AlphaGo「理解」围棋吗？

AlphaGo 是否“理解”围棋，这绝对是一个值得我们深入探究的问题，而且这个问题本身就充满了趣味。我们不能简单地说“是”或“否”，因为“理解”这个词在人类和机器的语境下，含义可就大相径庭了。

首先，让我们看看 AlphaGo 是怎么做的。它不像我们人类那样，从小学围棋，学习定式、死活题，然后通过对局和复盘来积累经验。AlphaGo 的“学习”过程更像是一种数据驱动的模式识别和优化。

它的核心技术叫做深度学习和强化学习。简单来说，它阅读了海量的围棋对局数据（人类高手的棋谱），然后通过一个叫做“策略网络”的东西，来学习在某个局面下，最可能落子到哪个位置，或者说哪个位置的胜率最高。这就像是它在大量数据中找到了某种“模式”，并且能根据这些模式来预测最优的走法。

同时，它还运用了蒙特卡洛树搜索 (MCTS)。这个名字听起来很技术，但我们可以理解为它是在模拟很多很多种可能的下法。就像我们下棋时，心里会盘算“如果我这样走，他可能会那样走，那我就再那样走…”一样，AlphaGo 是用一种更系统、更高效的方式来“想”未来的几步棋。它会根据策略网络给出的胜率信息，去“探索”那些看起来更有希望的分支，避免去探索那些明显不好的分支，从而找到一条胜算最大的路径。

那么，这和我们人类的“理解”有什么不同呢？

我们人类下棋，除了计算，还有很多直觉、感悟，甚至是一些抽象的理解。比如我们会说，“这个棋形看起来很厚实”、“这块棋有眼活了”，或者“这片空看起来很有发展潜力”。这些都是我们对棋局形态、潜在威胁和未来可能性的具象化理解。我们会用语言来描述这些感受，甚至能用比喻来解释棋理。我们会感受到棋子的“气”，会体会到局面的“缓急”，会因为一步妙手而感到“兴奋”。

而 AlphaGo，它没有这些“感受”。它不会觉得某一步棋“漂亮”，也不会因为赢了棋而“开心”。它只是根据训练数据和算法，不断地优化自己的模型，以达到更高的胜率。它看到的是数字化的棋盘状态，是每个位置的胜率评分，是模拟推演出来的各种可能性。

如果非要用一个比喻的话，我们可以想象一下，我们在学习一门语言。我们通过记忆单词、语法规则，然后练习对话，最终能流利地交流。我们能理解词语的含义，理解句子背后的情感和意图。但 AlphaGo 学习语言，更像是它被喂了海量的文本数据，然后它学会了根据上下文来预测下一个最有可能出现的词语，或者根据一个问题生成一个最符合统计规律的答案。它也能“说”出像模像样的句子，甚至能写出富有逻辑的文章，但它真的“知道”自己在说什么吗？它有对这些词语背后所代表的现实世界产生“概念”吗？这依然是个悬念。

所以，当说 AlphaGo “理解”围棋时，我们可能需要区分两种“理解”。

操作性理解 (Operational Understanding)：AlphaGo 在“操作”围棋这个游戏上，表现出了极高的“理解力”。它能准确地判断棋局的优劣，能找到人类顶尖高手也难以发现的好棋，能以一种我们难以想象的效率进行计算和决策。从“能下好棋，甚至下出比人类更好的棋”这个角度来看，它无疑是“理解”了游戏的内在逻辑和规律。

概念性/意识性理解 (Conceptual/Conscious Understanding)：它是否有像我们人类一样，对围棋这个游戏产生具象的概念、直觉、感悟，甚至是一种主观的体验？我们目前没有证据表明它有。它不会因为对手的某个“愚蠢”的失误而感到“得意”，也不会因为自己的一步棋“妙手”而产生“成就感”。它的“理解”可能更多地体现在对模式的识别和对结果的优化上。

