而今天的 AlphaGo 的算力需求更小，它不再是分布式运算，整个程序仅运行在一个单一的云服务器 TPU 上。这是 Google 去年在开发者大会上发布的用于人工智能计算的单处理器计算机，全称是 Tensor processing unit。

　　从计算机消耗的能耗来看，去年李世乭相当于面对 10 台计算机打比赛。而今年柯洁的比赛是货真价实的一比一对抗，AlphaGo 的程序性能提升了至少 10 倍。

　　6. 除了柯洁，这次还有两个人类群殴 AlphaGo 的比赛， 有什么意义？

　　这次的团队赛还分为两种：一种是人类组队对阵机器，第二种是，人和人工智能算法合作，对阵人类。

　　意义很明确：如果人工智能算法能够打败单个人类，那么用人类的集体智慧和写作文对应人工智能是否能赢？人+机器这样的组合，能不能产生更好的结果？

　　这样的比赛之前也有过。2005 年，Playchess.com 举行了一场“自由式”象棋大赛，参赛者可以任意和其他人或者电脑组队。通常情况下，象棋网站都会运用“反作弊”算法来防止参赛者用电脑程序作弊。

　　重赏之下，好几位特级大师都携多台电脑参加了比赛。一开始，结果不出预料。人和电脑组队，要远远胜过最强的电脑。“九头蛇”（Hydra）和“深蓝”一样，是一台专业象棋超级电脑，而面对棋力较强的人类选手和一台较弱的笔记本电脑的组合，它却败下阵来。人类的战略引导加上电脑精确的战术计算。

　　但更有意思的是，最后的赢家并不是“人+高配置电脑”的组合，而是两位美国业余选手和三台电脑的组合。

　　他们的技巧是通过干预和“教导”，让电脑们更深入地搜索可能的局面。这一策略不仅胜过了特级大师们对象棋的精深理解，也胜过了其它参赛者的超强计算能力。

　　“棋力较弱的人类+机器+优化的步骤”比强力的电脑本身技高一筹，也优于“棋力较强的人类+机器+较差的步骤”。

　　7. 李世乭在赛后怎么看待自己的失败？

　　李世乭在去年 6 月的夏季达沃斯论坛上说，赛前自己存在判断失误，低估了对手的水平：

　　“当时我看了它和樊麾的比赛，之后我觉得 AlphaGo 应该不是我的对手，比较确信我会赢。但是没想到，深度学习在六个月期间有这么大的进步。”

　　他说人类和机器对弈的时候，人是处在不利地位的。AlphaGo 始终如一，没有情绪波动，甚至也不会意识到下到第几局、整个场面是什么情况。

　　“我再也不想和 AlphaGo 比赛了。”李世乭说。

AlphaGo 具体是什么？它背后的公司在干什么？

　　8. AlphaGo 到底是什么？

　　AlphaGo 是一款围棋人工智能，Google 人工智能团队 DeepMind 创造了它。

　　DeepMind CEO 哈萨比斯今年 5 月 19 日接受 BBC 四台采访时表示，AlphaGo 是面向围棋这一“狭窄领域”的人工智能，简单说，虽然它能打败世界冠军，但 AlphaGo 也只能下棋。

　　9. AlphaGo 怎么学会下棋，提升棋艺的？

　　说起这个，“穷举”、“蒙特卡罗树算法”、“深度学习”等等一大堆术语经常出现，但没有这些基础也能看懂。

　　所谓 “深度学习”，是 AlphaGo 围棋训练的第一步，将人类棋谱输入计算机，学习人类的落子习惯。这种“识别”与人脸识别、图像分类等搜索技术类似。

　　第一步：把棋盘分拆成小块，输入数据。

　　AlphaGo 会把输入系统的人类棋谱的每一步进行分拆，棋盘上每个落子以及随后的应对落子算作一个样本，AlphaGo 从这些人类棋局中分解出了三千多万个样本。

　　这些样本集合在一起，能够识别出每个特定的落子之后，哪一种应对方法的概率最高，这个最高的概率其实就是人类棋手最喜欢的应对方法。

　　虽然说围棋“千古无同局”，但是局部来看还是有很多相似的模式反复出现，AlphaGo 就学会了这些最受欢迎的下法。

　　AlphaGo 的蒙特卡罗树搜索。图片来自 Nature

　　第二步：乱下棋，不过比纯粹乱下要好一点。

　　AlphaGo 的思考结合了蒙特卡罗树搜索。

　　假设一个从来都没下过围棋的人，用了分身术分成两个人开始在棋盘上乱下，最终这盘棋也会分出个胜负。

　　第二盘，上一盘赢的那个分身不再完全是乱下了，开始使用赢的那一盘中的一些对应，第三盘棋，第二盘赢的那个分身开始使用第一盘和第二盘中的对应。当第 N 盘棋下完之后，这个始终赢棋的分身就会获得最有可能获胜的落子方法。

　　以上这 N 盘棋就是一步使用蒙特卡罗树搜索的思考过程，思考结束后的下一个落子，就是被是推演过次数最多，获胜概率最高的那一步。

　　AlphaGo 团队还改进了以上这种传统的蒙特卡罗树搜索算法。