI又在相同的模式下学会了如何玩《太空侵略者》（打蜜蜂）和《海底救人》等一系列复古的电子游戏。

　　DeepMind的AI在进化的时候与过去的人工智能有着明显的不同，它是自主和非监督的。这让它与之前游戏里的NPC划开明确的界限——你不再需要告诉电脑在一个游戏里每走出一步会发生什么，它们会自己学着去适应这个你为它准备的游戏。

　　在这里以图像识别为例，用最简单的语言不严谨的解释一下为什么这样的“学习”能够实现：