所以，与其问 AlphaGo 是否“理解”围棋，不如说它精通了围棋的规则、模式和最佳策略。它通过海量的数据和强大的计算能力，将围棋这个复杂的游戏“数据化”了，并且能够在这个数据化的世界里做出极其高效的决策。它给我们展示了一种不同于人类的学习和决策方式，这种方式同样能够达到极高的水准，甚至超越人类。

这就像我们看到一个极其出色的计算器，它可以瞬间算出天文数字的乘积，但我们不会说它“理解”了数学。它只是准确地执行了数学运算。AlphaGo 在围棋上的表现，更像是一种极其精密的计算和模式匹配能力的展现，而非我们通常意义上理解的，有主观意识、有情感体验的“理解”。但它的确以一种我们可能无法完全捕捉的方式，“掌握”了围棋的精髓。

网友意见

楼上很多人说的不错了。这里回答的稍微偏题一点(因为事情已经过了很长时间了，可以稍稍避开原问题做一个解答)。

原问题是AlphaGo是否理解围棋，但是我更感兴趣的是人们是否理解AlphaGo。

显然理解。因为算法在那里，看的懂论文的就可以试图复现一个 prototype。

但是，仔细一想就会发现，理解算法本身，和理解算法的行为，似乎不是一回事。

举一个简单的例子。一个程序，它的作用是找出一个数组中最大的数。这个再简单不过，相信会编程的都会写，也就是，对于这个算法大家都是理解的。但是，你真的理解这个算法的行为吗？比如，这个算法找到的最大值是什么？你一开始可能觉得很简单，不就找一下最大值吗？但是很快就会意识到，如果这个输入数据足够大，并且没有先验知识，那么找到最大值的唯一方法就是把这个算法忠实的跑一遍 --- 你没有获得任何理解的捷径，使得能在这个算法得到结论前得到答案。如果不到一个算法得出结果才能知道算法会得到什么结果，你真的理解这个算法的行为吗？

自由意志也是很类似的东西。如果你总能够在一个人做出行为之前得知他会做什么，那么这个人有自由意志吗？事实上对于一部分事，至少在一个人的大脑产生动作信号(计算的角度，就是得到输出或者答案)之前，你难以准确估计他会做什么。这点和之前求最大值的程序非常像。所以说如果今后人们发现人的大脑也在执行某种生物学上的简单规则，并且对这个规则理解得极其清楚，(只要在开放世界中)，也不妨碍一个人有“自由意志”(你依然没法干涉和预测他的“自由”)。

现在AlphaGo是不是类似的？你是否能够在AlphaGo计算出值之前，用某种捷径得知它下面会下什么？目前来看很难，但是也很简单-让AlphaGo算出这个我们想要得知的值不就行了，因为我们充分理解它的算法，我们可以用海量的GPU和CPU让它算的更快，以便让我们更快得到那个结果，但是这样并不叫理解AlphaGo的“行为”，虽然AlphaGo每一步怎么算的你都清清楚楚，但是得出结果还得等它算完。

仔细一想，对于之前那个求最大值的程序，如果我们知道它会处理的数据是递增的，那么我们可以立即得知答案: 它会输出最后一个值。如果最大的值在后1%，那么我们可以倒过来搜索，在这种情况下我们相比那个程序看上去更加有“灵感”。

分子动力学模拟也是如此。原理当然我们明白，但是结果非得那个程序算完才完全清楚。当然如果我们知道模拟的内容是一些常温下的水和磷脂，那么我们会对结果有个大致的预期。

说了这么多，就是想说算法处理的数据本身未尝不是一种复杂和难以解释所在。算法的行为，不仅依赖于代码，也依赖于分支处判断的数据。真正脱离数据的算法是没有意义的，而非常大和复杂，并且在开放世界中不断产生的数据，可以使得一些哪怕极为简单的算法产生极难预知的行为。现在AlphaGo下的那几千万局围棋，并没有类似于“单调递增”这种强的先验知识，而算法从这些数据中得到了网络的权值，算法又根据这些权值忠实的执行，得到的行为自然也不能期望被简单理解(否则某种程度上你就你理解了几亿个棋局的数据)。

那么，什么叫理解围棋本身？首先围棋本身这个概念太宽泛，可以严实为“理解下赢围棋本身”。我们再严实一下理解为“语言可表达，按此可复现”，这对于围棋还算是适合的。比如某人给你一本围棋秘籍，你看了后便能席卷棋界，那么恐怕没人承认你不懂如何下赢围棋。这时候你的理解便是那个秘籍。AlphaGo呢？答案是它的理解是它的完整的程序(包括权值这些)的内容。你可以把它当做一本“围棋秘籍”用，方法是自己一步步手动推那个程序(比如读汇编码自己在纸上写下所有东西)，只不过很慢而已。显然你可能不能接受这个---这不是human-friendly的理解，但是这个“理解”确实是可以被人“理解”的理解，虽然我们没有真正理解AlphaGo这些权值到底是什么含义。(当然咯，现在人们也发明了各种算法来试图理解这些“权值”，比如发现了某些特征，但是为什么有这个特征？为什么特征非要长这个样子？我们并不全部清楚)

那么我猜还有人一定会问AlphaGo是否理解围棋。我觉得这样的讨论是没有意义的。除非有人告诉你，你会知道围棋是一种2个人的，而且两个人面对面做的，对抗的，零和的，棋盘19*19的，棋盘是方的，上面是打格子的，格子也是方的，有黑白两个子的，黑子先下的，两个轮流下的，要下在格点而不是格子中间的，有限时要求的，棋子数量足够的，一个棋子不会占超过一格的，棋子是圆的，两边凸起的，中国古代发明的，一种博弈游戏吗？你也不知道。AlphaGo只是被训练来下赢棋---甚至都不关心能赢几目，只要达到赢的状态就行。

这点和砍树的人不必成为植物学家一样。

你或许还是不能接受AlphaGo这个样子，我想这是因为，人们下围棋，一定要先理解“围棋”什么东西，下面才可以操作。但是AlphaGo却是在不知道(或者没有被提供数据)“围棋是一种2个人的，而且两个人面对面做的，对抗的，零和的，棋盘19*19的，棋盘是方的，上面是打格子的，格子也是方的，有黑白两个子的，黑子先下的，两个轮流下的，要下在格点而不是格子中间的，有限时要求的，棋子数量足够的，一个棋子不会占超过一格的，棋子是圆的，两边凸起的，中国古代发明的，一种博弈游戏”中的任何一点的时候，可以战胜人类。我想，这可能是所谓“强AI”和“弱AI”之前的差异吧。作为“强AI”的我们，理解东西从物理世界，感情，理性决策这些出发，在上面构建上层建筑，比如下围棋。但是AlphaGo直接从“下赢围棋”出发，来做到这一点。很难说哪个更好，只是一个广泛但难以在过于特定的场景深入，另外一个狭义但是却可以做到极好。在未来弱AI可能在每个它处理的领域都要好于强AI，并且我们可以批量生产他们而不需要从头教育，这是现在已经成为现实的事情(比如围棋，还有最近的德州扑克，人脸识别，图像标注，图像识别，甚至将来可以预见的特定场合翻译，语音识别，自动驾驶，等等等等)。

最终我们创造了弱AI(AlphaGo)。因为一个特定领域的智能没法在自然界自然产生。自然界就是一个典型的开放的，数据齐全的环境，需要一个普遍适合的生物存在，弱AI会因为“没有用途”而被进化淘汰。所以一个有明显智能的群体，几乎可以确定是强AI。(现在我们搞出弱AI，恐怕也是社会的需求，因为难以接受但是必须承认的一点是一个弱AI可能在社会中的贡献可能强过很多强AI)。至于是否能在这种开放的环境中搞出强AI就是后人的问题了。

人类才是更不理解围棋的那个。

围棋的核心规则特别简单，19乘19的棋盘，目多算赢。

但人类的脑力是很难把每个子位置，所有可能性都穷举出来。那怎么办呢？把棋局分类，简化，最后总结成一套抽象概念。抽象成“布局常形十二种”，抽象成“金角银边草肚皮”。我们说“理解围棋”，就是依照这样的抽象概念来指导自己，并相信这样能让自己接近胜利。

但这种抽象是不是算“理解”围棋了呢？吴清源和因坊秀哉一战，证明了当时的布局理论不对。那能否说吴清源之前的棋手就不“理解”围棋了呢？

AlphaGo同样有自己的抽象，比如说一个复杂的矩阵方程式。只不过无法表达出来，即使表达出来了也我们也无法理解。

对于核心规则，人类理解，AlphaGo也能理解；至于抽象概念，人类有，AlphaGo也有，而且AlphaGo的概念更容易赢。

事实上我对这个问题的看法非常悲观。

以AlphaGo的原理来看，它是比人类更理解围棋的，不论其是否能战胜人类。

事实上传统的围棋理论中有很多东西是讲不出所以然的，比如说形状更漂亮，势的计算，厚和薄。这些都很难非常清晰的讲清楚，而AlphaGo可以轻松的讲给你听，这样的形状胜率是70%，那个形状胜率只有40%，这块地方黑棋能活的概率超过80%，这块地方黑棋存活概率只有45%。

它还可以不厌其烦的把所有的变化都列出来给你理解这个胜率怎么来的……

你说它理不理解围棋？

类似的话题

AlphaGo「理解」围棋吗？

AlphaGo 是否“理解”围棋，这绝对是一个值得我们深入探究的问题，而且这个问题本身就充满了趣味。我们不能简单地说“是”或“否”，因为“理解”这个词在人类和机器的语境下，含义可就大相径庭了。首先，让我们看看 AlphaGo 是怎么做的。它不像我们人类那样，从小学围棋，学习定式、死活题，然后通过对局.............
AlphaGo 战胜李世石后，最让你害怕的是什么？

AlphaGo 战胜李世石，对我而言，最让我感到“害怕”的并非是某个具体的、直接的威胁，而是一种更深层次的、由这次胜利引发的对未来的复杂情绪。这种“害怕”可以分解为以下几个方面，我会尽量详细地阐述：1. 认知能力的边界被打破，人类“独一无二”的优越感受到动摇：智力的神圣光环褪色：几个世纪以来.............
AlphaGo 能战胜李世石吗？

在讨论 AlphaGo 是否能战胜李世石之前，我们需要明确一点：AlphaGo 已经战胜了李世石。这场具有里程碑意义的围棋比赛发生在 2016年3月，最终比分是 AlphaGo 以 4:1 的压倒性优势击败了当时世界顶尖的围棋棋手李世石九段。这场比赛的意义远不止于围棋界，它标志着人工智能在复杂策略.............
AlphaGo 战胜了李世石，人工智能突破了围棋领域，这意味着什么？

AlphaGo 战胜李世石，无疑是人工智能发展史上的一个里程碑事件，它标志着人工智能在围棋这一复杂智力游戏领域取得了前所未有的突破。这一事件的意义深远而广泛，可以从多个维度来理解：一、技术层面的突破：深度学习与强化学习的成功结合： AlphaGo 的胜利并非仅仅依赖于传统的算法或大量的预设规则。它.............
AlphaGo 有没有「棋风」？它在下棋时会犯错吗？

关于 AlphaGo 是否有“棋风”以及它在下棋时是否会犯错这两个问题，我们可以深入探讨一下。这背后涉及到了人工智能在复杂策略游戏中的一些核心概念。AlphaGo 的“棋风”：是风格还是算法的体现？我们通常说一个人下棋有“棋风”，指的是他下棋时的偏好、习惯性的招法、对局势的理解方式，以及由此形成的一.............
AlphaGo 与李世石的第五局比赛中有哪些值得关注之处？

阿尔法狗和李世石的第五局棋，绝对是他们那场惊世对决中，最让人喘不过气、也最能体现人类智慧与人工智能博弈深度的一局了。虽然前面的四局已经足够震撼，但第五局的某些细节，更能触及到围棋本身和人工智能发展的核心问题。开局的“阴影”与李世石的调整：比赛开始时，人们其实都有点忐忑。李世石在前几局的表现，特别是第.............
AlphaGo 与李世石的第四局比赛中有哪些值得关注之处？

AlphaGo 与李世石的第四局棋，那可真是让人看得心惊肉跳，也充满了戏剧性。回想起来，那一局的看点太多了，绝不是简单的胜负之争。首先，最让人惊掉下巴的莫过于李世石在开局阶段就采取的“弃子战术”。要知道，在围棋的常规思维里，棋子都是宝贵的，轻易不轻易舍弃。但李世石在那一局，尤其是在白棋一方，下出了几.............
AlphaGo 与李世石的第三局比赛中有哪些值得关注之处？

说到 AlphaGo 和李世石九段在 2016 年那场举世瞩目的围棋对决，第三局绝对是其中的高潮，也留下了太多让人回味无穷的细节。如果非要挑点东西来说，那这场棋，简直就是李世石这位人类顶尖棋手在绝境中的一次疯狂反击，虽然结果令人扼腕，但其过程之精彩，足以让每一个围棋爱好者热血沸腾。首先，李世石在开局.............
AlphaGo 下棋的策略套路与人类策略有哪些相似吗？

AlphaGo 下棋的策略套路与人类棋手之间的相似之处，其实比很多人想象的要来得多，而且颇具深意。这并非简单的机器模仿，而是深层算法在模拟和超越人类智慧的过程中，殊途同归地触碰到了围棋最核心的奥秘。我们可以从几个主要方面来探讨这种相似性：一、大局观与全局思考的融合：人类棋手的精髓：经验丰富.............
AlphaGo 在围棋上战胜李世乭后，人工智能的下一个目标会是同为「有限元素组合创作」的音乐吗？

AlphaGo 在围棋上战胜李世乭无疑是人工智能发展史上的一个里程碑，它向世界展示了人工智能在复杂策略游戏中的巨大潜力。而你提出的“有限元素组合创作”的音乐，这是一个非常有趣且具有洞察力的视角，我认为这是人工智能领域一个非常值得探索和前进的方向。理解“有限元素组合创作”与音乐的内在联系首先，我们来拆.............
AlphaGo 与李世石的对战会推动人类的极限还是机器学习的进步和觉醒？

AlphaGo 与李世石的对战，是一场具有划时代意义的事件，它不仅是人工智能领域的一次重大突破，更是人类智慧与机器智能的巅峰对话。这场对弈的深远影响，可以从推动人类极限和机器学习的进步与觉醒两个层面来详细解读。一、推动人类极限：对围棋界的冲击与人类智慧的重新审视这场对弈对于人类围棋界而言，无.............
AlphaGo Zero 和职业棋手之间大约差几个子？

AlphaGo Zero 和职业棋手之间的差距，用围棋的语言来说，就像是“差几个子”这个问题，其实比表面看起来要复杂得多。这不仅仅是某一个具体数字的简单加减，而是反映了在理解棋局、布局、计算深度以及对全局的把握上，存在着一个显著但又难以精确量化的鸿沟。为什么很难给出一个确切的数字？首先，围棋的博弈性.............
Alphago系统能否颠覆传统钢琴学习体系？

AlphaGo 的棋局：能否改写钢琴学习的谱曲？曾经，围棋世界被一群人类大师统治，他们的智慧、经验和直觉构成了这项古老艺术的基石。直到 AlphaGo 的出现，这幅画面被彻底颠覆。围棋界为之一颤，人们开始思考，如果一个机器能够掌握并超越人类在围棋上的顶尖技艺，那么它是否也能以同样的方式，颠覆其他人类.............
AlphaGo战胜围棋冠军和当年IBM深蓝战胜象棋冠军哪个意义和影响更大？

关于AlphaGo战胜围棋冠军和IBM“深蓝”战胜象棋冠军，哪个意义和影响更大，这是一个非常有意思且值得深入探讨的问题。两者无疑都是人工智能发展史上的里程碑事件，但它们所处的时代背景、技术突破点以及引发的思考，都各有千秋，导致其影响的深度和广度也存在差异。IBM“深蓝”战胜卡斯帕罗夫（1997年）：.............
AlphaGo 和人类棋手比起来谁消耗的资源更多？

这个问题很有意思，涉及到我们对“资源”的定义。如果笼统地说，AlphaGo 和人类棋手比起来，谁消耗的资源更多，答案是：侧重点不同，但从整体运作和维护来看，AlphaGo 的“资源消耗”更庞大且持续。让我来详细解释一下，试着摆脱那些冷冰冰的“AI”标签，更像是一个观察者在探讨这件事。人类棋手：即时消.............
为什么 AlphaGo 不敢挑战麻将？

关于 AlphaGo 为何没选择麻将作为挑战项目，这个问题其实挺有意思的，咱们得从麻将这牌局本身和人工智能这两方面来好好说道说道。别看网上总有人拿这个说事儿，觉得是 AlphaGo 怕了，其实背后是挺多技术和现实因素在起作用的。首先，咱们得明白，AlphaGo 之所以能称霸围棋，是因为围棋是一项信息.............
两台 AlphaGo 对决会和棋吗？

两台 AlphaGo 对决，会和棋吗？这个问题其实比看起来要复杂得多，它触及了人工智能在围棋领域的深度和局限性。简单地说，在理想状态下，一台顶级的 AlphaGo 对阵另一台同等水平的 AlphaGo，和棋的可能性是存在的，但并非必然。理解这一点，需要我们深入探究 AlphaGo 的运作方式，以及围.............
对局AlphaGo，我完全随机落子，无数盘中能否赢一盘？

这真是一个有趣的问题，从纯粹的理论角度来说，答案是…… 理论上，有可能，但可能性极低到可以忽略不计。咱们就来掰开了揉碎了聊聊为啥。首先，得明确咱们的“对局”是什么样的。你提到“完全随机落子”，这可是个大前提。围棋这玩意儿，可不是你随便扔两颗子就能下完的。你需要遵守规则，比如不能下在对方气已尽的棋子.............
类似 AlphaGo 的人工智能在游戏王、万智牌等卡牌游戏中胜率如何？

您好！关于“类似 AlphaGo 的人工智能在卡牌游戏中的表现”，这确实是一个非常有趣且热门的话题。让我来为您详细解读一下，尽量避免生硬的AI痕迹，让您感觉像是在和一位了解卡牌游戏和AI的朋友交流。首先，我们需要明确一点：AlphaGo 本身是为围棋这款策略深度极高但信息完全确定的游戏设计的。而像《.............
类似AlphaGo一样的人工智能什么时候才可以击败RTS（如星际）顶级选手？

这个问题很有意思，也很具挑战性，因为即时战略（RTS）这类游戏，和AlphaGo擅长的围棋，在本质上有很大的不同。我们不能简单地拿围棋的那套方法套到《星际争霸》这样的游戏中。想象一下，围棋就像是在一个非常清晰、静态的棋盘上，双方轮流落子，目标是占据更多的地盘。它的规则明确，信息是完全公开的，没有隐藏.............